RuView: räumliche Sensorik per WiFi und ein Streit über seine Reife

Alles Wissenswerte über ruvnet/RuView: ein Repository für WiFi-CSI-Sensorik, das beansprucht, Anwesenheit, Bewegung und Vitalzeichen ohne Video zu erkennen, mit umfangreicher Dokumentation und einer stark gespaltenen Aufnahme in der Community.

Was RuView ist

RuView präsentiert sich als Plattform für räumliche Intelligenz am Edge. Der Ansatz besteht darin, WiFi-Kanalzustandsinformationen (CSI) mit ESP32-Knoten auszulesen und Signaländerungen in Anwesenheit, Bewegung, Atmung, Puls, Belegung und in manchen Fällen Posenschätzung umzuwandeln. Das Repository behauptet, die Verarbeitung könne vollständig lokal erfolgen, ohne Kameras und ohne Internetverbindung, und der übliche Einsatz kombiniere ein ESP32-S3-Mesh mit optional Cognitum Seed.

Nahaufnahme eines ESP32-S3-Knotens, der neonblaue WiFi-Signale aussendet, die mit anderen Knoten ein Mesh-Netzwerk bilden und die Kanalzustandsinformationen (CSI) als pulsierende geometrische Wellenfronten visualisieren.

Der angegebene Umfang ist sehr breit: Firmware für ESP32, ein Sensing-Server, Modelle, ein Docker-Image, Python-Pakete, eine Rust-Bibliothek sowie Konnektoren für MQTT, Home Assistant, Matter und Smart-Home-Assistenten. Das README weist auf eine wichtige Einschränkung hin: Docker verwendet simulierte Daten; die fortgeschrittenen Fähigkeiten erfordern Hardware, die CSI bereitstellt, etwa ESP32-S3, ESP32-C6 (noch in Forschung) oder bestimmte Netzwerkkarten. Ein herkömmlicher WiFi-Laptop ist auf RSSI-basierte Anwesenheit und Bewegung beschränkt.

Das Projekt enthält Warnhinweise, die man im Blick behalten sollte: Es definiert sich selbst als Beta-Software; das eigene README besagt, dass das integrierte 17-Punkt-Posenmodell für ESP32 ein erster Entwurf ist, hinter seinem Ziel zurückbleibt und sein Inferenzpfad eine Konfidenz von null zurückgibt. Ebenso wird dokumentiert, dass die Hugging-Face-Modelldatei von der Serveroption --model noch nicht akzeptiert wird. Diese Vorbehalte stammen vom Projekt selbst, nicht von einem unabhängigen Audit.

Der Ursprung: von wifi-densepose zu RuView

Die GitHub-API datiert die Erstellung des Repositorys auf den 7. Juni 2025. Das Autorenkonto ist ruvnet, dessen Profil sich als rUv identifiziert, auf Cognitum.One verlinkt und das Unternehmen als „Not a Bot” beschreibt. Es wurde kein unabhängiger Launch-Beitrag gefunden, der eine präzise Rekonstruktion der persönlichen Motivation oder einer ersten Ankündigung erlauben würde.

Die verifizierbare öffentliche Historie zeigt jedoch eine Umbenennung: Das Installationstutorial #34, erstellt am 28. Februar 2026, besagt ausdrücklich, dass das Repository von wifi-densepose zu RuView wechselte. Ein Hacker-News-Thread vom 26. Dezember 2025 verlinkte noch auf ruvnet/wifi-densepose; ein anderer vom 3. März 2026 verlinkte bereits auf ruvnet/RuView.

Die Spannung rund um das Projekt ist nicht nur technischer Natur. Die Erzählung stellt Privatsphäre durch den Verzicht auf Video in Aussicht, während Kommentatoren einwandten, dass Sensorik durch Wände hindurch ohne Zustimmung Überwachung sein könne. Parallel dazu versucht das aktuelle README, gemessene Ergebnisse von Ansprüchen zu trennen: Es zieht eine frühere Angabe von 100 Prozent Anwesenheitserkennung zurück, berichtet 82,3 Prozent für einen temporären Test seines Encoders und kennzeichnet mehrere Fähigkeiten als experimentell oder ausstehend. Diese Selbstkorrektur ist ein redaktionelles Merkmal des README; sie ersetzt keine externe Reproduktion.

