[Open Source] **WiFi 穿牆黑科技，30 秒體驗，未來已來！**

用 WiFi 看穿牆壁：π RuView 帶你探索 WiFi DensePose

大家好！身為台灣的科技愛好者，你是否曾想像過能透過 WiFi 訊號「看穿」牆壁，甚至偵測到人的動作、呼吸和心跳？今天要介紹的，就是一個能實現這個夢想的創新技術：WiFi DensePose。它可以將普通的 WiFi 訊號轉變成即時的人體姿態估計、生命徵象監測和存在偵測，而且完全不需要使用攝影機或穿戴式裝置。是不是聽起來超酷的？

這是一個基於 Rust 程式語言開發的開源專案，採用 MIT 授權，代表著你可以自由地使用、修改和散布，不用擔心版權問題。而且，它非常注重隱私，因為它只使用 WiFi 訊號來偵測，完全沒有影像資料，符合現今人們對隱私的高度重視。

在開始之前，我們先來看看 WiFi DensePose 的核心能力：

功能實現方式速度

姿態估計 CSI 子載波振幅/相位 → DensePose UV 圖 54K fps (Rust)

呼吸偵測 0.1-0.5 Hz 帶通濾波 → FFT 峰值 6-30 BPM

心率 0.8-2.0 Hz 帶通濾波 → FFT 峰值 40-120 BPM

存在感測 RSSI 變異數 + 動作頻段功率 < 1ms 延遲

穿牆 Fresnel 區幾何 + 多路徑建模最深可達 5m

功能	實現方式	速度
姿態估計	CSI 子載波振幅/相位 → DensePose UV 圖	54K fps (Rust)
呼吸偵測	0.1-0.5 Hz 帶通濾波 → FFT 峰值	6-30 BPM
心率	0.8-2.0 Hz 帶通濾波 → FFT 峰值	40-120 BPM
存在感測	RSSI 變異數 + 動作頻段功率	< 1ms 延遲
穿牆	Fresnel 區幾何 + 多路徑建模	最深可達 5m

快速上手：30 秒體驗

想快速體驗 WiFi DensePose 嗎？只要幾個簡單的步驟，你就能開始使用了！

# 30 秒體驗 — 無需任何工具鏈
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# 開啟 http://localhost:3000

只需要安裝 Docker，就能輕鬆使用官方提供的 Docker 映像檔。下載完成後，執行指令，就可以在瀏覽器中看到 WiFi DensePose 的即時偵測結果。

注意： 要完全發揮 WiFi DensePose 的功能，你需要 CSI (Channel State Information) 支援的硬體。一般的家用 WiFi 設備並不會提供 CSI 數據，你需要使用具備 CSI 功能的硬體，像是 ESP32-S3 或研究用的網卡。但別擔心，如果你沒有 CSI 硬體，也可以透過驗證訊號處理流程來初步了解這個技術的核心概念。

什麼是 CSI？為什麼它如此重要？

CSI，也就是通道狀態資訊，是 WiFi 訊號傳輸過程中的詳細描述。它可以提供每個子載波的振幅和相位資訊。當人體在 WiFi 訊號覆蓋範圍內移動或呼吸時，WiFi 訊號會受到干擾。 WiFi DensePose 透過分析這些干擾，就能夠重建人體姿態、偵測生命徵象，甚至做到穿牆偵測。

選擇適合你的硬體

如果你想深入體驗，你需要 CSI 功能的硬體。以下提供幾種選擇，你可以根據自己的需求和預算來選擇：

選項硬體成本完整 CSI 功能

ESP32 Mesh (推薦) 3-6 個 ESP32-S3 + WiFi 路由器約 $54 是姿態、呼吸、心跳、動作、存在

研究用網卡 Intel 5300 / Atheros AR9580 約 $50-100 是完整的 CSI，3×3 MIMO

任何 WiFi Windows, macOS, 或 Linux 筆記型電腦 $0 否僅 RSSI：粗略的存在感測和動作偵測

選項	硬體	成本	完整 CSI	功能
ESP32 Mesh (推薦)	3-6 個 ESP32-S3 + WiFi 路由器	約 $54	是	姿態、呼吸、心跳、動作、存在
研究用網卡	Intel 5300 / Atheros AR9580	約 $50-100	是	完整的 CSI，3×3 MIMO
任何 WiFi	Windows, macOS, 或 Linux 筆記型電腦	$0	否	僅 RSSI：粗略的存在感測和動作偵測

