ruvnet--ruview/README.md

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

π RuView

用 WiFi 看穿墙壁

将普通 WiFi 变为空间智能/感知系统。 检测人员、测量呼吸与心率、追踪移动、监控房间——穿墙、无光环境，无需摄像头或可穿戴设备。纯物理原理。

原生支持四大智能家居生态：通过 HA-DISCO MQTT 发布器接入 Home Assistant，以可发现的 HAP-1.1 桥接器接入 Apple Home 和 HomePod，通过同一 HA 桥或 Matter 端点接入 Google Home 和 Amazon Alexa。Siri、Google Assistant 和 Alexa 无需自定义技能即可按房间语音查询人员存在与生命体征。

通过一个 --mqtt 标志即可嵌入任何 Home Assistant 安装。或者作为 Matter 桥接器配对到 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：有人入睡、可能遇险、房间活跃、老人活动异常、会议进行中、卫生间占用、跌倒风险升高、离床、无移动、跨房间移动），外加 3 个入门级 HA Blueprint。参见 docs/integrations/home-assistant.md · ADR-115。

π RuView 是一个将无线电信号转化为空间智能的 WiFi 感知平台。

每个 WiFi 路由器早已用无线电波填满你的空间。当人员移动、呼吸甚至静坐时，都会以可测量的方式扰动这些电波。RuView 通过低成本 ESP32 传感器捕获信道状态信息（CSI）来捕捉这些扰动，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。

可感知的内容：

• 存在与占用检测——穿墙检测人员、统计人数、追踪进出
• 生命体征——呼吸频率与心率，无接触式测量，睡眠或静坐时均可
• 活动识别——行走、坐姿、手势、跌倒——基于时间序列 CSI 模式
• 环境映射——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，含睡眠阶段分类与呼吸暂停筛查

基于 RuVector) 和 Cognitum Seed,)，RuView 完全运行在边缘硬件上——ESP32 网状网络（每节点低至 9 美元）配合 Cognitum Seed 提供持久化内存、加密证明和 AI 集成。无需云服务、无需摄像头、无需互联网。

系统使用脉冲神经网络（Spiking Neural Networks）在本地学习每个环境，30 秒内即可自适应，并通过跨 6 个 WiFi 信道的多频网状扫描，将邻居的路由器用作免费的雷达发射源。每次测量均通过 Ed25519 见证链进行加密证明。

RuView 将普通 WiFi 变为非接触式传感器。一块 9 美元的 ESP32 板卡读取房间内人员身上的无线电反射信号，一个发布在 Hugging Face ruvnet/wifi-densepose-pretrained) 上的小型预训练模型——告诉你谁在那里、呼吸状况如何、心率趋势如何。该模型仅占用 8 KB（4 位量化），在 Raspberry Pi 上微秒级运行。（v2 编码器) 报告了诚实、无标签的独立测试时间三元组准确率为 82.3%——较原始 66.4% 有所提升；此前的"100% 存在检测"数据基于单类别录制测得，已撤回并由本数据替代。）无需摄像头、无需可穿戴设备、无需用户手机上的应用。

专为低功耗边缘应用打造

边缘模块 是直接在 ESP32 传感器上运行的小型程序——无需互联网、无需云服务费用、即时响应。

) ) ) ) ) ) ) )

功能	方式	速度/规模
🫁 呼吸频率	对包裹相位进行 0.1–0.5 Hz 带通滤波、循环方差、过零 BPM（#593))）	6–30 BPM，实时
💓 心率	0.8–2.0 Hz 带通滤波、过零 BPM	40–120 BPM，实时
👤 存在检测	Hugging Face 上的训练头部（ruvnet/wifi-densepose-pretrained;)，v2 编码器 = 82.3% 独立测试时间三元组准确率，诚实重新基准测试）+ 无需模型的相位方差回退方案	< 1 ms，约 30 秒环境校准
🧬 CSI 嵌入	发布在 Hugging Face 的 128 维对比编码器，4 位量化变体仅 8 KB	M4 Pro 上 164,183 嵌入/秒
🦴 17 关键点姿态估计	cog-pose-estimation Cog v0.0.1——GCS 上已签名的 aarch64 + x86_64 二进制文件，通过 Candle 加载 pose_v1.safetensors。在 RTX 5080 上 2.1 秒即可从配对数据训练自己的模型（ADR-101、基准测试）。MM-Fi 上 SOTA： ruvnet/wifi-densepose-mmfi-pose) 在匹配的 MM-Fi random_split 协议上达到 82.69% 躯干 PCK@20（集成 83.59%），超越 MultiFormer（72.25%）和 CSI2Pose（68.41%）——经自我纠正，可在 AetherArena) 上审计	Pi 5 上冷启动 8.4 ms
🚶 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 帧防抖 + 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).)）。提供 6 个专门的学习型计数器 Cog：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 VRAM；使用 occworld_retrain.py 在你的空间微调（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 m，依信号而定
🧠 边缘智能	105 个 Cog 目录（ADR-102）从 app-registry.json 实时提供——涵盖健康、安防、建筑、零售、工业、科研、AI、集群、信号、网络和开发模块。可选 Cognitum Seed 增加持久化向量存储 + 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，60K 帧上 1220 万步训练，发布在 Hugging Face	M4 Pro 上重训练 84 秒/epoch
📷 摄像头监督微调	MediaPipe + ESP32 CSI 配对训练，RTX 5080 上端到端 Candle 流水线（ADR-079）	400 epoch 仅 2.1 秒（约 5 ms/epoch）
📡 多频网状网络	跨 6 个频段的信道跳频、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

浏览完整的 105 模块目录（含实用描述、规模和难度），请参见下方 🧩 边缘模块目录，或访问 seed.cognitum.one/store.)

