GitHub TrendingGitHub Trending 项目2026-11-10约 70 分钟28,113 字

ruvnet / RuView

本文目录

用 WiFi 看穿墙壁#

把普通 WiFi 变成一个空间智能/感知系统。探测人员、测量呼吸和心率、追踪移动、监测房间——穿墙、在黑暗中，无需摄像头或可穿戴设备。只靠物理。

原生支持四大智能家居生态系统：通过 HA-DISCO MQTT 发布器接入 Home Assistant；作为可被发现的 HAP-1.1 桥接接入 Apple Home & HomePod；通过同一 HA 桥接或 Matter 端点接入 Google Home + Amazon Alexa。Siri、Google Assistant 和 Alexa 可以按房间语音播报存在和生命体征，无需任何自定义技能。

用一个 --mqtt 标志即可接入任何 Home Assistant 安装。或者作为 Matter Bridge 配对到 Apple Home / Google Home / Alexa / SmartThings。每个节点提供 21 个实体（11 个原始信号 + 10 个推断语义状态：有人睡觉、可能痛苦、房间活跃、老人不活动异常、会议进行中、卫生间占用、跌倒风险升高、离床、无移动、多房间转换），外加 3 个入门 HA 蓝图。参见 docs/integrations/home-assistant.md · ADR-115。

π RuView 是一个 WiFi 感知平台，把无线电信号转化为空间智能。

每个 WiFi 路由器都已经用无线电波填满你的空间。当人们移动、呼吸甚至静坐时，他们会以可测量的方式扰动这些波。RuView 使用来自低成本 ESP32 传感器的信道状态信息（Channel State Information，CSI）捕获这些扰动，并将其转化为可操作的数据：谁在那里、他们在做什么，以及他们是否安好。

它感知什么：

存在与占用——穿墙探测人员、计数、追踪进出
生命体征——呼吸率和心率，非接触式，在睡眠或坐着时
活动识别——行走、坐下、手势、跌倒——基于时间序列 CSI 模式
环境测绘——射频指纹识别房间、检测家具移动、发现新物体
睡眠质量——夜间监测，包含睡眠阶段分类和呼吸暂停筛查

还包括：

无摄像头姿态——从 WiFi CSI 估计 17 个身体关键点
内置模型工作流——记录 CSI、训练模型、加载 RVF 文件、切换 LoRA 配置
本地自动化——HOMECORE 提供状态、历史、自动化、签名 Wasm 插件、语音钩子和 HomeKit 支持
统一射频世界模型——在一个隐私受限的场景模型中融合 WiFi CSI、雷达、UWB 和蜂窝感知；在真实数据验证之前，精度仍是合成数据
受治理的证据——为感知事件附加隐私政策、不确定性、来源和见证记录
RuView MetaHarness——使用 AI 操作员来入门、校准、训练、验证和检查感知声明

演示：存在与运动 · 呼吸与生命信号 · 姿态研究与局限 · 边缘传感器网络 · 本地自动化 · 引导式 AI 操作员

RuView MetaHarness——面向人类和 AI 智能体的引导式操作#

我们创建的 RuView 专用 metaharness 以 @ruvnet/ruview 发布。它提供：

带来源引用的指导；
用于 CSI 节点、雷达和 LiDAR 的设备访问；
带启动证据的固件刷写；
一个 MCP 服务器，可通过 stdio 或 HTTP 供 ChatGPT 使用，带有实时控制台小组件；
一个 Claude Code mod；
受保护的 Claude Code/Codex 智能体；
确定性验证；
对精度声明的诚实性检查。

配套包：homecore（Homecore 开发者 metaharness）和 @ruvnet/ruview-kernel（作为 WASM 的生命体征流水线）。

# Check the local setup and get source-cited guidance
npx @ruvnet/ruview@0.9.1 doctor
npx @ruvnet/ruview@0.9.1 guidance --topic sensing --query "model loading"

# Hardware: what is plugged in, live CSI from your nodes, a 60 GHz radar kit
npx @ruvnet/ruview@0.9.1 devices
npx @ruvnet/ruview@0.9.1 esp32 --watch # ESP32 + Realtek RAC1 nodes, live view
npx @ruvnet/ruview@0.9.1 esp32 --seconds 45 --analyze # live CSI through the vitals kernel
npx @ruvnet/ruview@0.9.1 mmwave --source esphome --host <kit-ip>

# Agents: MCP over stdio, or over HTTP for ChatGPT (token-protected, read tools only)
npx @ruvnet/ruview@0.9.1 mcp start
RUVIEW_MCP_GRANTS=device-access npx @ruvnet/ruview@0.9.1 mcp start --http

# Claude Code: a live sensing pane (/ruview), shipped in the package
npx @ruvnet/ruview@0.9.1 mod

# Run a read-only RuView agent through Codex
npx @ruvnet/ruview@0.9.1 agent run --host codex --repo . \
 --prompt "Find the nearest tests and cite the source files"

# Check claims, replay the deterministic proof, search the reviewed brain
npx @ruvnet/ruview@0.9.1 claim-check --file REPORT.md
npx @ruvnet/ruview@0.9.1 verify
npx @ruvnet/ruview@0.9.1 brain search --query "calibration"

安全：

智能体运行默认只读。工作区写入需要同时提供 --allow-write 和 --confirm。
硬件读取需要 device-access 授权。
刷写和校准绝不通过 HTTP 传输运行。
设备报告的生命体征标记为未验证。
检索到的大脑内容是证据，不是权威。

一个包含所有这些的 npx ruview 单包已就绪（ADR-376）。它正在等待 npm 发布这个无作用域名称。

完整演练：用户指南 → RuView npm 工具包。

基于 RuVector 和 Cognitum Seed 构建，RuView 完全在边缘硬件上运行——一个 ESP32 网格（每节点低至 9 美元）搭配一个 Cognitum Seed，用于持久记忆、密码学证明和 AI 集成。无需云、无需摄像头、无需互联网。

系统使用脉冲神经网络在本地学习每个环境，30 秒内完成适应；多频网格扫描跨越 6 个 WiFi 信道，把你的邻居路由器当作免费雷达照明源。每次测量都通过 Ed25519 见证链进行密码学证明。

RuView 把普通 WiFi 变成非接触式传感器。一块 9 美元的 ESP32 板读取房间内人体反射的无线电波，一个小型预训练模型——发布在 Hugging Face 的 ruvnet/wifi-densepose-pretrained——告诉你谁在那里、他们如何呼吸，以及心率趋势。该模型大小为 8 KB（4 位量化），在树莓派上以微秒级运行。（v2 编码器报告诚实的、无标签的留出时间三元组准确率为 82.3%——从原始的 66.4% 提升；较早的“100% 存在”数字是在单类录音上测得的，已撤回，改用当前数字。）无摄像头、无可穿戴设备、用户手机上无需应用。

