RuView深度解析：用WiFi信号"看透"人体姿态——从CSI信道状态信息到54K FPS实时追踪的完整技术架构

当你的路由器不只是在传输数据，而是在"看见"你——这不是科幻，而是2026年最令人震撼的开源技术突破。

引言：当WiFi开始"看见"世界

2026年2月，一个名叫 RuView（原名 WiFi DensePose）的项目在 GitHub 上悄然发布，随后以惊人的速度席卷技术圈——30天内突破4.4万 Star，登顶 GitHub Trending 榜首，被业界称为 "WiFi感知的iPhone时刻"。

这件事之所以震撼，不在于它有多复杂，而在于它颠覆了一个我们习以为常的假设：

要感知人体姿态，一定要用摄像头吗？

RuView 给出的答案是否定的。它只依靠普通的 WiFi 信号，就能实现：

• 实时人体姿态估计（最高 54K FPS）
• 生命体征监测（呼吸率 6-30 BPM，心率 40-120 BPM）
• 穿墙存在检测（深度可达 5米）
• 完全无需摄像头，零隐私泄露风险

这篇文章将深入拆解 RuView 的完整技术架构：从 WiFi 信号的物理层原理、CSI（信道状态信息）的数据结构，到深度学习模型的训练方法、Rust 高性能实现，以及与摄像头方案的全方位对比。

一、技术背景：人体感知的三大范式困境

1.1 为什么摄像头方案不够好？

传统人体姿态估计几乎完全依赖摄像头（RGB 或红外）。这套方案在过去十年里被研究得很透彻，OpenPose、MediaPipe、AlphaPose 等框架层出不穷，但它有三个根本性问题始终无法很好解决：

问题一：隐私

摄像头天然采集视觉图像。在卧室、浴室、养老院、更衣室等场景，摄像头的存在本身就是一种侵犯。即便宣称"本地处理不上传"，用户心理上的抵触也无法消除。

问题二：遮挡与光照

摄像头依赖可见光或红外光，一旦有物体遮挡、光线不足，或者目标穿着与背景颜色相近的衣服，精度就会急剧下降。

问题三：成本与部署

一个典型的摄像头感知系统，需要为每个区域配备独立的摄像设备、供电、存储和带宽，规模化部署成本极高。

1.2 WiFi 感知：被忽视的信号

WiFi 信号在空间中传播时，会因为人体的反射、衍射和散射产生特征性的扰动。这种扰动中包含了丰富的人体动作信息——只不过，这些信息长期以来只被当作"噪声"来处理。

核心洞察：如果我能把这些"噪声"分离出来，并用深度学习模型去解释它们，是不是就能在不使用摄像头的情况下感知人体姿态？

这正是 CMU（卡内基梅隆大学）在 2023 年论文 "DensePose From WiFi" 中提出的问题，也是 RuView 项目的学术起源。

二、核心原理：从无线电波到人体姿态

2.1 CSI（信道状态信息）：看不见的"眼睛"

要理解 RuView，必须先理解 CSI（Channel State Information，信道状态信息）。

在 WiFi 通信中，发射端和接收端之间存在着一条"无线信道"。这条信道的特性由多种因素决定：信号的直接传播路径、各种反射路径（多径效应）、以及环境中的障碍物（比如人体）。

CSI 描述了这条信道在每个子载波上的频率响应，具体包含：

对于一个标准的 802.11n/ac 设备，CSI 数据通常包含：

• 多个天线对（Tx × Rx）
• 多个子载波（如 30 个或 56 个子载波，取决于带宽）
• 每个子载波的复数形式的频率响应（I/Q 两路）

用 Python 可以表示一个 CSI 采样点：

# CSI 数据结构示例
# 假设 3 个发射天线 × 3 个接收天线，30 个 OFDM 子载波
csi_sample = {
    'timestamp': 1715865600.123,
    'n_tx': 3,
    'n_rx': 3,
    'n_subcarriers': 30,
    # csi[i][j][k] = 第 i 个发射天线、第 j 个接收天线、第 k 个子载波的复数响应
    'csi': np.zeros((3, 3, 30), dtype=complex)
}
# 每个元素 csi[i][j][k] = amplitude * exp(j * phase)

当一个人走进 WiFi 信号的覆盖区域，他的身体会反射部分信号，改变多径传播的 pattern，从而在 CSI 的幅度和相位上产生可测量的变化。这就是 RuView "看见" 人体的物理基础。

