> **测试版软件** — 正在积极开发中。 API 和固件可能会发生变化。已知限制：
> - 不支持ESP32-C3和原版ESP32（单核，不足以支持CSI DSP）
> - 单个 ESP32 部署的空间分辨率有限 - 使用 2 个以上节点或添加 [Cognitum Seed](https://cognitum.one) 以获得最佳结果
> - 无相机姿势精度有限 - 使用[相机地面实况训练](docs/adr/ADR-079-camera-ground-truth-training.md) 达到 92.9% PCK@20
>
> 欢迎在 [Issues](https://github.com/ruvnet/RuView/issues) 进行贡献和错误报告。
## **通过 WiFi 看穿墙壁** ##
**将普通 WiFi 转变为空间智能/传感系统。** 检测人员、测量呼吸和心率、跟踪运动并监控房间 - 在黑暗中穿过墙壁，无需摄像头或可穿戴设备。只是物理。
### π RuView 是一个 WiFi 传感平台，可将无线电信号转化为空间智能。
每个 WiFi 路由器已经让您的空间充满了无线电波。当人们移动、呼吸，甚至坐着不动时，他们都会以可测量的方式扰乱这些波浪。 RuView 使用来自低成本 ESP32 传感器的通道状态信息 (CSI) 捕获这些干扰，并将其转化为可操作的数据：谁在那里、他们在做什么以及他们是否还好。
**它的感觉：**
- **存在和占用** — 穿过墙壁检测人员、计数、跟踪进入和退出
- **生命体征** — 呼吸频率和心率，非接触式，睡觉或坐着时
- **活动识别** — 行走、坐着、手势、跌倒 — 来自时间 CSI 模式
- **环境测绘** — 射频指纹识别房间、检测移动的家具、发现新物体
- **睡眠质量** — 通过睡眠阶段分类和呼吸暂停筛查进行夜间监测
RuView 基于 [RuVector](https://github.com/ruvnet/ruvector/) 和 [Cognitum Seed](https://cognitum.one) 构建，完全在边缘硬件上运行 - ESP32 网格（每个节点低至 9 美元）与 Cognitum Seed 配对，用于持久内存、加密证明和 AI 集成。无需云、无需摄像头、无需互联网。
该系统使用尖峰神经网络在本地学习每个环境，该网络可在 30 秒内适应，并使用邻居的路由器作为免费雷达照明器对 6 个 WiFi 通道进行多频网格扫描。每个测量值均通过 Ed25519 见证链进行加密证明。
RuView 还支持姿势估计（通过 WiFlow 架构实现 17 个 COCO 关键点），完全无需摄像头，使用 10 个传感器信号进行训练——这项技术源自卡内基梅隆大学最初的 *DensePose From WiFi* 研究。
### 专为低功耗边缘应用而设计
[Edge 模块](#edge-intelligence-adr-041) 是直接在 ESP32 传感器上运行的小程序 — 无需互联网
开源推荐
morning
GitHub 热门项目：RuView
摘要
GitHub项目：RuView 仓库地址：https://github。
and
RuView
WiFi
with
https
2026-05-10
1 阅读
GitHub Trending
GitHub 项目：RuView
仓库地址：https://github.com/ruvnet/RuView
星级：52302 | 作者：ruvnet
项目描述：π RuView 将商用 WiFi 信号转化为实时空间智能、生命体征监测和存在检测 - 所有这些都无需视频像素。
===================================================
自述文件内容：
# π RuView
> **测试版软件** — 正在积极开发中。 API 和固件可能会发生变化。已知限制：
> - 不支持ESP32-C3和原版ESP32（单核，不足以支持CSI DSP）
> - 单个 ESP32 部署的空间分辨率有限 - 使用 2 个以上节点或添加 [Cognitum Seed](https://cognitum.one) 以获得最佳结果
> - 无相机姿势精度有限 - 使用[相机地面实况训练](docs/adr/ADR-079-camera-ground-truth-training.md) 达到 92.9% PCK@20
>
> 欢迎在 [Issues](https://github.com/ruvnet/RuView/issues) 进行贡献和错误报告。
## **通过 WiFi 看穿墙壁** ##
**将普通 WiFi 转变为空间智能/传感系统。** 检测人员、测量呼吸和心率、跟踪运动并监控房间 - 在黑暗中穿过墙壁，无需摄像头或可穿戴设备。只是物理。
### π RuView 是一个 WiFi 传感平台，可将无线电信号转化为空间智能。
每个 WiFi 路由器已经让您的空间充满了无线电波。当人们移动、呼吸，甚至坐着不动时，他们都会以可测量的方式扰乱这些波浪。 RuView 使用来自低成本 ESP32 传感器的通道状态信息 (CSI) 捕获这些干扰，并将其转化为可操作的数据：谁在那里、他们在做什么以及他们是否还好。
