← 返回部落格
Ai預計閱讀 8 分鐘

102,000 顆星,獻給一款號稱能透視牆壁的 WiFi 雷達

發布於 2026年11月7日
102,000 顆星,獻給一款號稱能透視牆壁的 WiFi 雷達

RuView 在 GitHub 上有 102,000 顆星,專案說明讀起來像硬體募資文案,而 README 對自身限制卻異常坦白。兩者都該讀,因為這個專案能教你的,比星數所暗示的更多。

賣點是:你的 WiFi 訊號本身就是一座雷達。當有人走動、呼吸或脈動,身體會散射無線電波,隨之產生的相位與振幅變化,會出現在 WiFi 晶片本來就會蒐集的通道狀態資訊(CSI)中。RuView 讀取這些 CSI 資料,將其轉化為在場偵測、人數統計、呼吸速率、心率、跌倒偵測,以及 17 個關鍵點的人體姿態估計,全程不用攝影機、不用穿戴裝置。

這套技術堆疊是真的。它以 Rust 撰寫,端到端管線每幀約 18.47 微秒,比它所取代的 Python 版本快約 810 倍。預訓練編碼器在 4 位元量化下只有 8 KB。預訓練權重已發布於 Hugging Face。每個節點會發布 21 個 Home Assistant MQTT 實體,並橋接到 Matter 與 Apple Home。還有一個相位變異的備援機制,完全不需要模型就能偵測在場。

此外還有一個不需要模型的相位變異備援方案,這種細節只會出現在作者真心希望別人真的把東西跑起來的專案裡。

讓硬體得以運作的那一塊

兩塊便宜板子之所以能感測到任何東西,關鍵在於一層正規化處理。消費級 WiFi 晶片回報 CSI 時,子載波不同、順序不同、縮放也不同,因此 ESP32 的原始 CSI 與 Intel 5300 的原始 CSI 並不是同一種測量。RuView 的 HardwareNormalizer 透過傅立葉域編碼與動態重取樣,把它們全部映射到統一的 56 子載波格式,這意味著在某一晶片組上訓練的模型,可以部署到另一款晶片上而不必重新訓練。

一張霧黑色的感測器板放在淺色木桌上,上方有隱約的青色同心圓光環。

在此之上,是以菲涅耳區幾何與 CSI 相位動態為基礎的訊號處理,並改以 Rust 重寫。這些模組會編譯成 WebAssembly,也能在 ESP32-S3 上原生執行,因此管線有一部分是在節點上執行,而不是在伺服器上。

感測器是現成商品,正規化才是可重複使用的核心。其餘部分之所以可信,是因為作者記錄了每一個階段的準確度限制,而不是只引用一個響亮的總體數字。

硬體的現實

要進行即時感測,需要刷上 CSI 韌體的 ESP32-S3 或 ESP32-C6 板子。每個節點約 9 美元。專案也支援 Intel 5300 網路卡,可進行研究級 MIMO;而筆電的一般 RSSI 訊號只能偵測粗略的在場狀態,再多的就沒有了。

安裝方式是 Docker 加 Compose。GPU 為選配。Docker 映像檔執行的是模擬資料,這一點值得先知道,免得你花一個下午納悶為什麼讀數看起來太乾淨。

README 承認了什麼

README 撤回了先前的某項準確度宣稱,而這正是這個專案值得你花一小時的原因。它指出,生命徵象數據與合成無線電頻率的準確度,均未經外部第三方驗證。它也註明,已提交的裝置端姿態模型 PCK@20 僅 3.0%,且其執行路徑只是個佔位實作。

PCK@20 只有 3%,意味著裝置端姿態模型照目前發布的狀態,根本不能用。不是「用起來不完美」,是不能用。伺服器級硬體上的完整管線,和你在節點上能跑的模型,是兩回事,而 README 說得很清楚哪個是哪個。

專案也說明,穿牆能力約五公尺,且取決於訊號條件;功能面太大,難以分辨哪些部分已達生產可用;README 本身也非常長。這個領域的準確度宣稱向來紀錄不佳,因此一個會公布自身失效模式的專案,實屬罕見。

為什麼一個 102,000 顆星的專案仍值得細讀

這個 repo 的星數成長很快。專案在 2026 年 2 月突破 10,000 顆星,5 月達到 50,000 顆,10 月 27 日達到 100,000 顆。儲存庫追蹤資料顯示,過去一個月每週約新增 1,300 到 1,400 顆星,單日最高是 10 月 29 日的 710 顆。有 50 位貢獻者參與過。

這樣的成長通常意味著真實採用與其他因素混合在一起。這裡的「其他因素」,是一個容易傳播的動人前提:攝影機侵犯隱私,那就用無線電取代。這個前提值得大量關注,但它也掩蓋了困難的部分。

困難的部分其實看得見。消費級 WiFi 晶片對 CSI 的支援參差不齊,而整個方法都依賴少數路由器才會開放的韌體。多人追蹤、遮蔽與房間幾何都會改變訊號,模型必須為此重新訓練。在開著電風扇的房間裡穿牆偵測心率,首先是一個物理問題,然後才是機器學習問題。

該怎麼用它

在任何事情之前,先讀準確度表,而不是功能清單。這類專案累積能力的速度,快於累積證據的速度,而這兩份清單在 README 裡放在不同地方。功能清單很長,讀起來像路線圖。準確度章節很短,讀起來像自白。兩者都是真的,而後者才是有用的。

如果你正在打造智慧家庭或安全工具,RuView 是一份認真的參考實作,也是放在工作桌上跑跑的合理選擇。買兩塊 ESP32 板子,刷好韌體,看著呼吸波形。成本微不足道,但你得到的理解不是。

如果你是要評估它能否用於醫療照護或跌倒偵測,請把 README 自己的警告當成規格書。生命徵象準確度未經驗證,裝置端姿態模型只是佔位實作,穿牆限制也確實存在。目前還不到能做採購決定的階段。

如果你在尋找取代攝影機、又能保護隱私的感測方案,誠實的總結是:RuView 只是把問題搬走,並沒有解決問題。它移除的是影像,不是資料。你換得的不是某人臥室的照片,而是呼吸速率與房間裡的位置,這是另一種紀錄,而且在許多情境下更為敏感。無攝影機感測所伴隨的法律與倫理問題,目前在任何地方都還沒有定論,而一個 10 萬顆星的儲存庫,也不是這些問題會被解決的地方。

這個專案最棒的地方是它的 README。有人打造了一件很有野心的東西,然後把它實際能做到哪裡,一五一十寫了下來。更多硬體與 AI 專案都該這麼做。

相關文章