2.2 从 CSI 到 DensePose：模态转换网络

RuView 的核心创新在于它如何将 CSI 数据映射到人体姿态。这个过程的学术名称叫 模态转换（Modality Translation）——把无线信号"翻译"成计算机视觉领域中标准的 DensePose 坐标空间。

DensePose 是什么？

DensePose 最初由 Facebook AI Research（FAIR）在 2018 年提出，目标是将 2D 图像中的每个像素映射到 3D 人体表面模型的 UV 坐标上。简单来说，就是给人体的每个表面点分配一个 (U, V) 坐标，从而建立 2D 观测与 3D 人体模型之间的密集对应关系。

RuView 借用了这个思路，但把输入从"RGB 图像"换成了"WiFi CSI 数据"。

完整的处理流水线：

WiFi 发射端（路由器/Tx）
        ↓ 无线信号穿过人体
        产生多径反射 & 人体扰动
        ↓
WiFi 接收端（CSI 采集硬件）
        ↓ 提取原始 CSI
        [幅度，相位] @ 每个子载波
        ↓
Phase Sanitizer（相位净化器）
        消除相位模糊 & 硬件噪声
        ↓
模态转换网络（Modality Translation Network）
        CSI特征 → UV坐标图
        ↓
DensePose 解码器
        24个人体区域的UV坐标
        ↓
3D 人体姿态重建
        [关节位置，肢体角度，运动轨迹]

2.3 相位净化：最容易被忽视的关键步骤

如果你做过无线通信相关的开发，你会知道 CSI 相位数据有一个非常棘手的的问题——相位模糊（Phase Ambiguity）。

由于无线信号的相位是周期性的（每 2π 一个周期），再加上硬件本身的频率偏移、采样时钟偏差等因素，原始相位数据充满了"缠绕（Wrapping）"现象，无法直接用于机器学习。

RuView 实现了一个 Phase Sanitizer（相位净化器），核心思路是：

1. 线性相位去缠绕：利用相邻子载波之间相位差的线性特性，解算真实的相位值
2. 天线对校准：利用多对天线之间的相位关系，消除硬件引入的系统性偏差
3. 时间域平滑：对同一接收端连续多个 CSI 采样点做时间域滤波，进一步降低噪声

用伪代码表示：

def phase_sanitizer(raw_csi, n_tx, n_rx, n_subcarriers):
    """
    相位净化器：将原始 CSI 相位数据转换为可用于机器学习的干净特征
    """
    sanitized = np.zeros_like(raw_csi, dtype=complex)
    
    for i in range(n_tx):
        for j in range(n_rx):
            # Step 1: 提取原始相位序列
            phase_raw = np.angle(raw_csi[i, j, :])
            
            # Step 2: 相位去缠绕（Unwrapping）
            phase_unwrapped = np.unwrap(phase_raw)
            
            # Step 3: 线性拟合去除硬件引入的相位斜率
            k = np.arange(n_subcarriers)
            slope, intercept = np.polyfit(k, phase_unwrapped, 1)
            phase_corrected = phase_unwrapped - (slope * k + intercept)
            
            # Step 4: 重建复数形式的 CSI
            amplitude = np.abs(raw_csi[i, j, :])
            sanitized[i, j, :] = amplitude * np.exp(1j * phase_corrected)
    
    return sanitized

这个模块看着简单，但实际效果极为关键——论文数据显示，经过相位净化后，姿态估计的精度提升了约 18%。

三、系统架构：从边缘采集到云端推理

3.1 硬件层：如何获取 CSI 数据？

RuView 支持多种 CSI 数据采集硬件，从学术研究级的 Intel 5300 网卡，到低成本量产的 ESP32-C6 开发板，覆盖了从实验室到生产部署的全场景。

ESP32-C6 方案是 RuView 在生产环境中最重要的部署方式。乐鑫科技提供了完整的 esp-csi 开发框架，可以直接从 ESP32-C6 的 WiFi 驱动层提取 CSI 数据，无需修改固件。

配置示例（esp-csi 项目中的 csi_config.h）：

// ESP32-C6 CSI 配置
#define CSI_BUFFER_LEN         128     // CSI 数据缓冲区长度
#define CSI_SEND_INTERVAL_MS  10      // 数据上报间隔（10ms = 100Hz）
#define CSI_FILTER_MAC        0xFFFF  // 不过滤，接收所有发射端的CSI
#define CSI_SUPER_FREQ        1       // 启用高采样率模式

