ruvnet / RuView

49,3696,553+565 todayRust

π RuView：WiFi DensePose 将商用 WiFi 信号转化为实时人体姿态估计、生命体征监测与存在检测——全程无需任何视频像素。

RuView 是一个基于 Rust 语言开发的创新项目，它能够将普通的商用 WiFi 信号转化为实时的人体姿态、生命体征和存在感知数据，整个过程完全无需摄像头或任何可穿戴设备。其核心原理是分析人体活动对 WiFi 信道状态信息（CSI）造成的细微扰动，通过物理信号处理和机器学习算法，重建出人体的姿势、呼吸频率甚至心率。该项目专为边缘计算设计，轻量级程序可直接运行在 ESP32 等微控制器上，无需连接互联网或云端，实现了即时响应和高隐私保护。它适用于智能家居、健康监护、安防监测等场景，为通过无线电波进行非接触式感知提供了开源、高效的解决方案。

💡 应用场景

这是一个为需要非接触、高隐私、实时感知人体姿态与生命体征的边缘智能场景（如健康监护、安防、智能家居）提供的开源软硬件一体化解决方案。

隐私安全健康监护

问题：需要长期监测老人或病人的呼吸、心率等生命体征，但传统摄像头侵犯隐私，可穿戴设备又常被遗忘或拒绝佩戴。

方案：在卧室或起居室部署运行RuView的ESP32设备，通过分析WiFi信号扰动，非接触式、无感地实时监测呼吸频率和心率，数据本地处理不上传云端，保护隐私。

示例：在独居老人的卧室角落放置一个ESP32-S3设备，家人可通过本地网络查看老人的实时呼吸曲线和心率，并在异常时收到警报，无需安装摄像头或要求老人佩戴任何设备。

非接触式安防监测

问题：需要在仓库、地下室或敏感区域进行入侵检测或人员存在感知，但安装摄像头布线复杂、有盲区，且在某些区域（如更衣室旁）存在隐私争议。

方案：利用RuView的“穿墙”感知能力，在关键区域部署ESP32 Mesh网络，通过WiFi信号分析检测人体姿态和运动，实现无死角、非视距的存在感知和入侵报警。

示例：在博物馆的珍贵展品储藏室外走廊部署几个ESP32节点，即使有人躲在拐角或隔壁房间，系统也能通过WiFi信号扰动检测到其姿态和移动，触发本地警报。

智能家居无感交互

问题：想实现“人来自动开灯/开空调”等智能场景，但红外传感器范围小、易误触，摄像头又有隐私担忧，且希望识别更精细的意图（如人是否躺下睡觉）。

方案：在客厅/卧室天花板安装运行RuView的ESP32，通过分析人体姿态（站立、坐下、躺卧）和微动，精准判断用户状态，触发相应的家居设备，全程无摄像头、无需穿戴设备。

示例：当系统检测到用户从站立姿态变为在沙发上“坐下”并保持静止（可能在看电视），自动调暗灯光、打开电视；检测到“躺卧”姿态且呼吸平稳，则判断为入睡，自动关闭电视、调高空调温度。

边缘AI行为分析研究

问题：研究者或开发者想进行基于无线电的人体姿态估计或生命体征监测实验，但缺乏从硬件采集（CSI）、信号处理到机器学习模型的完整、高效且开源的工具链。

方案：使用RuView提供的完整Rust/Python代码库、硬件指南（ESP32-S3）和确定性参考信号验证工具，快速搭建实验平台，专注于算法改进或新应用开发，无需从零构建底层系统。

示例：一个大学实验室购买几块ESP32-S3开发板，按照RuView的Build Guide和User Guide部署系统，采集CSI数据，并基于其提供的信号处理管道和DensePose模型，研究新的跌倒检测算法。

📊 项目信息

语言: Rust
Stars: ⭐ 49,369
Forks: 6,553
今日新增: +565
排名: #7
收录: 总榜
趋势日期: 2026年4月22日
最后推送: 2026/4/22

🏷️ 标签

agentic-aidenseposeesp32firmwaremcumincutmonitoringpose-estimationrfselfself-learningwifiwifi-hackingwifi-security

