前阵子，嵌入式社区里出现了一个让人看了标题就想点进去的 GitHub 项目。
项目声称：把几个 ESP32-S3 贴在墙上，接上 WiFi，就能实时检测房间里的人体姿态、呼吸频率和心跳——不需要摄像头，不需要可穿戴设备，不需要联网。穿墙也行。
46200 个 Star。
然后，一些人开始在 Issues 和社区里喊——这是 AI 生成的虚假项目，根本跑不起来。
所以，这个项目到底是真的神器，还是被过度包装的 demo？
先说清楚这件事的底层逻辑
在讨论 RuView 之前，有必要说清楚一件事：WiFi 感知这项技术本身是真实的。
2023 年，卡内基梅隆大学发表了论文 DensePose From WiFi（arXiv:2301.00250），证明可以通过 WiFi 信号重建人体姿态。不是概念验证，是有实验数据支撑的学术成果。
原理是这样的：WiFi 路由器每秒会向空间中发射大量无线电波。当一个人站在信号路径上，波会被散射、反射和吸收，到达接收端时振幅和相位都发生了变化。
这个变化，叫做 CSI（Channel State Information，信道状态信息）。
普通 WiFi 设备只告诉你"信号强度是多少"（RSSI）。而 ESP32-S3 等支持 CSI 的硬件，能拿到每个子载波的振幅和相位数据——56 个子载波，每个都包含一组复数。这相当于一张低分辨率的"射频图像"，描述了信号穿越空间时遇到了什么。
RuView 做的事，就是把这个思路工程化：用廉价 ESP32-S3 节点组成传感器网格，实时采集 CSI 数据，经过信号处理和机器学习，推断出人的位置、动作、呼吸和心跳。
RuView 是什么
GitHub：https://github.com/ruvnet/RuView
语言：Rust（主力）/ Python（兼容） License：MIT
Star 数：46.2k（2026年4月，仍在增长）
RuView 是一个开源的边缘 AI 感知系统，核心能力包括：
- 人体存在检测：延迟 < 1ms，基于 RSSI 方差+运动频段功率
- 呼吸频率检测：6-30 次/分钟，带通滤波 + FFT 峰值定位
- 心率检测：40-120 BPM，更高频段的 FFT 分析
- 人体姿态估计：17 个 COCO 关键点，需要 CSI 能力的硬件
- 穿墙检测：Fresnel 区几何模型 + 多径建模，有效深度最远 5m
- 多人追踪：3-5 人同时追踪（取决于子载波数量和节点数）
整个系统完全本地运行，不依赖云，不需要 API Key。
硬件需求：ESP32-S3 是关键
这里有个容易踩的坑，README 里写得很清楚，但很多人没注意：
普通 WiFi 设备只能用 RSSI，做不了 CSI。
RSSI 是信号强度的单一数值。CSI 是每个子载波的复数矩阵。前者能做粗粒度的存在感知，后者才能支撑呼吸、心率、姿态这些细粒度应用。
支持 CSI 能力的硬件选项：
项目推荐部署 3-6 个 ESP32-S3 节点，采用多静态网格（Multistatic Mesh）配置，通过 TDM 协议让节点轮流发射，形成 N×(N-1) 条信号路径，互相配合提升精度。
# ESP32-S3 固件烧录（使用项目提供的预编译固件）
python -m esptool --chip esp32s3 --port COM9 --baud 460800 \
write_flash --flash-mode dio --flash-size 8MB --flash-freq 80m \
0x0 bootloader.bin 0x8000 partition-table.bin \
0xf000 ota_data_initial.bin 0x20000 esp32-csi-node.bin
烧完之后，配置 WiFi 和目标主机 IP：
# 配置节点，将 CSI 数据流发送到上位机
python firmware/esp32-csi-node/provision.py \
--port COM9 \
--ssid "YourWiFi" \
--password "secret" \
--target-ip 192.168.1.20 \
--target-port 5006
信号处理管道：从电波到骨架
这是 RuView 最值得关注的部分——它的信号处理链经过了相当认真的设计。
原始 CSI 数据非常嘈杂，不能直接用。RuView 实现了多个学术级算法：
SpotFi：相位校正算法，消除 CSI 中的硬件时间偏移和频率偏移。不做相位校正，后续的呼吸/心率分析会完全错乱。
Hampel 滤波器：离群点抑制，识别并替换统计上异常的 CSI 样本。
Fresnel 区建模：基于发射端-人体-接收端的几何关系，建立多路径传播模型，将 CSI 变化映射回物理空间坐标。
BVP 提取（呼吸/心率）：对处理后的 CSI 幅度施加 0.1-0.5 Hz 带通滤波提取呼吸信号，0.8-2.0 Hz 带通提取心率信号，然后做 FFT 峰值检测。
// 呼吸率提取核心逻辑（简化）
