前言：从MIT到CMU——WiFi感知的十年演进
用无线电信号"看穿墙壁"并非新鲜概念。
2013年，MIT CSAIL的Dina Katabi团队就开始探索WiFi信号的穿墙感知能力，发表了Through-Wall Human Pose Estimation Using Radio Signals的早期工作。
2018年，该团队在CVPR上正式发布了 RF-Pose——首个利用WiFi信号+深度学习实现穿墙人体姿态估计的系统。它使用专用射频硬件（价格数千美元），通过WiFi信号的反射和穿透特性来重建人体骨架。这项工作证明了无线电波可以像摄像头一样"看见"人体。
2023年，卡内基梅隆大学（CMU）的Jiaqi Geng等人发表了 《DensePose From WiFi》（arXiv: 2301.00250，提交于2022年12月31日），将这一领域推向新高度——首次实现了WiFi信号到人体密集姿态（DensePose，逐像素的UV映射）的转换，使用3个WiFi发射器+3个接收器的专用硬件阵列。
2026年，开源项目 RuView（π RuView） 尝试将上述研究从实验室推向工程落地——将硬件成本从数千美元降至140，使用ESP32-S3替代专用射频设备，完全在边缘端运行，不需要摄像头参与推理。
截至2026年3月，该项目在GitHub上已获得约56.8k stars，社区关注度极高。
但$9的消费级芯片真的能复现CMU的学术成果吗？本文将既讲技术，也讲局限。
一、为什么需要"无摄像头"的人体感知？
1.1 隐私困境：摄像头的原罪
| 需求场景 | 摄像头方案的痛点 |
|---|---|
| 养老院跌倒检测 | 卧室/卫生间覆盖，隐私敏感区域无法部署 |
| 儿童午睡呼吸监测 | 未成年人影像采集受《个人信息保护法》《未成年人保护法》严格限制 |
| 零售客流分析 | GDPR/CCPA要求明确告知并获得顾客opt-in同意 |
| 工厂工人安全 | 高温/粉尘/烟雾/油污环境摄像头镜头失效 |
| 监狱/军事设施 | 摄像头存在被遮挡、被物理攻击的盲区 |
WiFi感知的法律优势：无线电信号不含图像信息，不构成"视频监控"，天然绕过GDPR视频条款和HIPAA影像条款。这是它在欧洲和北美市场最大的合规卖点。
1.2 成本对比
| 方案 | 单区域成本 | 穿墙 | 暗光 | 隐私合规 |
|---|---|---|---|---|
| 摄像头+GPU盒子 | 2,000 | ❌ | 需IR | 需合规流程 |
| PIR红外传感器 | 150 | ❌ | ✅ | ✅ |
| 毫米波雷达(60GHz) | 500 | 有限 | ✅ | ✅ |
| WiFi CSI（ESP32-S3） | 54 | ✅ | ✅ | ✅ 天然合规 |
💡 关键洞察：如果你家/办公室已经有WiFi路由器，它已经在"照亮"整个空间。ESP32-S3只是被动接收这些信号的变化——边际成本趋近于零。
二、技术原理：WiFi信号如何"看见"人体
2.1 CSI：从"模糊黑白"到"高清彩色"
大多数WiFi应用只使用RSSI（Received Signal Strength Indicator），它是一个标量——只知道"信号强不强"。
CSI（Channel State Information） 是一个复数矩阵，记录每个子载波（subcarrier）的幅度（amplitude）和相位（phase）。802.11n标准下一个20MHz信道有56个子载波，每个子载波独立记录信号传播特性：
RSSI（1个数字）: CSI（56×时间 序列矩阵）:
┌─────────┐ ┌─────────────────────────────┐
│ -45 dBm │ │ 子载波1: [A₁∠φ₁, A₂∠φ₂, ...] │
│ │ │ 子载波2: [A₁∠φ₁, A₂∠φ₂, ...] │
│ "有信号" │ │ ... │
│ │ │ 子载波56:[A₁∠φ₁, A₂∠φ₂, ...] │
└─────────┘ └─────────────────────────────┘
"模糊剪影" "频率维度的精细散射画像"
为什么CSI比RSSI强得多？ 人体不同部位（手臂、腿、躯干）对不同频率子载波的散射模式不同。56个子载波相当于56个不同频率的"微型雷达"同时观测，提供了空间-频率的二维信息。
2.2 Fresnel区模型：理解WiFi与人体的交互
发射端(Tx) 接收端(Rx)
●──────── 椭圆Fresnel区 ────────●