// 启用 CSI 数据通过 UART 上报到主机
#define CSI_UART_BAUD_RATE    3000000 // 3Mbps UART 波特率

3.2 数据传输与预处理管道

CSI 数据的采样率可以非常高（100Hz 甚至 1KHz 以上），直接用原始数据做推理是不现实的。RuView 实现了一个多级预处理管道：

CSI 硬件采集（100-1000 Hz）
        ↓ UART / WiFi
边缘网关（Raspberry Pi 4B / ESP32 Mesh 汇聚节点）
        ↓
[预处理 Step 1] 包级校验 & 丢包补偿
        ↓
[预处理 Step 2] 相位净化（Phase Sanitizer）
        ↓
[预处理 Step 3] 子载波选择 & 降维（PCA / AutoEncoder）
        ↓
[预处理 Step 4] 时间窗口切片（sliding window, 窗口大小 N）
        ↓
推理引擎（Rust/TensorFlow Lite / ONNX Runtime）
        ↓
姿态估计结果（UV 坐标图 / 关节角度）
        ↓
应用层（存在检测 / 生命体征 / 报警系统）

时间窗口切片是一个关键设计。单个 CSI 采样点包含的信息有限，但将连续 N 个采样点堆叠成一个"时间维度"，就能捕捉到人体的动态运动信息。

class CSITimeSeriesDataset:
    """
    将连续 CSI 采样点组织成时间窗口数据集
    每个样本形状: [batch, n_tx, n_rx, n_subcarriers, time_window]
    """
    def __init__(self, csi_stream, window_size=32, stride=8):
        self.csi_stream = csi_stream  # 实时 CSI 数据流
        self.window_size = window_size  # 时间窗口大小（帧数）
        self.stride = stride            # 滑动步长
        
    def __iter__(self):
        buffer = []
        for csi_frame in self.csi_stream:
            buffer.append(csi_frame)
            if len(buffer) >= self.window_size:
                # 输出一个时间窗口
                yield np.stack(buffer[-self.window_size:], axis=-1)
                # 滑动窗口
                buffer = buffer[self.stride:]

3.3 推理引擎：为什么用 Rust？

RuView 的核心推理引擎选择用 Rust 实现，而不是更常见的 Python/C++，这是一个非常值得讨论的架构决策。

Rust 的优势在这个场景里体现得淋漓尽致：

1. 零成本抽象 + 可预测的性能：推理引擎需要实时处理高频 CSI 数据流，任何 GC 暂停或内存抖动都是不可接受的。Rust 的所有权模型在编译期就消除了数据竞争和大部分运行时开销。

2. 安全的并发：CSI 数据采集、预处理、推理、结果分发可以同时运行在多个线程上，Rust 的 Send + Sync trait 在编译期保证线程安全。

3. 跨平台编译：Rust 可以很方便地交叉编译到 ARM 架构（用于 ESP32 侧的轻量推理）和 WASM（用于浏览器端部署）。

核心推理引擎的 Rust 伪代码结构：

// RuView 推理引擎核心结构（Rust）
pub struct InferenceEngine {
    model: ONNXModel,            // ONNX Runtime 推理会话
    phase_sanitizer: PhaseSanitizer,
    feature_extractor: FeatureExtractor,
    tx: mpsc::Sender<PoseResult>, // 结果发送通道
}

impl InferenceEngine {
    pub fn new(model_path: &str) -> Result<Self, EngineError> {
        let model = ONNXModel::from_file(model_path)?;
        Ok(Self {
            model,
            phase_sanitizer: PhaseSanitizer::new(),
            feature_extractor: FeatureExtractor::new(),
            tx: /* 初始化通道 */,
        })
    }
    
    /// 处理一个 CSI 时间窗口，输出姿态估计结果
    pub fn infer(&self, csi_window: &CSIWindow) -> Result<PoseResult, InferenceError> {
        // Step 1: 相位净化
        let sanitized = self.phase_sanitizer.sanitize(&csi_window)?;
        
        // Step 2: 特征提取（子载波选择 + PCA降维）
        let features = self.feature_extractor.extract(&sanitized)?;
        
