📰 正文
只用普通 WiFi 信号，就能穿墙检测人体姿态、呼吸频率和心跳。
你家的WiFi路由器每秒都在往房间里发射大量无线电波。这些电波穿过墙壁、绕过家具、碰到你的身体后反弹回来。
一直以来，我们只关心这些电波能不能帮我们上网。但有人想到了一个疯狂的主意：如果我们分析这些电波被人体干扰后的变化模式，是不是就能"看到"人在哪里、在做什么，甚至能听到他在呼吸？
答案是：可以。
WiFi 信号检测人体姿态这件事，不是科幻。2023 年卡内基梅隆大学（CMU）就发表了论文《DensePose From WiFi》，用 WiFi 信号的信道状态信息（CSI）成功还原了人体姿态，效果接近摄像头方案。这项研究已经被同行评审，发表在正式学术刊物上。
原理：WiFi信号里藏着"人体指纹"
要理解这个项目，首先要知道一个概念：信道状态信息（CSI，Channel State Information）。
普通用户连WiFi时只能看到信号强度（就是手机上那几格信号）。但在底层，WiFi信号其实是由几十个"子载波"组成的，每个子载波都有自己的振幅和相位。当人在房间里移动，甚至只是胸腔因呼吸而微微起伏时，这些子载波的振幅和相位就会发生极其细微的变化。
WiFi DensePose 的核心就是：捕获这些变化 → 用信号处理算法去噪 → 用 AI 模型解读 → 输出人体姿态和生理指标。
整个流程可以这样理解：
WiFi路由器发射信号 → 信号穿过房间碰到人体 → 散射模式发生变化 → ESP32芯片以每秒20次的频率捕获56个子载波的振幅和相位 → 6层信号处理算法清洗数据 → AI骨干网络（RuVector）做注意力计算和图算法 → 神经网络输出17个身体关节点 + 呼吸频率 + 心率 → 实时展示。
不需要训练用的摄像头，模型能从原始WiFi数据自监督学习。
它声称能做什么
WiFi DensePose 的核心卖点是：用 WiFi 信号替代摄像头，实现以下能力。
这里最让人印象深刻的两个数字：一是54,000帧/秒的处理速度（Rust重写后比Python版快了810倍），二是5米的穿墙深度，意味着它真的能"透视"一堵30厘米厚的混凝土墙。
只要8美元的硬件
WiFi DensePose 提供了三种硬件方案：
ESP32 Mesh（推荐）：3-6个ESP32-S3芯片加一个WiFi路由器，总成本大约54美元（单个芯片约8美元）。这是唯一能获得完整CSI数据的消费级方案，支持全部功能：姿态估计、呼吸、心跳、运动、在场检测。
研究级网卡：Intel 5300或Atheros AR9580，50-100美元，需要刷固件，仅限Linux。
任何普通WiFi：你现有的笔记本就行，但只能获取RSSI数据（就是信号强弱），功能大打折扣，只能做粗略的在场检测。
换句话说，一个8美元的芯片就能让你的房间具备"感知"能力。
应用场景：从救命到"细思恐极"
这个项目列举了极其丰富的应用场景，从温暖到冰冷，覆盖面远超预期。
温暖的一面
养老院和居家养老：每个房间放一个ESP32（8美元），就能实现跌倒检测（报警延迟<2秒）、夜间活动监测、睡眠呼吸监测。老人不需要戴任何设备，不需要忍受被摄像头"看着"的感觉。
医院病房：给非重症病床提供持续的呼吸和心率监测，不需要接线，护士站出现异常自动报警。
智能家居：穿墙的在场检测意味着再也不会有"你明明在卫生间，客厅的灯自己灭了"的尴尬。灯光、空调、音乐可以精确跟随你在房间之间的移动。
酒店节能：精确判断房间是否有人，空房自动调低空调，据估算可节省15-30%的暖通能耗。
专业的一面
搜救（WiFi-Mat模块）：这是项目中最硬核的部分。地震废墟下，摄像头和热成像仪都进不去的地方，WiFi信号可以穿透混凝土、木材、石膏板。WiFi-Mat能通过检测废墟下微弱的呼吸信号来发现幸存者，还能用START分诊协议自动对伤员分级（红色/黄色/绿色/黑色）。
