WiFi 信号不仅能传输数据，还能感知空间。RuView 项目展示了一种将普通 WiFi 信号转化为空间智能的技术路径 —— 无需摄像头、无需可穿戴设备，仅通过分析无线信号在空间中传播时的微小扰动，即可实现人体存在检测、呼吸频率估算、姿态估计等功能。本文聚焦于如何在量产硬件（如 ESP32-S3）上构建从 RSSI（接收信号强度指示）到 CSI（信道状态信息）的边缘推理管道，为隐私敏感场景提供可落地的技术方案。
信号层：RSSI 与 CSI 的能力边界
在 WiFi 感知领域，RSSI 和 CSI 代表了两种不同精度的信号源。RSSI 是大多数消费级设备都能提供的单一数值，反映接收信号的整体强度；CSI 则包含子载波级别的幅度和相位信息，能够捕捉信号在空间中传播的多径效应。
RuView 的架构设计允许系统根据硬件能力自动降级：当仅有 RSSI 数据时，系统可执行基础的存在感测和粗略运动检测；当接入 ESP32-S3 等支持 CSI 的硬件时，系统可解锁呼吸检测（6-30 BPM 范围）、心率估算（40-120 BPM 范围）乃至 17 个关键点的姿态估计。
这种分层设计的关键在于信号处理管道的模块化。RSSI 数据经过带通滤波（0.1-0.5 Hz 用于呼吸，0.8-2.0 Hz 用于心率）和零交叉计数后，可提取基础的生命体征特征；CSI 数据则通过多子载波融合（56 个子载波 × 3 个信道 = 168 个虚拟子载波）和相位相干门控，实现更高精度的空间定位。
边缘推理架构：从信号到决策
RuView 的核心创新在于将完整的 AI 推理管道压缩至边缘设备运行。整个模型仅需约 55KB 内存，可在 ESP32-S3 的 520KB 可用内存中流畅运行。这一压缩得益于以下技术选择：
Transformer + 图神经网络的混合架构：将 WiFi 信号的时序特征（Transformer 处理）与空间拓扑关系（图神经网络建模）相结合，在保持表达能力的同时控制参数量。骨干网络 RuVector 负责提取 128 维环境指纹向量和 17 维姿态关键点。
MicroLoRA 适配器：针对每个新环境，系统仅需训练约 1,792 个参数的轻量级适配器，而非重新训练整个模型。这使得设备可在 30 秒内完成新环境的自适应学习，数据需求比全量训练减少 93%。
WASM 边缘模块系统：60 个预置的 WASM 模块（每个 5-30KB）支持热更新部署，涵盖医疗监测、安全感知、智能建筑等 13 个类别。模块通过 12 函数 API 与主机通信，延迟控制在 10ms 以内。
量产硬件部署实践
基于 RuView 的硬件方案，构建一个基础的空间感知节点仅需约 9 美元（ESP32-S3 开发板），完整系统（含 Cognitum Seed 持久化存储与向量检索）约 140 美元。以下是关键部署参数：
单节点配置：
- 硬件：ESP32-S3（双核 240MHz，支持 WiFi 4）
- 固件：通过
esptool刷入 CSI 采集固件 - 采样率：CSI 数据以 1KHz 采样，RSSI 以 10Hz 采样
- 功耗：主动感知模式下约 150mA，适合 USB 供电长期运行
多节点网格：
- 推荐 3-6 个节点构建感知网格
- 节点间通过 TDM（时分复用）协议在信道 1/6/11 上轮询
- 多静态融合利用 N×(N-1) 条链路的几何关系提升定位精度
- 邻居路由器可作为免费照明源，扩展感知带宽 3 倍
信号处理参数：
- 呼吸检测：带通滤波 0.1-0.5 Hz，零交叉计数，支持 6-30 BPM
- 心率检测：带通滤波 0.8-2.0 Hz，支持 40-120 BPM
- 存在感知：训练模型 + PIR 融合，延迟 0.012ms，准确率可达 100%
- 穿墙感知：基于菲涅尔区几何建模，支持最长 5m 深度的隔墙检测
隐私保护的技术实现
RuView 的隐私保护不仅体现在 "无摄像头" 这一表面特征，更深入到数据流转的每个环节：
边缘优先架构：所有推理在 ESP32 本地完成，原始 CSI 数据不上传云端。系统仅在需要持久化存储时，将处理后的 128 维指纹向量（而非原始信号）传输至 Cognitum Seed。
加密见证链：每次测量结果通过 Ed25519 算法进行加密签名，形成可验证的见证链。这确保了感知数据的完整性和不可篡改性，适用于医疗监测等合规敏感场景。
联邦学习支持：模型可在多个边缘设备间通过联邦学习协同训练，原始数据始终保留在本地。这一机制在 VCU 的博士论文研究中得到验证，能够在保护隐私的前提下提升模型泛化能力。
应用场景与落地路径
基于 RSSI/CSI 的边缘感知技术已在多个场景验证可行性：
养老照护：单房间部署 1 个 ESP32-S3，实现跌倒检测（<2s 告警）和睡眠呼吸监测，无需老人佩戴任何设备或担心摄像头隐私问题。
零售分析：利用现有店铺 WiFi 基础设施，增加 1 个 ESP32 节点即可实现客流热力图、排队时长估算，符合 GDPR 等隐私法规要求。
工业安全：在协作机器人周围部署 2-3 个节点，构建安全警戒区。当人员进入危险区域时，系统可在 100ms 内触发减速或停机信号，且不受粉尘、烟雾等视觉干扰影响。
灾后搜救：WiFi-Mat 模块支持穿透 30cm 混凝土检测呼吸信号，适用于地震、建筑坍塌等场景的幸存者定位。
局限与权衡
当前 RuView 方案仍存在若干限制需要在部署前评估：
- 硬件门槛：CSI 功能需要 ESP32-S3 或特定网卡（如 Intel 5300），原始 ESP32 和 ESP32-C3 因单核性能不足无法支持完整 CSI 数字信号处理。
- 空间分辨率：单节点部署的空间分辨率有限，建议 2 个以上节点或配合 Cognitum Seed 使用以获得最佳效果。
- 姿态精度：当前无相机监督训练的 PCK@20 约为 2.5%，相机监督训练目标为 35%+，但评估阶段仍在进行中。
对于仅需基础存在感测的场景，纯 RSSI 方案可在任何消费级 WiFi 设备上运行（包括笔记本电脑），但精度和功能会相应受限。
资料来源
- RuView GitHub 仓库：https://github.com/ruvnet/RuView
- "WiFi Sensing at the Edge Towards Scalable On-Device Wireless Sensing Systems" (VCU, 2023)
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。