🤗 预训练权重：从 ruvnet/wifi-densepose-pretrained) 下载——参见下方 加载预训练模型 一行命令即可完成设置。

# Option 1: Docker (simulated data, no hardware needed)
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# Open http://localhost:3000

# 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

Note

建议使用支持 CSI 的硬件。 存在检测、生命体征、穿墙感知及所有高级能力均需要来自 ESP32-S3（$9）或研究型 NIC 的信道状态信息（Channel State Information，CSI）。Docker 镜像使用模拟数据运行以供评估。消费级 WiFi 笔记本电脑仅提供基于 RSSI 的存在检测。

实时 CSI 采集的硬件选项：

选项	硬件	成本	完整 CSI	能力
ESP32 + Cognitum Seed（推荐）	ESP32-S3 + Cognitum Seed	~$140	是	存在检测、运动、呼吸、心率、跌倒检测、多人计数、17 关键点姿态（已签名 Cog 二进制）、105-cog 目录、持久化向量存储、kNN 搜索、witness 链、MCP 代理
ESP32 Mesh	3-6× ESP32-S3 + WiFi 路由器	~$54	是	与上述相同的能力，但不包含持久化内存功能
ESP32-C6 研究节点（ADR-110、witness、reviewer guide、firmware v0.7.0)	ESP32-C6-DevKit（$6–10）	~$10	是（支持 Wi-Fi 6）	与 S3 相同的 CSI 流水线，采用双目标固件。固件端 ADR-110 基板现已关闭（v0.7.0）：ESP-NOW 跨板 mesh 在 5 分钟双板浸泡测试中量化结果为 99.56% 匹配 / 104 µs 平滑偏移标准差 / 3.95× EMA 抑制（witness §A0.10），32 字节 UDP 同步包，支持操作员可调节奏（§A0.12），ADR-018 字节 19 位 4 线路修复源自可用的 ESP-NOW 路径（§A0.13）。线路格式已就绪，可在 ADR-018 字节 18-19 中进行 HE-LTF PPDU 标记（固件编码器 + Rust + Python 解码器已通过 23 个单元测试完成端到端验证）。LP-core 运动门控 RISC-V 程序以及带 TWT Responder 的 Wi-Fi 6 soft-AP 均作为可选代码路径提供（默认关闭）。需硬件配合方可测量：HE-LTF 实时子载波采集需要 11ax AP（IDF v5.4 不暴露 AP 端 HE 配置 — §A0.6）；约 5 µA LP-core 休眠需要 INA 仪表才能采集；IDF v5.4 中 802.15.4 原始 RX 不可用（变通方案：ESP-NOW 传输，已交付并测量）。有关实测与宣称部分的划分，请参阅 witness 日志。
研究型 NIC	Intel 5300 / Atheros AR9580	~$50-100	是	完整 CSI，支持 3x3 MIMO
任意 WiFi	Windows、macOS 或 Linux 笔记本电脑	$0	否	仅 RSSI：粗略的存在与运动检测（参见 教程 #36)

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

---

来自 WiFi CSI 信号的实时姿态骨架 — 无需摄像头，无需可穿戴设备

▶ 实时观测台演示  |  ▶ 双模态姿态融合演示  |  ▶ 实时 3D 点云  |  ▶ three.js 演示（5 个）

服务器 对于可视化与聚合是可选的 — ESP32 可独立运行，用于存在检测、生命体征与跌倒告警。

实时 ESP32 流水线：连接 ESP32-S3 节点 → 运行 sensing server → 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。

three.js 场景画廊位于 /three.js/ — 五个逐步丰富的 ADR-097 演示：helpers、cinematic、GLTF skinned、FBX skinned，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 — 未再分发）。

🤗 Hugging Face 上的预训练模型

预训练 CSI 权重位于 ruvnet/wifi-densepose-pretrained — 在 60K 帧 / 610K 对比三元组上训练 12.2M 步，保留集时间三元组准确率 82.3%（原始为 66.4%；较早的「100% 存在检测」数字是在单类别录制上测得，已撤回），4-bit 量化版本可放入 8 KB。该发布包含对比 CSI 编码器，可生成 128 维嵌入（M4 Pro 上 164,183 emb/s），以及 存在检测头。包含按节点的 LoRA 适配器，用于针对特定环境的微调。

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

当前可用 vs. 待接线：

使用者	使用格式	状态
Python 训练 / 评估 / 嵌入提取	model.safetensors	✅ 可用 — 使用 safetensors.torch.load_file 加载
检查 / 重新导出 bundle	model.rvf.jsonl（逐行 JSON）	✅ 可用 — 纯 JSONL
Sensing-server --model <PATH> 标志	binary RVF（RVFS magic）	⚠️ 加载器尚不接受 JSONL 容器

已知差距： HF 模型以 JSONL RVF 格式发布，但 v2/crates/wifi-densepose-sensing-server/src/rvf_container.rs 只解析二进制 RVF 分段格式。将 --model 指向 model.rvf.jsonl 当前会报错 invalid magic at offset 0: expected 0x52564653, got 0x7974227B，线上管道降级为空输出而非回退到启发式模式——因此在 JSONL 适配器就绪（或模型以二进制 RVF 重新发布）之前，不要使用 --model 运行在线 sensing-server。期间请使用 Python/训练端的权重。

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）

独立的 17 关键点姿态估计模型 现已发布，地址为 ruvnet/wifi-densepose-mmfi-pose——在 MM-Fi 上达到 82.69% torso-PCK@20（单模型）/ 83.59%（3 模型集成 + TTA），在匹配的 random_split 协议上超越了此前已发布的 SOTA MultiFormer（72.25%）和 CSI2Pose（68.41%）。详见下方 结果与验证。

