当前位置：首页 > news >正文

一文读懂RuView架构：从WiFi信号到128维嵌入向量的技术路径

news 2026/8/5 18:48:48

一文读懂RuView架构：从WiFi信号到128维嵌入向量的技术路径

【免费下载链接】ruview项目地址: https://ai.gitcode.com/hf_mirrors/ruv/ruview

RuView是一款革命性的WiFi感知模型，能够将普通WiFi信号转化为空间智能。它可以在没有摄像头的情况下，穿墙、在黑暗中检测人员、测量呼吸和心率、估计姿势、跟踪运动并监控房间，仅依靠无线电物理原理即可实现。

核心功能解析：WiFi信号的智能转化

WiFi信号遇到人体时会发生反射。当人呼吸时，胸部的运动会微妙地改变WiFi信号；当人行走时，这种变化会更大。RuView的模型正是从9美元的ESP32芯片中学会读取这些变化，实现了多种强大的感知功能。

其感知能力包括：

姿势估计：达到92.9% PCK@20（17个COCO关键点），部署时无需摄像头
人员存在检测：准确率100%，无需摄像头
活动状态判断：能区分打字、行走和站立等状态，无需可穿戴设备
呼吸率监测：6-30 BPM，非接触式，无需胸带
心率监测：40-120 BPM，可穿透衣物，无需智能手表
人数统计：1-4人，通过子载波图分析，无需计数摄像头
穿墙能力：可穿透干墙、木材、织物，无需视线
睡眠质量监测：深度/浅度/快速眼动/清醒状态分类，无需床垫传感器
跌倒检测：<2秒警报，无需 Pendant设备

技术架构详解：从信号到向量的转化之路

整体流程概览

RuView的技术架构实现了从WiFi信号到128维嵌入向量的完整转化过程：WiFi signals -> ESP32-S3（9美元）-> 8维特征@1Hz -> 编码器 -> 128维嵌入向量。这个128维嵌入向量是后续各种感知功能的基础。

WiFlow姿势模型架构

WiFlow姿势模型的架构如下： CSI幅度[35, 20]（ruvector选择的子载波）经过TCN：2个扩张因果卷积块（k=3，d=[1,2]），从35通道变为32通道再到32通道，然后经过Flatten [640] -> FC [256] -> FC [34] -> Sigmoid，最终输出17个COCO关键点[x, y]，范围在[0, 1]之间。

该模型在wiflow-v1/wiflow-v1.json文件中，大小为974 KB，是摄像头监督的姿势模型，达到92.9% PCK@20，具有17个COCO关键点。

对比感知模型架构

对比感知模型的架构则是在获取128维嵌入向量后，通过不同的头部实现各种感知功能：

存在头部（阈值0.3）：判断有无人员
活动头部：判断静止/行走/打字状态
生命体征提取：获取呼吸BPM、心率BPM

性能基准：高效转化的技术保障

RuView架构在实现从WiFi信号到128维嵌入向量转化的过程中，表现出了优异的性能：

推理速度：0.008 ms，比实时快125,000倍
吞吐量：164,183 emb/sec，一台笔记本电脑可处理1,600+个传感器
模型大小（姿势）：974 KB，WiFlow lite，189K参数
模型大小（感知）：8 KB（4位量化），可放入ESP32 SRAM
训练时间（姿势）：19分钟，5分钟数据收集+轻量训练
训练时间（感知）：12分钟，在Mac Mini M4 Pro上，无需GPU
硬件成本：9美元，单个ESP32-S3

快速上手：体验WiFi信号到嵌入向量的转化

要体验RuView从WiFi信号到128维嵌入向量的转化过程，可按照以下步骤操作：

# 下载所有模型 pip install huggingface_hub huggingface-cli download ruv/ruview --local-dir models/ # 使用RuView感知 pipeline git clone https://gitcode.com/hf_mirrors/ruv/ruview cd RuView # 刷写ESP32-S3（亚马逊/阿里巴巴上9美元） 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 # 训练自己的姿势模型（5分钟数据+19分钟训练） python scripts/collect-ground-truth.py --duration 300 --preview python scripts/record-csi-udp.py --duration 300 node scripts/align-ground-truth.js --gt data/ground-truth/*.jsonl --csi data/recordings/*.csi.jsonl node scripts/train-wiflow-supervised.js --data data/paired/*.jsonl --scale lite