ruview

RuView est une plateforme WiFi sensing open-source qui lit les informations d'état de canal (CSI) depuis des capteurs ESP32 à bas coût et convertit les réflexions radio en données spatiales et physiologiques — sans caméras, wearables ni services cloud. Les routeurs WiFi ordinaires remplissent un espace d'ondes radio ; les personnes qui bougent, respirent ou restent immobiles perturbent ces ondes, et RuView mesure ces perturbations. Ce qu'il rapporte, selon le README : présence et occupation (y compris détection à travers les murs, comptage, suivi entrée/sortie), fréquence respiratoire sans contact (filtrage passe-bande 0,1–0,5 Hz sur phase enveloppée, 6–30 BPM) et fréquence cardiaque (filtrage passe-bande 0,8–2,0 Hz, 40–120 BPM), classification du mouvement et de l'activité, détection de chute avec seuil d'accélération de phase plus debounce et cooldown (moins de 200 ms). Il revendique aussi le comptage multi-personnes par normalisation P95 adaptative, la sensibilité à travers les murs jusqu'à environ 5 m selon le signal, l'empreinte RF environnementale, le sommeil avec dépistage de l'apnée, et l'estimation de pose à 17 keypoints depuis le CSI. Les options matérielles vont de gratuit à ~140 $. Un nœud ESP32-S3 coûte environ 9 $ ; un maillage multi-nœuds environ 54 $ ; la configuration recommandée ajoute un Cognitum Seed pour le stockage vectoriel persistant, la recherche kNN, l'attestation cryptographique et un proxy MCP. Un nœud ESP32-C6 (6–10 $) cible le Wi-Fi 6 et le sensing research 802.15.4, avec une correspondance ESP-NOW synchronisée à 99,56 % et capture HE-LTF sur IDF 5.5.2, bien que le README indique que TWT et une opération ~5 μA nécessitent encore une validation matérielle. Les cartes réseau de recherche Intel 5300 et Atheros AR9580, ainsi que les programmes beta Qualcomm et fournisseur, sont également répertoriées. Les ordinateurs portables ordinaires fournissent uniquement RSSI pour une présence grossière ; l'image Docker fonctionne sur des données simulées. Le logiciel est distribué sous forme de crates Rust 1.85+, d'images Docker multi-architecture et de packages PyPI (ruview et wifi-densepose, le même wheel PyO3 abi3-py310 d'environ 250 Ko pour Linux, macOS et Windows). L'intégration Home Assistant est fournie via un publisher MQTT avec 21 entités par nœud (signaux bruts plus états inférés tels que someone-sleeping, possible-distress, fall-risk-elevated, bathroom-occupied) et trois Blueprints de démarrage ; Apple Home utilise un pont HAP-1.1 discoverable, et Google Home et Alexa fonctionnent via le même pont HA ou un endpoint Matter. HOMECORE fournit l'état local, l'historique, les automations, des plugins Wasm signés, des hooks vocaux et le support HomeKit. Un catalogue edge de 105 modules est chargé depuis un registry. Un metaharness npm séparé, @ruvnet/ruview, offre doctor, guidance, agents de codage en lecture seule, claim-check, vérification déterministe et un serveur MCP. Le README est remarquablement honnête sur les limites du modèle, ce qui compte pour l'évaluation. L'encodeur préentraîné sur Hugging Face affiche 82,3 % de précision sur des triplet temporels hors ensemble, en hausse par rapport à 66,4 % brut — l'ancien chiffre de « 100 % présence » a été mesuré sur un enregistrement monoclasseyet a été retiré. Sa construction 4-bit tient dans 8 Ko. Le modèle de pose MM-Fi distinct affiche 82,69 % de torso-PCK@20 en modèle unique (83,59 % avec un trois-modèles ensemble plus test-time augmentation), comparé par le projet à MultiFormer (72,25 %) et CSI2Pose (68,41 %). En revanche, le modèle pose_v1 embarqué est décrit comme une première ébauche à PCK@20 = 3,0 %, bien en dessous de son objectif ADR de 35 %, avec un chemin d'exécution encore un stub confidence=0. L'en-tête model.safetensors publié est NUL-padded et rejeté par le loader de référence safetensors (issue #1522) ; les fichiers model-q*.bin quantifiés n'ont toujours pas de lecteur compatible. La précision du modèle mondial RF unifié est indiquée comme synthétique jusqu'à validation sur données réelles. Les outils de vérification revendiqués incluent une replay déterministe du pipeline (python archive/v1/data/proof/verify.py) qui hache la sortie contre un SHA-256 publié, une chaîne témoin Ed25519 et 1 463 tests passant. En résumé, RuView est un framework edge-sensing substantiel avec une intégration smart-home étendue et une documentation complète, mais les utilisateurs futurs devraient considérer les revendications de pose sur dispositif réel comme non prouvées et s'appuyer sur les mises en garde du projet, les ADR benchmarks et les scripts reproductibles pour juger de la précision.