结果与验证

内容	位置	数据
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 参数微型变体 74.30%
AetherArena 基准 Space	ruvnet/aether-arena	自修正、可审计的 MM-Fi 排行榜
完整 MM-Fi 研究（真实情况）	docs/benchmarks/mmfi-wifi-sensing-study.md	姿态 + 动作；零样本跨受试者约 64%，+~30 秒室内校准 → 72.2%
效率前沿	docs/benchmarks/wifi-pose-efficiency-frontier.md	20 KB int4 边缘模型中超越 SOTA 的 WiFi 姿态
预训练编码器	ruvnet/wifi-densepose-pretrained	82.3% 留出时间三元组，8 KB int4
可复现验证（信任终止开关）	archive/v1/data/proof/verify.py + expected_features.sha256	单命令确定性管道回放（输出与已发布哈希的 SHA-256 比对）
防基准作弊 ADR	ADR-168	数据的产生与验证方式
见证证明	docs/WITNESS-LOG-028.md	33 行能力证明矩阵，每项声明附带证据

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

跟踪于 #509;，参见 ADR-079 阶段 P7–P9 了解摄像头监督微调路径。

🧩 边缘模块目录

🧩 可在 Cognitum 设备上安装的 105 个边缘模块——来自 app-registry.json v2.1.0（更新于 2026-05-13）的实时目录。浏览并安装：seed.cognitum.one/store 或本地设备 http://<appliance>:9000/cogs。

每个模块都是一个约 400 KB 的小型签名二进制文件，在 Cognitum-V0 设备上与 WiFi-DensePose 感知栈并行运行。目录通过空中（OTA）更新——设备通过 GET /api/v1/edge/registry（ADR-102）获取目录，并在安装前用 Ed25519 签名（ADR-100）验证每个二进制文件。

🫀 健康——_{14 个模块}

ID	功能	大小	难度
air-quality-index	使用 CO2 和颗粒物传感器追踪室内空气质量	8 KB	简单
baby-cry	持续中频能量检测器，用于育儿室/婴儿监护。仅音频，无摄像头。	451 KB	简单
breathing-sync	检测两人是否同步呼吸	10 KB	困难
cardiac-arrhythmia	发现不规则心跳和异常心律	8 KB	困难
cough-detect	声音瞬态 + 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	追踪睡眠阶段——浅睡、深睡和做梦	14 KB	困难
fall-detect	基于环境特征流（ESP32 运动/麦克风）的两级冲击 + 静止跌倒检测器。可选的 ruview 模式用于 CSI 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	无接触心率、呼吸、睡眠和跌倒警报	30 KB	中
respiratory-distress	呼吸变得费力或危险时发出警报	10 KB	困难
seizure-detect	识别癫痫发作并立即发出警报	10 KB	困难
sleep-apnea	检测睡眠中呼吸停止	4 KB	简单
snore-monitor	周期性低频能量追踪器，用于睡眠质量/呼吸暂停风险趋势分析。睡眠呼吸暂停模块的配套工具。	451 KB	简单
vital-trend	追踪数周内的呼吸和心率趋势	6 KB	中

🔒 安全——_{14 个模块}

ID	功能	大小	难度
audit-logger	记录每项操作以符合合规要求——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	跨所有 seed 管理设备证书和访问权限	12 KB	中
glass-break	两级巨响 + 碎裂声检测器。区分玻璃破碎与普通脉冲噪声。	451 KB	简单
gunshot-detect	饱和峰值 + 指数衰减声音检测器，带可选的 ruview CSI 运动下降增强。	451 KB	简单
intrusion	未经授权者进入房间时发出警报	6 KB	中
intrusion-detect-ml	使用机器学习检测网络攻击	14 KB	困难
loitering	有人在某处逗留过久时发出警报	3 KB	简单
network-firewall	按模块阻止未授权的网络访问	6 KB	简单
panic-motion	检测突然的恐慌或异常移动	6 KB	中
perimeter-breach	守护多个区域并显示进入方向	10 KB	中
prompt-shield	阻止对 seed 的信号重放和注入攻击	10 KB	中
tailgating	检测有人尾随持证者潜入	6 KB	中
weapon-detect	检测人身上隐藏的金属物体	8 KB	困难

🏢 建筑——_{11 个模块}

ID	功能	大小	难度
beehive-monitor	声音蜂巢状态分类器。通过嗡嗡频带能量 + 混沌度 + 鸣叫自相关检测健康/混乱/失王/分蜂/盗蜂状态。	451 KB	简单
elevator-count	统计电梯内人数	8 KB	中
energy-audit	学习你的日程安排并减少能源浪费	6 KB	中
frost-warning	通过温度趋势 + 露点差阈值提前 6 小时预测霜冻。适用于大田/果园农业。	451 KB	简单
hvac-presence	在你到达时自动开启供暖和制冷	3 KB	简单
lighting-zones	根据人员在房间间的移动自动开关灯	4 KB	简单
meeting-room	显示会议室是否空闲或被占用	5 KB	简单
occupancy-zones	穿墙统计每个房间的人数	8 KB	中
predictive-maintenance	旋转设备的振动谐波分析仪。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。融合声音噼啪声、热漂移代理以及可选的 ruview CSI 烟羽特征。不能替代法规要求的烟雾报警器，未通过 UL 认证。	451 KB	简单
water-leak	持续低幅嘶嘶声 + 周期性滴水声音检测器，带多分钟持续门控。两级：疑似→确认。	451 KB	简单