为低功耗边缘应用而构建#

边缘模块是直接运行在 ESP32 传感器上的小程序——无需互联网、无云费用、即时响应。

功能	方式	速度 / 规模
🫁 呼吸率	对包裹相位进行 0.1–0.5 Hz 带通、圆方差、过零 BPM（#593）	6–30 BPM，实时
💓 心率	0.8–2.0 Hz 带通、过零 BPM	40–120 BPM，实时
👤 存在检测	Hugging Face 上的训练头（ruvnet/wifi-densepose-pretrained；v2 编码器 = 82.3% 留出时间三元组准确率，已诚实重新基准测试）+ 无需模型的相位方差回退	< 1 ms，约 30 秒环境校准
🧬 CSI 嵌入	128 维对比编码器发布在 Hugging Face，4 位量化版本适配 8 KB	M4 Pro 上 164,183 emb/s
🦴 17 关键点姿态估计	cog-pose-estimation Cog v0.0.1——GCS 上签名的 aarch64 + x86_64 二进制，通过 Candle 加载 pose_v1.safetensors（已提交的 pose_v1 是初步的端侧模型：PCK@20 = 3.0%，低于 ADR-079 ≥35% 的目标，其运行时路径仍是 confidence=0 的存根——参见“模型权重：哪些是真的，哪些不是”；下文的 82.69% 数字是单独的已发布 MM-Fi 基准，不是这个实时 cog）。在 RTX 5080 上从配对数据训练自己的模型需 2.1 秒（ADR-101，基准）。MM-Fi 上的 SOTA：ruvnet/wifi-densepose-mmfi-pose 达到 82.69% torso-PCK@20（集成 83.59%），在匹配的 MM-Fi random_split 协议上击败 MultiFormer（72.25%）和 CSI2Pose（68.41%）——已在 AetherArena 上自我修正并可审计	Pi 5 上 8.4 ms 冷启动
🚶 运动 / 活动	运动频带功率 + 相位加速度	实时
🤸 跌倒检测	相位加速度阈值 + 3 帧去抖 + 5 秒冷却（#263）	< 200 ms
🧮 多人计数	自适应 P95 归一化 + 运行时可调去重因子（/api/v1/config/dedup-factor，#491）。六个专用学习计数器可作为 Cog 使用：occupancy-zones、elevator-count、queue-length、customer-flow、clean-room、person-matching	实时，自校准
🌍 世界模型预测	OccWorld TransVQVAE——15 帧未来占用预测，209 ms 推理，RTX 5080 上 3.4 GB 显存；用 occworld_retrain.py 在你的空间上微调（ADR-147）	15 帧 × 200×200×16 体素
🧱 穿墙感知	菲涅尔区几何 + 多径建模	最远约 5 米，取决于信号
🧠 边缘智能	105-cog 目录（ADR-102）从 app-registry.json 实时加载——健康、安全、建筑、零售、工业、研究、AI、群体、信号、网络和开发者模块。可选 Cognitum Seed 增加持久向量存储 + kNN + 见证链	物料清单总计 140 美元
🎯 无摄像头预训练	自监督对比编码器，在 6 万帧上训练 1220 万步，发布在 Hugging Face	M4 Pro 上每轮重训 84 秒
📷 摄像头监督微调	MediaPipe + ESP32 CSI 配对训练，RTX 5080 上的端到端 Candle 流水线（ADR-079）	400 轮 2.1 秒（约 5 ms/轮）
📡 多频网格	跨 6 个频段的信道跳变，TDM 时隙调度（ADR-029）	3 倍感知带宽
🌐 3D 点云融合	摄像头深度（MiDaS）+ WiFi CSI + 毫米波雷达 → 统一空间模型	22 ms 流水线 · 每帧 19K+ 点

在下方 🧩 Edge Module Catalog 中浏览完整的 105 模块目录（包含实用描述、大小和难度），或访问 seed.cognitum.one/store。

🤗 预训练权重：从 ruvnet/wifi-densepose-pretrained 下载——一键设置参见下文“加载预训练模型”。

快速开始选项——Docker、ESP32-S3/C6、Cognitum Seed 和 Python#

# Option 1: Docker (simulated data, no hardware needed)
docker pull ruvnet/wifi-densepose:latest
export RUVIEW_API_TOKEN=$(openssl rand -hex 32) # required; the container exits 64 without it
docker run -p 127.0.0.1:3000:3000 -e RUVIEW_API_TOKEN ruvnet/wifi-densepose:latest
# Open http://localhost:3000
# ESP32 nodes in Docker also need a UDP source guard (RUVIEW_UDP_ALLOW);
# see docs/user-guide.md "Receiving ESP32 frames in Docker".

# Option 2a: Live sensing with ESP32-S3 hardware ($9)
# Flash firmware, provision WiFi, and start sensing:
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
python firmware/esp32-csi-node/provision.py --port COM9 \
 --ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20

# Option 2b: WiFi 6 + 802.15.4 research sensing with ESP32-C6 ($6-10, ADR-110)
# Same csi-node firmware compiled for the C6 target — picks up the C6
# overlay (sdkconfig.defaults.esp32c6) automatically.
cd firmware/esp32-csi-node
idf.py set-target esp32c6 && idf.py build
idf.py -p COM6 flash
# C6 boot extras (vs S3): HE-LTF subcarrier tagging in ADR-018 bytes 18-19,
# 802.15.4 mesh time-sync on channel 15, TWT setup when the AP supports it,
# opt-in LP-core wake-on-motion for ~5 µA battery seed nodes.
# v0.6.7 adds: real LP-core RISC-V motion-gate program (debounce + motion
# counter) and a Wi-Fi 6 soft-AP with TWT Responder so two C6 boards can
# benchmark real iTWT without buying an 11ax router. Both default off,
# flip CONFIG_C6_{LP_CORE,SOFTAP_HE}_ENABLE to turn them on.

# Option 3: Full system with Cognitum Seed ($140)
# ESP32 streams CSI → bridge forwards to Seed for persistent storage + kNN + witness chain
node scripts/rf-scan.js --port 5006 # Live RF room scan
node scripts/snn-csi-processor.js --port 5006 # SNN real-time learning
node scripts/mincut-person-counter.js --port 5006 # Correct person counting

# Option 4: Python — live on PyPI (ADR-117)
pip install ruview # or: pip install wifi-densepose
# Both ship the same compiled PyO3 wheel (~250 KB, abi3-py310, Linux/macOS/Windows).
# Add [client] for the asyncio WebSocket + paho-mqtt clients:
pip install "ruview[client]" # or: pip install "wifi-densepose[client]"

# from ruview import BreathingExtractor, HeartRateExtractor # equivalent to:
# from wifi_densepose import BreathingExtractor, HeartRateExtractor
# from ruview.client import SensingClient, RuViewMqttClient

注意： 推荐支持 CSI 的硬件。存在、生命体征、穿墙感知和所有高级能力都需要来自 ESP32-S3（9 美元）或研究级网卡的信道状态信息（CSI）。Docker 镜像使用模拟数据运行以供评估。消费级 WiFi 笔记本仅提供 RSSI 存在检测。

实时 CSI 捕获的硬件选项：

选项	硬件	成本	完整 CSI	能力
ESP32 + Cognitum Seed（推荐）	ESP32-S3 + Cognitum Seed	约 140 美元	是	存在、运动、呼吸、心率、跌倒检测、多人计数、17 关键点姿态（签名 Cog 二进制——初步端侧模型，参见“模型权重：哪些是真的，哪些不是”）、105-cog 目录、持久向量存储、kNN 搜索、见证链、MCP 代理
ESP32 网格	3-6× ESP32-S3 + WiFi 路由器	约 54 美元	是	同上能力，但没有持久记忆功能
ESP32-C6 研究节点（ADR-110，见证，评审指南，固件 v0.7.0）	ESP32-C6-DevKit（6–10 美元）	约 10 美元	是（支持 Wi-Fi 6）	双目标 CSI，实测 ESP-NOW 同步匹配率 99.56%，并在 IDF 5.5.2 上实测 HE-LTF 捕获。TWT 和约 5 µA 运行仍需硬件验证。
研究级网卡	Intel 5300 / Atheros AR9580	约 50-100 美元	是	3x3 MIMO 完整 CSI
Qualcomm CSI beta（ADR-268）	现在为 QCA9300；QCN9074/QCN9274 实验性	约 30-200 美元	现在为模拟器；硬件适配器受限	Rust QCS1 编解码器、确定性重放、UDP/API 集成；现代 ath11k/ath12k 配置文件不声称公开 CSI 导出
厂商提供方 beta（ADR-270）	Origin、Plume、Mist、NETGEAR、Electric Imp、RF Solutions、Luma、Nest、Linksys、Wifigarden	不等	取决于能力	有界 Rust 适配器和确定性夹具；遥测/仅网络/不支持状态不能伪装成 CSI
任意 WiFi	Windows、macOS 或 Linux 笔记本	0 美元	否	仅 RSSI：粗粒度存在和运动（参见教程 #36）

