← Zurück zum Blog
Aica. 6 Min. Lesezeit

102.000 Stars für ein WiFi-Radar, das durch Wände sehen soll

Veröffentlicht 7. Nov. 2026
102.000 Stars für ein WiFi-Radar, das durch Wände sehen soll

RuView hat 102.000 GitHub-Stars, eine Projektbeschreibung, die sich wie ein Hardware-Pitch liest, und eine README, die ungewöhnlich offen über ihre eigenen Grenzen spricht. Lesen Sie beides, denn das Projekt lehrt mehr, als die Zahl der Stars vermuten lässt.

Der Pitch: Ihr WiFi-Signal ist bereits ein Radar. Wenn jemand geht, atmet oder pulsiert, streut der Körper Funkwellen, und die daraus resultierenden Änderungen von Phase und Amplitude zeigen sich in den Channel State Information, die WiFi-Chips ohnehin erfassen. RuView liest diese CSI-Daten aus und macht daraus Anwesenheitserkennung, Personenzählung, Atemfrequenz, Herzfrequenz, Sturzerkennung und eine menschliche Posenschätzung mit 17 Keypoints – ohne Kamera und ohne Wearable.

Der Stack ist real. Er ist in Rust geschrieben, mit einer End-to-End-Pipeline, die mit etwa 18,47 Mikrosekunden pro Frame läuft – rund 810-mal schneller als die Python-Version, die sie ersetzt hat. Der vortrainierte Encoder passt bei 4-Bit-Quantisierung in 8 KB. Die vortrainierten Gewichte sind auf Hugging Face veröffentlicht. Pro Node werden 21 Home-Assistant-MQTT-Entitäten bereitgestellt, mit Brücken zu Matter und Apple Home. Ein Phase-Varianz-Fallback erkennt Anwesenheit ganz ohne Modell.

Es gibt außerdem einen Phase-Varianz-Fallback, der kein Modell benötigt – die Art von Detail, die man nur in Projekten sieht, in denen der Autor wirklich will, dass Leute das Ding auch ausführen.

Der Teil, der die Hardware funktionieren lässt

Der Grund, warum zwei günstige Boards überhaupt etwas erfassen können, ist eine Normalisierungsschicht. Consumer-WiFi-Chips melden Channel State Information auf unterschiedlichen Subträgern, in unterschiedlicher Reihenfolge und mit unterschiedlicher Skalierung; rohe CSI von einem ESP32 und rohe CSI von einem Intel 5300 sind daher nicht dieselbe Messung. Der HardwareNormalizer von RuView bildet alle in ein einheitliches Format mit 56 Subträgern ab, mithilfe von Kodierung im Fourierbereich und dynamischem Resampling. Ein Modell, das auf einem Chipsatz trainiert wurde, lässt sich dadurch ohne erneutes Training auf einem anderen einsetzen.

Ein mattschwarzes Sensorboard auf einem blassen Holztisch, darüber schwache konzentrische türkisfarbene Lichtringe.

Darüber liegt eine Signalverarbeitung auf Basis von Fresnel-Zonen-Geometrie und CSI-Phasendynamik, neu geschrieben in Rust. Die Module kompilieren zu WebAssembly und laufen nativ auf dem ESP32-S3, sodass Teile der Pipeline auf dem Node statt auf einem Server ausgeführt werden.

Die Sensoren sind Massenware, und die Normalisierung ist der wiederverwendbare Teil. Was den Rest vertrauenswürdig macht, ist, dass der Autor die Genauigkeitsgrenzen jeder Stufe dokumentiert hat, statt eine Schlagzeile mit einer einzigen Zahl zu liefern.

Die Hardware-Realität

Live-Sensorik benötigt ESP32-S3- oder ESP32-C6-Boards, die mit CSI-Firmware geflasht sind. Nodes kosten jeweils etwa 9 US-Dollar. Das Projekt funktioniert auch mit Intel-5300-NICs für MIMO in Forschungsqualität, und das einfache RSSI-Signal eines Laptops erkennt grobe Anwesenheit, aber nicht mehr.

Die Installation besteht aus Docker plus Compose. Eine GPU ist optional. Das Docker-Image führt simulierte Daten aus – gut zu wissen, bevor Sie einen Nachmittag damit verbringen, sich zu fragen, warum Ihre Messwerte zu sauber aussehen.

Was die README zugibt

Die README nimmt eine frühere Genauigkeitsangabe zurück, und genau das macht das Projekt eine Stunde Ihrer Zeit wert. Sie weist darauf hin, dass die Werte für Vitalzeichen und die Genauigkeit der synthetischen Funkdaten nicht durch externe Stellen validiert sind. Sie merkt an, dass das eingecheckte On-Device-Posemodell PCK@20 von 3,0 Prozent erreicht und dass sein Laufzeitpfad ein Stub ist.