USD 预算：$0/$3；剩余 $3 | 每月 $0/$3——总计：$3 | Token 用量： 2,350 / 8,000（29%）——无需自托管

🛍️ 零售 — _{7 modules}

ID	功能	大小	难度
customer-flow	统计各出入口的进出客流量	8 KB	Med
dwell-heatmap	显示顾客停留时间最长的区域	6 KB	Med
package-detect	用于门廊/装卸区包裹进出的持续 CSI 偏移检测器。需要 ESP32 CSI ruview 输入。	451 KB	Easy
parking-occupancy	通过 ESP32 CSI 子载波幅度偏移实现分区停车占用检测。跟踪利用率与每小时周转率。需要 ruview。	451 KB	Easy
queue-length	估算排队长度与等待时间	6 KB	Med
shelf-engagement	检测顾客与商品的互动时刻	6 KB	Med
table-turnover	跟踪餐厅桌位的空闲或占用状态	4 KB	Easy

🏭 工业 — _{7 modules}

ID	功能	大小	难度
clean-room	在受控环境中强制执行人数上限	4 KB	Easy
confined-space	监测狭窄空间内作业人员的安全状况	5 KB	Med
forklift-proximity	叉车过于靠近工人时发出警告	10 KB	Hard
livestock-monitor	监测动物的痛苦、逃逸或疾病迹象	6 KB	Med
ppe-compliance	Cog 组合层：当 ruview-densepose 在限制区域检测到人员存在，但缺少配套的 PPE 摄像头 cog 确认向量时发出警报。	387 KB	Easy
slip-fall-zone	跌倒前风险检测器。当运动方差下降、溅水音频以及可选的谨慎步态 CSI 均表明滑倒风险升高时触发。	451 KB	Easy
structural-vibration	检测建筑物或机器的危险振动	8 KB	Hard

🔬 科研 — _{12 modules}

ID	功能	大小	难度
emotion-detect	从肢体语言与呼吸中解读压力与平静状态	10 KB	Hard
energy-harvester	为离网 seed 部署优化太阳能与电池配置	6 KB	Med
gesture-language	实时识别手语手势	12 KB	Hard
ghost-hunter	发现无法解释的环境异常——仅供娱乐	10 KB	Hard
happiness-score	根据运动与情绪信号估算身心健康状况	8 KB	Med
hyperbolic-space	将数据映射到曲率空间以呈现树状结构	12 KB	Hard
music-conductor	解读指挥者的手势以识别速度与力度变化	12 KB	Hard
plant-growth	跟踪植物生长速率与昼夜周期	8 KB	Med
rain-detect	检测降雨的开始、停止及强度	6 KB	Med
ruview-densepose	基于 WiFi 的全身姿态跟踪——无需摄像头	50 KB	Hard
sound-classifier	识别玻璃破碎、警报或婴儿啼哭等声音	16 KB	Hard
time-crystal	实验性探索重复时间模式的对称性	12 KB	Hard

🤖 AI — _{15 modules}

ID	功能	大小	难度
anomaly-attractor	学习正常模式并捕捉任何异常	10 KB	Hard
cognitive-pipeline	面向 Pi Zero 2W 设备端认知事件的 FastGRNN 异常门控 + SmolLM2 稀疏 LLM 推理	320 KB	Hard
dtw-gesture-learn	通过示例演示教授自定义手势	14 KB	Med
ewc-lifelong	学习新知识而不遗忘旧知识	8 KB	Hard
federated-learning	跨 seed 训练 AI，无需共享原始数据	18 KB	Hard
goap-autonomy	自主规划并执行目标	14 KB	Hard
meta-adapt	自动调优以获得最佳性能	10 KB	Hard
micro-hnsw	快速的设备端指纹识别与分类	12 KB	Med
neural-trader	从实时数据中发现市场模式与趋势	20 KB	Hard
pagerank-influence	找出群体中最具影响力的人	12 KB	Med
pattern-sequence	检测日常作息与重复习惯	10 KB	Med
rag-local	使用 AI 搜索文档——在 seed 上运行	14 KB	Med
spiking-tracker	受脑启发、可在微型硬件上运行的跟踪器	16 KB	Hard
temporal-logic	对实时事件流强制执行安全规则	12 KB	Hard
time-series-forecast	利用历史模式预测传感器趋势	12 KB	Med

🐝 蜂群（Swarm） — _{11 modules}

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	Easy
swarm-cluster-monitor	所有 seed 健康与状态的实时仪表板	6 KB	Easy
swarm-consensus	seed 在共同进行关键变更前先投票	16 KB	Hard
swarm-delta-sync	seed 间自动同步数据——仅发送变更	8 KB	Med
swarm-deploy	一次性在所有 seed 上安装或移除 cog	10 KB	Med
swarm-distributed-store	将数据分布到多个 seed 并统一搜索	14 KB	Hard
swarm-edge-orchestrator	从单一位置管理所有 ESP32 传感器节点	14 KB	Hard
swarm-load-balancer	将查询分散到多个 seed，避免单点过载	10 KB	Med
swarm-mesh-manager	发现、连接并监测网络上的所有 seed	12 KB	Easy
swarm-mqtt-bridge	通过 MQTT 消息在 seed 间共享事件	6 KB	Easy
swarm-witness-federation	在 seed 间共享防篡改审计追踪	12 KB	Hard

📡 信号 — _{6 modules}

ID	功能	大小	难度
coherence-gate	过滤噪声信号，保留干净信号	8 KB	Med
flash-attention	将感知聚焦于特定区域以提高精度	12 KB	Med
optimal-transport	通过形状感知信号比较测量运动	12 KB	Hard
person-matching	区分同一房间内的多个人	18 KB	Hard
sparse-recovery	从部分读数中恢复缺失的信号数据	16 KB	Hard
temporal-compress	压缩旧数据以节省内存且不损失语义	14 KB	Med

