ESPectre: detección de movimiento por Wi-Fi (CSI) para Home Assistant, sin cámaras ni micrófonos

Espectre es un sistema de detección de movimiento que usa la señal Wi-Fi (análisis CSI, Channel State Information) en lugar de cámaras, micrófonos o sensores PIR, con integración nativa en Home Assistant a través de ESPHome. A 3 de septiembre de 2026 lleva 9.303 estrellas.

Qué es ESPectre

ESPectre es un firmware para placas ESP32 que convierte el tráfico Wi-Fi normal entre el enrutador de casa y la placa en un sensor de presencia. Cuando alguien se mueve en la habitación, las ondas Wi-Fi que viajan entre el enrutador y el ESP32 se «perturban»; el dispositivo mide esa perturbación a través de la información de estado del canal (CSI) y decide si hay movimiento o no.

No es una librería de software de escritorio ni un servidor: es un componente de ESPHome escrito en C++ (sobre ESP-IDF) que, una vez flasheado en la placa, aparece automáticamente en Home Assistant como un sensor binario de movimiento, un sensor de «movement score» y un umbral ajustable. El autor lo resume en tres puntos: detecta movimiento con Wi-Fi (sin cámaras ni micrófonos), necesita una placa ESP32 de unos 10 € (S3 y C6 recomendadas) y su instalación dura entre 10 y 15 minutos.

A 3 de septiembre de 2026, el README documenta soporte para ESP32-S3, ESP32-C6, ESP32-C5, ESP32-C3, ESP32 (original) y, en estado experimental, ESP32-S2. El proyecto se rige bajo licencia GPLv3 y se presenta como «privacy first», «through-wall» y «100 % open source».

El origen

El repositorio se creó el 26 de octubre de 2025 por Francesco Pace (cuenta de GitHub francescopace), cuyo contacto público es francesco.pace@espectre.dev y cuyo perfil enlaza a su LinkedIn. El proyecto lleva la marca del autor de principio a fin: él es el único contribuidor con un número significativo de commits (226 según la API de GitHub), frente a 14 de dependabot[bot] y un puñado de contribuidores con un solo commit cada uno.

El color narrativo aparece en el Show HN (hilo 45953977, 17 de noviembre de 2025, 215 puntos y 50 comentarios). Pace se describe como «math graduate» y defiende que, en el modo por defecto, el sistema «no usa Machine Learning, se basa en puras matemáticas». El usuario jstanley le replicó que ML es matemática aplicada, y Pace matizó que con «sin ML» se refería a que no hay fase de entrenamiento, no hay datos etiquetados y no hay una red neuronal que infiera las reglas: toda la lógica del modo MVS procede de señal estadística.

En ese mismo hilo Pace compartió una anécdota que anticipa la función interactiva del proyecto: estaba trabajando en convertir ESPectre en un teremin Wi-Fi (el instrumento musical que se toca moviendo la mano cerca de la antena), aprovechando que la «moving variance of the spatial turbulence» es un valor continuo y estable, apto para mapearse directamente a frecuencia/tono. También respondió a quien le preguntaba por implicaciones de vigilancia («fascinating and frightening», según culi) aclarando que la naturaleza open source actúa como salvaguarda ética y que no persigue funciones de reconocimiento de identidad, solo detección de movimiento.

El proyecto se documentó además en una serie de dos artículos en Medium («How I Turned My Wi-Fi Into a Motion Sensor», parte 1 y parte 2), una pieza en IoT For All, un artículo en Hackaday (28 de enero de 2026, «Make Your Own ESP32-Based Person Sensor, No Special Hardware Needed») y un episodio de su podcast (Hackaday Podcast 355, 30 de enero de 2026, «Person Detectors, Walkie Talkies, Open Smartphones…»).