没有硬件？用确定性参考信号验证信号处理流水线：python archive/v1/data/proof/verify.py

实时姿态骨架来自 WiFi CSI 信号——无摄像头、无可穿戴设备（演示可视化；仅 CSI 的实时单 ESP32 17 关键点模型仍是初步版本——参见“模型权重：哪些是真的，哪些不是”）

▶ 实时天文台演示 | ▶ 双模态姿态融合演示 | ▶ 实时 3D 点云 | ▶ three.js 演示（5 个）

服务器对于可视化和聚合是可选的——ESP32 独立运行，用于存在检测、生命体征和跌倒警报。

实时 ESP32 流水线：连接一个 ESP32-S3 节点 → 运行感知服务器 → 打开姿态融合演示，进行实时双模态姿态估计（网络摄像头 + WiFi CSI）。参见 ADR-059。（在此双模态演示中，网络摄像头提供真值姿态；仅 CSI 的端侧 17 关键点模型仍是初步版本——参见“模型权重：哪些是真的，哪些不是”。）

three.js 场景画廊位于 /three.js/——五个逐步丰富的 ADR-097 演示：辅助对象、电影感、GLTF 蒙皮、FBX 蒙皮，以及由 ESP32 CSI 驱动的实时 MediaPipe→Mixamo 重定向流。演示 04 和 05 需要本地 Mixamo X Bot.fbx（许可边界——不再分发）。

🤗 Hugging Face 上的预训练模型#

预训练 CSI 权重位于 ruvnet/wifi-densepose-pretrained——在 6 万帧 / 61 万个对比三元组上训练 1220 万步，留出时间三元组准确率 82.3%（从原始 66.4% 提升；较早的“100% 存在”数字是在单类录音上测得的，已撤回），4 位量化版本适配 8 KB。该版本包括一个对比 CSI 编码器，生成 128 维嵌入（M4 Pro 上 164,183 emb/s）和一个存在检测头。每个节点都包含 LoRA 适配器，用于环境特定微调。

# Download the model bundle
pip install huggingface_hub
huggingface-cli download ruvnet/wifi-densepose-pretrained --local-dir models/wifi-densepose-pretrained

今天可用与待接通的部分：

消费方	使用的格式	状态
Python 训练 / 评估 / 嵌入提取	model.safetensors	⚠️ 已发布文件的头部用 NUL 填充，参考实现 `safetensors.torch.load_file` 会拒绝（issue #1522）——等待修正后重新上传。同一仓库中的 `csi-embed-v2.safetensors` 不受影响，可正常加载。
检查 / 重新导出包	model.rvf.jsonl（逐行 JSON）	✅ 可用——纯 JSONL
感知服务器 `--model <PATH>` 标志	原生 RVF、model.safetensors 或 model.rvf.jsonl	✅ 原生 RVF 直接加载；safetensors 和 JSONL 在内存中自动转换

加载器范围：--model 现在接受原生 RVF，并自动转换已发布的 safetensors 或 JSONL 文件。量化的 model-q*.bin 文件仍需要兼容的读取器，而且加载权重不会提供匹配的姿态解码器架构，也不会建立端到端姿态精度。

量化选项（均在 HF 仓库中）：model-q2.bin（4 KB） · model-q4.bin ⭐ 推荐（8 KB） · model-q8.bin（16 KB） · model.safetensors 完整版（48 KB）

单独的 17 关键点姿态估计模型现发布于 ruvnet/wifi-densepose-mmfi-pose——在 MM-Fi 上 82.69% torso-PCK@20（单模型）/ 83.59%（3 模型集成 + TTA），在匹配的 random_split 协议上击败此前发布的 SOTA MultiFormer（72.25%）和 CSI2Pose（68.41%）。参见下文“结果与证明”。

结果与证明#

查看实测基准、见证记录和一键可复现性检查。

查看基准与证明详情

项目	位置	数字
MM-Fi 姿态模型（SOTA）	ruvnet/wifi-densepose-mmfi-pose	82.69% torso-PCK@20（单模型） · 83.59%（集成+TTA） · 75K 参数微型版本 74.30%
AetherArena 基准 Space	ruvnet/aether-arena	自我修正、可审计的 MM-Fi 排行榜
完整 MM-Fi 研究（诚实图景）	docs/benchmarks/mmfi-wifi-sensing-study.md	姿态 + 动作；零样本跨受试者约 64%，有标签室内校准 → 72.2%
效率前沿	docs/benchmarks/wifi-pose-efficiency-frontier.md	在约 37 KB int4 模型中击败 SOTA 的 MM-Fi 姿态；尚未建立实时 ESP32 兼容性
预训练编码器	ruvnet/wifi-densepose-pretrained	82.3% 留出时间三元组，8 KB int4
可复现证明（Trust Kill Switch）	archive/v1/data/proof/verify.py + expected_features.sha256	一键确定性流水线重放（输出 SHA-256 与已发布哈希对比）
基准证明 ADR	ADR-168	数字如何产生和验证
见证证明	docs/WITNESS-LOG-028.md	33 行能力证明矩阵，带逐项声明证据

# Reproduce the deterministic pipeline proof yourself (must print VERDICT: PASS):
python archive/v1/data/proof/verify.py

跟踪于 #509；相机监督微调路径参见 ADR-079 阶段 P7–P9。

模型权重：哪些是真的，哪些不是#

查看哪些检查点经过验证、属于实验性，或仅有架构。

查看模型成熟度详情

“WiFi → 姿态”在这个仓库中意味着三种不同的东西，处于三种不同的成熟度级别。读标签，不要读标题（ADR-187）：

层级	检查点	诚实状态
真实且已验证	ruvnet/wifi-densepose-pretrained（CSI 编码器 + 存在头） · ruvnet/wifi-densepose-mmfi-pose（17 关键点姿态） · cog-person-count/count_v1	已测量 / 已发布。存在 = 82.3% 留出时间三元组准确率（旧的“100% 存在”数字已撤回）；MM-Fi 姿态 = random_split 协议上 82.69% torso-PCK@20。这些是该项目今天所支持的姿态/存在数字。
真实但较弱（已诚实标注）	已提交的 v2/crates/cog-pose-estimation/cog/artifacts/pose_v1.safetensors	初步端侧模型。在 217 个样本的留出集上 PCK@20 = 3.0% / PCK@50 = 18.5%——低于 ADR-079 的 ≥35% 目标。它能学到粗略结构（r_hip 77% PCK@50）；远端/面部关节接近随机。其在 cog-pose-estimation/src/inference.rs 中的运行时路径仍是返回 confidence=0 的居中骨架存根——权重尚未接入。完整披露见 cog README。
仅架构，无权重	archive/v1 DensePoseHead	随机 kaiming_normal_ 初始化，没有任何检查点（archive/v1/ 下没有 .pth/.onnx/.safetensors 文件）。已弃用并被取代——参见 archive/v1/DEPRECATED.md。不要指望它输出真实姿态。