╱ 第1椭圆 ╲
╱ (最强干涉) ╲
╱ 第2椭圆(次强) ╲
╱ 第3椭圆(较弱) ╲
人体穿越 → 打破干涉模式
呼吸/心跳 → 毫米级相位漂移
- 人体移动（~0.5m/s）→ 打破Fresnel区对称性 → CSI幅度剧烈变化（10-100x噪声基底）
- 呼吸（胸腔位移~4mm）→ 子载波相位缓慢漂移（0.1-0.5Hz频段）
- 心跳（胸腔位移~0.5mm）→ 相位微扰（0.8-2.0Hz频段，信号极弱）
- 多人场景 → 不同位置的Fresnel区独立扰动 → 需要信号分离算法
2.3 RuView信号处理管线
WiFi路由器 ──→ 无线电波穿过房间 ──→ 遇到人体产生散射
│
┌────────────────────────▼─────────────────────────┐
│ ESP32 mesh（4-6节点）采集CSI │
│ 通道 1/6/11，TDM时分复用 │
│ 3通道 × 56子载波 = 168虚拟子载波/链路 │
└────────────────────────┬─────────────────────────┘
│
┌────────────────────────▼─────────────────────────┐
│ 多静态融合：N×(N-1)链路 │
│ → 注意力加权跨视角嵌入 │
└────────────────────────┬─────────────────────────┘
│
┌────────────────────────▼─────────────────────────┐
│ 信号清洗 │
│ Hampel滤波（去脉冲噪声） │
│ SpotFi（超分辨率AoA估计） │
│ BVP（带通生命体征提取） │
│ 频谱图（时频特征） │
└────────────────────────┬─────────────────────────┘
│
┌────────────────────────▼─────────────────────────┐
│ AI骨架（RuVector） │
│ 注意力机制 + 图算法 + 压缩 + 场模型 │
└────────────────────────┬─────────────────────────┘
│
┌────────────────────────▼─────────────────────────┐
│ 输出：17关键点姿态 / 呼吸BPM / 心率BPM │
│ 房间指纹 / 异常告警 │
└──────────────────────────────────────────────────┘
三、RuView架构深度拆解
3.1 系统总览
┌─────────────────────────────────────────────────────────────┐
│ π RuView 架构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ ESP32-S3 │ │ ESP32-S3 │ │ ESP32-S3 │ ← CSI采集层 │
│ │ Node 1 │ │ Node 2 │ │ Node 3 │ ($9/节点) │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ │
│ │ │ │ │
│ └──────────────┼──────────────┘ │
│ │ │
│ ┌───────▼───────┐ │
│ │ Bridge/网关 │ ← CSI数据汇聚 │
│ └───────┬───────┘ │
│ │ │
│ ┌────────────┼────────────┐ │
│ ▼ ▼ ▼ │
│ ┌────────────┐ ┌─────────┐ ┌──────────────┐ │
│ │ Sensing │ │ Cognitum│ │ Edge Modules │ │
│ │ Server │ │ Seed │ │ (WASM) │ │
│ │ (Rust) │ │(见注*) │ │ 60-65个模块 │ │
│ └────────────┘ └─────────┘ └──────────────┘ │
│ │ │ │ │
│ └──────────────┼──────────────┘ │
│ ▼ │
│ ┌──────────────────┐ │
│ │ 可视化 / API │ │
│ │ localhost:3000 │ │
