RuView: 基于WiFi CSI的无视频空间感知系统

WiFi 信号填满了现代建筑的每个角落，却长期被当作单纯的通信媒介。RuView 项目揭示了一个被忽视的物理事实：人体移动、呼吸甚至心跳都会扰动 WiFi 无线电波的传播路径，而这些扰动可以被精确捕获并解码为空间情报。

这一技术的核心在于 CSI（Channel State Information，信道状态信息）。与传统 RSSI（接收信号强度指示）仅提供单一数值不同，CSI 记录了每个子载波的幅度和相位信息，形成高维度的信号指纹。当人在房间内移动时，直射、反射和散射路径的叠加变化会被 CSI 完整捕捉，为无相机感知提供了物理基础。

CSI 信号处理链路

RuView 的信号处理流程遵循严格的物理 - 数字转换链条。ESP32-S3 或 ESP32-C6 节点以 TDM（时分复用）协议在多个 WiFi 信道（1/6/11）上捕获 CSI 数据，每个信道 56 个子载波，多节点配置可产生 168 个虚拟子载波。多静态融合算法将 N×(N-1) 条链路的信息进行注意力加权，形成跨视角的空间嵌入。

信号预处理阶段采用 Hampel 滤波器去除异常值，SpotFi 算法进行多径分离，Fresnel 区几何模型补偿穿墙衰减。对于生命体征提取，系统使用带通滤波器隔离特定频段：呼吸信号集中在 0.1–0.5 Hz（对应 6–30 BPM），心跳信号在 0.8–2.0 Hz（40–120 BPM）。相位 wrapping 技术与圆方差计算相结合，实现亚毫米级位移检测。

边缘 AI 架构与模型压缩

RuView 的 AI 推理完全在边缘完成，无需云端依赖。核心模型基于对比学习的自监督预训练，在 60K 帧 / 610K 三元组上完成 12.2M 步训练，验证集 presence 检测准确率达到 100%。模型采用 4-bit 量化压缩至 8KB，可在 ESP32 的 520KB 内存中运行。

架构设计采用 Transformer 与图神经网络组合：WiFi 信号经 56 通道输入后，分别输出 128 维环境指纹（用于房间识别与异常检测）和 17 关键点人体姿态。MicroLoRA 适配器为每个房间提供 1,792 个微调参数，实现 93% 的数据效率提升 —— 新环境仅需原有数据量的 7% 即可完成适配。

105 个边缘模块（Cogs）构成可扩展的功能目录，涵盖健康监测（呼吸同步检测、心律失常识别）、安全（跌倒检测、入侵识别）、建筑（电梯人数统计、会议室占用）和零售（客流分析、排队长度估计）等场景。每个模块均为 Ed25519 签名的二进制文件，约 400KB，支持 OTA 更新。

硬件部署参数与成本结构

RuView 提供三级硬件方案：

基础感知层：单节点 ESP32-S3（$9）支持存在检测、呼吸 / 心率监测和基础跌倒检测，穿墙范围约 5 米。建议至少 2 节点配置以提升空间分辨率。

网状感知层：3-6 节点 ESP32-S3 配合 WiFi 路由器（总成本约 $54），实现多视角融合、人数统计和 17 关键点姿态估计。

完整智能层：ESP32-S3 配合 Cognitum Seed（总成本 $140），增加持久化向量存储、kNN 搜索、见证链加密认证和 MCP 代理能力。

ESP32-C6 节点（$6-10）提供 WiFi 6 支持，包含 HE-LTF 子载波标记和 802.15.4 网状时间同步。LP-core RISC-V 协处理器可实现约 5 µA 的休眠功耗，适合电池供电场景。

智能家居集成与隐私边界

RuView 原生支持四大智能家居生态。通过 HA-DISCO MQTT 发布器接入 Home Assistant，每个节点暴露 21 个实体（11 个原始信号 + 10 个推理语义状态，包括 "有人睡眠"、"可能遇险"、"房间活跃" 等）。作为 Matter 桥接设备，可直接被 Apple Home、Google Home、Amazon Alexa 和 SmartThings 发现，无需自定义技能即可语音查询房间占用和生命体征。

隐私设计是 RuView 的核心优势。与相机方案相比，CSI 信号不包含可识别的视觉信息，天然规避 GDPR 视频条款和 HIPAA 成像规定。BFLD（波束成形反馈层检测）组件进一步通过三重不变量防止身份泄露：原始 BFI 数据永不出节点、身份嵌入仅驻留内存、跨站点关联通过每日轮换的 BLAKE3 密钥哈希实现密码学不可行。

工程化部署清单

对于计划部署 RuView 的工程师，建议遵循以下参数配置：

信号采集：采样率不低于 1 kHz，信道选择需避开邻居路由器的强干扰频段。多节点部署时采用 TDM 时隙调度避免信号冲突。

环境校准：30 秒环境基线学习，系统会自动建立房间指纹。家具移动或大型物体变化超过 15% 时需要重新校准。

生命体征监测：呼吸检测信噪比阈值建议设为 15 dB，心率检测需 20 dB 以上。相位加速度阈值配合 3 帧去抖动和 5 秒冷却期可有效抑制误报。

跌倒检测：相位加速度阈值 + 姿态变化速率双重判定，响应延迟控制在 200 毫秒以内。

网络配置：MQTT broker 建议使用 QoS 1 级别，ESP32 节点与 broker 之间的往返延迟应小于 50 毫秒以保证实时性。

技术局限与发展方向

当前版本存在明确的技术边界。单节点部署的空间分辨率有限，姿态估计 PCK@20 指标约为 2.5%（使用代理标签）。相机监督微调训练（ADR-079）目标为 35%+，但数据收集和评估阶段仍在进行中。ESP32-C3 和原始 ESP32 因单核性能不足不被支持。

未来发展方向包括：毫米波雷达与 WiFi CSI 的多模态融合（已实现 22 毫秒延迟的 19K + 点云帧）、OccWorld TransVQVAE 的 15 帧未来占用预测、以及联邦学习框架下的跨设备模型更新。

资料来源

• RuView GitHub 仓库: https://github.com/ruvnet/RuView
• Hugging Face 预训练模型: https://huggingface.co/ruvnet/wifi-densepose-pretrained

systems