关于 ESP32-SISO 问题（#509）：单天线、56 子载波、20 帧窗口的 CSI 流，不携带多天线网卡研究所依赖的细粒度空间信息——上面的 cog 测量显示远端/面部关节接近随机。项目今天能支持的、可交付的姿态精度是 MM-Fi 基准数字，而不是实时单 ESP32 数字。通向首个可复现端侧基线（PCK@20 ≥ 35%）的路径跟踪于 ADR-079 / #645——在测量到该基线之前，不要在没有“初步、低于目标、运行时存根”警告的情况下宣传实时单 ESP32 17 关键点功能。

🧩 边缘模块目录#

为健康、安全、建筑、工业、研究、AI 等添加签名模块。

浏览完整的边缘模块目录

在 seed.cognitum.one/store 浏览和安装模块，或在你自己的设备上访问 http://<appliance>:9000/cogs。每个模块都是一个小的签名二进制文件，运行在感知栈旁边。设备会通过空中更新目录，并在安装前验证每个模块（ADR-100、ADR-102）。

🫀 健康——14 个模块#

ID	功能	大小	难度
air-quality-index	用 CO2 和颗粒物传感器追踪室内空气质量	8 KB	简单
baby-cry	用于婴儿房/婴儿监护的持续中频带能量检测器。仅音频，无摄像头。	451 KB	简单
breathing-sync	检测两个人何时同步呼吸	10 KB	困难
cardiac-arrhythmia	发现不规则心跳和异常心律	8 KB	困难
cough-detect	声学瞬态 + 频谱咳嗽检测器，带 30 秒聚类聚合。呼吸道疾病的早期预警信号。	451 KB	简单
dream-stage	追踪你的睡眠阶段——浅睡、深睡和做梦	14 KB	困难
fall-detect	基于环境特征流的两阶段冲击 + 静止跌倒检测器（ESP32 运动/麦克风）。可选 ruview-mode 用于基于 CSI 的姿态增强。	402 KB	简单
gait-analysis	检测行走问题并评估跌倒风险	12 KB	困难
health-monitor	非接触式心率、呼吸、睡眠和跌倒警报	30 KB	中等
respiratory-distress	当呼吸变得费力或危险地急促时发出警报	10 KB	困难
seizure-detect	识别癫痫发作并立即发送警报	10 KB	困难
sleep-apnea	检测睡眠中呼吸停止	4 KB	简单
snore-monitor	用于睡眠质量/呼吸暂停风险趋势的周期性低频带能量追踪器。sleep-apnea cog 的配套模块。	451 KB	简单
vital-trend	追踪数周内的呼吸和心率趋势	6 KB	中等

🔒 安全——14 个模块#

ID	功能	大小	难度
audit-logger	为合规记录每个操作——防篡改日志	8 KB	简单
behavioral-profiler	学习正常行为并标记任何异常	12 KB	困难
fleet-auth	在所有 seed 上管理设备证书和访问权限	12 KB	中等
glass-break	两阶段爆裂 + 碎裂声学检测器。区分玻璃破碎与普通脉冲噪声。	451 KB	简单
gunshot-detect	饱和峰值 + 指数衰减声学检测器，可选 ruview CSI 运动下降增强。	451 KB	简单
intrusion	当未经授权的人进入房间时发出警报	6 KB	中等
intrusion-detect-ml	使用机器学习检测网络攻击	14 KB	困难
loitering	当某人在一个地点逗留过久时发出警报	3 KB	简单
network-firewall	按 cog 阻止未经授权的网络访问	6 KB	简单
panic-motion	检测突然的恐慌或异常运动	6 KB	中等
perimeter-breach	守护多个区域并显示进入方向	10 KB	中等
prompt-shield	阻止针对 seed 的信号重放和注入攻击	10 KB	中等
tailgating	抓住尾随在持卡人身后潜入的人	6 KB	中等
weapon-detect	检测人身上的隐藏金属物体	8 KB	困难

🏢 建筑——11 个模块#

ID	功能	大小	难度
beehive-monitor	声学蜂箱状态分类器。通过嗡嗡频带能量 + 混沌度 + piping 自相关检测健康 / 混乱 / 无王 / 分蜂 / 盗蜂。	451 KB	简单
elevator-count	统计电梯里有多少人	8 KB	中等
energy-audit	学习你的日程并减少能源浪费	6 KB	中等
frost-warning	通过温度趋势 + 露点差门控提前 6 小时预测霜冻。适用于大田/果园农业。	451 KB	简单
hvac-presence	你到达时开启供暖和制冷	3 KB	简单
lighting-zones	当人们在房间之间移动时开关灯	4 KB	简单
meeting-room	显示会议室是空闲还是占用	5 KB	简单
occupancy-zones	穿墙统计每个房间的人数	8 KB	中等
predictive-maintenance	用于旋转设备的振动谐波分析器。追踪 F1 / 2×F1 / 高阶 / 边带能量，以评估退化严重程度。	451 KB	简单
smoke-fire	多信号烟雾和火灾检测器。融合声学噼啪声、热漂移代理和可选 ruview CSI 烟羽特征。不是符合规范要求的烟雾报警器的 UL 认证替代品。	451 KB	简单
water-leak	持续低幅嘶嘶声 + 周期性滴水的声学检测器，带数分钟持久门控。两阶段：可能 → 确认。	451 KB	简单

🛍️ 零售——7 个模块#

ID	功能	大小	难度
customer-flow	统计每个入口的进出人流	8 KB	中等
dwell-heatmap	显示顾客停留时间最长的区域	6 KB	中等
package-detect	用于门廊/装卸区包裹到达和离开的持续 CSI 偏移检测器。需要 ESP32 CSI ruview 输入。	451 KB	简单
parking-occupancy	通过 ESP32 CSI 子载波幅度偏移实现按区域停车占用检测。追踪利用率和每小时周转率。需要 ruview。	451 KB	简单
queue-length	估计排队长度和等待时间	6 KB	中等
shelf-engagement	检测顾客何时与商品互动	6 KB	中等
table-turnover	追踪餐厅哪些餐桌空闲或占用	4 KB	简单

🏭 工业——7 个模块#

ID	功能	大小	难度
clean-room	强制控制环境中的最大人数	4 KB	简单
confined-space	监测狭窄空间中的工人以确保安全	5 KB	中等
forklift-proximity	当叉车过于靠近工人时发出警告	10 KB	困难
livestock-monitor	监测动物的痛苦、逃逸或疾病	6 KB	中等
ppe-compliance	Cog 组合层：当 ruview-densepose 检测到受限区域有人存在，但没有伴随的 PPE-camera-cog 确认向量时发出警报。	387 KB	简单
slip-fall-zone	跌倒前风险检测器。当运动方差下降、溅水声和可选的谨慎步态 CSI 都表明滑倒风险升高时触发。	451 KB	简单
structural-vibration	检测建筑物或机器中的危险振动	8 KB	困难

