RuView Signal Intelligence 模块深度解析ESP32 边缘 WiFi 感知信号处理管线【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView本文系统讲解 RuView 项目中运行在 ESP32-S3 芯片上的 6 个 Signal Intelligence信号智能WASM 模块——Flash Attention、Coherence Gate、Temporal Compress、Sparse Recovery、Min-Cut Person Match 与 Optimal Transport。它们位于原始 CSI 数据与健康、安防等应用级模块之间负责清洗、压缩与特征提取为上层应用提供高质量输入。读完本文你将掌握每个模块的算法原理、事件协议、配置常量与性能预算并能结合源码理解其no_std、无堆分配的边缘部署约束。Signal Intelligence 模块隶属于 RuView 的 Edge Intelligence Modules 体系——60 余个运行在 ESP32 上的 WASM 模块每个模块 5–30 KB本地决策延迟低于 10 ms无需联网与云服务。信号智能这一组 6 个模块对应 54 个测试用例是整个体系的数据质量地基它们不直接产出业务结论而是保证健康、安防、智能建筑等上层模块拿到的永远是干净、完整、可解释的 WiFi 信道数据。Overview六个模块一览模块文件功能事件 ID预算Flash Attentionsig_flash_attention.rs将计算聚焦于信息量最大的子载波分组700-702S5msCoherence Gatesig_coherence_gate.rs利用相位相干性滤除噪声/损坏的 CSI 帧710-712L2msTemporal Compresssig_temporal_compress.rs以 3 层压缩环形缓冲存储 CSI 历史705-707S5msSparse Recoverysig_sparse_recovery.rs用 ISTA 稀疏优化恢复丢失的子载波715-717H10msMin-Cut Person Matchsig_mincut_person_match.rs用二分图匹配维护跨帧稳定的人员 ID720-722H10msOptimal Transportsig_optimal_transport.rs用 sliced Wasserstein 距离检测细微运动725-727S5ms所有 6 个模块的源码均位于 v2/crates/wifi-densepose-wasm-edge/src/ 目录事件 ID 注册于 700–729 的 Signal Intelligence 区间见 Edge Intelligence Modules 文档 的 Event ID Registry。信号处理在整体架构中的位置Signal Intelligence 模块构成了原始 CSI 数据与应用级模块之间的处理管线Raw CSI from WiFi chipset (Tier 0-2 firmware DSP) | v --------------------- --------------------- | Coherence Gate | -- | Sparse Recovery | | Reject noisy frames, | | Fill in dropped | | gate quality levels | | subcarriers via ISTA | --------------------- --------------------- | | v v --------------------- --------------------- | Flash Attention | | Temporal Compress | | Focus on informative | | Store CSI history | | subcarrier groups | | at 3 quality tiers | --------------------- --------------------- | | v v --------------------- --------------------- | Min-Cut Person Match | | Optimal Transport | | Track person IDs | | Detect subtle motion | | across frames | | via distribution | --------------------- --------------------- | | v v Application modules: Health, Security, Smart Building, etc.Coherence Gate位于管线最顶端充当质量过滤器只有通过门控的帧才会进入Sparse Recovery检测到子载波丢失时触发并流向下游分析Flash Attention识别信号最集中的空间区域Temporal Compress维护高效的滚动历史Min-Cut Person Match与Optimal Transport提取上层模块消费的高级特征人员身份与运动。