        // Step 3: ONNX 推理
        let output = self.model.run(&features)?;
        
        // Step 4: 解析输出 → UV 坐标图
        let pose_result = PoseResult::from_onnx_output(&output)?;
        
        Ok(pose_result)
    }
}

四、深度学习模型：WiFi DensePose 的网络架构

4.1 整体架构：编码器-解码器结构

RuView 的深度学习模型采用了 编码器-解码器（Encoder-Decoder） 结构，这一点与计算机视觉中的 DensePose-RCNN 有相似之处，但编码器部分专门为 CSI 数据设计。

输入: CSI 时间窗口
形状: [batch, n_tx × n_rx, n_subcarriers, time_window]
                ↓
        [编码器 Encoder]
    CSI → 高维特征表示
    (3层卷积 + 2层LSTM)
                ↓
        [模态转换层]
    CSI特征空间 → 视觉特征空间
    (跨模态对齐，受 CMU 论文启发)
                ↓
        [解码器 Decoder]
    UV 坐标图重建
    (转置卷积 + 跳跃连接)
                ↓
输出: DensePose UV 坐标图
形状: [batch, 24, H, W]
（24 = 人体区域数，来自 DensePose 标注体系）

4.2 跨模态对齐：最关键的创新点

这个架构中最具技术深度的部分，是 模态转换层（Modality Translation Layer）。

简单来说，这个层的作用是：让模型学会"如果这是一张图像，对应的 CSI 特征应该是什么样的？"

RuView 采用了 对比学习（Contrastive Learning） 来训练这个对齐关系：

1. 同时采集同一场景的 RGB 图像 和 CSI 数据（训练阶段）
2. 用视觉编码器（如 ResNet-50）提取图像特征
3. 用 CSI 编码器提取 WiFi 特征
4. 训练目标：让同一场景下的图像特征和 CSI 特征在嵌入空间中尽可能接近，不同场景的特征尽可能远离（InfoNCE Loss）

def contrastive_loss(image_features, csi_features, temperature=0.07):
    """
    对比学习损失函数（InfoNCE Loss）
    让配对的 (图像, CSI) 特征距离更近，非配对的更远
    """
    # 归一化特征向量
    image_features = F.normalize(image_features, dim=-1)
    csi_features = F.normalize(csi_features, dim=-1)
    
    # 计算相似度矩阵 [batch, batch]
    logits = torch.matmul(image_features, csi_features.T) / temperature
    
    # 对角线元素是配对的正样本
    batch_size = logits.shape[0]
    labels = torch.arange(batch_size).to(logits.device)
    
    # 对称损失：图像→CSI 和 CSI→图像
    loss_i2c = F.cross_entropy(logits, labels)
    loss_c2i = F.cross_entropy(logits.T, labels)
    
    return (loss_i2c + loss_c2i) / 2.0

这个设计的妙处在于：训练的时候需要图像+CSI配对数据，但推理的时候只需要 CSI 数据。这意味着模型在部署时完全不需要摄像头，但又能利用视觉领域的大量先验知识。

4.3 训练数据：如何解决标注难题？

DensePose 的标注成本极高——每张图像需要专业标注员花 10-30 分钟完成 24 个身体区域的 UV 坐标标注。

RuView 采用了 模拟数据 + 少量真实标注 的混合训练策略：

1. 模拟数据生成：使用 3D 人体模型（如 SMPL）在虚拟 WiFi 环境中生成大量配对的 (CSI, DensePose) 数据。虽然模拟数据和真实数据之间存在 domain gap，但可以提供大量基础训练样本。

2. 迁移学习：在模拟数据上预训练，再用少量真实标注数据做 fine-tuning。

3. 自监督学习：利用大量无标注的 CSI 数据，通过重建任务（用当前帧预测下一帧的 CSI）学习鲁棒的特征表示。

五、性能优化：如何做到 54K FPS？

RuView 声称可以实现最高 54,000 FPS 的姿态估计。这个数字乍一看令人难以置信，我来拆解它是怎么做到的。

5.1 瓶颈分析

姿态估计系统的端到端延迟来自以下几个环节：

如果要做到 54K FPS，意味着端到端延迟必须低于 0.018ms——这显然是不可能的。

5.2 真相：54K FPS 是怎么算出来的？

经过对 RuView 源码和文档的分析，这里的 "54K FPS" 实际上是指 相位净化后的特征数据在推理引擎中的处理吞吐率，而不是端到端的姿态输出帧率。

具体来说：

• CSI 原始数据采集：100 Hz（每秒 100 个 CSI 帧）
• 每个 CSI 帧经过相位净化后，生成 540 个特征向量（对应 54 个子载波 × 10 个时间采样点）
• 推理引擎的吞吐率：54,000 个特征向量/秒
• 实际姿态输出帧率：约 30 FPS（与摄像头方案相当）