🔬 研究——12 个模块#

ID	功能	大小	难度
emotion-detect	从肢体语言和呼吸读取压力和平静	10 KB	困难
energy-harvester	为离网 seed 部署优化太阳能和电池	6 KB	中等
gesture-language	实时识别手语手势	12 KB	困难
ghost-hunter	发现无法解释的环境异常——纯属娱乐	10 KB	困难
happiness-score	从运动和情绪信号估计幸福感	8 KB	中等
hyperbolic-space	将数据映射到弯曲空间以处理树状结构	12 KB	困难
music-conductor	读取指挥家的手势以获得速度和力度	12 KB	困难
plant-growth	追踪植物生长速率和昼夜周期	8 KB	中等
rain-detect	检测雨何时开始、停止以及雨量多大	6 KB	中等
ruview-densepose	通过 WiFi 进行全身姿态追踪——无需摄像头	50 KB	困难
sound-classifier	识别玻璃破碎、警报或婴儿哭声等声音	16 KB	困难
time-crystal	实验重复时间模式对称性	12 KB	困难

🤖 AI——15 个模块#

ID	功能	大小	难度
anomaly-attractor	学习什么是正常的，并抓住任何异常	10 KB	困难
cognitive-pipeline	FastGRNN 异常门控 + SmolLM2 稀疏 LLM 推理，用于端侧 Pi Zero 2W 认知事件	320 KB	困难
dtw-gesture-learn	通过展示示例来教自定义手势	14 KB	中等
ewc-lifelong	学习新事物而不忘记旧知识	8 KB	困难
federated-learning	在不共享原始数据的情况下跨 seed 训练 AI	18 KB	困难
goal-autonomy	自行规划和执行目标	14 KB	困难
meta-adapt	自动调整自身以获得最佳性能	10 KB	困难
micro-hnsw	端侧快速指纹识别和分类	12 KB	中等
neural-trader	从实时数据中发现市场模式和趋势	20 KB	困难
pagerank-influence	找出群体中最有影响力的人	12 KB	中等
pattern-sequence	检测日常规律和重复习惯	10 KB	中等
rag-local	用 AI 搜索你的文档——在 seed 上运行	14 KB	中等
spiking-tracker	受大脑启发的追踪器，可在微型硬件上运行	16 KB	困难
temporal-logic	对实时事件流执行安全规则	12 KB	困难
time-series-forecast	使用历史模式预测传感器趋势	12 KB	中等

🐝 群体——11 个模块#

ID	功能	大小	难度
swarm-backup-restore	自动将数据备份到其他 seed——一键恢复	8 KB	简单
swarm-cluster-monitor	每个 seed 健康和状态的实时仪表盘	6 KB	简单
swarm-consensus	seed 在共同做出关键更改前投票	16 KB	困难
swarm-delta-sync	在 seed 之间自动同步数据——只发送变化	8 KB	中等
swarm-deploy	一次性在所有 seed 上安装或移除 cog	10 KB	中等
swarm-distributed-store	将数据分散到多个 seed 并一次性全部搜索	14 KB	困难
swarm-edge-orchestrator	从一个地方管理所有 ESP32 传感器节点	14 KB	困难
swarm-load-balancer	将查询分散到多个 seed，避免单个过载	10 KB	中等
swarm-mesh-manager	查找、连接和监控你网络上的所有 seed	12 KB	简单
swarm-mqtt-bridge	通过 MQTT 消息在 seed 之间共享事件	6 KB	简单
swarm-witness-federation	跨 seed 共享防篡改审计轨迹	12 KB	困难

📡 信号——6 个模块#

ID	功能	大小	难度
coherence-gate	过滤噪声信号，保留干净信号	8 KB	中等
flash-attention	将感知集中在特定区域以提高精度	12 KB	中等
optimal-transport	使用形状感知的信号比较来测量运动	12 KB	困难
person-matching	区分同一房间里的多个人	18 KB	困难
sparse-recovery	从部分读数中恢复缺失的信号数据	16 KB	困难
temporal-compress	压缩旧数据以节省内存而不丢失含义	14 KB	中等

🌐 网络——1 个模块#

ID	功能	大小	难度
tailscale	通过私有 WireGuard 网格（Tailscale）从任何地方访问 seed。用户空间模式——无需 root。	700 KB	中等

🛠️ 开发者——7 个模块#

ID	功能	大小	难度
adversarial	检测被篡改或伪造的传感器信号	4 KB	简单
coherence	跨多个信道监测信号质量	4 KB	简单
gesture	cog 的核心手势识别构建块	6 KB	中等
interference-search	一次搜索多种可能性以快速得到答案	14 KB	困难
psycho-symbolic	以多种风格对知识图谱进行推理	16 KB	困难
quantum-coherence	用于高级信号状态的量子启发模型	16 KB	困难
self-healing-mesh	即使节点掉线也保持传感器网格运行	14 KB	困难

ℹ️ 构建你自己的 cog：包装规范参见 ADR-100。此仓库发布到目录的第一个 cog 位于 v2/crates/cog-pose-estimation/（17 关键点 WiFi 姿态，ADR-101）。

🔬 工作原理#

WiFi 路由器用无线电波填满每个房间。当一个人移动——甚至呼吸——这些波会以不同方式散射。WiFi DensePose 读取这种散射模式并重建发生了什么：

WiFi 路由器 → 无线电波穿过房间 → 击中人体 → 散射
 ↓
ESP32 网格（4-6 个节点）通过 TDM 协议在信道 1/6/11 上捕获 CSI
 ↓
多频融合：3 个信道 × 56 个子载波 = 每条链路 168 个虚拟子载波
 ↓
多基地融合：N×(N-1) 条链路 → 注意力加权的跨视点嵌入
 ↓
相干门：接受/拒绝测量 → 无需调参即可稳定数天
 ↓
信号处理：Hampel、SpotFi、Fresnel、BVP、频谱图 → 干净特征
 ↓
AI 主干（RuVector）：注意力、图算法、压缩、场模型
 ↓
Signal-Line Protocol（CRV）：6 阶段格式塔 → 感官 → 拓扑 → 相干 → 搜索 → 模型
 ↓
神经网络：处理后的信号 → 17 个身体关键点 + 生命体征 + 房间模型
 ↓
输出：实时姿态、呼吸、心率、房间指纹、漂移警报

自学习系统（ADR-024）提供无摄像头的表征学习组件。跨房间姿态仍然是一个独立、受数据门控的问题：MERIDIAN（ADR-027）处于 Proposed 状态，而实测校准参考需要带标签的 CSI/关键点配对和模型特定的适配器。参见模型兼容性边界。

🏢 用例与应用#

安全边界： 这些是研究和原型应用，不是医疗设备、应急系统或安全认证控制。生命体征和姿态输出需要在确切的硬件、房间、受试者和故障条件下进行独立验证，才能投入运营使用。

WiFi 感知在任何有 WiFi 的地方都能工作。大多数情况下无需新硬件——只需在现有接入点或 8 美元的 ESP32 附加设备上运行软件。由于没有摄像头，部署在设计上就避开了隐私法规（GDPR 视频、HIPAA 影像）。

扩展： 每个 AP 可区分约 3-5 人（56 个子载波）。多 AP 可线性倍增——一个 4 AP 的零售网格可覆盖约 15-20 名占用者。软件没有硬性限制；实际上限是信号物理。

为什么 WiFi 感知胜出#

WiFi 感知	传统替代方案
🔒 无视频，无 GDPR/HIPAA 影像规则	摄像头需要同意、标识、数据保留政策
🧱 可穿墙、货架、碎片工作	摄像头需要每个房间的视线
🌙 在完全黑暗中工作	摄像头需要红外或可见光
💰 每个区域 0-8 美元（现有 WiFi 或 ESP32）	摄像头系统：每个区域 200-2,000 美元
🔌 WiFi 已到处部署	PIR/雷达传感器需要每个房间重新布线