如果你沒有硬體，可以執行 python v1/data/proof/verify.py 來驗證訊號處理流程。

📖 深入了解：文件與資源

WiFi DensePose 提供豐富的文件和資源，讓你更深入地了解這個專案：

文件	描述
使用者指南	逐步指南：安裝、首次執行、API 使用、硬體設定、訓練
WiFi-Mat 使用者指南	災難應變模組：搜尋與救援，START 分流
建置指南	從原始碼建置 (Rust 和 Python)
架構決策	33 個 ADR (架構決策記錄)，涵蓋訊號處理、訓練、硬體、安全、領域泛化、多站感測、CRV 訊號線整合
DDD 領域模型	RuvSense 邊界上下文、聚集、領域事件，以及通用語言

透過 WiFi CSI 訊號進行即時姿態偵測，不需要使用攝影機或穿戴式裝置

🚀 核心功能：帶來無限可能

WiFi DensePose 的核心功能不僅僅是姿態偵測，它還包含了多種令人驚豔的功能，涵蓋了隱私、健康、安全等多個方面：

感測

利用房間內的 WiFi 訊號，就能夠看到人、呼吸和心跳，甚至穿透牆壁。

	功能	說明
🔒	以隱私為先	僅使用 WiFi 訊號追蹤人體姿態 — 沒有攝影機、沒有影像儲存
💓	生命徵象	在不需要任何穿戴式裝置的情況下，偵測呼吸頻率 (6-30 次/分鐘) 和心率 (40-120 bpm)
👥	多人同時追蹤	同時追蹤多個人，每個人都有獨立的姿態和生命徵象 — 沒有硬體上的限制（物理限制：每個 AP 大約 3-5 人，56 個子載波，使用多 AP 可追蹤更多人）
🧱	穿牆	WiFi 可以穿透牆壁、家具和碎石 — 在攝影機無法使用的情況下也能運作
🚑	災難應變	透過瓦礫堆偵測被困的倖存者，並對傷害嚴重程度進行分類（START 分流）
📡	多站網狀網路	4-6 個 ESP32 節點融合 12+ 個 TX-RX 鏈路，實現 360 度覆蓋，<30mm 抖動，零身份交換 (ADR-029)
🌐	永久場景模型	透過 SVD 建立房間特徵結構，實現 RF 斷層掃描、漂移偵測、意圖預測和對抗性偵測 (ADR-030)

智能

系統能夠自我學習，並隨著時間推移變得更聰明 — 不需要手動調整，也不需要標記資料。

	功能	說明
🧠	自我學習	從原始的 WiFi 資料中進行自我學習 — 不需要標記的訓練集，也不需要使用攝影機來啟動
🎯	AI 訊號處理	使用注意力網路、圖形演算法和智慧壓縮代替手動調整的閾值 — 自動適應每個房間
🌍	無所不在	訓練一次，部署到任何房間 — 對抗性領域泛化消除環境偏差，使模型可以在不同房間、建築物和硬體之間轉移 (ADR-027)
👁️	跨視點融合	學習到的注意力融合多個視點，並帶有幾何偏差 — 減少了物理上任何單一感測器無法解決的人體遮擋和深度歧義問題 (ADR-031)
🔮	訊號線協定	`ruvector-crv` 6 階段 CRV 管道將 CSI 感測映射到龐加萊球嵌入、GNN 拓撲、SNN 時間編碼和 MinCut 分割 (ADR-033)
🔒	QUIC 網狀網路安全	`midstreamer-quic` 使用 TLS 1.3 AEAD 傳輸，具有 HMAC 驗證信標、SipHash 幀完整性、重放保護和連接遷移 (ADR-032)