Drei Prozent PCK@20 bedeuten, dass das On-Device-Posemodell in der ausgelieferten Form nicht funktioniert. Nicht „funktioniert unvollkommen“. Es funktioniert nicht. Die vollständige Pipeline auf Server-Hardware ist eine andere Geschichte als das Modell, das Sie auf dem Node selbst ausführen können, und die README macht klar, was was ist.

Das Projekt gibt außerdem an, dass die Wanddurchdringung etwa fünf Meter beträgt und von den Signalbedingungen abhängt, dass die Funktionsoberfläche groß genug ist, dass schwer zu erkennen ist, welche Teile produktionsreif sind, und dass die README selbst sehr lang ist. Genauigkeitsangaben in diesem Bereich haben eine schlechte Bilanz; ein Projekt, das seine eigenen Fehlermodi veröffentlicht, macht etwas Seltenes.

Warum ein Projekt mit 102.000 Stars trotzdem gelesen werden muss

Die Star-Zahlen in diesem Repo stiegen schnell. Das Projekt überschritt 10.000 Stars im Februar 2026, 50.000 im Mai und 100.000 am 27. Oktober. Der Repository-Tracker zeigt im letzten Monat etwa 1.300 bis 1.400 neue Stars pro Woche, mit einem Bestwert von 710 am 29. Oktober. Fünfzig Contributors haben daran gearbeitet.

Solches Wachstum bedeutet normalerweise eine Mischung aus echter Akzeptanz und etwas anderem. Das andere ist hier eine überzeugende Prämisse, die sich leicht teilen lässt: Kameras sind invasiv, also ersetzt man sie durch Funk. Diese Prämisse verdient viel Aufmerksamkeit, und sie übergeht zugleich die schwierigen Teile.

Die schwierigen Teile sind sichtbar, wenn man hinsieht. Die CSI-Unterstützung in Consumer-WiFi-Chips ist ungleichmäßig, und der gesamte Ansatz hängt von Firmware ab, die nur wenige Router offenlegen. Mehrpersonen-Tracking, Verdeckung und Raumgeometrie verändern das Signal jeweils so, dass die Modelle dafür neu trainiert werden müssen. Herzfrequenzmessung durch Wände in einem Raum mit laufendem Ventilator ist zuerst ein Physikproblem und erst danach ein Problem für maschinelles Lernen.

Was man damit tun sollte

Lesen Sie zuerst die Genauigkeitstabelle und nicht die Funktionsliste. Diese Art von Projekt sammelt Fähigkeiten schneller als Belege, und die beiden Listen stehen in der README an unterschiedlichen Stellen. Die Funktionsliste ist lang und liest sich wie eine Roadmap. Der Genauigkeitsabschnitt ist kurz und liest sich wie ein Geständnis. Beides ist wahr, und der zweite Teil ist der nützliche.

Wenn Sie Smart-Home- oder Sicherheits-Tooling bauen, ist RuView eine ernsthafte Referenzimplementierung und etwas, das man vernünftigerweise auf einer Werkbank laufen lassen kann. Kaufen Sie zwei ESP32-Boards, flashen Sie sie und beobachten Sie die Atemkurve. Die Kosten sind trivial, das Verständnis, das Sie gewinnen, nicht.

Wenn Sie es für Healthcare oder Sturzerkennung evaluieren, behandeln Sie die Einschränkungen der README als Spezifikation. Die Genauigkeit der Vitalzeichen ist nicht validiert, das On-Device-Posemodell ist ein Stub, und die Grenze der Wanddurchdringung ist real. Hier gibt es noch keine Beschaffungsentscheidung zu treffen.

Wenn Sie eine datenschutzfreundliche Sensorik-Alternative zur Kamera suchen, lautet die ehrliche Zusammenfassung, dass RuView das Problem verschiebt statt es zu lösen. Es entfernt das Bild, nicht die Daten. Was Sie statt eines Bildes von jemandes Schlafzimmer erhalten, sind eine Atemfrequenz und eine Position im Raum – eine andere Art von Datensatz und in vielen Umgebungen ein sensiblerer. Die rechtlichen und ethischen Fragen, die mit kameraloser Sensorik einhergehen, sind nirgendwo geklärt, und ein Repository mit 100.000 Stars ist nicht der Ort, an dem sie geklärt werden.

Das Beste an diesem Projekt ist seine README. Jemand hat etwas Ehrgeiziges gebaut und dann genau aufgeschrieben, wie weit es tatsächlich kommt. Mehr Hardware- und KI-Projekte sollten das tun.

Verwandte Artikel