从源码结构看这套管线可以直接嵌套在 vendor_common.rs 定义的VendorModuleStatetrait 生命周期中——每个厂商模块统一实现init()、process()每 CSI 帧约 20 Hz 调用、timer()默认 1 秒间隔三个回调便于组合成统一的处理链。共享工具库vendor_common.rs所有信号智能模块共享 vendor_common.rs 中的以下工具。该文件头部注释明确声明所有结构体均为no_std、const可构造、无堆分配供信号智能、自适应学习、空间推理、时间分析、AI 安全、量子启发、自治等 24 个厂商集成模块复用工具用途CircularBufferN定长环形缓冲用于相位历史栈上分配Ema可配置 alpha 的指数移动平均WelfordStatsO(1) 内存的在线均值/方差/标准差dot_product、l2_norm、cosine_similarity定长向量数学dtw_distance、dtw_distance_banded动态时间规整用于手势/模式匹配FixedPriorityQueueCAP无堆分配的 Top-K 选择其中CircularBufferN是 const 泛型实现见 vendor_common.rs 的 CircularBuffer支持push满时覆盖最旧元素、按年龄读取get(i)、copy_recent批量拷贝最近值是相位历史与滚动统计的基础容器。Flash Attentionsig_flash_attention.rs功能将处理聚焦于携带最多有用信息的 WiFi 信道忽略噪声。将 32 个子载波划分为 8 个分组tile计算注意力权重显示信号活动集中在何处。算法对 8 个子载波分组执行 tiled attentionQ·K/√d配合 softmax 归一化与 Shannon 熵跟踪。源码实现sig_flash_attention.rs计算分组均值Q 当前各分组相位K 上一帧相位V 各分组幅度打分每个分组score[g] Q[g] * K[g] / sqrt(8)Softmax 归一化数值稳定实现先减去最大值再取 exp且对exp_sum施加LOG_EPSILON 1e-7下限防除零跟踪熵 H -Σ(p·ln(p))经ENTROPY_ALPHA 0.15的 EMA 平滑。低熵意味着活动集中于某一空间区域Fresnel 区高熵意味着活动均匀分布。熵的初始值为MAX_ENTROPY 2.079即 ln(8)第一帧仅用于初始化 K上一帧相位而不产生事件——这一点有单元测试test_first_frame_no_events专门验证。公开 APIpub struct FlashAttention { /* ... */ } impl FlashAttention { pub const fn new() - Self; pub fn process_frame(mut self, phases: [f32], amplitudes: [f32]) - [(i32, f32)]; pub fn weights() - [f32; 8]; // Current attention weights per group pub fn entropy() - f32; // EMA-smoothed entropy [0, ln(8)] pub fn peak_group() - usize; // Group index with highest weight pub fn centroid() - f32; // Weighted centroid position [0, 7] pub fn frame_count() - u32; pub fn reset(mut self); }注意process_frame要求子载波数不少于分组数n_sc N_GROUPS时直接返回空事件测试test_too_few_subcarriers以 4 个子载波验证了这一行为。事件ID名称值含义700ATTENTION_PEAK_SC分组索引0-7哪个子载波分组的注意力权重最强701ATTENTION_SPREAD熵0 ~ 约 2.08注意力分布有多分散低聚焦高均匀702SPATIAL_FOCUS_ZONE质心0.0-7.0跨分组的注意力加权中心配置常量常量值用途N_GROUPS8子载波分组tile数量MAX_SC32处理的最大子载波数ENTROPY_ALPHA0.15熵的 EMA 平滑因子LOG_EPSILON1e-7熵与 softmax 的数值稳定下限MAX_ENTROPY2.079熵上限 ln(8)作为初始值教程理解注意力权重8 个注意力权重之和为 1.0。当一个人站在房间的某个区域时WiFi 信号在与该区域相交的 Fresnel 区的子载波分组中变化最剧烈。所有权重接近 0.125 1/8均匀注意力。没有局部活动——要么房间为空要么全身运动对所有制载波影响相同。源码测试test_uniform_attention用全 1.0 相位/幅度输入验证了权重收敛于 0.125。某个权重接近 1.0、其余接近 0.0高度聚焦。活动集中于一个空间区域peak_group索引告诉你具体是哪个区域。测试test_focused_attention将子载波 12–16 置为 3.0断言 peak 落在分组 3。两个相邻分组同时升高活动位于两个空间区域的边界或有人在两者之间移动。熵低于 1.0强空间聚焦适合做区域级定位。熵高于 1.8接近均匀难以定位活动。