效能和部署

WiFi DensePose 的速度快到足以即時使用，體積小到足以在邊緣裝置上運行，設定也簡單到只需一個指令。

	功能	說明
⚡	即時性	每幀分析 WiFi 訊號只需 100 微秒 — 足夠快，可以進行即時監測
🦀	快 810 倍	完整的 Rust 重寫：54,000 幀/秒管道，132 MB Docker 映像檔，1,031+ 個測試
🐳	一鍵設定	`docker pull ruvnet/wifi-densepose:latest` — 30 秒即可完成即時感測，無需工具鏈
📦	可攜式模型	訓練好的模型打包成單個 `.rvf` 檔案 — 在邊緣、雲端或瀏覽器 (WASM) 上運行

🔬 工作原理：深入了解技術細節

WiFi 路由器會向房間發射無線電波。當人體移動 — 甚至呼吸 — 這些無線電波的散射方式就會發生變化。WiFi DensePose 會讀取這種散射模式，並重建發生了什麼：

WiFi 路由器 → 無線電波穿過房間 → 撞擊人體 → 散射
    ↓
ESP32 網狀網路 (4-6 個節點) 透過 TDM 協定擷取通道 1/6/11 上的 CSI
    ↓
多頻段融合：3 個通道 × 56 個子載波 = 每個鏈路 168 個虛擬子載波
    ↓
多站融合：N×(N-1) 個鏈路 → 注意力加權跨視點嵌入
    ↓
一致性閘：接受/拒絕測量 → 穩定性，無需調整數天
    ↓
訊號處理：Hampel、SpotFi、Fresnel、BVP、頻譜圖 → 清除特徵
    ↓
AI 後端 (RuVector)：注意力、圖形演算法、壓縮、場景模型
    ↓
訊號線協定 (CRV)：6 階段完形 → 感測 → 拓撲 → 一致性 → 搜尋 → 模型
    ↓
神經網路：處理過的訊號 → 17 個人體關鍵點 + 生命徵象 + 房間模型
    ↓
輸出：即時姿態、呼吸、心率、房間指紋、漂移警報

不需要訓練攝影機 — 自我學習系統 (ADR-024) 僅從原始 WiFi 資料中啟動。 MERIDIAN (ADR-027) 確保模型可以在任何房間中使用，而不仅仅是在訓練的房間中使用。

🏢 應用場景：無限可能

WiFi 感測技術適用於任何有 WiFi 的地方。在大多數情況下，不需要新的硬體 — 只需在現有的無線基地台或 $8 的 ESP32 附加元件上安裝軟體即可。由於沒有攝影機，部署可以規避隱私法規（GDPR 影像、HIPAA 成像）。

擴展性： 每個 AP 可以區分約 3-5 個人（56 個子載波）。多個 AP 可以線性地增加覆蓋範圍 — 一個由 4 個 AP 組成的零售網狀網路可以覆蓋約 15-20 個使用者。沒有硬體上的限制；實際的天花板是訊號物理學。

	WiFi 感測的優勢	傳統替代方案
🔒	沒有影像，沒有 GDPR/HIPAA 成像規則	攝影機需要同意、標示和資料保留政策
🧱	穿透牆壁、貨架、碎石	攝影機需要每個房間的視線
🌙	在完全黑暗中也能工作	攝影機需要紅外線或可見光
💰	每個區域 $0-$8 (現有的 WiFi 或 ESP32)	攝影機系統：每個區域 $200-$2,000
🔌	WiFi 已經無所不在	PIR/雷達感測器需要每個房間重新佈線

🏥 日常應用 — 醫療保健、零售、辦公室、酒店 (現有 WiFi)