🏥 日常场景——医疗、零售、办公、酒店（普通 WiFi）#

用例	功能	硬件	关键指标	边缘模块
养老护理 / 辅助生活	跌倒检测、夜间活动监测、睡眠中的呼吸率——无需佩戴设备配合	每房间 1 个 ESP32-S3（8 美元）	跌倒警报 <2s	Sleep Apnea、Gait Analysis
医院病人监测	为非重症床位提供连续呼吸 + 心率监测，无需有线传感器；异常时通知护士	每病区 1-2 个 AP	呼吸：6-30 BPM	Respiratory Distress、Cardiac Arrhythmia
急诊分诊	自动占用计数 + 等待时间估计；在候诊区检测病人痛苦（异常呼吸）	现有医院 WiFi	占用准确率 >95%	Queue Length、Panic Motion
零售占用与客流	实时人流、按区域停留时间、排队长度——无摄像头、无需选择加入、符合 GDPR	现有商店 WiFi + 1 个 ESP32	停留分辨率约 1m	Customer Flow、Dwell Heatmap
办公空间利用	哪些工位/房间实际被占用、会议室爽约、基于真实存在的 HVAC 优化	现有企业 WiFi	存在延迟 <1s	Meeting Room、HVAC Presence
酒店与住宿业	无需门传感器的房间占用、迷你吧/卫生间使用模式、空房节能	现有酒店 WiFi	节省 15-30% HVAC	Energy Audit、Lighting Zones
餐厅与餐饮服务	餐桌周转追踪、厨房员工存在、卫生间占用显示——用餐区无摄像头	现有 WiFi	排队等待 ±30s	Table Turnover、Queue Length
停车场	楼梯间和电梯中摄像头盲区的人行存在；有人逗留时发出安全警报	现有 WiFi	穿透混凝土墙	Loitering、Elevator Count

🏟️ 专业场景——活动、健身、教育、市政（支持 CSI 的硬件）#

用例	功能	硬件	关键指标	边缘模块
智能家居自动化	房间级存在触发（灯光、HVAC、音乐），可穿墙工作——无死角、无运动传感器超时	2-3 个 ESP32-S3 节点（24 美元）	穿墙范围约 5m	HVAC Presence、Lighting Zones
健身与运动研究	无需可穿戴设备或摄像头即可探索运动和呼吸节奏；可靠的姿势纠正需要经过验证的兼容姿态模型	3+ ESP32-S3 网格 + 边缘主机	原型；不声称实时 S3 姿态精度	Breathing Sync、Gait Analysis
托儿所与学校	午睡呼吸监测、操场人数统计、限制区域警报——对未成年人隐私安全	每区域 2-4 个 ESP32-S3	呼吸：±1 BPM	Sleep Apnea、Perimeter Breach
活动场馆与演唱会	人群密度测绘、通过呼吸压缩检测踩踏风险、紧急疏散流追踪	多 AP 网格（4-8 个 AP）	每 m² 密度	Customer Flow、Panic Motion
体育场与竞技场	分区占用用于动态定价、餐饮人员配置、紧急出口流建模	企业 AP 网格	每个 AP 网格 15-20 人	Dwell Heatmap、Queue Length
宗教场所	无需人脸识别的出席计数——隐私敏感的会众、多房间园区追踪	现有 WiFi	区域级准确率	Elevator Count、Energy Audit
仓库与物流	工人安全区、叉车接近警报、危险区域占用——可穿过货架和托盘工作	工业 AP 网格	警报延迟 <500ms	Forklift Proximity、Confined Space
市政基础设施	公共卫生间占用（不可能装摄像头）、地铁站台拥挤、紧急情况下避难所人数	市政 WiFi + ESP32	实时人数	Customer Flow、Loitering
博物馆与画廊	访客流热力图、展品停留时间、人群瓶颈警报——艺术品附近无摄像头（闪光/盗窃风险）	现有 WiFi	区域停留 ±5s	Dwell Heatmap、Shelf Engagement

🤖 机器人与工业——自主系统、制造业、安卓空间感知#

WiFi 感知为机器人和自主系统提供了一层空间感知，在 LIDAR 和摄像头失效的地方——穿过灰尘、烟雾、雾，以及绕过拐角——仍能工作。CSI 信号场充当“第六感”，无需视线即可检测环境中的人类。

用例	功能	硬件	关键指标	边缘模块
协作机器人安全区	检测协作机器人附近的人——在接触前自动减速或停止，即使有遮挡物	每单元 2-3 个 ESP32-S3	存在延迟 <100ms	Forklift Proximity、Perimeter Breach
仓库 AMR 导航	自主移动机器人感知盲角、货架后方的人——无 LIDAR 遮挡	沿通道布置 ESP32 网格	穿货架检测	Forklift Proximity、Loitering
安卓 / 人形机器人空间感知	社交机器人的环境人体姿态感知——检测手势、接近方向和个人空间，无需摄像头常开	板载 ESP32-S3 模块	17 关键点姿态	Gesture Language、Emotion Detection
制造生产线监测	每个工位的工人存在、人体工学姿态警报、轮班合规人数——可穿过设备工作	每个区域工业 AP	姿态 + 呼吸	Confined Space、Gait Analysis
建筑工地安全	重型机械周围禁区执行、脚手架跌倒检测、人员人数	加固型 ESP32 网格	警报 <2s，穿尘	Panic Motion、Structural Vibration
农业机器人	在摄像头不可靠的多尘/多雾田间条件下，检测自主收割机附近的农场工人	防风雨 ESP32 节点	开阔地范围约 10m	Forklift Proximity、Rain Detection
无人机着陆区	验证着陆区没有人员——WiFi 感知在雨、尘和低光下工作，而下视摄像头在这些条件下会失效	地面 ESP32 节点	存在：>95% 准确率	Perimeter Breach、Tailgating
洁净室监测	无摄像头的人员追踪（摄像头风扇有颗粒污染风险）——通过姿态检查洁净服合规	现有洁净室 WiFi	无颗粒排放	Clean Room、Livestock Monitor

🔥 极端场景——穿墙、灾难、国防、地下#

这些场景利用 WiFi 穿透固体材料的能力——混凝土、瓦砾、泥土——这是任何光学或红外传感器都无法到达的地方。WiFi-Mat 灾难模块（ADR-001）专为此层级设计。

用例	功能	硬件	关键指标	边缘模块
搜救（WiFi-Mat）	通过呼吸特征检测瓦砾/碎片下的幸存者、START 分诊颜色分类、3D 定位	便携 ESP32 网格 + 笔记本	穿透 30cm 混凝土	Respiratory Distress、Seizure Detection
消防	在进入前穿过烟雾和墙壁定位被困人员；呼吸检测远程确认生命迹象	车载便携网格	零能见度下工作	Sleep Apnea、Panic Motion
监狱与安全设施	牢房占用验证、痛苦检测（异常生命体征）、周界感知——无摄像头盲区	专用 AP 基础设施	24/7 生命体征	Cardiac Arrhythmia、Loitering
军事 / 战术	穿墙人员检测、清房确认、对峙距离下的人质生命体征	定向 WiFi + 自定义固件	范围：穿墙 5m	Perimeter Breach、Weapon Detection
边境与周界安全	检测隧道、围栏后、车辆中的人员存在——被动感知，无主动照明暴露位置	隐蔽式 ESP32 网格	被动 / 隐蔽	Perimeter Breach、Tailgating
采矿与地下	在 GPS/摄像头失效的隧道中检测工人存在、坍塌后呼吸检测、安全点人数统计	加固型 ESP32 网格	穿岩石/泥土	Confined Space、Respiratory Distress
海事与海军	穿过钢制舱壁进行甲板下人员追踪（范围有限，需要调参）、落水检测	船舶 WiFi + ESP32	穿过 1-2 层舱壁	Structural Vibration、Panic Motion
野生动物研究	在围栏或兽穴中进行非侵入式动物活动监测——无光污染、无视觉干扰	防风雨 ESP32 节点	零光发射	Livestock Monitor、Dream Stage