centroid0.0 到 7.0给出加权平均位置。随时间跟踪质心可以揭示横穿房间的运动方向。Coherence Gatesig_coherence_gate.rs功能决定每帧入站 CSI 数据是否足够可信以用于感知或应被丢弃。利用各子载波相位变化的统计一致性度量信号质量。算法每个子载波的相位增量构成单位相量cos i·sin平均相量的模即相干性分数 [0,1]。Welford 在线统计跟踪均值/方差用于 Z-score 计算迟滞状态机防止状态快速振荡。源码实现见 sig_coherence_gate.rs。状态转换与文档一致的实现细节Accept → PredictOnly连续 5 帧低于LOW_THRESHOLD0.40PredictOnly → Reject单帧低于阈值Reject/PredictOnly → Accept连续 10 帧高于HIGH_THRESHOLD0.75任意状态 → Recalibrate运行方差超过初始快照的 4 倍。实现中还有一个文档未强调的细节方差漂移检测并非一上来就生效而是需要先积累MIN_FRAMES_FOR_DRIFT 50帧数据并捕获初始方差快照variance_captured这保证了基线统计的可靠性。每帧相位增量按子载波逐个计算cosf/sinf这是其预算标记为 L2ms却仍属轻量的原因。公开 APIpub struct CoherenceGate { /* ... */ } impl CoherenceGate { pub const fn new() - Self; pub fn process_frame(mut self, phases: [f32]) - [(i32, f32)]; pub fn gate() - GateDecision; // Accept/PredictOnly/Reject/Recalibrate pub fn coherence() - f32; // Last coherence score [0, 1] pub fn zscore() - f32; // Z-score of last coherence pub fn variance() - f32; // Running variance of coherence pub fn frame_count() - u32; pub fn reset(mut self); } pub enum GateDecision { Accept, PredictOnly, Reject, Recalibrate }GateDecision枚举提供了as_f32()方法Accept2.0 / PredictOnly1.0 / Reject0.0 / Recalibrate-1.0用于映射为事件数值。事件ID名称值含义710GATE_DECISION2/1/0/-1Accept(2)、PredictOnly(1)、Reject(0)、Recalibrate(-1)711COHERENCE_SCORE[0.0, 1.0]相位相量相干幅度712RECALIBRATE_NEEDED方差环境发生重大变化——需重训基线配置常量常量值用途HIGH_THRESHOLD0.75相干性高于此值 质量良好LOW_THRESHOLD0.40相干性低于此值 质量差DEGRADE_COUNT5降级前连续坏帧数RECOVER_COUNT10恢复前连续好帧数VARIANCE_DRIFT_MULT4.0触发重校准的方差倍数MIN_FRAMES_FOR_DRIFT50捕获初始方差快照所需的最小帧数教程使用 Coherence Gate相干性门控保护下游模块不处理垃圾数据。实践中Accept值2帧干净。可用于所有感知任务生命体征、存在检测、手势。PredictOnly值1帧质量边缘。使用此前帧的缓存预测不更新模型。Reject值0帧噪声过大。完全跳过不馈入任何学习模块。Recalibrate值-1环境发生根本性变化家具移动、新 AP、门打开。重置基线并重新学习。源码测试覆盖了主要路径test_coherent_stays_accept验证稳定相位下门控保持 Accepttest_recovery用RECOVER_COUNT 5帧稳定数据验证从劣化状态恢复为 Accepttest_incoherent_degrades则用每帧大幅跳变的相位流验证门控降级逻辑。低相干性的常见原因微波炉运行2.4 GHz 干扰多人朝不同方向行走相位抵消硬件故障天线接触不良。Temporal Compresssig_temporal_compress.rs功能以压缩形式维护最多 512 个 CSI 快照的滚动历史。近期数据以高精度存储越旧的数据逐步压缩以节省内存同时保留长期趋势。算法三级量化按年龄边界自动降级。源码实现sig_temporal_compress.rs中push_frame以 Hot 精度写入后在HOT_END、WARM_END边界处将对应槽位先反量化再以低精度重量化dequantize→quantize并发出TIER_TRANSITION事件层级年龄范围位宽量化级别最大误差Hot0-63最新8-bit2560.5%Warm64-2555-bit323%Cold256-5113-bit815%以 20 Hz 帧率估算缓冲区覆盖约Hot3.2 秒高保真数据Warm9.6 秒中保真数据Cold12.8 秒低保真数据总计约 25.6 秒更低帧率下覆盖时间更长。