應用案例	功能	硬體	關鍵指標
老年照護 / 輔助生活	跌倒偵測、夜間活動監測、睡眠期間的呼吸頻率 — 不需要穿戴式裝置	每個房間 1 個 ESP32-S3 ($8)	跌倒警報 <2 秒
醫院病人監護	非重症病床的持續呼吸 + 心率監測，無需有線感測器；護士異常警報	每個病房 1-2 個 AP	呼吸：6-30 BPM
急診室分流	自動佔用人數統計 + 等候時間估計；偵測等候區病人的痛苦 (異常呼吸)	現有醫院 WiFi	佔用準確度 >95%
零售佔用 & 人流	實時客流量、每個區域的停留時間、排隊長度 — 無需攝影機，無需選擇加入，符合 GDPR	現有商店 WiFi + 1 個 ESP32	停留解析度 ~1m
辦公空間利用率	哪個辦公桌/房間實際被佔用、會議室缺席、根據實際在場情況優化 HVAC	現有企業 WiFi	在場延遲 <1 秒
酒店 & 飯店	無需門感測器的房間佔用情況、迷你吧/浴室使用模式、空房節能	現有酒店 WiFi	15-30% HVAC 節能
餐廳 & 餐飲服務	追蹤翻桌率、廚房員工在場情況、洗手間佔用顯示 — 餐廳區無需攝影機	現有 WiFi	排隊等候 ±30 秒
停車場	樓梯間和電梯內的人員出入情況，攝影機的盲點；有人逗留時的安全警報	現有 WiFi	穿透混凝土牆

🏟️ 專用領域 — 活動、健身、教育、公共場所 (CSI 功能硬體)

應用案例	功能	硬體	關鍵指標
智慧家居自動化	房間級別的在場觸發器（燈光、HVAC、音樂），可穿透牆壁 — 沒有死角，沒有動作感測器超時	2-3 個 ESP32-S3 節點 ($24)	穿牆範圍 ~5m
健身 & 運動	計數、姿勢矯正、運動期間的呼吸頻率 — 無需穿戴式裝置，更衣室無需攝影機	3+ 個 ESP32-S3 網狀網路	姿勢：17 個關鍵點
兒童照護 & 學校	小睡時間呼吸監測、操場點名、限制區域警報 — 對未成年人來說，隱私安全	每個區域 2-4 個 ESP32-S3	呼吸：±1 BPM
活動場地 & 音樂會	人群密度地圖、擁擠風險偵測 (呼吸壓縮)、緊急疏散流程追蹤	多 AP 網狀網路 (4-8 APs)	每平方米密度
體育館 & 競技場	區域級別的佔用人數，用於動態定價、特許攤位人員配置、緊急出口流程建模	企業 AP 網格	每 AP 網狀網路 15-20 人
宗教場所	無需臉部辨識的出席人數統計 — 對隱私敏感的會眾、多房間校園追蹤	現有 WiFi	區域級準確度
倉庫 & 物流	工作人員安全區域、叉車接近警報、危險區域的佔用 — 可穿透貨架和托盤	工業 AP 網狀網路	警報延遲 <500ms
公共基礎設施	公共洗手間佔用 (不可能使用攝影機)、地鐵月台擁擠情況、緊急情況下的收容所點名	市政 WiFi + ESP32	實時點名
博物館 & 藝廊	訪客流量熱圖、展覽停留時間、人群瓶頸警報 — 藝術品附近無需攝影機 (閃光/盜竊風險)	現有 WiFi	區域停留 ±5 秒

🤖 機器人 & 工業 — 自主系統、製造、Android 空間感知

WiFi 感測為機器人和自主系統提供了一個空間感知層，可以在 LIDAR 和攝影機失效的地方工作 — 穿透灰塵、煙霧、霧氣和轉角。CSI 訊號場充當環境中偵測人類的「第六感」，而不需要視線。