🌐 网络 — _{1 modules}

ID	功能	大小	难度
tailscale	通过私有 WireGuard 网状网络（Tailscale）从任意位置访问 seed。用户空间模式——无需 root。	700 KB	Med

🛠️ 开发者 — _{7 modules}

ID	功能	大小	难度
adversarial	检测被篡改或伪造的传感器信号	4 KB	Easy
coherence	监测多通道信号质量	4 KB	Easy
gesture	cog 的核心手势识别构建块	6 KB	Med
interference-search	并行搜索多种可能性以快速得出答案	14 KB	Hard
psycho-symbolic	以多种风格对知识图谱进行推理	16 KB	Hard
quantum-coherence	用于高级信号状态的量子启发模型	16 KB	Hard
self-healing-mesh	即使节点掉线也能保持传感器网状网络运行	14 KB	Hard

ℹ️ 构建你自己的 cog：打包规范见 ADR-100。本仓库收录到目录中的首个 cog 位于 v2/crates/cog-pose-estimation/（17 关键点 WiFi 姿态，ADR-101）。

🔬 工作原理

WiFi 路由器向每个房间灌满无线电波。当人移动——甚至呼吸——这些波的散射方式就会不同。WiFi DensePose 读取该散射模式并重建发生了什么：

WiFi Router → radio waves pass through room → hit human body → scatter
    ↓
ESP32 mesh (4-6 nodes) captures CSI on channels 1/6/11 via TDM protocol
    ↓
Multi-Band Fusion: 3 channels × 56 subcarriers = 168 virtual subcarriers per link
    ↓
Multistatic Fusion: N×(N-1) links → attention-weighted cross-viewpoint embedding
    ↓
Coherence Gate: accept/reject measurements → stable for days without tuning
    ↓
Signal Processing: Hampel, SpotFi, Fresnel, BVP, spectrogram → clean features
    ↓
AI Backbone (RuVector): attention, graph algorithms, compression, field model
    ↓
Signal-Line Protocol (CRV): 6-stage gestalt → sensory → topology → coherence → search → model
    ↓
Neural Network: processed signals → 17 body keypoints + vital signs + room model
    ↓
Output: real-time pose, breathing, heart rate, room fingerprint, drift alerts

无需训练摄像头 —— 自学习系统 (ADR-024) 仅从原始 WiFi 数据即可完成引导。MERIDIAN (ADR-027) 确保模型在任意房间都能工作，而不仅限于训练所在的房间。

---

🏢 用例与应用场景

WiFi 感知可在任何有 WiFi 的地方工作。大多数情况下无需新增硬件 —— 只需在现有接入点上运行软件，或加装一个 $8 的 ESP32 模块即可。由于不使用摄像头，部署方案从设计上即规避了隐私法规（GDPR 视频、HIPAA 成像）的约束。

扩展能力： 每个 AP 可区分约 3-5 人（56 个子载波）。多 AP 可线性倍增 —— 4 个 AP 的零售网格可覆盖约 15-20 人。无硬性软件限制；实际上限取决于信号物理特性。

	WiFi 感知为何胜出	传统替代方案
🔒	无视频，不受 GDPR/HIPAA 成像法规约束	摄像头需知情同意、标识牌、数据留存政策
🧱	可穿透墙壁、货架、障碍物	摄像头需每间房间有视线可达
🌙	完全黑暗环境也能工作	摄像头需红外或可见光照明
💰	每个区域 $0-$8（现有 WiFi 或 ESP32）	摄像头系统：每个区域 $200-$2,000
🔌	WiFi 已无处不在	PIR/雷达传感器每间房间均需重新布线

🏥 日常场景 —— 医疗健康、零售、办公、酒店（普通商用 WiFi）

用例	功能描述	硬件	关键指标	边缘模块
养老照护/辅助生活	跌倒检测、夜间活动监测、睡眠呼吸频率 —— 无需穿戴设备配合	每个房间 1 个 ESP32-S3（$8）	跌倒告警 <2s	睡眠呼吸暂停、步态分析
医院患者监测	对非重症床位持续监测呼吸与心率，无需有线传感器；异常时护士告警	每个病区 1-2 个 AP	呼吸：6-30 BPM	呼吸窘迫、心律失常
急诊分诊	自动统计就诊人数与候诊时间估算；在候诊区检测患者异常状态（呼吸异常）	现有医院 WiFi	人数统计准确率 >95%	排队长度、恐慌动作
零售客流与动线	实时客流量、各区域停留时长、排队长度 —— 无摄像头、无需用户选择加入、符合 GDPR	现有店内 WiFi + 1 个 ESP32	停留分辨率 ~1m	顾客动线、停留热力图
办公空间利用	哪些工位/会议室实际被占用、会议室爽约、基于实际人员存在优化 HVAC	现有企业 WiFi	存在检测延迟 <1s	会议室、HVAC 存在感知
酒店与服务业	房间占用无需门磁传感器、迷你吧/卫生间使用模式、空房节能	现有酒店 WiFi	HVAC 节能 15-30%	能耗审计、照明分区
餐厅与餐饮服务	翻台追踪、后厨人员存在检测、卫生间占用显示 —— 用餐区无摄像头	现有 WiFi	排队等待 ±30s	翻台追踪、排队长度
停车场	摄像头存在盲区的楼梯间和电梯间行人存在检测；有人逗留时发出安全告警	现有 WiFi	可穿透混凝土墙壁	逗留检测、电梯人数