│ └──────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘
注*：Cognitum Seed 为项目关联硬件产品，售价$140为官方声称，
截至发稿未找到独立定价信息。不购买Seed仍可使用ESP32 mesh方案。
3.2 核心能力矩阵
| 能力 | 技术方案 | 性能指标（项目方声称） | 独立验证状态 |
|---|---|---|---|
| 🦴 姿态估计 | CSI子载波 → 17 COCO关键点 | 171K emb/s（Apple M4 Pro） | ❌ 未见独立验证 |
| 🫁 呼吸检测 | 带通 0.1-0.5 Hz → 过零率 | 6-30 BPM | ⚠️ 原理成熟，但精度未独立测试 |
| 💓 心率检测 | 带通 0.8-2.0 Hz → 过零率 | 40-120 BPM | ⚠️ 0.5mm级信号，实际可靠性待验证 |
| 👤 存在感知 | 训练模型 + PIR融合 | 100%准确率，0.012ms | ⚠️ "100%"可能仅限特定测试集 |
| 🧱 穿墙 | Fresnel区 + 多径建模 | 最深5m | ❌ 未见独立验证 |
| 🧠 边缘智能 | 8维特征 + RVF存储 | $140总BOM | ⚠️ BOM含Cognitum Seed |
| 📡 多频Mesh | 6信道跳频 | 3倍感知带宽 | ✅ 原理合理 |
⚠️ 读者注意：上表性能数据均来自RuView项目README，未附带独立的实验论文或可复现的基准测试。171K emb/s是嵌入速度而非姿态精度；"100%存在感知准确率"大概率是在受控测试集上的结果。
3.3 技术栈
- 语言：Rust 1.85+（核心）+ Python（训练/工具）+ JavaScript（脚本/可视化）
- 硬件：ESP32-S3（Xtensa LX7 双核，240MHz，支持WiFi CSI）
- AI框架：RuVector（项目自研，注意力/图算法/压缩）
- 边缘运行时：WASM3（WebAssembly on ESP32，
no_stdRust编译为wasm32-unknown-unknown） - 容器化：Docker 多架构（amd64 + arm64）
- 许可证：MIT
四、WASM边缘模块：在ESP32上跑AI
4.1 模块概况
RuView在ESP32上实现了60-65个WASM边缘模块（README中存在两个数字的不一致：ADR-041标题写"60"，另一处写"65"，实际需核实代码目录），覆盖13个应用类别，609个测试用例全部通过。
每个模块是一个5-30 KB的.wasm文件，通过OTA上传到ESP32，在WASM3运行时上本地执行。
关于"WASM on ESP32"的工程意义：传统嵌入式开发需要针对每个设备交叉编译。WASM模块化方案允许：
- 热更新（OTA推送单个模块，无需重刷整个固件）
- 沙箱隔离（一个模块崩溃不影响其他模块）
- 跨平台（同一
.wasm文件可在任何支持WASM3的MCU上运行）
4.2 模块分类
| 类别 | 模块数 | 典型应用 |
|---|---|---|
| 🏥 医疗健康 | 5 | 睡眠呼吸暂停、心律异常、步态分析、癫痫检测、呼吸窘迫 |
| 🔐 安防 | 5 | 入侵检测、周界突破、尾随、徘徊、恐慌动作 |
| 🏢 智能建筑 | 5 | 占用计数、HVAC控制、电梯计数、会议室、能耗审计 |
| 🛒 零售 | 5 | 排队长度、驻留热力图、客流统计、翻台率、货架关注 |
| 🏭 工业 | 5 | 叉车接近、密闭空间、洁净室、牲畜监测、结构振动 |
| 🔮 实验研究 | 8 | 睡眠分期、情绪检测、手语识别、植物监测、雨检测 |
| 📡 信号智能 | 6 | Flash Attention、相干门控、时域压缩、稀疏恢复、最优传输 |
| 🧠 自适应学习 | 4 | DTW手势学习、异常吸引子、元学习、EWC终身学习 |
| 🗺️ 空间推理 | 3 | PageRank影响图、HNSW搜索、脉冲追踪器 |
| ⏱️ 时序分析 | 3 | 模式序列、时序逻辑守卫、GOAP自主规划 |
| 🛡️ AI安全 | 2 | 重放攻击检测、行为画像 |
| ⚛️ 量子启发 | 2 | 量子相干映射、Grover搜索 |
| 🤖 自治系统 | 2 | 符号推理、自愈Mesh |
4.3 精选模块技术解析
① Flash Attention（信号智能）
// sig_flash_attention.rs