每个快照存储 8 个相位 8 个幅度值分组均值外加一个缩放因子与层级标签。Snap结构体为data: [u8; 16] scale: f32 tier valid共 24 字节与性能预算表中的 512 × 24 字节对应。量化采用对称有符号映射v/scale归一化到 [-1,1]缩放因子取本帧 16 个值的最大绝对值。公开 APIpub struct TemporalCompressor { /* ... */ } impl TemporalCompressor { pub const fn new() - Self; pub fn push_frame(mut self, phases: [f32], amps: [f32], ts_ms: u32) - [(i32, f32)]; pub fn on_timer() - [(i32, f32)]; pub fn get_snapshot(age: usize) - Option[f32; 16]; // Decompressed 8 phase 8 amp pub fn compression_ratio() - f32; pub fn frame_rate() - f32; pub fn total_written() - u32; pub fn occupied() - usize; }帧率通过时间戳差 EMA 估计RATE_ALPHA 0.05且只接受 0–5000 ms 的有效间隔测试test_frame_rate以 50 ms 间隔20 Hz推入 100 帧断言估计帧率落在 15–25 Hz。get_snapshot(0)返回最新快照get_snapshot(CAP)返回None环形缓冲区回绕后容量恒定 512测试test_wrap验证。事件ID名称值含义705COMPRESSION_RATIO比值1.0原始字节 / 压缩字节706TIER_TRANSITION层级1 或 2快照降级为 Warm(1) 或 Cold(2)707HISTORY_DEPTH_HOURS小时缓冲区覆盖的墙钟时间配置常量常量值用途CAP512快照总容量HOT_END64前 N 个快照使用 8-bit 精度WARM_END256快照 64-255 使用 5-bit 精度RATE_ALPHA0.05帧率估计的 EMA alphaHOT_Q/WARM_Q/COLD_Q255 / 31 / 7各层量化级别Sparse Recoverysig_sparse_recovery.rs功能当 WiFi 硬件丢弃部分子载波测量值深衰落导致的 null/零值、固件故障或多径零点时该模块用数学优化重建缺失值。算法迭代收缩阈值算法ISTA——一种最小化 L1 的稀疏恢复方法。源码实现sig_sparse_recovery.rsx_{k1} soft_threshold(x_k step * A^T * (b - A*x_k), lambda)其中A是三对角相关模型对角 直接邻居96 个 f32而非完整 32×321024b是观测到的非 null子载波值soft_threshold(x, t) sign(x) * max(|x| - t, 0)促进稀疏性源码 soft_threshold 函数测试test_soft_threshold覆盖了正/负/阈值内三种情形每帧最多 10 次迭代。相关模型在完全有效的帧上在线学习update_correlation对每个子载波 i 维护三个 EMA 混合乘积——自相关corr(i,i)、左邻居corr(i,i-1)、右邻居corr(i,i1)对应NEIGHBORS 3的紧凑存储。ISTA 迭代中null 子载波先用recent_valid最近一次有效帧的值初始化再在观测位置计算残差、以三对角结构完成 A 与 Aᵀ 的矩阵向量乘。公开 APIpub struct SparseRecovery { /* ... */ } impl SparseRecovery { pub const fn new() - Self; pub fn process_frame(mut self, amplitudes: mut [f32]) - [(i32, f32)]; pub fn dropout_rate() - f32; // Fraction of null subcarriers pub fn last_residual_norm() - f32; // L2 residual from last recovery pub fn last_recovered_count() - u32; // How many subcarriers were recovered pub fn is_initialized() - bool; // Whether correlation model is ready }注意process_frame就地修改amplitudes—— null 子载波会被恢复值覆盖。测试test_recovered_values_nonzero验证了这一点。