इस प्रोजेक्ट के बारे में

RuView एक ओपन-सोर्स WiFi सेंसिंग प्लेटफ़ॉर्म है जो सस्ते ESP32 सेंसरों से Channel State Information (CSI) पढ़ता है और रेडियो प्रतिबिंबों को स्थानिक एवं शारीरिक डेटा में बदल देता है — बिना कैमरे, पहनावे या क्लाउड सेवाओं के। साधारण WiFi राउटर किसी जगह को रेडियो तरंगों से भर देते हैं; लोग हिलना, सांस लेना या स्थिर बैठना इन तरंगों को विकृत करते हैं, और RuView इन विकृतियों को मापता है। README के अनुसार यह रिपोर्ट करता है: मौजूदगी और उपस्थिति (दीवार के पार डिटेक्शन, गिनती, प्रवेश/निकास ट्रैकिंग सहित), संपर्क-रहित दम दर (0.1–0.5 Hz बैंडपास, 6–30 BPM) और हृदय गति (0.8–2.0 Hz बैंडपास, 40–120 BPM), गति और गतिविधि वर्गीकरण, और फेज-त्वरण थ्रेशोल्ड प्लस डिबाउंस व कोलडाउन के साथ गिरने का पता (200 ms से कम)। यह एडेप्टिव P95 नॉर्मलाइजेशन से बहु-व्यक्ति गिनती, लगभग 5 मीटर तक दीवार-पार सेंसिंग, पर्यावरणीय RF फिंगरप्रिंटिंग, नींद स्तरीकरण व अपनिया स्क्रीनिंग, और CSI से 17-कीपॉइंट पोज एस्टिमेशन का दावा करता है। हार्डवेयर विकल्प मुफ्त से ~$140 तक हैं। एक ESP32-S3 नोड लगभग $9; बहु-नोड मेஷ लगभग $54; अनुशंसित विन्यास स्थिर वेक्टर स्टोरेज, kNN सर्च, क्रिप्टोग्राफिक attestation और MCP proxy के लिए Cognitum Seed जोड़ता है। ESP32-C6 नोड ($6–10) Wi-Fi 6 और 802.15.4 रिसर्च सेंसिंग के लिए है, जिसमें 99.56% ESP-NOW सिंक मैच और IDF 5.5.2 पर HE-LTF कैप्चर मापा गया है, हालांकि README के अनुसार TWT और ~5 μA संचालन अभी हार्डवेयर सत्यापन की exigity है। Intel 5300 और Atheros AR9580 रिसर्च NICs, साथ ही बेटा Qualcomm और वेंडर-एडेप्टर प्रोग्राम भी सूचीबद्ध हैं। साधारण लैपटॉप RSSI-केवल मोटा उपस्थिति प्रदान करते हैं; Docker इमेज सिमुलेटेड डेटा पर चलती है। सॉफ़्टवेयर Rust 1.85+ क्रेट्स, मल्टी-आर्क Docker इमेज और PyPI पैकेज (ruview और wifi-densepose) के रूप में वितरित होता है — लगभग ~250 KB PyO3 abi3-py310 व्हील Linux, macOS और Windows के लिए। Home Assistant एकीकरण MQTT पुष्पक के माध्यम से होता है जिसमें प्रति नोड 21 entities हैं (raw signals plus inferred states जैसे someone-sleeping, possible-distress, fall-risk-elevated, bathroom-occupied) और तीन starter Blueprints; Apple Home discoverable HAP-1.1 bridge के माध्यम से, और Google Home तथा Alexa একই HA bridge या Matter endpoint के जरिए काम करते हैं। HOMECORE local state, history, automations, signed Wasm plugins, voice hooks और HomeKit support प्रदान करता है। एक 105-मॉड्यूल edge क্যাटलॉग रजिस्ट्री से लोड होता है। अलग npm metaharness @ruvnet/ruview doctor, guidance, read-only coding agents, claim-check, deterministic verify और MCP server प्रदान करता है। README मॉडल सीमाओं के बारे में अनूठा रूप से स्पष्ट है, जो मूल्यांकन के लिए महत्वपूर्ण है। Hugging Face पर pretrained encoder 82.3% held-out temporal-triplet accuracy दर्शाता है, जो raw 66.4% से ऊपर है — पहले "100% presence" आंकड़ा single-class रिकॉर्डिंग पर मापा गया था और वापस लिया गया है। इसका 4-bit build 8 KB में फिट होता है। अलग MM-Fi पोज मॉडल 82.69% torso-PCK@20 single-model (तीन-मॉडल ensemble plus test-time augmentation के साथ 83.59%) दर्शाता है, जिसकी तुलना MultiFormer (72.25%) और CSI2Pose (68.41%) से की जाती है। इसके विपरीत, committed on-device pose_v1 मॉडल को PCK@20 = 3.0% के रूप में वर्णित किया गया है, जो अपने 35% ADR टार्गेट से बहुत नीचे है, और runtime path अभी confidence=0 stub है। published model.safetensors हेडर NUL-padded है और reference safetensors loader द्वारा अस्वीकृत (issue #1522); quantized model-q*.bin फाइलों में अभी compatible reader नहीं है। Unified RF world model accuracy को synthetic घोषित किया गया है जब तक real-data validation नहीं हो जाती। Claimed verification tooling में deterministic pipeline replay (python archive/v1/data/proof/verify.py) शामिल है जो SHA-256 के साथ output को hash करता है, Ed25519 witness chain, और 1,463 पासिंग tests की रिपोर्ट। संक्षेप में, RuView व्यापक smart-home integration और विस्तृत दस्तावेज़ीकरण के साथ एक महत्वपूर्ण edge-sensing framework है, लेकिन संभावित उपयोगकर्ताओं को live on-device pose claims को unproven मानना चाहिए और सटीकता का आकलन करते समय प्रोजेक्ट की अपनी caveats, benchmark ADRs और repro scripts पर निर्भर रहना चाहिए।