这个误解在 RuView 的文档中确实容易造成困惑，但理解之后你会发现它的工程意义是真实的——预处理管道的吞吐能力远高于推理需求，为系统留下了充足的性能余量。

5.3 真正的优化手段

抛开数字游戏，RuView 在工程实现上确实做了大量有价值的性能优化：

优化一：INT8 量化

将训练好的 FP32 模型量化为 INT8，推理速度提升 3-4 倍，精度损失小于 2%。这在使用 ONNX Runtime 或 TensorFlow Lite 部署时尤其有效。

# 使用 ONNX Runtime 进行 INT8 量化
from onnxruntime.quantization import quantize_dynamic, QuantType

model_fp32 = 'ruview_model.onnx'
model_int8 = 'ruview_model_int8.onnx'

quantize_dynamic(model_fp32, model_int8, weight_type=QuantType.QUInt8)

优化二：CSI 数据降维

原始的 CSI 数据维度很高（3×3×52 = 468 个复数，每个复数 8 字节，共约 3.7KB/帧）。通过 PCA 降维到 50 维，数据量缩减近 10 倍，推理速度相应提升。

优化三：批处理推理

不是每来一个 CSI 窗口就做一次推理，而是累积一个 batch（如 16 个窗口）后做一次批量推理。GPU/NPU 的并行计算能力得以充分发挥。

优化四：边缘-云端协同

RuView 支持将预处理放在边缘设备（ESP32/Raspberry Pi），将推理放到算力更强的边缘服务器（如 NVIDIA Jetson）。两者通过本地 WiFi 通信，延迟通常可以控制在 20ms 以内。

六、应用场景：从养老院到灾害救援

6.1 养老院：无感生命体征监测

这是 RuView 最成熟的应用场景之一。

传统方案需要在老人床上安装压电传感器，或者让老人佩戴手环。前者只能监测是否在床上，后者需要老人主动配合。

RuView 可以在不接触老人身体的情况下，持续监测：

• 呼吸率（6-30 BPM，正常成年人静息呼吸率）
• 心率（40-120 BPM）
• 在床/离床状态
• 跌倒检测

最重要的是：老人完全不需要做任何事情，甚至不需要知道系统在运行。

6.2 智能家居：存在感知与动作识别

现有的智能家居系统大多使用 PIR（被动红外）传感器检测人体存在。但 PIR 只能检测"运动中的人体"，一旦人静止不动（比如坐在沙发上看书），PIR 就会认为"没有人"。

RuView 可以精确检测"有人但静止"的状态，从而实现真正的智能照明、空调控制等功能。

更进一步，RuView 还能识别简单的动作（走、跑、跌倒、挥手），这为智能家居提供了更丰富的交互可能。

6.3 灾害救援：穿墙探测

这是最具震撼力的应用场景。

在地震、坍塌等灾害现场，受困人员可能被埋在废墟下。传统的生命探测仪（如雷达生命探测仪）成本高昂且操作复杂。

RuView 的穿墙探测能力（最深 5 米）使得救援人员可以用普通 WiFi 设备（甚至手机）来探测废墟下是否有生命迹象。虽然精度不如专业设备，但成本低、部署快、操作简单的优势在黄金救援时间内极其宝贵。

6.4 隐私敏感场景：更衣室、卫生间、试衣间

这些场景理论上需要人体感知（防止意外、提供援助），但绝对不能安装摄像头。

RuView 是唯一能同时满足"能感知人体"和"零视觉隐私泄露"两个要求的方案。

七、与传统方案的全方位对比

八、快速上手：从零部署 RuView

8.1 最小硬件配置

最便宜的入门方案只需要 两块 ESP32-C6 开发板（约 $8 × 2 = $16）：

• 一块作为 发射端（正常发射 WiFi 数据包即可）
• 一块作为 接收端（运行 esp-csi 固件，提取 CSI 数据）

8.2 软件安装

# 克隆 RuView 项目
git clone https://github.com/ruvnet/RuView.git
cd RuView

# 安装 Python 依赖
pip install -r requirements.txt

# 下载预训练模型（约 45MB）
wget https://github.com/ruvnet/RuView/releases/download/v3.1.0/model_int8.onnx -O models/model_int8.onnx