**它的感觉：**
- **存在和占用** — 穿过墙壁检测人员、计数、跟踪进入和退出
- **生命体征** — 呼吸频率和心率，非接触式，睡觉或坐着时
- **活动识别** — 行走、坐着、手势、跌倒 — 来自时间 CSI 模式
- **环境测绘** — 射频指纹识别房间、检测移动的家具、发现新物体
- **睡眠质量** — 通过睡眠阶段分类和呼吸暂停筛查进行夜间监测
RuView 基于 [RuVector](https://github.com/ruvnet/ruvector/) 和 [Cognitum Seed](https://cognitum.one) 构建，完全在边缘硬件上运行 - ESP32 网格（每个节点低至 9 美元）与 Cognitum Seed 配对，用于持久内存、加密证明和 AI 集成。无需云、无需摄像头、无需互联网。
该系统使用尖峰神经网络在本地学习每个环境，该网络可在 30 秒内适应，并使用邻居的路由器作为免费雷达照明器对 6 个 WiFi 通道进行多频网格扫描。每个测量值均通过 Ed25519 见证链进行加密证明。
RuView 还支持姿势估计（通过 WiFlow 架构实现 17 个 COCO 关键点），完全无需摄像头，使用 10 个传感器信号进行训练——这项技术源自卡内基梅隆大学最初的 *DensePose From WiFi* 研究。
### 专为低功耗边缘应用而设计
[Edge 模块](#edge-intelligence-adr-041) 是直接在 ESP32 传感器上运行的小程序 — 无需互联网
> **测试版软件** — 正在积极开发中。 API 和固件可能会发生变化。已知限制：
> - 不支持ESP32-C3和原版ESP32（单核，不足以支持CSI DSP）
> - 单个 ESP32 部署的空间分辨率有限 - 使用 2 个以上节点或添加 [Cognitum Seed](https://cognitum.one) 以获得最佳结果
> - 无相机姿势精度有限 - 使用[相机地面实况训练](docs/adr/ADR-079-camera-ground-truth-training.md) 达到 92.9% PCK@20
>
> 欢迎在 [Issues](https://github.com/ruvnet/RuView/issues) 进行贡献和错误报告。
## **通过 WiFi 看穿墙壁** ##
**将普通 WiFi 转变为空间智能/传感系统。** 检测人员、测量呼吸和心率、跟踪运动并监控房间 - 在黑暗中穿过墙壁，无需摄像头或可穿戴设备。只是物理。
### π RuView 是一个 WiFi 传感平台，可将无线电信号转化为空间智能。
每个 WiFi 路由器已经让您的空间充满了无线电波。当人们移动、呼吸，甚至坐着不动时，他们都会以可测量的方式扰乱这些波浪。 RuView 使用来自低成本 ESP32 传感器的通道状态信息 (CSI) 捕获这些干扰，并将其转化为可操作的数据：谁在那里、他们在做什么以及他们是否还好。
**它的感觉：**
- **存在和占用** — 穿过墙壁检测人员、计数、跟踪进入和退出
- **生命体征** — 呼吸频率和心率，非接触式，睡觉或坐着时
- **活动识别** — 行走、坐着、手势、跌倒 — 来自时间 CSI 模式
- **环境测绘** — 射频指纹识别房间、检测移动的家具、发现新物体
- **睡眠质量** — 通过睡眠阶段分类和呼吸暂停筛查进行夜间监测
RuView 基于 [RuVector](https://github.com/ruvnet/ruvector/) 和 [Cognitum Seed](https://cognitum.one) 构建，完全在边缘硬件上运行 - ESP32 网格（每个节点低至 9 美元）与 Cognitum Seed 配对，用于持久内存、加密证明和 AI 集成。无需云、无需摄像头、无需互联网。
该系统使用尖峰神经网络在本地学习每个环境，该网络可在 30 秒内适应，并使用邻居的路由器作为免费雷达照明器对 6 个 WiFi 通道进行多频网格扫描。每个测量值均通过 Ed25519 见证链进行加密证明。
RuView 还支持姿势估计（通过 WiFlow 架构实现 17 个 COCO 关键点），完全无需摄像头，使用 10 个传感器信号进行训练——这项技术源自卡内基梅隆大学最初的 *DensePose From WiFi* 研究。
### 专为低功耗边缘应用而设计
[Edge 模块](#edge-intelligence-adr-041) 是直接在 ESP32 传感器上运行的小程序 — 无需互联网