// 对56个子载波分成8组，进行分块注意力计算
// 类似Transformer的QKV注意力，但Q/K/V来自WiFi子载波分组
// 输出：空间焦点区域 + 信号熵值
// 预算: S (<5ms)
将Transformer中Flash Attention的分块计算思想，应用到WiFi子载波分组上。但需注意：这里的"注意力"是信号处理层面的相关性计算，与LLM的Transformer注意力在数学形式上相似，但规模和复杂度完全不同。
② 脉冲神经网络追踪器（空间推理）
// spt_spiking_tracker.rs
// 32个LIF（Leaky Integrate-and-Fire）脉冲神经元
// 4个区域输出神经元
// 使用STDP（脉冲时序依赖可塑性）在线学习
// 预算: S (<5ms)
使用**脉冲神经网络（SNN）**而非传统ANN做目标追踪。优势：事件驱动（仅在信号变化时计算），天然适合低功耗MCU。这是目前少数在ESP32上实际运行SNN的开源实现。
③ 睡眠呼吸暂停检测（医疗）
// med_sleep_apnea.rs
// 原理: 监测CSI信号0.1-0.5Hz频段能量
// 呼吸暂停 → 该频段能量突降至噪声基底
// 超过预设时间阈值 → 触发告警
// 预算: S (<5ms)
实际价值：原理上可行（带通滤波检测呼吸频率是WiFi感知领域成熟技术）。但需注意：医疗级设备需要FDA/NMPA认证，此模块目前仅作为研究/辅助用途，不能替代专业医疗设备。
五、姿态精度：坦诚面对"2.5%"
这是本文必须专门讨论的核心问题。
5.1 什么是PCK@20？
PCK@20（Percentage of Correct Keypoints at 20 pixels） 是姿态估计的标准评估指标：如果预测的关键点与Ground Truth的距离在20像素以内，就算"正确"。
- PCK@20 = 100%：完美
- PCK@20 = 50%：一半关键点大致正确
- PCK@20 = 2.5%：几乎完全不正确
5.2 RuView当前精度
| 训练方式 | PCK@20 | 状态 |
|---|---|---|
| 无摄像头（proxy labels） | ≈2.5% | 已验证（README声称） |
| 摄像头辅助（MediaPipe GT） | 目标35%+ | 流水线已实现，评估阶段(ADR-079 P7-P9)尚未完成，无实测数据 |
2.5%意味着什么？ 坦率地说——纯WiFi的姿态估计在标准评测下精度极低，尚不具备实用价值。 17个关键点中，平均只有不到1个在20像素误差内。
这是整个WiFi DensePose领域的共同挑战，而非RuView独有。CMU原始论文使用的是专用硬件阵列（3个TX + 3个RX，定制FPGA），且在受控环境中测试。将方案迁移到$9的ESP32上，信号质量和天线数量都大幅下降，精度损失是预期内的。
5.3 为什么存在感知等功能仍然可用？
关键区分：存在检测（有人/没人）和生命体征监测（呼吸/心率）的难度远低于姿态估计。
- 存在检测：只需判断CSI统计特征是否发生显著变化 → 成熟的信号处理方法即可
- 呼吸频率：0.1-0.5Hz频段的带通滤波+过零率检测 → 经典方法，鲁棒性较好
- 心率：0.8-2.0Hz频段信号极弱（胸腔位移仅~0.5mm）→ 实际可靠性存疑
- 姿态估计：需要从CSI反推17个3D关键点 → 这是本质上ill-posed的逆问题
读者决策建议：
- 如果你需要存在感知+呼吸监测 → RuView的ESP32方案有实际价值
- 如果你需要精确姿态估计 → 当前精度不可用，等待摄像头辅助训练结果（ADR-079）
- 如果你需要心率监测 → 谨慎对待，0.5mm胸腔位移的WiFi检测在学术界仍有争议
六、自学习AI与跨环境泛化
6.1 对比学习框架（ADR-024）
WiFi信号序列 → Transformer + GNN编码器
│
┌──────────┼──────────┐
▼ ▼
128维环境指纹 17关节姿态
(用于识别/搜索) (用于追踪)
│
对比学习损失
正样本对：同一时刻的不同视角信号 → 拉近
负样本对：不同时刻的信号 → 推远
无需人工标注
亮点：55KB总模型（28KB Transformer + 25KB投影头 + 2KB MicroLoRA适配器），适合ESP32-S3的320-512KB可用RAM。
6.2 MicroLoRA跨环境适配
| 问题 | 传统方案 | RuView方案 |
|---|---|---|