Filosofía y principios

El README y el ROADMAP declaran explícitamente una postura privacy-first, vendor-neutral y community-friendly. Los principios verificables en la documentación son:

Privacidad por defecto: sin cámaras, sin micrófonos, sin wearables. El README explica que el sistema solo recoge «datos anónimos» sobre las características físicas del canal de radio (amplitudes y fases de las subportadoras OFDM y varianzas estadísticas) y que no recoge identidades, contenido de comunicaciones, imágenes ni audio.
Matemática antes que modelos (en el modo MVS por defecto): el autor enfatiza que el detector por defecto no requiere entrenamiento ni datos etiquetados. Existe además un detector ML experimental (una red MLP 9→32→16→1) opcional.
Aprovechar la infraestructura existente: el sensor usa el tráfico Wi-Fi 2.4 GHz ya presente en casa; no hay que modificar el enrutador ni añadir hardware especial.
Abierto y gratuito: GPLv3, firmware precompilado en GitHub Releases, y una política de responsabilidad ética que exige al usuario obtener consentimiento explícito, respetar el RGPD/leyes locales y no usar el sistema para vigilancia ilegal, acoso o violación de privacidad.
Estrategia de dos plataformas: un «production platform» (ESPectre en C++/ESPHome, orientado al usuario final de domótica) y un «R&D platform» (Micro-ESPectre en Python/MicroPython, orientado a investigadores). Los algoritmos se prototipan y validan primero en Micro-ESPectre y, una vez probados, se portan a ESPectre en C++.

Cómo funciona

El README describe un pipeline de procesamiento con varias etapas encadenadas:

Datos CSI (crudos) procedentes de la señal Wi-Fi entre el enrutador y la placa.
Gain Lock: estabilización de AGC/FFT (~3 s) para mediciones coherentes.
Calibración automática (NBVI): a cada arranque, el algoritmo NBVI (Normalized Band Variance Index) elige 12 subportadoras no consecutivas según métricas de estabilidad y diversidad espectral, sin configuración manual.
Umbral adaptativo: auto calcula el umbral a partir del ruido de base (fórmula P95 × 1.1), o bien un valor fijo manual.
Filtro de Hampel: elimina picos atípicos en la turbulencia (activado por defecto).
Filtro paso-bajo (opcional, desactivado por defecto) para suavizado.
Evaluación de detección (MVS o ML) cada evaluation_interval paquetes.
Hit filter (motion_on_hits / motion_off_hits, por defecto 3/3): transiciones IDLE ↔ MOTION activadas por flanco.
Publicación en Home Assistant: sensor binario de movimiento publicado inmediatamente al cambiar de estado, sensor de movement score periódico y entidad numérica de umbral.

Una visualización técnica detallada del pipeline de procesamiento de señal de ESPectre para detección de movimiento por Wi-Fi CSI, un diagrama de flujo horizontal en modo oscuro con etapas etiquetadas: Gain Lock, calibración automática NBVI, umbral adaptativo, filtro de Hampel, filtro paso-bajo opcional, detección MVS o ML, hit filter y publicación final en Home Assistant

Detección por MVS: extrae una característica (turbulencia espacial) y su varianza móvil; consumo de CPU bajo (por ejemplo ~150 µs/paquete en ESP32-S3) y requiere ~10 s de calibración NBVI. Detección por ML: extrae 9 características estadísticas de una ventana deslizante y ejecuta inferencia de la MLP (9→32→16→1, 816 MACs); arranque en ~3 s y sin calibración de banda, pero usa pesos preentrenados y subportadoras fijas.

En el modo MVS el README insiste en una condición práctica: mantener la habitación quieta durante 10 segundos después de arrancar, porque durante ese intervalo corre la calibración automática y cualquier movimiento degrada la precisión. El modo ML omite esa calibración.

Una imagen conceptual que representa la filosofía "matemática antes que machine learning" en el detector MVS por defecto de ESPectre, con una gran ecuación brillante y una forma de onda estadística mostrando turbulencia espacial y varianza móvil, curvas neón suaves y marcadores de umbral P95, con nodos de red neuronal fantasmales de fondo sugiriendo el detector ML experimental opcional