// 真实实现在 wifi-densepose-vitals crate 中
let breathing_band = bandpass_filter(csi_amplitude, 0.1, 0.5, sample_rate);
let spectrum = fft(&breathing_band);
let breathing_rate_hz = find_peak_frequency(&spectrum);
let bpm = breathing_rate_hz * 60.0;
这段代码做了什么：对 CSI 幅度时间序列施加带通滤波，保留 0.1-0.5 Hz 的呼吸频率成分，FFT 后找峰值，转换为 BPM。
完整的信号处理管道是用 Rust 重写的，相比原来的 Python 版本快了大约 810 倍，每秒可以处理 54,000 帧 CSI 数据。
边缘推理：WASM 模块直接跑在 ESP32 上
RuView 的另一个有意思的设计是边缘模块（Edge Module）系统。
传统方案是：ESP32 采集数据，发给上位机，上位机做推理。这意味着需要网络连接，也有延迟。
RuView 的边缘模块是编译成 wasm32-unknown-unknown 的 no_std Rust 代码，通过 WASM3 解释器运行在 ESP32-S3 上。每个模块 5-30 KB，调用 12 个标准 API 函数，推理延迟目标 < 10ms。
目前实现了 65 个边缘模块，按场景分类：
- 医疗健康：睡眠呼吸暂停检测、心律不齐、步态分析
- 安防：入侵检测、周界报警、徘徊检测
- 楼宇管理：区域占用、HVAC 联动、会议室追踪
- 工业安全：叉车接近报警、受限空间监控
- 自适应学习：EWC 持续学习，适应新环境时不遗忘旧知识
// 边缘模块的接口定义（no_std Rust）
// 每个模块实现 process() 函数，输入 CSI 特征，输出结构化事件
#[no_mangle]
pub extern "C" fn process(input_ptr: *constu8, input_len: usize) ->i32 {
// 读取 CSI 特征向量
let input = unsafe { slice::from_raw_parts(input_ptr, input_len) };
let features: CsiFeatures = deserialize(input);
// 检测呼吸停止（sleep apnea 模块逻辑）
if features.breathing_rate < 0.1 || features.breathing_amplitude < threshold {
emit_event(Event::ApneaDetected { duration_sec: features.pause_duration });
return 1;
}
0
}
这段代码的意义：呼吸率低于 0.1 Hz 或振幅过低时，模块直接在 ESP32 上触发告警，不需要数据上传。整个推理在芯片本地完成。
30 秒上手：Docker 快速验证
如果只想先跑起来看看效果，不需要 ESP32，Docker 方式最快：
# 拉取镜像，30 秒内看到模拟数据
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# 浏览器打开 http://localhost:3000
这会启动一个带模拟 CSI 数据的感知服务器，包含完整的可视化界面——波形图、人体骨架、生命体征面板。没有 CSI 硬件，看的是仿真数据，但可以验证整个处理管道是否工作。
真实 ESP32 节点接入：
# 启动感知服务器，监听 ESP32 UDP 数据流
./target/release/sensing-server \
--source esp32 \
--udp-port 5005 \
--http-port 3000 \
--ws-port 3001
REST API 查询实时数据：
# 查询当前姿态
curl http://localhost:3000/api/v1/pose/current
# 查询生命体征
curl http://localhost:3000/api/v1/vital-signs
# 查询最新感知帧
curl http://localhost:3000/api/v1/sensing/latest
WebSocket 实时订阅：
import asyncio, websockets, json
async def stream():
async with websockets.connect("ws://localhost:3001/ws/sensing") as ws:
async for msg in ws:
data = json.loads(msg)
persons = data.get("persons", [])
for p in persons:
print(f"位置: {p['position']}, 呼吸: {p['breathing_bpm']:.1f} BPM")
