RuView：用 WiFi 信号感知人体的环境智能

当墙壁学会“看”你：RuView 用 WiFi 信号实现无感人体感知

传统人体感知依赖摄像头（隐私风险）、红外（易受温度干扰）或雷达（成本高）。RuView 直接利用现成的 WiFi 信号，通过分析信号在人体运动时产生的多径效应和信道状态信息（CSI）变化，实现无接触、无设备、无死角的人体存在检测与动作识别。它解决了智能家居、安防监控中“如何低成本、高隐私地感知人”这个核心痛点。

GitHub 数据

项目背景

该项目由独立开发者 ruvnet 发起，初衷是解决传统人体感知方案的两大矛盾：隐私 vs 功能（摄像头能检测但暴露隐私）和 成本 vs 覆盖（雷达方案昂贵且部署复杂）。RuView 利用 Wi-Fi 网卡（如 Intel 5300）采集 CSI 数据，通过深度学习模型（CNN + LSTM）提取时空特征，最终输出人体位置、动作类型（行走、跌倒、静止）等结构化信息。项目已在实际办公室和家庭环境中验证，检测精度超过 90%。

核心功能解析

1. 人体存在检测（Presence Detection）

通过分析 CSI 振幅与相位的统计特征（方差、均值漂移），判断空间内是否有人。相比红外传感器，对静止人体同样敏感（红外容易将静止人体误判为无人）。

# 启动实时检测模式
python run_presence.py --interface wlan0 --model csi_presence.pth

2. 动作识别（Activity Recognition）

支持 6 种动作：走路、跑步、坐下、站起、挥手、跌倒。模型使用 滑动窗口 + 短时傅里叶变换（STFT） 提取时频图，再送入 2D-CNN 分类。跌倒检测召回率达 95%。

# 训练自定义动作模型
python train_activity.py --dataset ./data/activity/ --epochs 50 --batch_size 32

3. 多房间定位（Room-level Localization）

利用多个 AP 的 CSI 信号到达时间差（TDoA）和信号强度衰减（RSSI），实现房间级定位。无需额外硬件，仅靠现有路由器即可区分用户所在房间。

# 标定房间 CSI 特征
python calibrate_room.py --rooms "living_room,bedroom,kitchen" --duration 60

快速上手

需要支持 CSI 采集的网卡（推荐 Intel 5300 或 AX200），以及 Linux 环境。

# 1. 安装依赖
git clone https://github.com/ruvnet/RuView.git
cd RuView
pip install -r requirements.txt

# 2. 采集 CSI 数据（需 root 权限）
sudo python collect_csi.py --interface wlan0 --output ./data/raw/

# 3. 运行演示（实时检测）
python demo.py --mode presence --interface wlan0

技术亮点

RuView 最值得称道的是其 轻量级数据预处理管线。原始 CSI 数据包含大量噪声（硬件缺陷、环境干扰），项目采用了一套组合拳：

• 线性去噪：使用 Savitzky-Golay 滤波器平滑振幅序列，保留边缘特征。
• 相位校正：通过线性回归消除由时钟不同步导致的相位偏移，恢复真实相位变化。
• 自适应阈值：基于滑动窗口的均值和标准差动态调整检测阈值，适应不同环境（办公室 vs 家庭）。

模型层面，采用 双流架构：一路 CNN 处理时频图（捕捉动作的瞬时特征），另一路 LSTM 处理原始 CSI 序列（捕捉时序依赖），最后融合特征进行决策。这种设计在保持低延迟（

一个值得注意的细节：项目提供了 CSI 模拟器，可在无硬件环境下生成合成 CSI 数据用于模型调试。这对开发者快速验证算法非常有用。

同类对比

总结

如果你正在寻找一种 零隐私牺牲、零额外硬件成本 的人体感知方案，RuView 是目前最务实的选择。特别适合智能家居开发者、安防系统集成商，以及希望用 WiFi 做环境感知研究的学术团队。一句话：用你已有的 WiFi，感知未见的空间。