102.000 stelle per un radar Wi-Fi che dichiara di vedere attraverso i muri

RuView ha 102.000 stelle su GitHub, una descrizione del progetto che sembra un pitch hardware e un README insolitamente schietto sui propri limiti. Leggi entrambi, perché il progetto insegna più di quanto suggerisca il numero di stelle.
La proposta: il tuo segnale Wi-Fi è già un radar. Quando qualcuno cammina, respira o il suo cuore pulsa, il corpo diffonde onde radio e i conseguenti cambiamenti di fase e ampiezza compaiono nel Channel State Information che i chip Wi-Fi già raccolgono. RuView legge quei dati CSI e li trasforma in rilevamento della presenza, conteggio delle persone, frequenza respiratoria, frequenza cardiaca, rilevamento delle cadute e una stima della posa umana a 17 keypoint, senza telecamera e senza dispositivi indossabili.
Lo stack è reale. È scritto in Rust, con una pipeline end-to-end che gira a circa 18,47 microsecondi per frame, circa 810 volte più veloce della versione Python che ha sostituito. L'encoder preaddestrato sta in 8 KB con quantizzazione a 4 bit. I pesi preaddestrati sono pubblicati su Hugging Face. Pubblica 21 entità MQTT di Home Assistant per nodo e si integra con Matter e Apple Home. Un fallback basato sulla varianza di fase rileva la presenza senza alcun modello.
C'è anche un fallback basato sulla varianza di fase che non richiede alcun modello, il tipo di dettaglio che si vede solo nei progetti in cui l'autore intende davvero che le persone eseguano il software.
La parte che fa funzionare l'hardware
Il motivo per cui due schede economiche possono percepire qualcosa è un livello di normalizzazione. I chip Wi-Fi consumer riportano il Channel State Information su sottoportanti diverse, in ordini diversi e con scalatura diversa, quindi il CSI grezzo di un ESP32 e quello grezzo di un Intel 5300 non sono la stessa misura. L'HardwareNormalizer di RuView li mappa tutti in un formato unificato a 56 sottoportanti usando codifica nel dominio di Fourier e ricampionamento dinamico, il che significa che un modello addestrato su un chipset può essere distribuito su un altro senza riaddestramento.

Sopra c'è l'elaborazione del segnale basata sulla geometria delle zone di Fresnel e sulla dinamica di fase del CSI, riscritta in Rust. I moduli vengono compilati in WebAssembly e girano nativamente sull'ESP32-S3, quindi parti della pipeline vengono eseguite sul nodo anziché su un server.
I sensori sono commerciali e la normalizzazione è il pezzo riutilizzabile. Ciò che rende affidabile il resto è che l'autore ha documentato i limiti di accuratezza di ogni stadio invece di citare un numero a effetto.
La realtà hardware
Il rilevamento in tempo reale richiede schede ESP32-S3 o ESP32-C6 con firmware CSI flashato. I nodi costano circa 9 dollari ciascuno. Il progetto funziona anche con NIC Intel 5300 per un MIMO di livello di ricerca, e il semplice segnale RSSI di un laptop rileva una presenza grossolana, ma nulla di più.
L'installazione prevede Docker più Compose. Una GPU è opzionale. L'immagine Docker esegue dati simulati, cosa utile da sapere prima di passare un pomeriggio a chiedersi perché le tue letture sembrano troppo pulite.
Cosa ammette il README
Il README smentisce una precedente dichiarazione di accuratezza, ed è questo che rende il progetto meritevole di un'ora del tuo tempo. Segnala che i dati sui segni vitali e l'accuratezza sintetica in radiofrequenza non sono stati validati da terze parti. Nota che il modello di posa on-device incluso nel repository ottiene un PCK@20 del 3,0 per cento e che il suo percorso di runtime è uno stub.
Un PCK@20 del tre per cento significa che il modello di posa on-device, così com'è distribuito, non funziona. Non «funziona in modo imperfetto». Non funziona. La pipeline completa su hardware di livello server è una storia diversa dal modello che puoi eseguire sul nodo stesso, e il README è chiaro su cosa è cosa.
Il progetto afferma anche che la penetrazione dei muri arriva a circa cinque metri e dipende dalle condizioni del segnale, che la superficie delle funzionalità è abbastanza ampia da rendere difficile capire quali parti siano pronte per la produzione, e che il README stesso è molto lungo. Le dichiarazioni di accuratezza in questo campo hanno un curriculum scarso, quindi un progetto che pubblica le proprie modalità di errore fa qualcosa di raro.
