RuView: monitoring przestrzeni za 9 dolarów bez kamer i naruszania prywatności

Platforma RuView przekształca standardowe sygnały WiFi w zaawansowany system inteligencji przestrzennej, umożliwiając detekcję osób i monitorowanie parametrów życiowych przez ściany. Dzięki wykorzystaniu tanich mikrokontrolerów ESP32 i braku zapisu obrazu wideo, rozwiązanie to eliminuje bariery prywatności oraz drastycznie redukuje koszty wdrożenia systemów bezpieczeństwa i opieki.

Mechanizm analizy Channel State Information (CSI) Standardowe sieci bezprzewodowe służą głównie do transportu danych, jednak ich sygnały niosą bogate informacje o fizycznym otoczeniu, przez które przechodzą. Każdy obiekt lub osoba w pomieszczeniu rozprasza, odbija i pochłania fale radiowe, co jest mierzalne jako Channel State Information (CSI). RuView wykorzystuje te zakłócenia, analizując 56 podnośnych na każdy link radiowy, co pozwala na rekonstrukcję aktywności wewnątrz pomieszczenia bez użycia czujników wizyjnych.

W przeciwieństwie do prostego wskaźnika siły sygnału RSSI, który jest podatny na szumy, CSI oferuje precyzyjną ziarnistość fazy i amplitudy. Dzięki temu system potrafi wykryć mikroruchy, takie jak oscylacje klatki piersiowej podczas oddychania o amplitudzie 4–12 mm oraz tętno. Zastosowanie modulacji OFDM w standardach IEEE 802.11 a/g/n pozwala na izolowanie częstotliwości Dopplera indukowanych ruchem człowieka od statycznego tła.

Redukcja kosztów i zgodność z regulacjami prywatności Tradycyjne systemy monitoringu oparte na kamerach wymagają zgody użytkowników, oznakowania stref oraz skomplikowanych polityk retencji danych zgodnie z RODO (GDPR) lub HIPAA. RuView z założenia nie generuje obrazu wideo, co czyni je idealnym do miejsc wrażliwych, takich jak sypialnie, łazienki czy placówki opiekuńcze. Ubiquityczność infrastruktury WiFi sprawia, że w wielu przypadkach nie jest wymagany montaż nowego okablowania.

Skuteczność detekcji i estymacja pozy Nowoczesne algorytmy oparte na sieciach transformatorowych pozwalają RuView na osiąganie wysokiej dokładności przy minimalnym zapotrzebowaniu na moc obliczeniową. System wykorzystuje model DensePose, który mapuje sygnały radiowe na szkielet człowieka składający się z 17 punktów kluczowych. Rozwiązanie to działa w całkowitej ciemności i przy przeszkodach, które blokują zasięg kamer lub czujników LiDAR.

Potwierdzone parametry skuteczności systemu obejmują: Dokładność detekcji obecności: 82,3% (temporal-triplet accuracy). Estymacja pozy (torso-PCK@20): 82,69% na zbiorze MM-Fi. Opóźnienie detekcji upadku: poniżej 200 ms. Czas adaptacji do nowego pomieszczenia: poniżej 30 sekund dzięki sieciom neuronowym typu spiking.

Ograniczenia fizyczne i ryzyka wdrożeniowe Mimo wysokiej skuteczności w kontrolowanych warunkach, technologia CSI posiada ograniczenia wynikające z fizyki fal radiowych. Sygnał ulega znacznemu tłumieniu przy przejściu przez ściany betonowe, co ogranicza zasięg precyzyjnego śledzenia do około 5 metrów przy jednym punkcie dostępowym. W przypadku większej liczby osób (powyżej 3–5 na jeden punkt AP) separacja sygnałów staje się wyzwaniem i wymaga zagęszczenia siatki czujników.

Dla architektów IT istotnym faktem jest, że pełna estymacja pozy na pojedynczym urządzeniu ESP32 jest obecnie w fazie „first-cut” i nie osiąga jeszcze docelowej dokładności PCK@20 ≥ 35%. Ponadto domowe środowiska WiFi są zaszumione przez inne urządzenia, co wymaga stosowania filtrów adresów MAC oraz protokołu TDM (Time-Division Multiplexing) w celu uniknięcia kolizji między węzłami.

Ekosystem oprogramowania i integracja brzegowa Platforma została zaimplementowana w języku Rust (wersja v2), co zapewnia 810-krotne przyspieszenie w stosunku do pierwotnej wersji Pythonowej. Cały model AI zajmuje zaledwie 55 KB pamięci, co pozwala na uruchomienie go bezpośrednio na mikrokontrolerze. RuView wspiera natywną integrację z Home Assistant przez MQTT, a także z ekosystemami Apple Home, Google Home i Amazon Alexa poprzez mostek Matter.

System dostarcza 21 encji na każdy węzeł, w tym stany semantyczne takie jak: `someone-sleeping`, `possible-distress`, `elderly-inactivity-anomaly` czy `fall-risk-elevated`. Dla deweloperów AI dostępne są wtyczki do Claude Code oraz serwer MCP (Model Context Protocol), co umożliwia bezpośrednie odpytywanie sensorów przez agentów AI.

Wnioski praktyczne i rekomendacje Skonfiguruj kontener Docker z obrazem `ruvnet/wifi-densepose:latest`, aby przetestować interfejs i potok przetwarzania danych na sygnałach symulowanych bez zakupu sprzętu. Zmierz wydajność swojej sieci pod kątem CSI, flashując pojedynczy moduł ESP32-S3 (rekomendowana wersja oprogramowania v0.4.3.1 lub nowsza) i provisionując go do swojego domowego routera. Zweryfikuj stabilność odczytów parametrów życiowych, ustawiając czujnik na wysokości klatki piersiowej (ok. 1,5 m) w odległości nie większej niż 3 metry od osoby monitorowanej. Wdróż kalibrację bazową pomieszczenia (tzw. empty-room baseline) przez minimum 30-60 sekund, aby system mógł odfiltrować wpływ mebli i stałych przeszkód na propagację fal. * Skorzystaj z filtru –filter-mac, aby odizolować ramki CSI pochodzące wyłącznie od Twojego routera, co drastycznie zmniejsza wpływ sąsiednich sieci WiFi na precyzję detekcji.

Źródła

• Current State of Hardware and Algorithms in WiFi Radars – Chair of Network Architectures and Services – TUM
• GitHub – ruvnet/RuView: π RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video. · GitHub
• RuView GitHub Install Setup Guide: ESP32-S3, Docker, and WiFi CSI Architecture
• RuView Online Demo – AI WiFi Sensing & Spatial Intelligence
• RuView/docs/adr/README.md at main – GitHub
• RuView/docs/build-guide.md at main – GitHub
• RuView: An Open-Source Project That Uses AI to See Through Walls With WiFi. No Cameras. Here’s How It Works. – Reddit
• RuView: WiFi Sensing Platform — See Through Walls With ESP32 | explainx.ai Blog