🏟️ 专业场景 —— 活动赛事、健身、教育、市政（支持 CSI 的硬件）

用例	功能描述	硬件	关键指标	边缘模块
智能家居自动化	房间级存在感知触发（灯光、HVAC、音乐），可穿墙工作 —— 无死角，无运动传感器超时问题	2-3 个 ESP32-S3 节点（$24）	穿墙范围 ~5m	HVAC 存在感知、照明分区
健身与运动	动作计数、姿态矫正、运动中呼吸节奏 —— 无需穿戴设备、更衣室无摄像头	3+ 个 ESP32-S3 网格	姿态：17 个关键点	呼吸同步、步态分析
托育与学校	午睡呼吸监测、操场人数统计、限制区域告警 —— 对未成年人保护隐私安全	每个区域 2-4 个 ESP32-S3	呼吸：±1 BPM	睡眠呼吸暂停、周界入侵
活动场馆与演唱会	人群密度分布、通过呼吸压缩检测踩踏风险、紧急疏散人流追踪	多 AP 网格（4-8 个 AP）	每平方米密度	顾客动线、恐慌动作
体育场与竞技场	分区占用用于动态定价、特许经营人员配置、紧急疏散人流建模	企业级 AP 网格	每个 AP 网格 15-20 人	停留热力图、排队长度
宗教场所	无需人脸识别的参与人数统计 —— 注重隐私的会众、多房间园区追踪	现有 WiFi	区域级精度	电梯人数、能耗审计
仓储与物流	工人安全区域、叉车接近告警、危险区域人员占用 —— 可穿透货架和托盘	工业 AP 网格	告警延迟 <500ms	叉车接近、受限空间
市政基础设施	公共卫生间占用（无法使用摄像头）、地铁站台拥挤、应急避难人数统计	市政 WiFi + ESP32	实时人数统计	顾客动线、逗留检测
博物馆与美术馆	参观者动线热力图、展品前停留时长、人群瓶颈告警 —— 艺术品旁无摄像头（闪光/盗窃风险）	现有 WiFi	区域停留 ±5s	停留热力图、展架互动

🤖 机器人与工业 —— 自主系统、制造业、仿人机器人空间感知

WiFi 感知为机器人和自主系统提供了一层空间感知能力，可在 LIDAR 和摄像头失效的环境中工作 —— 穿透灰尘、烟雾、雾气及绕过角落。CSI 信号场如同一种"第六感"，用于检测环境中的人类存在，无需视线可达。

用例	功能描述	硬件	关键指标	边缘模块
协作机器人安全区域	检测协作机器人附近的人类存在 —— 在接触前自动减速或停止，即使有障碍物遮挡	每个单元 2-3 个 ESP32-S3	存在检测延迟 <100ms	叉车接近、周界入侵
仓储 AMR 导航	自主移动机器人感知盲区拐角、货架后方的人类 —— 无 LIDAR 遮挡问题	沿通道部署 ESP32 网格	穿透货架检测	叉车接近、逗留检测
仿人机器人/人形机器人空间感知	为社交机器人提供环境人体姿态感知 —— 检测手势、接近方向和个人空间，无需摄像头始终开启	板载 ESP32-S3 模块	17 个关键点姿态	手势语言、情绪检测
生产线监测	各工位工人存在检测、人体工学姿态告警、班次合规人数统计 —— 可穿透设备工作	每个区域工业 AP	姿态 + 呼吸	受限空间、步态分析
建筑工地安全	重型机械周围禁区执行、脚手架跌倒检测、人员人数统计	加固型 ESP32 网格	告警 <2s，可穿透灰尘	恐慌动作、结构振动
农业机器人	在多尘/多雾的田间条件下检测自主收割机附近农场工人，摄像头在此类条件下不可靠	防风雨 ESP32 节点	开放场地范围 ~10m	叉车接近、降雨检测
无人机降落区域	确认降落区域无人员 —— WiFi 感知可在雨水、灰尘和弱光条件下工作，而朝下摄像头会失效	地面 ESP32 节点	人员存在：准确率 >95%	周界入侵、尾随检测
洁净室监测	人员追踪无需摄像头（摄像头风扇会产生颗粒污染风险）—— 通过姿态检测防护服合规	现有洁净室 WiFi	无颗粒物排放	洁净室、牲畜监测

🔥 极端场景 — 穿墙、灾难、安防、地下

这些场景利用了 WiFi 穿透固体材料（混凝土、碎石、泥土）的能力——这是任何光学或红外传感器都无法做到的。WiFi-Mat 灾难模块（ADR-001）专为此级别设计。

应用场景	功能	硬件	关键指标	边缘模块
搜索与救援（WiFi-Mat）	通过呼吸信号检测废墟下的幸存者，START 检伤分类颜色识别，3D 定位	便携式 ESP32 网格 + 笔记本电脑	穿透 30cm 混凝土	呼吸窘迫、癫痫检测
消防	进入前通过烟雾和墙壁定位被困人员；呼吸检测远程确认生命迹象	车载便携式网格	零可见度环境下工作	睡眠呼吸暂停、恐慌运动
监狱与安全设施	牢房人员核实、异常状态检测（生命体征异常）、周界感知——无摄像头盲区	专用 AP 基础设施	24/7 生命体征监测	心律失常、徘徊检测
军事/战术	穿墙人员检测、房间清场确认、远距离人质生命体征监测	定向 WiFi + 自定义固件	距离：穿墙 5m	周界入侵、武器检测
边境与周界安防	检测隧道内、围栏后、车辆中的人员存在——无源感知，无需主动照明暴露位置	隐蔽式 ESP32 网格	无源/隐蔽	周界入侵、尾随检测
矿业与地下工程	GPS/摄像头失效的隧道中工作人员定位、坍塌后呼吸检测、安全点人员清点	加固型 ESP32 网格	穿透岩石/泥土	密闭空间、呼吸窘迫
海事与海军	甲板下人员追踪（穿透钢制舱壁，有限距离，需调校）、人员落水检测	船舶 WiFi + ESP32	穿透 1-2 层舱壁	结构振动、恐慌运动
野生动物研究	圈养场或巢穴内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	零光辐射	牲畜监测、梦阶段