Perché un progetto da 102.000 stelle va comunque letto
Il numero di stelle su questo repo è cresciuto rapidamente. Il progetto ha superato le 10.000 stelle a febbraio 2026, le 50.000 a maggio e le 100.000 il 27 ottobre. Il tracker del repository mostra circa 1.300-1.400 nuove stelle a settimana nell'ultimo mese, con un picco giornaliero di 710 il 29 ottobre. Cinquanta dei contributori ci hanno messo mano.
Una crescita così di solito significa un mix di adozione genuina e qualcos'altro. Il qualcos'altro qui è una premessa convincente e facile da condividere: le telecamere sono invasive, quindi sostituiscile con la radio. Quella premessa merita molta attenzione e sorvola anche sulle parti difficili.
Le parti difficili sono visibili se guardi. Il supporto CSI nei chip Wi-Fi consumer è disomogeneo, e l'intero approccio dipende da firmware che pochi router espongono. Il tracciamento multi-persona, l'occlusione e la geometria della stanza cambiano tutti il segnale in modi per cui i modelli devono essere riaddestrati. Il rilevamento della frequenza cardiaca attraverso i muri in una stanza con un ventilatore acceso è un problema di fisica prima che un problema di machine learning.
Cosa farne
Prima di ogni altra cosa, leggi la tabella di accuratezza invece dell'elenco delle funzionalità. Questo tipo di progetto accumula capacità più in fretta di quanto accumuli prove, e i due elenchi sono tenuti in punti diversi del README. L'elenco delle funzionalità è lungo e sembra una roadmap. La sezione sull'accuratezza è breve e sembra una confessione. Entrambe le cose sono vere, e la seconda è quella utile.
Se stai costruendo strumenti per la casa intelligente o la sicurezza, RuView è un'implementazione di riferimento seria e una cosa ragionevole da eseguire su un banco di prova. Compra due schede ESP32, flashale, guarda la traccia del respiro. Il costo è irrisorio e la comprensione che ottieni non lo è.
Se lo stai valutando per l'assistenza sanitaria o il rilevamento delle cadute, tratta le avvertenze del README stesso come specifica. L'accuratezza dei segni vitali non è validata, il modello di posa on-device è uno stub e il limite di penetrazione dei muri è reale. Qui non c'è ancora alcuna decisione di acquisto da prendere.
Se cerchi un'alternativa di rilevamento che preservi la privacy rispetto a una telecamera, il riassunto onesto è che RuView sposta il problema invece di risolverlo. Rimuove l'immagine, non i dati. Quello che ottieni invece di una foto della camera da letto di qualcuno è una frequenza respiratoria e una posizione nella stanza, che è un tipo diverso di registrazione e, in molti contesti, più sensibile. Le questioni legali ed etiche che accompagnano il rilevamento senza telecamera non sono risolte da nessuna parte, e un repository da 100.000 stelle non è il luogo in cui vengono risolte.
La cosa migliore di questo progetto è il suo README. Qualcuno ha costruito qualcosa di ambizioso, poi ha scritto esattamente fin dove arriva davvero. Più progetti hardware e di IA dovrebbero fare lo stesso.
Articoli correlati
Un foglio di calcolo comunitario di tocchi che spegne la pubblicità negli Android cinesi
Non tocca il sistema, non sblocca niente, non flasha niente. Ribalta solo gli interruttori che i produttori hanno già previsto. Il prezzo è una lista che qualcuno deve continuare a scrivere.
GPT Image 2.6 ha tenuto il prezzo dei token e alzato la fattura
GPT Image 2.6 conserva ogni tariffa per token di 2.5 e costa comunque di più per immagine, perché buona parte del lavoro passa ora nei token di output. Undici giorni dopo il lancio, la struttura dei prezzi dice più della classifica.
Qualcuno ha ricostruito IDM dall'esterno e ha scritto cosa non ha toccato
Una reimplementazione in Rust di Internet Download Manager promette 5 volte la velocità e 86 lingue. Il documento più interessante è il paragrafo che spiega come è stata costruita senza copiare nulla.
Rune è un framework UI per Rust costruito perché un agente possa verificare il proprio lavoro
Rune renderizza headless, esporta il suo albero di elementi e accetta input scriptato, dando a un agente di coding un segnale diffabile che nessuno screenshot può offrire. Il framework è in pre-release e non accetta pull request.