開源項目 WiFi DensePose：WiFi也能看穿墻，GitHub 暴漲 14800+ Star
當前位置：點晴教程→知識管理交流
→『 技術文檔交流 』
去年 CMU 發了篇論文，用 WiFi 信號做人體姿態估計，當時看著挺玩的。 學術驗證嘛，大家也沒太當回事。 結果現在 ruvnet 把這玩意真做出來了，開源項目 WiFi DensePose，幾個月 14800+ Star。
不裝攝像頭，不戴設備，WiFi 信號就能看出人在哪、在干嘛，連呼吸心跳都測得出來。
WiFi 信號穿過空間，人體會干擾電波路徑，抓住這些變化就能反推位置和動作。學術界管這叫 CSI 分析。 作者用 Rust 重寫了信號處理，比 Python 快 810 倍。 單幀 18.47 微秒，每秒 54000 幀。呼吸 6-30 次/分鐘，心率 40-120 次/分鐘，處理速度 11665 幀/秒。 Docker 鏡像 132MB，內存 100MB，樹莓派能跑。
硬件這塊，最便宜的方案是 ESP32-S3，單片 8 美元，搞 3-6 個組網格，54 美元搞定。 要是只做存在檢測和粗略的動作識別，筆記本自帶的 WiFi 網卡就夠了，零成本。 完整的姿態估計和生命體征監測，得用支持 CSI 的硬件，Intel 5300 網卡 15 美元，Atheros AR9580 大概 20 美元。 ESP32 固件是預編譯好的，不用折騰工具鏈，燒進去就能跑。
信號處理這塊，集成了 6 種學術界驗證過的算法。 SpotFi 的共軛相乘用來消除載波頻偏，Hampel 濾波器去除脈沖噪聲，Fresnel 區域模型預測呼吸信號的位置，CSI 頻譜圖做時頻分解，子載波選擇提取最敏感的信道，身體速度剖面用于跨環境識別。 這些算法都在 wifi-densepose-signal 模塊里實現了，有 83 個測試用例覆蓋。 模型訓練用的是圖變換器架構，輸入是 CSI 特征矩陣，輸出是 17 個 COCO 關鍵點和 DensePose UV 坐標。 訓練管道分 8 個階段：數據集加載、圖變換器構建、6 項復合損失訓練、SONA 自適應、稀疏推理優化、RVF 容器打包。 支持 MM-Fi 和 Wi-Pose 兩個公開數據集的預訓練，也可以用 ESP32 采集的 CSI 數據配合攝像頭偽標簽做微調。 訓練好的模型打包成單個 .rvf 文件，包含權重、索引、量化碼本、自適應參數，部署時不需要任何外部依賴。
應用場景覆蓋得很廣。 醫療場景，老人跌倒檢測、夜間活動監控、非接觸式呼吸心率監測，不需要老人配合佩戴設備。 零售場景，客流統計、停留時間分析、排隊長度估算，不用裝攝像頭，符合 GDPR 隱私規定。 辦公場景，工位占用檢測、會議室空置提醒、基于真實在場情況的 HVAC 優化。 災難救援場景，通過瓦礫探測被困人員的呼吸信號，進行 START 分級，估算 3D 位置，給救援隊提供可操作的情報。
部署方式很靈活。 Docker 一行命令就能跑起來，docker pull ruvnet/wifi-densepose:latest，然后 docker run 映射端口就行。 提供 REST API 和 WebSocket 兩種接口，REST 用于按需查詢，WebSocket 用于實時流式推送。 支持漸進式加載，模型分三層：Layer A 瞬間啟動（5 毫秒以內），Layer B 熱加載（100 毫秒到 1 秒），Layer C 完整加載（幾秒）。 可以根據設備性能選擇量化方案，ESP32 用 int4（0.7MB），手機用 int8（6MB），服務器用 f32（50MB）。 項目有 542 個測試用例，全部用真實算法實現，沒有 mock。 提供了硬件無關的仿真模式，--source simulate 參數可以在沒有物理設備的情況下跑通整個流程。 CI 流水線會跑確定性檢查和隨機掃描，確保信號處理的每個操作都是可復現的。 寫在最后WiFi 感知技術的商業化落地，關鍵在于把學術論文里的概念，變成能在 8 美元芯片上跑的工程實現。 這個項目做到了三件事：用 Rust 重寫把性能拉到實用級別，用 RVF 容器把部署簡化到單文件，用 ESP32 把硬件成本壓到消費級。 當 WiFi 感知的成本降到這個量級，它就不再是實驗室玩具，而是可以大規模部署的基礎設施。 一個 WiFi 路由器覆蓋的區域，就是一個感知單元，不需要額外布線，不需要攝像頭，不需要用戶配合。 這種無感的、低成本的、隱私友好的感知方式，可能會成為下一代智能空間的標配。 ? 閱讀原文：https://mp.weixin.qq.com/s/_wxXurdDPdoLRJcOO_I1RA 該文章在 2026/3/2 18:42:41 編輯過 |
關鍵字查詢
相關文章
正在查詢... 
|
400 186 1886