🧠 自学习 WiFi AI#

从原始 CSI 学习紧凑的房间指纹，并让模型适应每个环境。

查看自学习架构和命令

每个经过房间的 WiFi 信号都会创建该空间的独特指纹。WiFi-DensePose 已经读取这些指纹来追踪人员，但直到现在，它在每次读取后都会丢弃内部的“理解”。自学习 WiFi AI 捕获并保留这种理解，作为紧凑、可复用的向量——并为每个新环境持续优化自身。

用通俗的话说，它做什么：

将任何 WiFi 信号变成 128 个数字的“指纹”，唯一描述房间内正在发生的事
完全从原始 WiFi 数据自行学习——无摄像头、无标注、无需人工监督
仅用 WiFi 识别房间、检测入侵者并对活动分类（命名人员身份是实验性、受数据门控的研究能力——见下文，不是已发布功能）
在 8 美元的 ESP32 芯片上运行（整个模型适配 55 KB 内存）
在一次计算中同时产生身体姿态追踪和环境指纹

关键能力#

能力	工作原理	为什么重要
自监督学习	模型观察 WiFi 信号，自己学习“相似”和“不同”是什么样子，无需任何人工标注数据	随处部署——插上 WiFi 传感器，等 10 分钟
房间识别	每个房间产生独特的 WiFi 指纹模式	无需 GPS 或信标就能知道某人在哪个房间
异常检测	意外的人或事件会创建与以往任何模式都不匹配的指纹	自动入侵和跌倒检测成为免费副产品
人员重识别（实验性、研究）	一个真实的逐信道相似度匹配器（Soul Signature §3.6，wifi-densepose-bfld）；实测结果：仅凭 WiFi 的心跳+呼吸信道，两个人不可区分（差距约 0.0005）	诚实的研究能力——不声称命名身份，并且在用决定性的 AETHER/身体共振信道注册时受数据门控。参见 #1021
环境适应	MicroLoRA 适配器（每个房间 1,792 个参数）为每个新空间微调模型	用最少数据适应新房间——比从零重训少 93%
记忆保留	EWC++ 正则化记住预训练期间学到的东西	切换到新任务不会抹掉先前的知识
难负样本挖掘	训练聚焦于最令人困惑的样本，以更快学习	相同训练数据量下获得更好精度

架构#

WiFi Signal [56 channels] → Transformer + Graph Neural Network
 ├→ 128-dim environment fingerprint (for search + identification)
 └→ 17-joint body pose (for human tracking)

快速开始#

# Step 1: Learn from raw WiFi data (no labels needed)
cargo run -p wifi-densepose-sensing-server -- --pretrain --dataset data/csi/ --pretrain-epochs 50

# Step 2: Fine-tune with pose labels for full capability
cargo run -p wifi-densepose-sensing-server -- --train --dataset data/mmfi/ --epochs 100 --save-rvf model.rvf

# Step 3: Use the model — extract fingerprints from live WiFi
cargo run -p wifi-densepose-sensing-server -- --model model.rvf --embed

# Step 4: Search — find similar environments or detect anomalies
cargo run -p wifi-densepose-sensing-server -- --model model.rvf --build-index env

训练模式#

模式	你需要什么	你能得到什么
自监督	只需原始 WiFi 数据	一个理解 WiFi 信号结构的模型
监督	WiFi 数据 + 身体姿态标签	完整姿态追踪 + 环境指纹
跨模态	WiFi 数据 + 摄像头画面	与视觉理解对齐的指纹

指纹索引类型#

索引	存储什么	实际用途
env_fingerprint	平均房间指纹	“这是厨房还是卧室？”
activity_pattern	活动边界	“有人在做菜、睡觉还是锻炼？”
temporal_baseline	正常条件	“这个房间刚刚发生了异常”
person_track	个人运动特征	“A 刚进入客厅”

模型大小#

组件	参数	内存（ESP32 上）
Transformer 主干	约 28,000	28 KB
嵌入投影头	约 25,000	25 KB
每房间 MicroLoRA 适配器	约 1,800	2 KB
总计	约 55,000	55 KB（可用 520 KB 中的）

自学习系统建立在 AI 主干（RuVector）信号处理层——注意力、图算法和压缩——之上，并在其上添加对比学习。

完整架构细节参见 docs/adr/ADR-024-contrastive-csi-embedding-model.md。

🧩 Claude Code 与 Codex 插件#

在 Claude Code 或 Codex 中使用仓库内插件进行引导式设置、感知、训练和验证。

查看插件安装与命令

RuView 的 Claude Code 插件和 Codex prompt 镜像覆盖入门、ESP32 设置、感知应用、模型训练、高级感知、CLI/API/WASM、毫米波雷达和见证验证。源码位于 plugins/ruview/；市场清单是 .claude-plugin/marketplace.json。

# In Claude Code — add this repo as a plugin marketplace, then install:
/plugin marketplace add ruvnet/RuView
/plugin install ruview@ruview

# Or try it for one session without installing (from a local clone of the repo):
claude --plugin-dir ./plugins/ruview

# Then, in Claude Code:
# /ruview-start → onboarding (Docker demo / repo build / live ESP32)
# /ruview-flash → build + flash ESP32 firmware
# /ruview-provision → provision WiFi creds, sink IP, channel/MAC, mesh slots
# /ruview-app → run a sensing application (presence / vitals / pose / sleep / MAT / point cloud)
# /ruview-train → train / evaluate / publish a model (incl. GPU on GCloud)
# /ruview-advanced → multistatic / tomography / cross-viewpoint / mesh-security
# /ruview-verify → tests + deterministic proof + witness bundle

Codex（OpenAI CLI）：cp plugins/ruview/codex/prompts/*.md ~/.codex/prompts/——七个 /ruview-* 命令被镜像为 Codex prompt；plugins/ruview/codex/AGENTS.md 携带项目规则。参见 plugins/ruview/codex/README.md。

验证插件结构：bash plugins/ruview/scripts/smoke.sh。完整详情：plugins/ruview/README.md。

实时感知面板（Claude Code mod）：同一市场还列出了 ruview-live，一个 Claude Code mod。

用 /plugin install ruview-live@ruview 安装它，或运行 npx @ruvnet/ruview@0.9.1 mod 获取它在 npm 包内的路径。

/ruview 会在对话记录旁打开一个面板，显示你的 CSI 节点和雷达，按定时器刷新，并附一行状态。

它是只读的。

Mod 是早期访问功能；如果 /ruview 缺失，请使用 CLAUDE_CODE_ENABLE_FUNCTION_HOOKS=1 启动 Claude Code。参见 ADR-377。

对于可移植的 RuView MetaHarness，使用 npx @ruvnet/ruview@0.9.1。快速命令和更完整的说明在本 README 顶部的 MetaHarness 折叠部分、harness/ruview/ 和用户指南中。

