ruview

RuView — это открытая платформа WiFi-сегсинга, которая считывает Channel State Information (CSI) с недорогих ESP32-датчиков и преобразует радиорефлексы в пространственные и физиологические данные: без камер, носимых устройств и облачных сервисов. Обычные WiFi-маршрутизаторы наполняют пространство радио волнами; движущиеся люди, дыхание или неподвижное пребывание искажают эти волны, и RuView измеряет эти искажения. Согласно README, платформа определяет: присутствие и занятость (включаяDetection сквозь стены, подсчёт, отслеживание входа/выхода), контактно-свободную частоту дыхания (полосовой фильтр 0,1–0,5 Гц на обёрнутой фазе, 6–30 ударов/мин) и частоту сердечных сокращений (полосовой фильтр 0,8–2,0 Гц, 40–120 ударов/мин), классификацию движения и активности, обнаружение падений с порогом фазовой акселерации плюс debounce и cooldown (менее 200 мс). Также заявлены подсчёт нескольких человек через адаптивную P95-нормализацию, sensing сквозь стены на расстоянии до ~5 м, RF-отпечатки окружающей среды, стадирование сна с скринингом апноэ и оценка позы из 17 ключевых точек на основе CSI. Аппаратные конфигурации варьируются от бесплатных до ~140 долларов. Один узел ESP32-S3 стоит около 9 долларов; многоузловая mesh-сеть — около 54 долларов; рекомендуемая конфигурация добавляет Cognitum Seed для персистентного векторного хранения, kNN-поиска, криптографической аттестации и MCP-прокси. Узел ESP32-C6 ($6–10) ориентирован на исследования Wi-Fi 6 и 802.15.4, показав 99,56% синхронизации ESP-NOW и захват HE-LTF на IDF 5.5.2, хотя README указывает, что TWT и работа при ~5 мкА всё ещё требуют аппаратной валидации. Также указаны исследовательские NIC Intel 5300 и Atheros AR9580, а также бета-программы Qualcomm и вендорских адаптеров. Обычные ноутбуки дают лишь грубое присутствие по RSSI; Docker-образ запускается на симулированных данных. Программное обеспечение распространяется как crates на Rust 1.85+, multi-arch Docker-образы и PyPI-пакеты (ruview и wifi-densepose — одно и то же ~250 KB PyO3 abi3-py310 wheel для Linux, macOS и Windows). Интеграция с Home Assistant реализована через MQTT-паблишер с 21 сущностью на узел (сырые сигналы плюс выводимые состояния вроде someone-sleeping, possible-distress, fall-risk-elevated, bathroom-occupied) и тремя стартовыми Blueprints; Apple Home использует обнаруживаемый HAP-1.1 бридж, а Google Home и Alexa работают через тот же HA-бридж или Matter-эндпоинт. HOMECORE обеспечивает локальное состояние, историю, автоматизации, подписанные Wasm-плагины, голосовые хуки и поддержку HomeKit. Edge-каталог из 105 модулей загружается из реестра. Отдельный npm-метакаркас @ruvnet/ruview предлагает doctor, guidance, read-only coding agents, claim-check, детерминированную проверку и MCP-сервер. README необычно откровенен о ограничениях моделей, и это важно для оценки. Предобученный энкодер на Hugging Face показывает 82,3% точности на held-out temporal-triplet, против 66,4% raw — более ранняя фигура «100% presence» была измерена на одноклассовой записи и отозвана. Его 4-bit сборка помещается в 8 КБ. Отдельная модель позы MM-Fi показывает 82,69% torso-PCK@20 single-model (83,59% с three-model ensemble плюс test-time augmentation), сравниваясь проектом с MultiFormer (72,25%) и CSI2Pose (68,41%). Напротив,コミットованная on-device модель pose_v1 описана как первый набросок при PCK@20 = 3,0%, далеко ниже собственного целевого показателя ADR 35%, при этом runtime path всё ещё является confidence=0 stub. Опубликованный заголовок model.safetensors NUL-заполнен и отклоняется референсным safetensors loader (issue #1522); quantized модели model-q*.bin всё ещё не имеют совместимого reader. Точность unified RF world model указана как synthetic до real-data валидации. Заявленная verification tooling включает детерминированный pipeline replay (python archive/v1/data/proof/verify.py), хэширующий вывод против опубликованного SHA-256, Ed25519 witness chain и сообщаемые 1463 проходимых теста. Короче говоря, RuView — это масштабная edge-sensing framework с широкой smart-home интеграцией и обширной документацией, но потенциальным пользователям следует относиться к live on-device pose claims как к недоказанным и опираться на собственные caveats проекта, benchmark ADR и repro scripts при оценке точности.