📸 截图

5分钟快速开始RuView

RuView是一个基于Rust的WiFi感知项目，无需摄像头即可实时检测人体姿态和生命体征。

🖥️ 操作系统

macOSWindowsLinux

⚙️ 运行环境

Docker最新版

🔧 工具

Docker CLI— 运行容器化应用

📝 操作步骤

安装Docker

确保系统已安装Docker，用于快速运行RuView。

检查Docker是否安装

$ docker --version

✓预期输出：显示Docker版本号，如Docker version 20.10.0

💡如果未安装，请从Docker官网下载并安装。

拉取RuView Docker镜像

从Docker Hub拉取最新RuView镜像，无需编译。

拉取镜像

$ docker pull ruvnet/wifi-densepose:latest

✓预期输出：下载进度条，最后显示Status: Downloaded newer image for ruvnet/wifi-densepose:latest

💡网络慢时可能需要几分钟，确保Docker服务运行中。

运行RuView容器

启动容器以运行RuView，模拟WiFi感知。

运行容器

$ docker run -it --rm ruvnet/wifi-densepose:latest

✓预期输出：容器启动日志，可能包括初始化消息或模拟数据输出。

💡使用-it参数以交互模式运行，--rm参数在退出后自动删除容器。

✅ 验证成功

容器运行后，应看到输出日志，表示RuView正在运行。

✓容器启动无错误
✓输出日志包含初始化或模拟数据

⚡ 快速提示

硬件无硬件时，使用Docker快速体验基本功能。

故障排除确保Docker有足够权限，避免权限错误。

🔍 常见问题排查

❓ Docker命令报错Permission denied

→ 以管理员或sudo权限运行，或添加用户到docker组。

❓ 拉取镜像超时

→ 检查网络连接，或使用镜像加速器。

❓ 容器启动后立即退出

→ 检查Docker日志：docker logs <container_id>，确保镜像完整。

🎯 下一步

查看用户指南

访问项目文档以了解硬件设置和API使用。

尝试ESP32部署

如有ESP32-S3硬件，可编译固件进行真实WiFi感知。

难度

中级

预计时间

1-2周

目标人群

对物联网、信号处理或机器学习感兴趣的开发者，具备一定编程基础，希望了解如何利用WiFi信号进行非接触式感知。

🎯 学完你将掌握

学会如何搭建RuView项目环境，理解其核心原理，并能够运行示例程序，将商用WiFi信号转化为基本的人体存在感知数据。

📋 前置知识

Rust基础了解

项目核心使用Rust编写，需要能理解基本的Cargo项目结构、依赖管理和编译流程。

Python基础了解(可选)

部分工具链、验证脚本和数据处理可能使用Python。

命令行操作熟悉

需要在终端中执行Git、Cargo、Docker等命令。

Docker基础了解(可选)

项目提供Docker镜像，这是最快速的入门方式，无需配置复杂的Rust工具链。

无线网络基础概念了解(可选)

了解WiFi、信号强度（RSSI）等基本概念有助于理解项目背景。

📚 学习资源

必看

RuView User Guide & Build Guide

项目自带的用户指南和构建指南，是操作步骤最权威的参考。

🗺️ 学习阶段

环境准备与概念理解

⏱ 1-2天

理解项目核心概念

仔细阅读README，重点理解：1. 什么是CSI（信道状态信息）及其重要性。2. 项目能做什么（姿态估计、生命体征、存在感知）。3. 硬件要求（ESP32-S3等支持CSI的硬件 vs 普通电脑的RSSI模式）。

💡记住关键点：没有CSI硬件，只能做基础的‘存在检测’，功能有限。

选择入门路径并准备环境

根据你的硬件情况选择路径： A. (无硬件/新手推荐) 使用Docker运行预构建环境。确保系统已安装Docker。 B. (有ESP32-S3硬件) 准备Rust嵌入式开发环境（esp-rs工具链）。 C. (从源码构建) 安装Rust工具链（rustup, cargo）和Python。

💡强烈建议新手从Docker路径开始，可以最快看到效果，避开环境配置的坑。

获取项目代码

使用Git克隆项目仓库：`git clone https://github.com/ruvnet/RuView` （或根据README中的链接）。浏览项目目录结构，熟悉主要文件夹（如 `v1/`, `docs/`）。

快速验证与初体验

⏱ 1天

无硬件验证（核心）

按照README指引，运行确定性参考信号验证脚本：`python v1/data/proof/verify.py`。这个步骤不需要任何硬件，目的是验证你的信号处理流水线是否能在模拟数据上正常工作。