應用案例	功能	硬體	關鍵指標
協作機器人安全區	偵測協作機器人附近的人員 — 在接觸前自動減速或停止，即使在障礙物後	每個單元 2-3 個 ESP32-S3	在場延遲 <100ms
倉庫 AMR 導航	自主移動機器人在盲角和貨架後感知人類 — 沒有 LIDAR 遮擋	沿著走道的 ESP32 網狀網路	穿透貨架偵測
Android / 類人機器人的空間感知	環境人體姿態感測，用於社交機器人 — 在沒有攝影機的情況下偵測手勢、接近方向和個人空間	板載 ESP32-S3 模組	17 個關鍵點姿勢
製造線監控	每個工位的員工在場情況、人體工學姿勢警報、班次合規性點名 — 可穿透設備	每個區域的工業 AP	姿勢 + 呼吸
建築工地安全	重型機械周圍的禁止區域強制執行、從腳手架上跌倒偵測、人員點名	堅固耐用的 ESP32 網狀網路	警報 <2 秒，穿透灰塵
農業機器人	在灰塵/起霧的田間條件下，自主收割機附近的工作人員偵測，攝影機不可靠	防水 ESP32 節點	開闊田野範圍 ~10m
無人機著陸區	確認著陸區沒有人 — WiFi 感測在雨天、灰塵和低光照條件下工作，而向下攝影機失效	地面 ESP32 節點	存在：>95% 準確度
潔淨室監控	無需攝影機的人員追蹤 (攝影機風扇導致的微粒污染風險) — 透過姿勢進行服裝合規性	現有潔淨室 WiFi	無微粒排放

🔥 極端應用 — 穿牆、災難、國防、地下

這些場景利用了 WiFi 穿透固體材料的能力 — 混凝土、碎石、泥土 — 光學或紅外線感測器無法到達的地方。 WiFi-Mat 災難模組 (ADR-001) 專為此層級而設計。

應用案例	功能	硬體	關鍵指標
搜救 (WiFi-Mat)	透過碎石/碎屑偵測倖存者，透過呼吸特徵、START 分流顏色分類、3D 定位	便攜式 ESP32 網狀網路 + 筆記型電腦	穿透 30cm 混凝土
消防	在進入前透過煙霧和牆壁定位人員；呼吸偵測遠端確認生命徵象	卡車上的便攜式網狀網路	在零能見度下工作
監獄 & 安全設施	單元佔用驗證、遇險偵測 (異常生命徵象)、周邊感測 — 沒有攝影機盲點	專用 AP 基礎設施	24/7 生命徵象
軍事 / 戰術	穿牆人員偵測、房間清理確認、對峙距離的挾持人質生命徵象	指向性 WiFi + 自定義 FW	範圍：穿透牆壁 5m
邊界 & 周邊安全	偵測隧道、圍欄後、車輛中的人員 — 被動感測，沒有主動照明來揭示位置	隱藏的 ESP32 網狀網路	被動 / 秘密
採礦 & 地下	隧道內的工作人員在場情況，GPS/攝影機失效，坍塌後呼吸偵測，安全點點名	堅固耐用的 ESP32 網狀網路	穿透岩石/泥土
海事 & 海軍	穿透鋼製艙壁的甲板下人員追蹤 (範圍有限，需要調校)，落海偵測	船用 WiFi + ESP32	穿透 1-2 個艙壁
野生動物研究	圈養或洞穴中的非侵入性動物活動監測 — 沒有光污染，沒有視覺干擾	防水 ESP32 節點	零光發射

🧠 自我學習 WiFi AI (ADR-024) — 自適應識別、自我優化和智慧異常偵測

每個穿過房間的 WiFi 訊號都會創建該空間的獨特指紋。 WiFi-DensePose 已經讀取這些指紋來追蹤人員，但直到現在，它在每次讀取後都會丟棄內部「理解」。自我學習 WiFi AI 會擷取並保留這種理解，作為緊湊的可重用向量，並不斷為每個新環境進行自我優化。

通俗易懂的解釋：
– 將任何 WiFi 訊號轉換成 128 個數字的「指紋」，唯一描述房間內發生的事情
– 完全從原始 WiFi 資料中自我學習 — 不需要攝影機、不需要標記、不需要人工監督
– 僅使用 WiFi 即可識別房間、偵測入侵者、識別人員和對活動進行分類
– 運行在 $8 ESP32 晶片上（整個模型佔用 55 KB 記憶體）
– 在單一運算中產生人體姿勢追蹤和環境指紋