Zweigeteilte Illustration: links ein Neon-Schild, das kameralose Privatsphäre symbolisiert; rechts ein Warnschild mit einem aus WiFi-Wellen geformten Auge, das die Sorge vor passiver Überwachung symbolisiert.

Philosophie und Prinzipien

Der Ansatz gliedert sich um vier in der Dokumentation überprüfbare Ideen:

Keine Pixel, keine Kameras: Funksignale statt Bilder oder Video erfassen.
Edge-Verarbeitung: ESP32-Knoten und lokale Verarbeitung nutzen, um die Cloud-Abhängigkeit zu verringern.
Lokale Kalibrierung: einen Fingerabdruck jeder Umgebung aus CSI lernen und Modelle pro Raum anpassen.
Nachvollziehbarkeit von Behauptungen: Das Repository veröffentlicht einen deterministischen Nachweis, Attestierungsprotokolle und eine Richtlinie, die gemessene, experimentelle und ausstehende Fähigkeiten trennt.

Dieses letzte Prinzip hat eine konkrete Anwendung: Das portable Harness npx @ruvnet/ruview kündigt eine Behauptungsprüfung an, die unbeschriftete Zahlen oder die alte, zurückgezogene Behauptung markiert. Es ist ein Projekt-Tool; seine Wirksamkeit wurde hier nicht unabhängig validiert.

Eine digitale Waage vergleicht ein leuchtend grünes Neon-Häkchen, das gemessene Fähigkeiten und lokale Kalibrierung darstellt, mit einem leuchtend orangefarbenen Neon-Fragezeichen, das experimentelle und ausstehende Funktionen darstellt.

Wie es funktioniert

Der im README beschriebene technische Ablauf ist folgender:

Ein kompatibler ESP32-Knoten erfasst CSI aus WiFi-Übertragungen; ein Mesh kann mehrere Verbindungen und Kanäle sammeln.
Der Server kombiniert Kanäle und Knoten, bereinigt das Signal und berechnet Merkmale für Anwesenheit, Bewegung, Vitalzeichen oder Raum-Fingerabdrücke.
Die Ausgaben können eine Weboberfläche, MQTT oder Smart-Home-Integrationen erreichen. Home Assistant wird mit --mqtt konfiguriert; die Dokumentation beschreibt außerdem eine Matter-Bridge für Apple Home, Google Home, Alexa und SmartThings.
Zum Experimentieren ohne Hardware lautet der dokumentierte Start docker pull ruvnet/wifi-densepose:latest und docker run -p 3000:3000 ruvnet/wifi-densepose:latest. Für einen echten Knoten liefert das README Befehle zum Kompilieren, Flashen und Provisionieren von ESP32.

Futuristisches Server-Dashboard im Dark Mode, das die Verarbeitung von RuView-WiFi-CSI-Daten zeigt, mit neongrünen und -orangen Datenströmen und einer 3D-Raumkarte, die eine sich bewegende Figur zeigt, ohne Cloud-Symbole, mit Betonung auf Edge-Computing.

Es gibt auch einen Lernablauf: cargo run -p wifi-densepose-sensing-server -- --pretrain zum Vortrainieren mit CSI, --train für beschriftetes Training und --embed oder --build-index zum Extrahieren und Abfragen von Fingerabdrücken. Das ist eine dokumentierte Schnittstelle, kein Beweis dafür, dass jeder Modus auf beliebiger Hardware oder in jedem Raum brauchbare Ergebnisse liefert.

Futuristisches Kommandozeilenterminal mit Rust-Code und Befehlen wie cargo run -- --pretrain und npx @ruvnet/ruview, mit holografischen 17-Punkt-Modellen menschlicher Posen, die als experimentell markiert sind und eine Konfidenz von null anzeigen.

Für Coding-Agenten enthält das Repository ein Claude-Code-Plugin mit neun Skills, sieben /ruview-*-Befehlen und drei Agenten. Das README gibt an, dass die Befehle als Codex-Prompts gespiegelt werden, indem Dateien nach ~/.codex/prompts/ kopiert werden; das Harness npx @ruvnet/ruview stellt MCP-Tools für Betrieb und Verifikation bereit.

Offizieller und halboffizieller Status

Es wurden keine Belege dafür gefunden, dass RuView in einem offiziellen Marktplatz von Anthropic, OpenAI, Home Assistant, Matter, Apple, Google oder Amazon aufgenommen wurde. Das Repository veröffentlicht jedoch ein eigenes Marktplatz-Manifest für sein Claude-Code-Plugin und verwendet Badges, die Kompatibilität mit Home Assistant, Matter, Apple Home, Google Home und Alexa beanspruchen. Diese Badges und die Dokumentation sind Behauptungen des Projekts, keine Zertifizierungen der Anbieter.

