RuView — WiFi 感知模型

将 WiFi 信号转化为空间智能。 无需摄像头，即可穿透墙壁、在黑暗中实现人员检测、呼吸与心率监测、移动追踪以及房间监控。一切仅依靠无线电物理原理。

功能介绍

WiFi 信号会在人体表面发生反射。当人呼吸时，胸部的起伏会带动空气流动，从而使 WiFi 信号产生细微变化。而当人行走时，这种信号变化则更为明显。该模型通过一块价值 9 美元的 ESP32 芯片，学习解读这些信号变化。

🆕 v2 更新 — 真实重新基准测试 + 正确收敛的编码器（2026-05-31）

v1 的对比编码器存在训练损失平坦的问题（每个 epoch 记录的损失均为 0.13517 — 优化器实际上并未学习），其标题所示的**“100% 存在检测准确率”是在单类别记录上测量的**（对一名熟睡人员的整夜捕捉：6,063 帧中有 6,062 帧被标记为“存在”，1 帧为“不存在”）。一个恒为“存在”的预测器在该数据集上的得分可达 99.98% — 因此该数字是真实的，但无法说明模型的泛化能力。我们选择公开纠正这一问题，而非任其保持原样。

v2 版本使用正常工作的 InfoNCE 目标函数，重新训练了相同的 8 -> 64 -> 128 编码器，并报告了一个真实、无标签、时间分离的指标：留出的时间三元组准确率 = P( d(锚点, 时间正样本) < d(锚点, 时间负样本) )，该指标在按时间划分的最后 20% 记录上进行评估（无训练数据泄露）。

通俗解释：经过优化的嵌入空间现在能够可靠地将相隔很短时间拍摄的两个 CSI 快照放置得彼此更接近，而将相隔较长时间的两个快照放置得更远 — 即它已经学习到了无线电环境的时间结构，这正是一个有用的自监督感知嵌入应具备的能力。v1 版本由于其平坦的损失，在相同测试中表现仅略优于随机水平。

技术细节：2 层全连接网络（BatchNorm + GELU）-> L2 归一化 128 维嵌入，9,280 个参数，使用 InfoNCE 损失函数训练（温度参数 0.1，批内负样本 + 时间远负样本），优化器为 AdamW，训练 60 个 epoch。时间正样本间隔在 2 秒内；负样本间隔 >30 秒。采用时间分离的 80/20 划分。

v2 文件及证明

• 编码器权重 SHA-256：3b37bca66e6050c50ccbc0f6e0501824f258bfdd8675dc0f4541b1e2e96feecd
• 复现方法：在 github.com/ruvnet/RuView 中执行 python aether-arena/staging/train_csi_embed.py
• 训练数据来自同一本地捕获（data/recordings/overnight-1775217646.csi.jsonl，包含 6,063 个特征帧）。

v2 不做的声明：这仅针对一个房间、一次捕获、两个节点。三元组指标衡量的是嵌入质量，而非下游存在/生命体征的准确性（这需要多类别、多房间的标记数据，而我们目前尚未拥有此类 2.4 GHz 特征数据）。关于公共基准上的 姿态 SOTA，请参见单独的 5 GHz 模型 ruvnet/wifi-densepose-mmfi-pose（在 MM-Fi 上达到 82.69% 的躯干-PCK@20）。

基准测试

已在真实硬件（Apple M4 Pro + 2x ESP32-S3）上验证：

本仓库中的模型

快速开始

# Download models
pip install huggingface_hub
huggingface-cli download ruv/ruview --local-dir models/

# Use with RuView sensing pipeline
git clone https://github.com/ruvnet/RuView.git
cd RuView

# Flash an ESP32-S3 ($9 on Amazon/AliExpress)
python -m esptool --chip esp32s3 --port COM9 --baud 460800 \
  write_flash 0x0 bootloader.bin 0x8000 partition-table.bin \
  0xf000 ota_data_initial.bin 0x20000 esp32-csi-node.bin

# Provision WiFi
python firmware/esp32-csi-node/provision.py --port COM9 \
  --ssid "YourWiFi" --password "secret" --target-ip YOUR_IP

# See what WiFi reveals about your room
node scripts/deep-scan.js --bind YOUR_IP --duration 10

架构

WiFi signals → ESP32-S3 ($9) → 8-dim features @ 1 Hz → Encoder → 128-dim embedding
                                                                    ↓
                                         ┌──────────────────────────┼──────────────────┐
                                         ↓                          ↓                  ↓
                                    Presence head            Activity head         Vitals head
                                    (100% accuracy)          (still/walk/talk)     (BR, HR)

编码器将 8 个 WiFi 信道状态信息（CSI）特征转换为 128 维嵌入：

训练详情

未使用任何摄像头。 采用自监督对比学习进行训练：

• 数据：来自 2 个 ESP32-S3 节点、时长 8 小时的 60,630 个样本
• 方法：三元组损失 + InfoNCE（相邻帧 = 相似， distant 帧 = 不同）
• 增强：通过时间插值、噪声、跨节点混合实现 10 倍数据增强
• 监督：PIR 传感器、BME280、RSSI 三角定位、子载波不对称性
• 量化：TurboQuant 2/4/8 位，质量损失 <0.5%
• 适配：每个房间使用 LoRA rank-4，通过 EWC 防止遗忘

17 种感知应用

基于这些嵌入构建（RuView）：

核心：存在检测、人数统计、射频扫描、SNN 学习、CNN 指纹识别

健康：睡眠监测、呼吸暂停筛查、压力检测、步态分析

环境：房间指纹识别、材料检测、设备指纹识别

多频率：射频层析成像、无源雷达、材料分类、穿墙运动

硬件

局限性

• 特定于房间（新房间需使用 LoRA 适配器）
• 无摄像头姿态：2.5% PCK@20（摄像头标签可显著改善）
• 健康特征仅用于筛查，不用于医学诊断
• 活动期间呼吸/心率准确性较低

引用

@software{ruview2026,
  title={RuView: WiFi Sensing with Self-Supervised Contrastive Learning},
  author={rUv},
  year={2026},
  url={https://github.com/ruvnet/RuView},
  note={Models: https://huggingface.co/ruv/ruview}
}

链接

• GitHub：https://github.com/ruvnet/RuView
• Cognitum Seed：https://cognitum.one
• RuVector：https://github.com/ruvnet/ruvector
• 许可证：MIT