消防：在充满浓烟的建筑里，摄像头完全失效，但WiFi信号不受影响。消防员进入之前就能知道里面还有没有被困人员。
零售客流分析：没有摄像头意味着天然GDPR友好。实时统计各区域客流、停留时间、排队长度，顾客完全无感知。
“细思恐极"的一面
项目也非常坦率地列出了军事和安全相关的应用：穿墙人员探测、房间清理确认、人质生命体征远距离监测、边境隧道探测、监狱牢房占用验证。
这让人不由得想到一个问题：如果8美元的芯片就能实现穿墙监控，那大规模隐蔽监控的门槛正在变得极低，而且不需要任何摄像头，传统的反监控手段（比如找摄像头）完全失效。
技术深度：不只是"WiFi版摄像头”
这个项目在技术上有几个值得关注的亮点。
Rust重写：810倍加速
项目最初用Python实现，后来全部用Rust重写。全流程处理速度从每帧15毫秒降到18微秒，提升了810倍。最夸张的是运动检测，从1毫秒降到186纳秒，提速5400倍。Docker镜像从569MB压缩到132MB，测试从41个增加到542+个。
自学习系统（ADR-024）
模型只有55KB大小，能直接运行在ESP32芯片上（可用内存520KB中占55KB）。更关键的是，它能从原始WiFi数据自监督学习，不需要标注数据，不需要摄像头辅助。插上电源等10分钟，它就能学会这个房间的"WiFi指纹"。
它能做到的事情包括：识别不同房间（每个房间有独特的WiFi散射模式）、检测异常（陌生人进入会产生未见过的指纹）、个人识别（每个人干扰WiFi的方式略有不同）。
跨环境泛化（MERIDIAN）
WiFi感知领域一直有一个大问题：在A房间训练的模型，搬到B房间准确率暴跌40-70%，因为模型记住了房间特有的多径传播模式，而不是人体运动的通用规律。
MERIDIAN通过对抗训练解决这个问题：训练一个分类器去猜数据来自哪个房间，同时训练主网络去欺骗这个分类器。最终效果是，模型被迫"忘记"房间特征，只保留人体运动信息。部署到新房间时，用几帧未标注数据就能快速适应。
信号处理：6个顶会级算法
项目实现了6个来自顶级学术会议的信号处理算法：SpotFi的共轭乘法（消除载波频偏）、Hampel滤波器（比标准Z-score更抗污染的异常值剔除）、FarSense的菲涅尔区模型（物理建模呼吸信号）、CSI频谱图（时频分解区分呼吸和走动）、WiDance的子载波选择（只用对运动敏感的通道，提升6-10dB信噪比）、Widar 3.0的体速度剖面（跨环境域无关的运动特征）。
适合谁关注
硬件/嵌入式开发者： 如果你有 ESP32 开发经验，可以拿来做 CSI 采集实验，项目的信号处理管线可以当学习参考。
学术研究者： 项目引用了大量 WiFi 感知领域的论文（虽然引用准确性有争议），整体框架可以作为 survey 的补充材料。
物联网创业者： WiFi 人体感知是个有商业潜力的方向，了解技术边界和当前进展是有价值的。
普通读者： 了解就好。这个技术离"装个 App 就能用"还有很远的距离。
30秒体验
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# 打开 http://localhost:3000
没有硬件也能跑，模拟模式会生成合成数据展示完整的信号处理流水线和UI界面。想要真实感知功能，需要准备ESP32-S3硬件。
一个值得思考的问题
WiFi DensePose 这个项目本身可能还不成熟，但它指向的技术方向是不可忽视的。
当你家的路由器不仅能联网，还能"感知"到你在哪个房间、在做什么动作、心跳是否正常的时候，我们对"隐私"的定义可能需要重写。
本文参考：GitHub 项目 ruvnet/wifi-densepose | CMU 论文 DensePose From WiFi (2023) 社区讨论：Hacker News、GitHub Issue #37