← 返回博客
Ai预计阅读 8 分钟

10.2 万星标:一款号称能穿墙的 WiFi 雷达

发布于 2026年11月7日
10.2 万星标:一款号称能穿墙的 WiFi 雷达

RuView 在 GitHub 上拥有 10.2 万颗星标,项目描述读起来像一份硬件宣传稿,而 README 对自身局限的坦诚程度则少见。两者都值得读,因为这个项目教给你的东西比星标数暗示的更多。

它的核心主张是:你的 WiFi 信号本身就是雷达。当有人走动、呼吸或脉搏跳动时,身体会散射无线电波,由此产生的相位和幅度变化会体现在 WiFi 芯片本就会收集的信道状态信息中。RuView 读取这些 CSI 数据,并将其转化为存在检测、人数统计、呼吸率、心率、跌倒检测以及 17 个关键点的人体姿态估计,全程无需摄像头,也无需可穿戴设备。

技术栈是真实的。它用 Rust 编写,端到端流水线每帧运行约 18.47 微秒,比它所替代的 Python 版本快约 810 倍。预训练编码器在 4 位量化下仅占 8 KB。预训练权重发布在 Hugging Face 上。每个节点会发布 21 个 Home Assistant MQTT 实体,并桥接到 Matter 和 Apple Home。还有一个完全不需要模型的相位方差回退方案,用于检测存在。

还有一个不需要模型的相位方差回退方案,这种细节只有在作者真心希望人们实际运行的项目里才会出现。

让硬件真正可行的部分

两块廉价开发板之所以能感知任何东西,原因在于一个归一化层。消费级 WiFi 芯片会在不同子载波、以不同顺序、按不同缩放比例报告信道状态信息,因此来自 ESP32 的原始 CSI 和来自 Intel 5300 的原始 CSI 并不是同一种测量。RuView 的 HardwareNormalizer 使用傅里叶域编码和动态重采样,将它们全部映射到统一的 56 子载波格式,这意味着在一个芯片组上训练的模型可以部署到另一个芯片组上,而无需重新训练。

浅色木桌上放着一块哑光黑色传感器板,上方有微弱的青绿色同心光环。

在此之上,是基于菲涅尔区几何和 CSI 相位动态构建的信号处理,并用 Rust 重写。这些模块会编译为 WebAssembly,并在 ESP32-S3 上原生运行,因此部分流水线在节点上执行,而不是在服务器上执行。

传感器是通用商品,归一化才是可复用的部分。让其余部分值得信任的是,作者记录了每个阶段的精度限制,而不是抛出一个头条数字。

硬件现实

实时感知需要刷入 CSI 固件的 ESP32-S3 或 ESP32-C6 开发板。每个节点成本约 9 美元。该项目也可用于 Intel 5300 网卡,以实现研究级 MIMO;而笔记本电脑的普通 RSSI 信号可以检测粗略的存在,但仅此而已。

安装方式是 Docker 加 Compose。GPU 可选。Docker 镜像运行的是模拟数据,在花一下午纳闷读数为什么如此干净之前,这一点值得知道。

README 承认了什么

README 撤回早先的一项精度声明,这正是这个项目值得你花一小时的原因。它指出生命体征数据和合成射频精度未经过外部第三方验证。它说明,仓库中提交的设备端姿态模型 PCK@20 为 3.0%,且其运行时路径只是一个占位实现。

3% 的 PCK@20 意味着,按发布状态,设备端姿态模型根本不能用。不是“效果不完美”,而是不能用。服务器级硬件上的完整流水线,与节点上可运行的模型是两回事,而 README 明确区分了二者。

项目还说明,穿墙距离约为五米,且取决于信号条件;功能面足够大,很难判断哪些部分已可用于生产;README 本身也非常长。这个领域的精度声明一向记录不佳,因此一个公布自身失败模式的项目,在做一件罕见的事。

为什么一个 10.2 万星标的项目仍值得细读

这个仓库的星标数增长很快。项目在 2026 年 2 月突破 1 万颗星标,5 月突破 5 万,10 月 27 日突破 10 万。仓库追踪器显示,过去一个月每周新增约 1,300 至 1,400 颗星标,10 月 29 日单日最高 710 颗。已有 50 位贡献者参与过。

这样的增长通常意味着真实采用和别的东西的混合。这里的“别的东西”是一个有吸引力且容易传播的前提:摄像头具有侵入性,那就用无线电取代它。这个前提值得大量关注,也掩盖了困难的部分。

如果仔细看,困难部分显而易见。消费级 WiFi 芯片对 CSI 的支持参差不齐,整个方法依赖少数路由器才会暴露的固件。多人跟踪、遮挡和房间几何结构都会以模型必须重新训练的方式改变信号。在有运行风扇的房间里穿墙检测心率,首先是一个物理问题,然后才是机器学习问题。

该怎么用它

首先,读精度表,而不是功能列表。这类项目积累能力的速度快于积累证据的速度,而两份清单在 README 中放在不同位置。功能列表很长,读起来像路线图;精度部分很短,读起来像忏悔。两者都是真的,而后者才是有用的。

如果你在构建智能家居或安防工具,RuView 是一个严肃的参考实现,也是在实验台上跑一跑的合理选择。买两块 ESP32 开发板,刷入固件,观察呼吸曲线。成本微不足道,而你获得的理解并非如此。

如果你在评估它用于医疗或跌倒检测,请把 README 自己的注意事项当作规格说明。生命体征精度未经验证,设备端姿态模型只是占位实现,穿墙限制真实存在。目前还谈不上采购决策。

如果你在寻找替代摄像头的隐私保护感知方案,诚实的总结是:RuView 只是转移了问题,而不是解决了问题。它去掉的是图像,不是数据。你得到的不是某人卧室的画面,而是呼吸率和房间中的位置——这是一种不同形式的记录,在许多场景下还更敏感。无摄像头感知伴随的法律和伦理问题在任何地方都尚未解决,而一个 10 万星标的仓库也不是解决它们的地方。

这个项目最好的地方是它的 README。有人构建了一个雄心勃勃的东西,然后准确写下了它究竟能做到什么程度。更多硬件和 AI 项目都应该这样做。

相关文章