| 换个房间模型失效 | 重新采集数据+重训练（数小时） | 2KB MicroLoRA适配（10分钟，93%数据节省） |
| 房间布局变化 | 模型报废 | MicroLoRA增量更新 |
MicroLoRA借鉴了LoRA（Low-Rank Adaptation）的思想，但将适配器压缩到极致——每个房间只需1,792个参数（约2KB），可在ESP32上实时学习。
6.3 摄像头辅助训练（ADR-079）——尚未验证
训练流程设计：
摄像头画面 → MediaPipe姿态提取 → 17关键点Ground Truth
│
ESP32-S3 CSI数据 ─────────────────────────────┤
│
监督训练（对齐）
│
部署时移除摄像头
关键不确定性：ADR-079的评估阶段（P7-P9）尚未完成。"目标35%+PCK@20"是一个工程目标，而非已验证的实验结果。 这个数字能否达到，取决于MediaPipe标签质量、CSI-视觉对齐精度等多个未验证环节。
七、实战部署：三种方案
方案一：Docker快速体验（零成本，5分钟，模拟数据）
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# 浏览器打开 http://localhost:3000
# 注意：使用模拟数据，非真实CSI采集
适合：快速了解项目功能，评估可视化界面，决定是否投入硬件。
方案二：ESP32 Mesh（54，真实感知）
# 烧录固件
python -m esptool --chip esp32s3 --port COM9 --baud 460800 \
write_flash 0x0 bootloader.bin 0x8000 partition-table.bin \
0xf000 ota_data_initial.bin 0x20000 esp32-csi-node.bin
# 配置网络
python firmware/esp32-csi-node/provision.py --port COM9 \
--ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20
# 启动感知
node scripts/rf-scan.js --port 5006
node scripts/snn-csi-processor.js --port 5006
硬件需求：3-6个ESP32-S3节点 + 一个WiFi路由器。注意：需要CSI固件支持，不是任意ESP32-S3开发板都能直接使用。
方案三：完整系统（~$140，含Cognitum Seed）
Cognitum Seed（项目关联硬件，$140价格为官方声称）提供：
- 持久化向量存储（房间指纹、活动模式）
- kNN搜索（相似环境检索）
- Ed25519密码学见证链（测量不可篡改）
- MCP代理（AI集成）
独立性说明：Cognitum Seed的详细规格和独立评测在公开渠道信息有限。如果不购买Seed，ESP32 mesh方案仍可独立运行存在检测和生命体征监测功能。
八、应用场景分析（附可行性评估）
| 场景 | 功能 | 当前可行性 | 限制因素 |
|---|---|---|---|
| 养老院跌倒检测 | 穿墙存在感知 + 异常动作 | ⭐⭐⭐⭐ 较高 | 跌倒特征需训练，宠物可能误触发 |
| 呼吸监测 | 带通滤波BPM | ⭐⭐⭐⭐ 较高 | 原理成熟，但多人场景分离困难 |
| 心率监测 | 带通滤波BPM | ⭐⭐ 较低 | 0.5mm信号极弱，可靠性存疑 |
| 姿态估计 | 17关键点 | ⭐ 很低 | PCK@20=2.5%，实用不可用 |
| 存在感知 | 有人/没人 | ⭐⭐⭐⭐⭐ 很高 | 最成熟的功能，延迟极低 |
| 会议室计数 | N人检测 | ⭐⭐⭐ 中等 | 单AP约3-5人上限，多AP可扩展 |
| 零售客流 | 热力图/排队 | ⭐⭐⭐ 中等 | 精度不如摄像头，但隐私合规 |
| 搜救穿墙 | 呼吸检测 | ⭐⭐ 研究阶段 | 30cm混凝土+废墟环境极具挑战 |
| 协作机器人安全 | 人类接近检测 | ⭐⭐⭐ 中等 | <100ms延迟要求高，需验证 |
九、真实挑战与对抗性分析
以下是WiFi CSI感知的通用挑战，RuView也不例外：
9.1 环境敏感性
- 金属反射：金属家具、冰箱、电梯轿厢会产生强多径干扰，信号模式与人体散射混叠
- 动态家具：推拉门、摇摆风扇、窗帘飘动都会引入非人体的信号变化