📖 文档#

从用户、构建和校准指南开始；展开以查看完整参考地图。

浏览所有文档

文档	描述
用户指南	分步指南：安装、首次运行、API 使用、硬件设置、训练
构建指南	从源码构建（Rust 和 Python）
校准与房间训练指南	calibrate/enroll/train-room 实际强制执行什么：最小帧数、每个锚点的质量门、宠物/小动作存在检测的注意事项，以及空房间基线条件——以真实代码为依据，而不仅仅是 ADR-135/151
信任状态与引擎错误	`/api/v1/status` 上的 engine_error_count 和 demoted 意味着什么、确切的触发条件、当前诊断缺口（没有按原因分解）、WDP_GUARD_INTERVAL_US 恢复路径，以及为什么转换后的 Hugging Face 模型在代码中没有被显示为原因
Home Assistant + Matter 集成	通过 MQTT 自动发现与 Home Assistant 配合 + Works with Matter（Apple Home / Google Home / Alexa / SmartThings）——完整实体目录、3 个入门蓝图、Lovelace 仪表盘、隐私模式、阈值调优（ADR-115）。
BFLD——用于检测的波束成形反馈层	新的隐私门控 WiFi 感知层，测量并结构性防止 802.11ac/ax 波束成形反馈信息（BFI）的身份泄漏。三个类型强制不变量（原始 BFI 绝不离开节点、身份嵌入仅存于 RAM、跨站点关联通过每站点 BLAKE3 键控哈希 + 每日轮换在密码学上不可能）。提供完整操作表面（BfldPipeline、BfldPipelineHandle、Soul Signature §3.6 逐信道匹配器 EnrolledMatcher/SoulMatchOracle——实验性；命名身份受数据门控，实测在仅 WiFi 信道上不可区分）、MQTT 主题路由器 + HA-DISCO + 可用性 + LWT、3 个操作员 HA 蓝图、两个可运行示例、eclipse-mosquitto:2 CI 服务容器。327+ 测试。ADR-118 总括 + 子 ADR 119/120/121/122/123。研究档案：docs/research/BFLD/（11 个文件，13,544 词）。
SENSE-BRIDGE——rvagent MCP 服务器	双传输 MCP 服务器（@ruvnet/rvagent），将 RuView 感知栈桥接到 AI 智能体（Claude Code、Cursor、ruflo 群）。已接入 6 个工具：ruview.presence.now、ruview.vitals.get_{breathing,heart_rate,all}、ruview.bfld.last_scan、ruview.bfld.subscribe。stdio + Streamable HTTP（POST /mcp、Origin 验证、bearer-token 认证、绑定 127.0.0.1）。完整的 20 工具 Zod schema barrel + 5 个 RUVIEW-POLICY 治理工具。93 个测试。ADR-124。试试：npx @ruvnet/rvagent stdio。
语义原语——精确率/召回率	在留出配对捕获集上的逐原语 F1：someone-sleeping、possible-distress、room-active、elderly-inactivity-anomaly、meeting、bathroom、fall-risk、bed-exit、no-movement、multi-room。
Claude Code / Codex 插件	ruview 插件 + 市场——技能、/ruview-* 命令、智能体，以及 Codex prompt 镜像
可移植 harness——npx @ruvnet/ruview	MetaHarness 铸造的、主机可移植的 RuView 操作员 harness——ruview.* MCP 工具 + 在代码中强制执行的 MEASURED-vs-CLAIMED 诚实性护栏（ADR-182）。仓库内插件的更轻量、多主机配套版本。
CSI 帧选择——实测	哪种速率门控真正换来跨节点配对，在一个九节点 ESP32-C6 集群上以三个拉丁方块的 2x2 因子设计测量。按 802.11 rx_seq 选择帧大约使配对翻倍（+31.7 个百分点），而网格时间对齐只带来 +0.5 个百分点，在噪声范围内。包括它做出的权衡、一个最终被证明错误的预测、测量的局限性，以及 run_arms.py，以便重新运行比较而不是盲目相信。
ESP32-C6 固件运行手册	运行什么、按什么顺序、检查什么：保留 OTA 回滚的三文件构建、五键预刷写门、OTA 可以到达和不能到达的闪存区域、带回退路径的单板诊断刷写，以及正确值取决于你家而不是芯片的可调参数。
架构决策	205 个 ADR——每个技术选择为何做出，按领域组织（硬件、信号处理、ML、平台、基础设施）
领域模型	8 个 DDD 模型（RuvSense、Signal Processing、Training Pipeline、Hardware Platform、Sensing Server、WiFi-Mat、CHCI、rvCSI）——限界上下文、聚合、领域事件和通用语言
rvCSI——边缘 RF 感知运行时	Rust 优先 / TypeScript 可访问 / 硬件抽象化的 CSI 运行时：多源摄取（包括来自 Raspberry Pi 5 / Pi 4 / Pi 3B+ 的真实 nexmon_csi .pcap——CYW43455 / BCM43455c0）→ 验证 → DSP → 类型化事件 → RuVector RF 记忆（ADR-095、ADR-096、领域模型）。现为独立仓库——ruvnet/rvcsi——以 vendor/rvcsi 形式内嵌于此；crates.io 上有 9 个 rvcsi-* crate，npm 上有 @ruv/rvcsi，外加一个 Claude Code 插件。
桌面应用	进行中——用于节点管理、OTA 更新、WASM 部署和网格可视化的 Tauri v2 桌面应用
ruview-swarm	无人机群控制系统（ADR-148）——分层网格拓扑、Raft 共识、MARL、CSI 感知载荷、MAVLink/PX4/ArduPilot 兼容性、Ruflo AI 智能体集成
ruview-unified	统一 RF 空间世界模型（ADR-273..277）——规范 RF 张量 + 硬件适配器（WiFi CSI / FMCW 雷达 / UWB / 5G SRS）、带 ≤1% 任务适配器的通用 RF 基础编码器、带信道增益查询 + 逆更新的 RF 感知高斯空间记忆、物理引导的合成 RF 世界，以及对齐 802.11bf/ETSI-ISAC 的感知策略平面（原始 RF 在结构上不可导出）。所有精度数字在真实数据验证之前均为合成数据。
医疗示例	通过 60 GHz 毫米波雷达进行非接触式血压、心率和呼吸率测量——15 美元硬件，无需可穿戴设备
扩展文档	最新补充、关键特性、安装、快速开始、信号处理、训练、CLI、测试、部署和变更日志

🚧 Beta 软件#

Beta 软件——积极开发中。API 和固件可能变化。已知限制：

不支持 ESP32-C3 和原始 ESP32（单核，不足以进行 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 以获得最佳结果
无摄像头姿态精度有限（使用代理标签时 PCK@20 ≈ 2.5%）——摄像头真值训练目标为 35%+ PCK@20；流水线已实现，但数据采集和评估阶段（ADR-079 P7–P9）仍待完成。

欢迎在 Issues 中贡献和报告 bug。

📄 许可证#

MIT License——详情请参见 LICENSE。

🤝 创作者联盟计划#

面向 TikTok · Instagram · YouTube 创作者——你推荐的每笔 Cognitum 销售可赚取 25%。你已经在制作的 RuFlo、RuView 和 RuVector 视频已经获得了数百万次观看；让它们带来的订单为你赚钱。点击追踪立即激活；佣金在快速人工审核后激活（通常少于 24 小时）。

立即申请 → cognitum.one/affiliate

📞 支持#

GitHub Issues | Discussions | PyPI

WiFi DensePose——通过 WiFi 信号进行隐私保护的人体姿态估计。