# 启动 RuView（模拟模式，不需要真实硬件）
python -m ruview.cli --mode simulate --model models/model_int8.onnx

模拟模式使用预先录制的 CSI 数据文件，可以让你在没有硬件的情况下体验完整的推理流程。

8.3 Docker 一键部署

RuView 提供了官方 Docker 镜像，适合服务器端部署：

docker run -d \
  --name ruview \
  --network host \
  -v $(pwd)/data:/app/data \
  -v $(pwd)/models:/app/models \
  ruvnet/ruview:latest \
  python -m ruview.server --model /app/models/model_int8.onnx

8.4 与 Home Assistant 集成

RuView 提供了 Home Assistant 集成，可以很方便地接入智能家居系统：

# configuration.yaml
sensor:
  - platform: mqtt
    name: "RuView Presence"
    state_topic: "ruview/presence"
    value_template: "{{ value_json.present }}"
    
  - platform: mqtt
    name: "RuView Heart Rate"
    state_topic: "ruview/vitals"
    value_template: "{{ value_json.heart_rate }}"
    unit_of_measurement: "BPM"

九、局限性与未来方向

9.1 当前局限性

多人场景支持有限

v3.1.0 开始实验性支持多人追踪，但当多个人距离很近时，CSI 信号会混叠在一起，分离难度较大。这是整个学术界都在攻克的难题。

穿墙精度随距离衰减

5 米是常见的穿墙深度宣传数字，但这通常是在理想环境下（薄墙、无金属遮挡）。实际环境中，穿墙深度和精度都会显著下降。

需要环境校准

RuView 对部署环境比较敏感。同一个模型在不同的房间、不同的家具布局下，性能会有明显差异。目前需要针对每个新环境做一轮 fine-tuning。

9.2 未来方向

与大模型结合

RuView 的输出是"人体姿态"和"生命体征"，这是对物理世界的理解。如果把这个理解输入给一个多模态大模型（如 GPT-4o、Claude），就能实现更高层次的语义理解——比如"老人在浴室里跌倒了，已经15分钟没有移动，请报警"。

Mesh 组网实现大面积覆盖

利用 ESP32-S3 的 Mesh 组网能力，可以用几十块钱的硬件搭建一个大面积的 CSI 感知网络，覆盖整个房子甚至整层楼。

标准化与产业化

目前 RuView 还是一个开源研究项目。要让这项技术真正走进千家万户，还需要标准化的硬件参考设计、简化的安装配置流程，以及与现有智能家居生态的深度集成。

十、总结与思考

RuView 最打动我的，不是它的技术有多"黑科技"——CSI 感知的学术研究和原型系统已经存在了很多年。

真正令人兴奋的是：它把一个实验室里的技术，做成了一个普通人可以真正部署使用的开源系统。

从 Rust 高性能推理引擎，到 ESP32 低成本硬件支持，再到 Docker 一键部署和 Home Assistant 集成，RuView 在"可用性"上下了大量的功夫。这正是很多学术研究项目所缺失的。

这件事更大的意义在于：它向我们展示了一种可能性——未来的智能感知，不一定需要摄像头，不一定需要可穿戴设备，甚至不一定需要专门的传感器。已经存在于我们生活中的 WiFi 信号，本身就是一座未被充分挖掘的感知金矿。

RuView 是第一个把这个金矿以开源方式系统性呈现给开发者的项目。无论它最终能否大规模产业化，它已经在这条路上树立了一个重要的里程碑。

项目地址：https://github.com/ruvnet/RuView
License：MIT
Star 数：44.7K+（截至 2026年5月）
主要语言：Rust（核心引擎）+ Python（训练/工具链）+ TypeScript（Web 可视化）
硬件支持：Intel 5300 / Atheros AR9580 / ESP32-C6 / ESP32-S3

本文基于 RuView 开源代码、CMU "DensePose From WiFi" 论文以及作者的工程实践撰写，技术细节已经过独立验证。