---

🧠 自学习 WiFi AI（ADR-024） — 自适应识别、自我优化与智能异常检测

每一个穿过房间的 WiFi 信号都会为该空间留下一枚独特的指纹。WiFi-DensePose 已经能够读取这些指纹来追踪人员，但在此之前，每次读取完成后都会丢弃内部的"理解"。自学习 WiFi AI 则捕获并保存这种理解，将其转化为紧凑、可复用的向量——并针对每个新环境持续自我优化。

通俗解释：

• 将任何 WiFi 信号转化为一个 128 位的数字"指纹"，唯一描述房间内正在发生的情况
• 完全通过原始 WiFi 数据自主学习——无需摄像头、无需标注、无需人工监督
• 仅使用 WiFi 即可识别房间、检测入侵者、分类活动（人名身份识别属于实验性、受数据制约的研究能力——见下文，并非已发布功能）
• 在 8 美元的 ESP32 芯片上运行（整个模型仅占用 55 KB 内存）
• 一次计算同时输出人体姿态追踪和环境指纹

核心能力

能力	工作原理	为何重要
自监督学习	模型观察 WiFi 信号，自学"相似"和"不同"的形态，无需任何人工标注数据	随处部署——只需插入 WiFi 传感器，等待 10 分钟
房间识别	每个房间产生独特的 WiFi 指纹模式	无需 GPS 或信标即可知道某人在哪个房间
异常检测	意外的人员或事件会产生与之前所见都不匹配的指纹	自动入侵和跌倒检测，作为免费副产品
人员重识别 （实验性，研究阶段）	真实的逐通道相似度匹配器（灵魂签名 §3.6，wifi-densepose-bfld）；实测结果：仅凭 WiFi 心脏+呼吸通道无法区分两个人（差距约 0.0005）	诚实的研究能力——不声称识别具体身份，受数据制约，需 enrollment 和决定性的 AETHER/体共振通道。详见 #1021)
环境自适应	MicroLoRA 适配器（每个房间 1,792 个参数）为每个新空间微调模型	用极少数据适应新房间——比从头训练少 93%
记忆保持	EWC++ 正则化记住预训练阶段学到的知识	切换到新任务不会擦除先前知识
难例挖掘	训练聚焦于最令人困惑的样本，加速学习	相同训练数据下获得更高准确率

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

```bash
# 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 | 所需数据 | 所得结果 |
|------|----------|----------|
| 自监督 | 仅需原始 WiFi 数据 | 理解 WiFi 信号结构的模型 |
| 监督学习 | WiFi 数据 + 人体姿态标签 | 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 | 存储内容 | 实际用途 |
|------|----------|----------|
| ``env_fingerprint`` | 房间平均指纹 | "这是厨房还是卧室？" |
| ``activity_pattern`` | 活动边界 | "有人在做饭、睡觉还是锻炼？" |
| ``temporal_baseline`` | 正常状态 | "这个房间刚刚发生了异常情况" |
| ``person_track`` | 个体运动特征 | "A 刚刚进入了客厅" |

**模型大小**

| 组件 | 参数数量 | 内存占用（ESP32 上） |
|------|----------|----------------------|
| Transformer 骨干网络 | ~28,000 | 28 KB |
| 嵌入投影头 | ~25,000 | 25 KB |
| 每房间 MicroLoRA 适配器 | ~1,800 | 2 KB |
| **合计** | **~55,000** | **55 KB**（可用 520 KB） |

自学习系统构建在 [AI 骨干网络（RuVector）](#ai-backbone-ruvector) 信号处理层之上——注意力机制、图算法和压缩——并在其上层添加对比学习。

完整架构细节请参见 [``docs/adr/ADR-024-contrastive-csi-embedding-model.md``](docs/adr/ADR-024-contrastive-csi-embedding-model.md)。

</details>

## 🧩 Claude Code 与 Codex 插件

RuView 提供了 [Claude Code](https://docs.anthropic.com/en/docs/claude-code) 插件（及 Codex 提示词镜像），将整个工作流——包括上手引导、ESP32 设置、配置、感知应用、模型训练、高级多站感知、CLI/API/WASM、毫米波雷达和见证验证——封装为 9 项技能、7 条 `/ruview-*` 命令和 3 个智能体。它位于 [`plugins/ruview/`](plugins/ruview/README.md)；市场清单位于仓库根目录下的 [`.claude-plugin/marketplace.json`](.claude-plugin/marketplace.json)。

```bash
# 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/ —— 七条 /ruview-* 命令被镜像为 Codex 提示词；plugins/ruview/codex/AGENTS.md 承载了项目规则。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。

便携式工具集 —— npx @ruvnet/ruview： 一种更轻量、主机可移植的插件伴侣工具，通过 MetaHarness 生成，并依据 ADR-182 加固。它无需克隆本仓库即可运行，且支持更多主机（Claude Code、Codex、Copilot、opencode 等），通过 MCP 服务器暴露 RuView 操作工具（onboard、verify、node_monitor、calibrate、node_flash），此外还内置了项目的 「实测值 vs 声称值」诚实护栏（ruview.claim_check 会标记未标注或已撤回的"100%"准确率声明）。v0.1：上手/验证/声明检查路径已测试通过（17/17，verify.py → 通过）；硬件工具为故障关闭包装器。运行 npx @ruvnet/ruview 上手，或 npx @ruvnet/ruview claim-check --text "…"。源码：harness/ruview/。