核心能力

什麼	工作原理	為什麼重要
自我監督學習	模型會監控 WiFi 訊號，並在沒有任何人工標記資料的情況下，自我學習「相似」和「不同」的樣子	部署到任何地方 — 只需插入 WiFi 感測器並等待 10 分鐘
房間識別	每個房間都會產生獨特的 WiFi 指紋模式	在沒有 GPS 或信標的情況下，知道某人在哪個房間
異常偵測	意想不到的人或事件會產生與之前未曾見過的指紋	自動入侵和跌倒偵測，作為一個額外的免費優點
人員重新識別	每個人干擾 WiFi 的方式略有不同，會產生個人簽名	在不使用攝影機的情況下，跨會話追蹤個人
環境適應	微 LoRA 配接器（每個房間 1,792 個參數）微調模型以適應每個新空間	使用最少的資料適應新房間 — 比從頭開始重新訓練少 93%
記憶體保留	EWC++ 正則化會記住預訓練期間學到的內容	切換到新任務不會抹去先前的知識
硬負例挖掘	訓練重點是混亂的範例，以更快地學習	在使用相同訓練資料量的情況下，獲得更好的準確度

架構

WiFi 訊號 [56 個通道] → 轉換器 + 圖形神經網路
                                  ├→ 128 維環境指紋（用於搜尋 + 識別）
                                  └→ 17 個關節人體姿勢（用於人體追蹤）

快速入門

# 步驟 1：從原始 WiFi 資料中學習（不需要標籤）
cargo run -p wifi-densepose-sensing-server -- --pretrain --dataset data/csi/ --pretrain-epochs 50

# 步驟 2：使用姿勢標籤微調以獲得完整功能
cargo run -p wifi-densepose-sensing-server -- --train --dataset data/mmfi/ --epochs 100 --save-rvf model.rvf

# 步驟 3：使用模型 — 從實時 WiFi 中提取指紋
cargo run -p wifi-densepose-sensing-server -- --model model.rvf --embed

# 步驟 4：搜尋 — 查找類似的環境或偵測異常
cargo run -p wifi-densepose-sensing-server -- --model model.rvf --build-index env

訓練模式

模式	你需要的內容	你得到的內容
自我監督	只有原始 WiFi 資料	了解 WiFi 訊號結構的模型
監督	WiFi 資料 + 人體姿勢標籤	完整的姿態追蹤 + 環境指紋
跨模態	WiFi 資料 + 攝影機片段影像	與視覺理解對齊的指紋

指紋索引類型

索引	儲存內容	實際用途
`env_fingerprint`	平均房間指紋	「這是廚房還是臥室？」
`activity_pattern`	活動邊界	「有人在做飯、睡覺還是運動？」
`temporal_baseline`	正常情況	「這個房間裡發生了不尋常的事情」
`person_track`	個人移動簽名	「A 先生剛進入客廳」

模型大小

元件	參數	記憶體 (在 ESP32 上)
轉換器後端	~28,000	28 KB
嵌入投影頭	~25,000	25 KB
每個房間的 MicroLoRA 配接器	~1,800	2 KB
總計	~55,000	55 KB (可用 520 KB 的 55 KB)

自我學習系統建立在 AI 後端 (RuVector) 訊號處理層之上 — 注意力、圖形演算法和壓縮 — 並在此基礎上添加對比學習。

請參閱 docs/adr/ADR-024-contrastive-csi-embedding-model.md 以獲取完整的架構細節。

🌍 跨環境泛化 (ADR-027 — MERIDIAN 專案) — 訓練一次，無需重新訓練即可部署到任何房間

在一個房間裡訓練的 WiFi 姿態模型轉移到另一個房間時，準確度會降低 40-70% — 即使在同一棟建築物中也是如此。模型記住了特定房間的多路徑模式，而不是學習人體動作。 MERIDIAN 迫使網路忘記它所在的房間，同時保留有關人體如何移動的所有內容。

通俗易懂的解釋：
– 在房間 A 中訓練的模型可以在房間 B、C、D 中工作 — 無需任何重新訓練或校準資料
– 處理不同的 WiFi 硬體 (ESP32、Intel 5300、Atheros)，並具有自動晶片組標準化功能
– 知道 WiFi 傳輸器的位置，並彌補佈局差異
– 在訓練期間產生合成的「虛擬房間」，因此模型可以看到數千個環境
– 在部署時，使用少數未標記的 WiFi 幀在幾秒鐘內適應新房間

核心元件