In der Praxis gibt es dokumentierte technische Integration für MQTT, Home Assistant und eine Matter-Bridge; das kann die Nutzung in diesen Ökosystemen erleichtern. Es erlaubt nicht die Behauptung einer Unterstützung durch einen Anbieter oder dass RuView ein De-facto-Standard sei.

Ein cyberpunkartiges Wohnzimmer im Smart-Home-Stil, in dem neonfarbene Datenströme die Protokolle MQTT und Matter darstellen, die einen zentralen ESP32-Knoten mit den Symbolen von Apple Home, Google Home und Alexa verbinden, ohne sichtbare Kameras.

Das Ökosystem

Repositories des Autors

Die eigene Dokumentation von RuView verlinkt auf mehrere ruvnet-Projekte oder erklärt eine Abhängigkeit von ihnen:

ruvnet/RuVector: eine Vektor-, Speicher- und Graph-Basis, die das README als Teil der Architektur nennt; 4.398 Sterne und 581 Forks.
ruvnet/rvcsi: eine Laufzeitumgebung zur Normalisierung von CSI aus Nexmon, ESP32, Intel, Atheros, Dateien und Wiedergabe; das README besagt, dass sie als Submodul enthalten ist. Sie hatte 18 Sterne und 2 Forks.
ruvnet/rufield: eine Spezifikation für kameralose Feldsensorik; 24 Sterne und 3 Forks.
ruvnet/ruflo: ein Agenten-Harness mit Speicher und Multi-Agenten-Abläufen; 66.769 Sterne und 7.962 Forks.
ruvnet/metaharness: ein Harness-Generator mit CLI, MCP und Speicher; das README von RuView besagt, dass sein portables Harness mit diesem Projekt erstellt wurde. Es hatte 534 Sterne und 64 Forks.

Die obigen Zahlen stammen von der GitHub-API vom 1. August 2026. Sie zeigen eine Autoren- oder Dokumentationsbeziehung an, garantieren aber keine versionierte Abhängigkeit oder gemeinsame Unterstützung.

Ports, Forks und Community-Erweiterungen

Die GitHub-Suche förderte eine Mischung aus Forks, Anpassungen und Projekten zutage, die sich als verwandt präsentieren. Nicht alle werden von ruvnet gepflegt:

deletexiumu/wifi-densepose, 105 Sterne, ist ein Fork, der sich als kritisches Audit präsentiert und das Label „SCAM ALERT” verwendet. Er ist die wiederkehrende Referenz der Kritik auf Hacker News; seine Beschreibung ist die Position dieses Forks, kein unabhängiges Urteil dieses Artikels.
Gast779/RuView-fixed, 4 Sterne, wirbt als Variante mit Korrekturen und funktionierender API.
MAXXTANG/ruview-xiao, 6 Sterne, passt die Sensorik an Seeed-XIAO-Boards ESP32-S3, C6 und C5 an.
DevvGwardo/openclaw-ruview-presence, 34 Sterne, ist ein OpenClaw-Plugin für anwesenheitsbewusstes Agentenverhalten.
x1958075990h-pixel/RuView_Radar_Lite, 115 Sterne, präsentiert sich als leichtgewichtige Python-DSP-Engine für ESP32-CSI, und die Beschreibung enthält Chinesisch; es ist ein Community-Port oder verwandtes Projekt, keine offizielle Übersetzung.
kyleyct/wifi-densepose-elderly, 57 Sterne, präsentiert sich als CSI-basiertes Sturzerkennungssystem für ältere Menschen, und die Beschreibung enthält traditionelles Chinesisch.

Es tauchten auch Kopien mit Beschreibungen auf Chinesisch, Koreanisch, Bengalisch und Vietnamesisch auf, aber die Abfragen legen nicht fest, welche davon vollständige Übersetzungen sind oder wie ihre Qualität ist. Deshalb werden sie hier nicht als offizielle Ports behandelt. Die obige Übersicht priorisiert Repositories mit einer lesbaren Funktionsangabe und einer expliziten Beziehung in der Suche.