💡如果遇到Python包缺失，使用pip安装所需的科学计算库（如numpy, scipy）。这是检查环境是否就绪的好方法。

使用Docker快速启动（如果选择）

执行命令：`docker pull ruvnet/wifi-densepose:latest` 然后按照镜像说明运行容器。体验“30秒内实现实时感知”的承诺，了解系统的基本输出和API接口。

💡查看Docker容器的日志输出，理解系统启动和运行时的信息流。

深入核心功能与数据流

⏱ 3-5天

学习架构与设计决策

阅读项目文档中的“架构决策记录”(ADRs)和“领域模型”(Domain Models)。不必全部读完，优先选择与“信号处理流水线”、“自学习系统”相关的ADRs（如ADR-024, ADR-033）。这能帮你理解项目为何如此设计。

运行RSSI模式（仅限普通电脑）

如果你只有普通笔记本电脑（无CSI硬件），配置并运行RSSI-only模式。这将允许你进行粗略的人员存在和运动检测，直观感受WiFi感知的“最低能力”。

💡此时的效果可能不明显，因为RSSI信息量远少于CSI。这是正常的，旨在体验基础流程。

分析一个示例数据处理流程

在代码库中，找到一个从原始信号输入到最终输出（如呼吸率）的简化示例或测试用例。跟踪代码执行路径，理解数据是如何一步步被转换的。

💡可以配合项目文档中的“Signal-Line Protocol”（ADR-033）六阶段流水线图来对照理解。

硬件实践（可选但推荐）

⏱ 3-5天

准备ESP32-S3开发环境

如果你有ESP32-S3硬件，按照“Build Guide”设置Rust for ESP32（使用esp-rs）。这是一个专门针对嵌入式Rust的工具链，与标准Rust不同。

💡此步骤可能比较耗时，请耐心按照官方esp-rs指南操作，确保`cargo build --release`能成功编译一个简单的Blink示例。

编译并烧录固件到ESP32

在项目目录中，找到针对ESP32的固件代码，尝试为其进行编译。如果编译成功，将生成的二进制文件烧录到你的ESP32-S3开发板上。

💡首次编译可能因为依赖或特性标志而失败，仔细阅读错误信息，并检查项目的构建说明（可能需要在Cargo.toml中指定特定features）。

搭建简易传感节点

将运行了RuView固件的ESP32-S3上电，并将其放置在房间中。尝试使用项目提供的工具或API读取它检测到的CSI数据或初步感知结果。

💡从单人、静止的场景开始测试，例如检测你自己的呼吸。减少环境干扰（如其他运动物体）有助于观察效果。

⚠️ 常见错误

❌ 混淆CSI和RSSI，期望用普通笔记本电脑实现全部功能。

✅ 明确硬件限制：普通WiFi网卡只能提供RSSI，功能有限。要实现姿态、生命体征检测，必须准备ESP32-S3或研究级网卡等CSI硬件。

❌ 直接尝试从源码构建，尤其是ESP32固件，导致工具链配置复杂且容易失败。

✅ 新手务必先从Docker或无硬件验证脚本开始，获得正向反馈后，再逐步挑战更复杂的本地或嵌入式构建。严格按照Build Guide操作。

❌ 期望在复杂动态环境（多人走动、多设备干扰）下立刻获得完美结果。

✅ 先从最简单、可控的环境开始测试（如夜间无人的房间，自己静坐），理解基线表现。WiFi感知受环境射频干扰影响很大。

❌ 忽略项目所需的特定Rust版本或特性标志。

✅ 使用项目根目录的 `rust-toolchain.toml` 文件（如果有）来确保Rust版本一致。编译时注意查看Cargo.toml中的`[features]`部分，可能需要启用如`esp32`等特性。

🚀 后续方向

1. **深入研究算法**：探索项目中的机器学习模型（如RuVector）和信号处理具体实现。2. **多节点组网**：尝试部署多个ESP32-S3节点，配置为多静态网格，体验更强大的360度覆盖和多人追踪能力（参考ADR-029）。3. **模型训练与调优**：利用项目的自学习管道，尝试在自己的环境数据上微调或训练模型。4. **集成与应用开发**：将RuView作为感知模块，集成到你自己的智能家居、健康监护或安防应用原型中。5. **贡献代码**：从修复文档错别字、增加测试用例开始，逐步参与到这个开源项目中。