asyncio.run(stream())
Cognitum Seed：可选的边缘记忆模块
项目还有一个配套硬件叫 Cognitum Seed（cognitum.one），是个运行在 Pi Zero 2W 上的边缘 AI 小盒子，大约 $15。
它的定位是给 ESP32 节点提供持久化向量存储和加密证明能力：
ESP32-S3 ($9) ──UDP──> 上位机 ──HTTPS──> Cognitum Seed ($15)
28Hz CSI原始帧 批处理+验证 永久向量存储
1Hz 特征向量 NaN 剔除 kNN 相似度搜索
1Hz 生命体征 来源过滤 见证链（加密证明）
每次感知事件，Cognitum Seed 会把特征向量存成可搜索的形式，并附上 Ed25519 签名，确保数据不被篡改。
这个功能适合需要长期追踪的应用场景——比如监测老年人的呼吸规律变化。不过这是可选组件，没有 Cognitum Seed，ESP32 的所有基础功能照常运行。
局限性：别把它神化了
说实话，这个项目的局限性不少，而且有些还挺关键。
首先，那句"骗局"是怎么来的。
一个月前，有人仔细看了早期代码，发现其中存在随机模拟数据，没有真实 CSI 硬件接入的验证。加上当时 YouTube 上找不到任何真实运行的视频，被质疑是 AI 生成的虚假项目。
CNX Software 对此的判断是：底层科学（CMU 论文）是真实的，ESP32 CSI 能力也是真实的（乐鑫官方 2022 年就有演示），但部分性能声明可能是在特定条件下测试的，存在夸大嫌疑。
技术层面的真实局限：
- 姿态精度偏低：不带摄像头标注数据时，PCK@20 只有 2.5%。README 里也承认了：摄像头监督训练可以把精度提到 92.9%，但那就不是"无摄像头"方案了
- 单节点分辨率有限：一个 AP 最多区分 3-5 个人。多人场景需要多节点
- 穿墙能力依赖材质：钢筋混凝土（30cm 以内）、木质墙、石膏板都可以穿透；金属门窗会严重衰减信号
- 子载波数量限制：ESP32-S3 提供 56 个子载波。室内多人场景和学术论文中用的专业研究网卡（Intel 5300，3×3 MIMO）相比，感知分辨率差距明显
- 环境适应性：系统需要在每个部署环境中做短暂的自校准，搬到新房间后性能会下降，直到重新适应
Q&A
Q：我手里只有普通 ESP32（不是 S3），能用吗？
A：基础存在感知可以用（RSSI 模式），但 CSI 功能不支持。呼吸、心率、姿态这些功能需要支持 CSI 的硬件，目前经过验证的是 ESP32-S3 和部分研究级 NIC（Intel 5300、Atheros AR9580）。
Q：需要学 Rust 才能用吗？
A：感知服务器有预编译的 Docker 镜像，ESP32 固件也提供预编译 bin，大部分操作只需要 Python 脚本（provision.py、seed_csi_bridge.py）。想改边缘模块逻辑才需要 Rust。
Q：项目说"用邻居路由器当雷达照射源"，这不违法吗？
A：RuView 是被动接收 WiFi 信号（CSI 采集），并非发射额外的 RF 能量或破解加密，和你的手机接收 WiFi 信标帧本质相同。不过在特定地区的法规细节，使用前还是建议自行确认。
Q：和专业雷达传感器（如 60GHz mmWave）比，哪个更好用？
A：各有适用场景。mmWave 雷达（如 LD2410）精度更高、延迟更低，但覆盖角度有限，每个区域需要单独部署，成本也更高。WiFi CSI 的优势是覆盖范围大（利用已有 WiFi 基础设施）、穿墙能力强、多节点融合天然支持多房间覆盖。如果你只需要检测单个房间是否有人，mmWave 可能更省事；如果需要多房间覆盖或穿墙感知，WiFi CSI 方案更经济。
获取方式
GitHub：https://github.com/ruvnet/RuView
Cognitum Seed 硬件平台：https://cognitum.one
国内访问 GitHub 有时不稳定，源码包已备好，后台回复 RuView 或 0050 获取下载链接。
如果只是想先验证信号处理管道，不需要任何硬件：
python v1/data/proof/verify.py
这个脚本会用确定性参考信号跑一遍完整的处理链，输出 SHA-256 哈希，可以对照 README 里的预期值核对。
顺手转一条活动信息：下周深圳有个蓝牙行业的年度聚会——2026 蓝牙亚洲大会暨展览，4 月 23-24 日，深圳会展中心（福田）5 号馆。4000+ 专业观众、50+ 技术领袖、60+ 参展企业，WiFi 感知、低功耗连接这些方向的人应该都会去。邀请时间只到 4 月 22 日，邀请满 3 人还有午餐券。感兴趣的扫海报里的码锁定免费入场资格。
这里每周都在聊单片机那点事，能让你少走弯路的那种。如果今天的内容对你有用，转发给正在研究 WiFi CSI 或者 ESP32 传感器项目的朋友，也许刚好能给他一个新思路。
往期推荐
平时只能看数据手册，这次可以直接问原厂工程师——4月23-24深圳，免费