Zentraler Neon-Kern mit der Aufschrift RuView, verbunden mit Satellitenknoten, die Community-Forks und -Ports darstellen; eine Seite zeigt blaue und grüne Integrationsverbindungen, die andere flackernde rote Knoten mit Warnsymbolen, die die „SCAM ALERT"-Kritik symbolisieren.

Zahlen zum Repository

Messung: 1. August 2026, GitHub-API.

Metrik	Wert
Sterne	88.051
Forks	11.698
Echte Abonnenten	761
Commits	1.207
Von der API angegebene offene Issues	421
Hauptsprache	Rust
Lizenz	MIT
Erstellung	7. Juni 2025
Letzte Metadaten-Aktualisierung	1. August 2026
Letzte Veröffentlichung	`v2129`, 31. Juli 2026

Die von der API zurückgegebenen Hauptbeitragenden nach Anzahl der Beiträge waren ruvnet (993), claude (76), proffesor-for-testing (36) und dependabot[bot] (31). Die Gesamtzahl von 1.207 Commits stammt aus dem Link der letzten Seite der Commit-Paginierung von GitHub. Das Feld open_issues_count kann offene Pull Requests enthalten; es entspricht nicht zwangsläufig ausschließlich Issues. Die API wiederholt die Sternezahl in watchers_count, weshalb subscribers_count hier als echte Abonnenten angegeben wird.

Wie man beiträgt

Das README lädt zum Einreichen von Issues und Beiträgen ein, aber es wurde weder eine CONTRIBUTING.md-Datei noch ein Branching-Leitfaden noch eine Pull-Request-Vorlage gefunden. Das überprüfbare Material für Beiträge besteht daher darin, ein Issue oder einen Pull Request zu öffnen und die vom Projekt genannten Prüfungen auszuführen, etwa python archive/v1/data/proof/verify.py und bash plugins/ruview/scripts/smoke.sh für das Plugin.

Diese Dokumentation reicht nicht aus, um einen Annahmeprozess, verpflichtende Tests oder eine Review-Richtlinie abzuleiten. Wer beitragen möchte, sollte diese Regeln vorab in einem Issue bestätigen.

Wie die Community reagierte

Die vorgefundene Resonanz ist überwiegend kritisch und enthält konkrete Anhaltspunkte, keinen Qualitätskonsens:

Bei HN 46388904, veröffentlicht von nateb2022 am 26. Dezember 2025, erhielt der Link zum alten wifi-densepose 32 Punkte und 17 Kommentare. heavyset_go bemängelte, dass die Dokumentation nicht erklärte, was auf der Router-Seite benötigt wird. Zambyte zitierte eine Review des Repositorys selbst, die es als Prototyp mit nicht implementierten Kernkomponenten beschrieb. Das sind Nutzerkritiken, kein in dieser Untersuchung reproduziertes Audit.
Im selben Thread stellte archermarks infrage, dass sich das Projekt als datenschutzorientiert bezeichnet, angesichts des Potenzials, ohne Kameras zu beobachten; der Punkt deckt sich mit der Debatte um passive Überwachung, beweist aber allein keine Verletzung oder eine konkrete technische Fähigkeit.
Bei HN 48157639, veröffentlicht von unixhero am 16. Mai 2026, erhielt RuView 22 Punkte. Rpu-Micro hielt es für interessant, den Rechenaufwand eines dauerhaft aktiven Sensors zu reduzieren, wenn sich die Umgebung nicht ändert. 6r17 lobte die Idee, die Verpackung und das mögliche Produkt, fragte aber, ob die Daten eine Person identifizieren könnten. Es gab auch scharfe Einwände: prakashqwerty bezeichnete es als generierten Inhalt niedriger Qualität, und Gys nannte tommysense.com und ESPectre als alternative funktionierende Lösungen.
GitHub-Issues spiegeln reale Installationsschwierigkeiten wider: In #249 berichtete munozluis1015, dass ein ESP32-S3-Mesh unabhängig von Position oder Anwesenheit von Personen dasselbe Ergebnis anzeigte; in #1125 bat Sycrosity um Erfahrungsberichte von jemandem, der reale Daten erhalten hatte. Diese Einträge zeigen von Nutzern gemeldete Probleme; sie belegen nicht, dass alle Installationen fehlschlagen.