事件ID名称值含义715RECOVERY_COMPLETE数量恢复的子载波数量716RECOVERY_ERRORL2 范数恢复的残差误差717DROPOUT_RATE分数 [0,1]null 子载波占比每 20 帧发出一次配置常量常量值用途NULL_THRESHOLD0.001幅度低于此值视为丢失MIN_DROPOUT_RATE0.10触发恢复的最低丢失比例MAX_ITERATIONS10每帧 ISTA 迭代上限STEP_SIZE0.05梯度下降学习率LAMBDA0.01L1 稀疏惩罚权重CORR_ALPHA0.05相关模型更新的 EMA alphaNEIGHBORS3每个子载波存储的邻居相关项数教程恢复何时介入模块需要至少 10 个完全有效的帧来初始化相关模型is_initialized() true源码中valid_frame_count 10置位测试test_correlation_model_builds验证仅当丢失超过 10% 时恢复才触发如 32 个子载波中 ≥4 个为 null。测试test_no_recovery_below_threshold以 16 个子载波中 1 个 null6.25%验证不触发低于 10% 时null 过于稀疏不值得承担恢复开销三对角相关模型利用了相邻 WiFi 子载波高度相关的特性——子载波 15 的 null 可从子载波 14 和 16 估计监控RECOVERY_ERROR——残差上升提示相关模型已陈旧、环境已变化。Min-Cut Person Matchsig_mincut_person_match.rs功能为感知区域内最多 4 人维护稳定的身份标签。人员移动时其 WiFi 签名位置随之变化——该模块跟踪每个签名属于哪个人跨连续帧保持身份一致。算法灵感来自ruvector-mincutDynamicPersonMatcher的移植源码见 sig_mincut_person_match.rs。每帧执行特征提取对每个检测到的人从其空间区域提取前 8 大子载波方差降序排列得到 8 维签名向量。extract_features使用选择排序风格逐位挑选最大值测试test_extract_features_sorted验证输出降序且最大值正确代价矩阵计算所有当前特征与所有已存签名之间的 L2 距离贪心分配选取最小代价的检测, 槽位对标记两者已用重复。类似简化版匈牙利算法对最多 4 人最优。greedy_assign中代价超过MAX_MATCH_DISTANCE即中断未匹配的检测优先分配给未激活槽位签名更新通过 EMAalpha0.15将新特征混合进已存签名超时缺席 100 帧后释放槽位。公开 APIpub struct PersonMatcher { /* ... */ } impl PersonMatcher { pub const fn new() - Self; pub fn process_frame(mut self, amplitudes: [f32], variances: [f32], n_persons: usize) - [(i32, f32)]; pub fn active_persons() - u8; pub fn total_swaps() - u32; pub fn is_person_stable(slot: usize) - bool; pub fn person_signature(slot: usize) - Option[f32; 8]; }测试覆盖test_two_persons_distinct_signatures用两个方差分布差异极大的人验证 20 帧内维持 2 个激活槽位且零交换test_person_timeout验证缺席ABSENT_TIMEOUT 1帧后槽位被释放test_too_few_subcarriers验证子载波数少于特征维度 8 时返回空。事件ID名称值含义720PERSON_ID_ASSIGNEDperson_id confidence*0.01分配的槽位整数部分与匹配置信度小数部分721PERSON_ID_SWAPprev*16 curr检测到身份交换前后槽位索引编码722MATCH_CONFIDENCE[0.0, 1.0]所有检测人员的平均匹配置信度每 10 帧发出配置常量常量值用途MAX_PERSONS4最大并发人员跟踪数FEAT_DIM8签名向量维度SIG_ALPHA0.15签名更新的 EMA 混合因子MAX_MATCH_DISTANCE5.0有效匹配的 L2 距离阈值STABLE_FRAMES10跟踪被视为稳定的所需帧数ABSENT_TIMEOUT100释放槽位前的缺席帧数20 Hz 下约 5 秒Optimal Transportsig_optimal_transport.rs功能检测传统基于方差的检测器会错过的细微运动。计算帧间 WiFi 信号分布整体形状的变化量——即使总功率保持不变也能捕捉。算法Sliced Wasserstein 距离——完整 Wasserstein推土机距离的计算高效近似。源码实现sig_optimal_transport.rs生成 4 个固定随机投影方向LCG 伪随机数发生器种子[42, 137, 2718, 31415]编译期const fn gen_proj()计算并 L2 归一化归一化用 6 次牛顿-拉弗森迭代求平方根倒数将当前与上一帧幅度向量投影到每个方向排序投影值Ciura 间隔序列的 Shell 排序O(n^1.3)GAPS [10, 4, 1]——对 n32 将最坏比较次数从约 1024 降到约 128计算排序后投影间的 1D Wasserstein-1 距离即平均绝对差对 4 个投影取平均EMA 平滑后与阈值比较。