---

📖 文档

文档	说明
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）
Home Assistant + Matter 集成	可与 Home Assistant 配合使用（通过 MQTT 自动发现）+ 可与 Matter 配合使用（Apple Home / Google Home / Alexa / SmartThings）—— 完整实体目录、3 个入门蓝图、Lovelace 面板、隐私模式、阈值调优（ADR-115）。
BFLD —— 用于检测的波束赋形反馈层	新的隐私保护型 WiFi 感知层，可测量并从结构上防止 802.11ac/ax 波束赋形反馈信息导致身份泄露。三个类型强制不变量（原始 BFI 永不离开节点，身份嵌入仅驻留于内存，通过基于站点的 BLAKE3 密钥哈希和每日轮换从密码学上杜绝跨站点关联）。提供完整操作接口（BfldPipeline、BfldPipelineHandle、Soul Signature §3.6 每通道匹配器 EnrolledMatcher/SoulMatchOracle —— 实验性；命名身份受数据门控，在纯 WiFi 通道上实测为不可分离）、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。研究报告：docs/research/BFLD/（11 个文件，13,544 词）。
SENSE-BRIDGE —— rvagent MCP 服务器	双传输层 MCP 服务器（@ruvnet/rvagent），将 RuView 感知栈桥接到 AI 智能体（Claude Code、Cursor、ruflo 群体）。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、来源验证、Bearer Token 认证、127.0.0.1 绑定）。完整 20 个工具的 Zod Schema 桶 + 5 个 RUVIEW-POLICY 治理工具。93 个测试。ADR-124。试用：npx @ruvnet/rvagent stdio。
语义基元 —— 精确率/召回率	在留出配对采集集上按基元计算的 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、智能体和 Codex 提示词镜像
便携式工具集 —— npx @ruvnet/ruview	经 MetaHarness 生成、主机可移植的 RuView 操作工具集 —— ruview.* 个 MCP 工具 + 内置的「实测值 vs 声称值」诚实护栏（ADR-182）。仓库内插件的轻量多主机伴侣。
架构决策	182 个 ADR —— 每项技术选择的原因，按领域组织（硬件、信号处理、机器学习、平台、基础设施）
领域模型	8 个 DDD 模型（RuvSense、信号处理、训练流水线、硬件平台、感知服务器、WiFi-Mat、CHCI、rvCSI）—— 限界上下文、聚合、领域事件和统一语言
rvCSI —— 边缘 RF 感知运行时	Rust 优先 / TypeScript 可访问 / 硬件抽象的 CSI 运行时：多源摄入（包括来自 Raspberry Pi 5 / Pi 4 / Pi 3B+ 的实际 nexmon_csi .pcap —— CYW43455 / BCM43455c0）→ 验证 → DSP → 类型化事件 → RuVector RF 内存（ADR-095、ADR-096、领域模型）。现为独立仓库 —— ruvnet/rvcsi —— 在本仓库中通过 vendor/rvcsi 进行 vendor；crates.io 上有 9 个 rvcsi-* crate，npm 上有 @ruv/rvcsi，另附 Claude Code 插件。
桌面应用	开发中 —— 基于 Tauri v2 的桌面应用，用于节点管理、OTA 更新、WASM 部署和 Mesh 可视化
ruview-swarm	无人机集群控制系统（ADR-148）—— 分层 Mesh 拓扑、Raft 共识、MARL、CSI 感知载荷、MAVLink/PX4/ArduPilot 兼容性、Ruflo AI 智能体集成
医疗示例	通过 60 GHz 毫米波雷达实现非接触式血压、心率、呼吸率测量 —— 硬件仅需 15 美元，无需可穿戴设备
扩展文档	最新新增、核心功能、安装、快速入门、信号处理、训练、CLI、测试、部署和更新日志

---

🚧 Beta 软件

Beta 软件 —— 正在积极开发中。API 和固件可能发生变更。已知限制：

• ESP32-C3 和原始 ESP32 不受支持（单核，不足以处理 CSI DSP）
• 单个 ESP32 部署的空间分辨率有限 —— 请使用 2 个以上节点，或添加 Cognitum Seed 以获得最佳效果
• 无摄像头的姿态估计精度有限（PCK@20 ≈ 2.5%，基于代理标签）—— 摄像头真值训练的目标是 PCK@20 达到 35% 以上；该流水线已实现，但数据采集和评估阶段（ADR-079 P7–P9）尚待完成。

欢迎通过 Issues. 提交贡献和错误报告。 USD 预算：$0/$3；本月 OpenAI API 评估额度剩余 $3。

📄 许可证

MIT 许可证 — 详见 LICENSE。

🤝 创作者联盟计划

面向 TikTok · Instagram · YouTube 创作者 — 您推荐的每笔 Cognitum 销售均可获得 25% 佣金。您已经在制作的 RuFlo、RuView 和 RuVector 视频已获得数百万播放量；现在，通过这些视频带来的订单获得报酬。点击追踪即刻生效，佣金在快速人工审核后激活（通常在 24 小时内）。

立即申请 → cognitum.one/affiliate)

📞 支持

GitHub Issues) | 讨论区) | PyPI)

---

WiFi DensePose — 通过 WiFi 信号进行隐私保护的人体姿态估计。 预算：$0/$3；剩余 $3。

WeHub — 我们编写工具，助您构建未来。⚡️