Die Kombination aus hoher Sichtbarkeit, ehrgeizigen technischen Behauptungen und überprüfbaren Nutzerzweifeln legt nahe, RuView als Beta-Programm zu behandeln, das mit eigener Hardware und einem Validierungsprotokoll getestet werden muss, nicht als einsatzbereites Gesundheits-, Sicherheits- oder Überwachungsprodukt.

RuView im Vergleich zu anderen Vorschlägen

Vorschlag	Überprüfbare Übereinstimmung	Überprüfbarer Unterschied oder Grenze
`superstar1225/DensePose_from_WiFi`	Repository zur Schätzung menschlicher Posen mit WiFi und Deep Learning; 477 Sterne.	Es ist eine Implementierung, die in ihrer Beschreibung mit DensePose from WiFi verknüpft ist; die vorgefundene Suche erlaubt keine Aussage zur ESP32-Kompatibilität oder funktionalen Gleichwertigkeit mit RuView.
`davidakpele/wifi-densepose`	Projekt für dichte Posenschätzung auf WiFi-Basis; 470 Sterne.	Präsentiert sich als Implementierung von InvisPose für Mesh-Router. Die gefundene Quelle erlaubt keine Überprüfung der Ergebnisse noch einen Leistungsvergleich mit RuView.
`x1958075990h-pixel/RuView_Radar_Lite`	Teilt ESP32-CSI und räumliche Sensorik; 115 Sterne.	Beschreibt sich als leichtgewichtige Python-DSP-Engine, gegenüber dem viel größeren erklärten Umfang aus Firmware, Server, Modellen und Integrationen von RuView.
`kyleyct/wifi-densepose-elderly`	Nutzt WiFi-CSI zur nicht-invasiven Sturzerkennung; 57 Sterne.	Konzentriert sich auf ältere Menschen und Stürze, während RuView Anwesenheit, Vitalzeichen, Pose und Smart-Home-Integrationen beansprucht.

Die Sternezahlen stammen von der GitHub-API vom 1. August 2026. Es wurden keine unabhängigen Vergleichstests gefunden, die eine Einordnung dieser Optionen nach Genauigkeit, Latenz oder Reife erlauben würden.

Anwendungsfälle und wem dieses Repository helfen kann

Menschen, die mit Anwesenheitssensorik am Edge experimentieren, können RuView nutzen, um einen Test mit CSI-kompatiblen ESP32-Knoten aufzubauen, Signale lokal zu verarbeiten und Ergebnisse an eine Weboberfläche, MQTT oder eine Smart-Home-Integration zu senden. Der dokumentierte Weg erlaubt den Einstieg mit Docker und simulierten Daten, um anschließend zu Kompilierung, Flashen und Provisionierung der Hardware überzugehen und Kalibrierung, Training oder Abfrage von Raum-Fingerabdrücken mit den Modi --pretrain, --train, --embed und --build-index zu erproben.

Integratoren für Hausautomation und WiFi-CSI-Forschende können die Matter-Bridge, die Home-Assistant-Konfiguration über --mqtt und das Knoten-Mesh als Bausteine eines Prototyps bewerten. Sie können auch das Harness npx @ruvnet/ruview und das Claude-Code-Plugin nutzen, um Konfiguration und Verifikation zu erkunden. Diese Abläufe sollten als experimentell behandelt werden: Docker ersetzt keine CSI-fähige Hardware, und der eigene Bericht des Projekts nennt Grenzen des Posenmodells, von --model und der Leistungsangaben.

Ressourcen

Repository: https://github.com/ruvnet/RuView
Dokumentation und Installation: https://github.com/ruvnet/RuView#documentation
Benutzerhandbuch: https://github.com/ruvnet/RuView/blob/main/docs/user-guide.md
Offizielles Plugin und Prompts: https://github.com/ruvnet/RuView/tree/main/plugins/ruview
Veröffentlichtes Modell: https://huggingface.co/ruvnet/wifi-densepose-pretrained
Integration von Home Assistant und Matter: https://github.com/ruvnet/RuView/blob/main/docs/integrations/home-assistant.md
Community: https://github.com/ruvnet/RuView/discussions
Reviews und Diskussionen: https://news.ycombinator.com/item?id=46388904, https://news.ycombinator.com/item?id=48157639, https://github.com/deletexiumu/wifi-densepose

Hinweis: Dieser Artikel kombiniert das README und die Issues von RuView, die GitHub-API, Repository-Suchen und die am 1. August 2026 konsultierten Hacker-News-Threads. Zahlen und der Softwarestatus ändern sich mit der Zeit.