细微运动检测当 Wasserstein 距离升高分布形状改变而方差保持稳定总功率不变时说明有物体移动却未造成明显扰动——例如缓慢的手部动作、呼吸、或门慢慢关闭。公开 APIpub struct OptimalTransportDetector { /* ... */ } impl OptimalTransportDetector { pub const fn new() - Self; pub fn process_frame(mut self, amplitudes: [f32]) - [(i32, f32)]; pub fn distance() - f32; // EMA-smoothed Wasserstein distance pub fn variance_smoothed() - f32; // EMA-smoothed variance pub fn frame_count() - u32; }事件ID名称值含义725WASSERSTEIN_DISTANCE距离平滑后的 sliced Wasserstein 距离每 5 帧发出726DISTRIBUTION_SHIFT距离检测到大幅分布变化去抖连续 3 帧 0.25727SUBTLE_MOTION距离方差稳定时仍检测到运动连续 5 帧距离 0.10 且方差变化 15%配置常量常量值用途N_PROJ4随机投影方向数量ALPHA0.15距离平滑的 EMA alphaVAR_ALPHA0.1方差平滑的 EMA alphaWASS_SHIFT0.25分布移事件的水深距离阈值WASS_SUBTLE0.10细微运动的水深距离阈值VAR_STABLE0.15稳定分类的最大相对方差变化SHIFT_DEB3分布移去抖计数SUBTLE_DEB5细微运动去抖计数教程解读 Wasserstein 距离Wasserstein 距离度量将一个分布转换为另一个分布的代价。与只度量离散程度的方差类指标不同它捕捉形状、位置与模态结构的变化。典型取值0.00-0.05无运动。静态环境。0.05-0.15呼吸、轻微身体摇摆、环境漂移。0.15-0.30行走、手臂运动、正常活动。0.30大幅运动、多人移动、或突发环境变化。细微运动为何重要一个人静坐并缓慢抬手几乎不改变总信号方差但 Wasserstein 距离会上升因为信号强度的空间分布发生了位移。这对以下场景至关重要跌倒检测跌倒前的摇摆手势识别微动作入侵者检测有人试图潜行移动。性能预算模块预算级别典型延迟栈内存关键瓶颈Flash AttentionS5ms~0.5ms~512 字节8 个分组上的 Softmax exp()Coherence GateL2ms~0.3ms~320 字节每子载波 sin/cosTemporal CompressS5ms~0.8ms~12 KB512 快照 × 24 字节Sparse RecoveryH10ms~3ms~768 字节10 次 ISTA 迭代 × 32 子载波Min-Cut Person MatchH10ms~1.5ms~640 字节4×4 代价矩阵 特征提取Optimal TransportS5ms~1.5ms~1 KB8 次 Shell 排序4 投影 × 2 分布以上延迟为 ESP32-S3 运行 WASM3 解释器、240 MHz 主频下的估算值。实际性能随子载波数量与帧复杂度变化。内存布局与部署约束所有模块使用定长栈/静态分配。无堆、无alloc、无Vec。这是no_stdWASM 部署到 ESP32-S3 的硬性要求——文档的模块开发约束见 Edge Intelligence Modules 文档明确规定使用定长数组而非Vec/String数学函数使用libm预算级别 L2ms/S5ms/H10ms每帧每个模块 WASM 二进制 5–30 KB。6 个信号模块的总静态内存约 15 KB远在 ESP32-S3 可用 WASM 线性内存范围内。构建与测试来自 Edge Intelligence Modules 快速开始# 为 ESP32 构建全部模块 cd v2/crates/wifi-densepose-wasm-edge cargo build --target wasm32-unknown-unknown --release # 运行全部 632 个测试信号智能组 54 个 cargo test --features std总结Signal Intelligence 六模块构成了 RuView 边缘 WiFi 感知的数据质量闭环Coherence Gate 在最前端拒绝脏帧并管理环境漂移Sparse Recovery 填补硬件丢点Flash Attention 定位空间焦点Temporal Compress 以三档精度保存 25 秒级滚动历史Min-Cut Person Match 与 Optimal Transport 则分别输出跨帧稳定的人员身份与方差不可见却空间可感的细微运动。所有实现均遵循no_std、const fn、定长数组的约束可在 ESP32-S3 的 WASM3 运行时中以亚毫秒到 3 毫秒的延迟完成每帧处理——这正是零像素视频、纯 WiFi 信号空间智能愿景在边缘侧得以落地的工程基石。相关设计决策可进一步查阅 ADR-039边缘智能层级、ADR-040WASM 运行时设计 与 ADR-041模块规格全集。【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考