- 宠物：猫狗的运动模式与人类不同，但CSI层面可能产生混淆（尤其小型宠物vs幼儿）
- 温湿度：WiFi信号衰减受温湿度影响，长期部署需要环境校准
9.2 对抗攻击风险
RuView的AI Security模块（ais_prompt_shield.rs等）声称能检测：
- 信号重放攻击
- WiFi干扰/阻塞
- 注入攻击
但WiFi CSI感知的根本脆弱性在于：
- 攻击者可以使用另一个WiFi发射器在同频段注入信号，欺骗CSI测量
- 物理层的信号欺骗比应用层更难防御（因为攻击发生在电磁波层面）
- RuView的安全模块是软件层面的异常检测，无法防御精心设计的物理层攻击
9.3 可扩展性天花板
- 单AP区分约3-5人（受56子载波维度限制）
- 多AP线性扩展：4个AP可覆盖15-20人
- 实际天花板是信号物理学，不是软件——子载波数量决定了可区分的独立散射体数量
十、与学术方案和行业方案对比
| 维度 | RuView | RF-Pose (MIT 2018) | DensePose From WiFi (CMU 2023) | 华为CSI感知 |
|---|---|---|---|---|
| 硬件 | ESP32-S3 ($9) | 专用射频 ($数千) | 专用3TX+3RX ($数千) | 企业AP |
| 姿态精度 | PCK@20≈2.5% | 论文报告显著更高 | DensePose UV映射 | 未公开 |
| 穿墙能力 | 声称5m | 有验证 | 受控环境 | 未公开 |
| 开源 | ✅ MIT | ❌ | ❌ | ❌ |
| 边缘推理 | ✅ WASM on ESP32 | 服务器 | 服务器 | AP端 |
| 生命体征 | 呼吸+心率 | ❌ | ❌ | ✅ |
| 自学习 | ✅ | ❌ | ❌ | N/A |
RuView的定位：它不是CMU论文的直接复现，而是一个工程化的开源平台，用消费级硬件将多个WiFi感知能力整合到一起。精度不如学术方案，但成本低100倍，且完全开源可修改。
十一、行业趋势与展望
11.1 WiFi 7通感一体标准化
2025年，世界无线局域网应用发展联盟（WAA）发布了《智慧园区WLAN通感一体发展及应用白皮书》；2025年12月，华为发布了《园区网络WLAN CSI感知技术白皮书》（25页）。WiFi 7（802.11be）标准原生支持更精细的CSI采集，通感一体正在从研究走向标准化。
11.2 学术前沿
- CSI-Bench（2025）：首个大规模真实场景WiFi感知数据集
- TinySense（2026）：高效CSI压缩，解决数据量与精度的矛盾
- AdaPose（2024）：跨场地设备无关姿态估计，解决环境泛化问题
11.3 展望
- 短期（1-2年）：存在感知+呼吸监测进入消费级产品（已有厂商在做）
- 中期（3-5年）：WiFi 7 AP内置感知能力，姿态精度达到实用水平
- 长期：多模态融合（WiFi+毫米波+摄像头深度）成为标配
十二、快速上手
# 克隆
git clone https://github.com/ruvnet/RuView.git && cd RuView
# 编译
cargo build --release
# 测试（1463个用例）
cargo test
# Claude Code插件（可选）
# /plugin marketplace add ruvnet/RuView
# /plugin install ruview@ruview
# /ruview-start → 交互式入门
总结：一个值得跟踪的开源项目，但不要过度期待
RuView做对了什么：
- 将WiFi感知的硬件门槛从数千美元降至$9
- 60-65个WASM边缘模块的工程实现令人印象深刻
- 自学习+MicroLoRA跨环境方案有学术创新性
- 完全开源（MIT），社区活跃（~30K stars）
RuView还没做到什么：
- 姿态估计精度（PCK@20=2.5%）离实用有巨大差距
- 心率检测的可靠性未见独立验证
- Cognitum Seed定价和规格缺乏独立信息
- 摄像头辅助训练（目标35%+）尚未完成评估
给读者的建议：
- 如果你对WiFi感知感兴趣 → 值得clone下来研究代码和架构
- 如果你需要存在感知/呼吸监测 → 可以尝试ESP32方案，原理上可行
- 如果你需要精确姿态估计 → 目前不可用，关注ADR-079评估结果
- 如果你在做商业项目 → WiFi CSI感知方向正确，但建议等待WiFi 7标准化成熟