El ecosistema

Plataformas y repos del propio autor

francescopace/espectre (este repo): plataforma de producción, componente ESPHome en C++.
Micro-ESPectre (micro-espectre/, carpeta dentro del mismo repo): plataforma R&D en Python/MicroPython, basada en MQTT (no ligada a Home Assistant), con herramientas de análisis de CSI y pipeline de entrenamiento ML. Orientada a investigación académica/industrial, reconocimiento de actividad, conteo de personas, localización y gestos.
francescopace/radio-presence-scanner (12 estrellas, 1 bifurcación): proyecto complementario de presencia basado en observaciones de radio BLE desde dispositivos de host (Python), con dashboard HTTP opcional.
francescopace/micropython-esp32-csi (16 estrellas, 1 bifurcación): fork personalizado de MicroPython que expone las APIs de CSI del ESP32; es la base de firmware para prototipado rápido de CSI en el flujo de Micro-ESPectre.
ESPectre – The Game (docs/game/, dentro del repo): juego de reacción basado en el navegador que usa la detección de movimiento Wi-Fi de ESPectre; también sirve como herramienta de ajuste interactivo del umbral por USB.

Adopción por terceros y material de la comunidad

espressif/esp-csi (1.538 estrellas, 232 bifurcaciones): el repositorio oficial de aplicaciones CSI de Espressif recomienda a ESPectre como «community project recommendation», describiéndolo como una implementación de referencia para llevar la investigación CSI a escenarios de domótica reales.
adafruit/espectre (5 estrellas): fork de Adafruit con la misma descripción del proyecto (variante orientada a la placa Adafruit Feather).
Adafruit Learn: guía «ESPectre Human Detector for Feather».
Seeed Studio Wiki: «Deploying Espectre on Seeed Studio XIAO ESP32 Series with ESPHome».
outputlayer/espectre-sense (2 estrellas): proyecto relacionado de detección de presencia, seguimiento de movimiento, señales vitales y análisis del sueño con 3 nodos ESP32 Wi-Fi CSI.

Nota: en la búsqueda de forks del repo, la gran mayoría (704 bifurcaciones) son forks personales sin estrellas; solo 4 forks tienen 1 estrella cada uno (por ejemplo bosszlatan/espectre, omgluis/espectre). No se encontraron traducciones no oficiales del repo en otros idiomas.

Estado oficial / semioficial

Reconocimiento de Espressif: el repositorio oficial espressif/esp-csi enlaza y presenta a ESPectre como proyecto de la comunidad recomendado. El propio README de ESPectre agradece a Espressif por «recognizing ESPectre as a community project in their esp-csi repository». Esto es un respaldo de la compañía del chip, no una certificación de calidad.
Cumplimiento «Made for ESPHome»: la nota de la versión v2.1.0 (10 de diciembre de 2025) indica que «all example configurations now meet ‘Made for ESPHome’ requirements» (provisioning BLE vía esp32_improv, provisioning USB vía improv_serial, portal cautivo). Esto alinea las configuraciones de ejemplo con las directrices de ESPHome para dispositivos provisionables.
Presencia en el ecosistema de Home Assistant: ESPectre se instala como componente externo de ESPHome y aparece por autodetección en Home Assistant; además existe un hilo dedicado en el foro oficial de Home Assistant (ver Recepción). No se localizó, en las fuentes consultadas, una designación formal de «estándar de facto» ni entrada en un marketplace de plugins de terceros; su estatus es el de un componente de comunidad ampliamente adoptado y citado por el fabricante del hardware.

Guía rápida de uso

Instalación y primer arranque

Requisitos: placa ESP32 con soporte CSI (S3/C6 recomendadas, C5/C3/ESP32 original también testeadas, S2 experimental), cable USB, enrutador Wi-Fi 2.4 GHz, y Home Assistant (en Raspberry Pi, PC, NAS o cloud). No se requiere programar ni configurar el enrutador.

Opción A — Flasheo por web (sin código):

Descargar el .bin de la versión más reciente desde Releases para el chip (p. ej. espectre-2.8.0-esp32c6.bin).
Abrir ESPConnect en Chrome, conectar la placa por USB, seleccionar el puerto, elegir el .bin y pulsar Flash.
Configurar la Wi-Fi por BLE (app de ESPHome / Home Assistant Companion), por USB (web.esphome.io) o por portal cautivo (conectarse a la red «ESPectre Fallback»).
El dispositivo se autodetecta en Home Assistant.

Opción B — CLI de ESPHome (para desarrolladores):

python3 -m venv venv && source venv/bin/activate
pip install esphome                 # ESPHome >= 2026.5.0, Python 3.12 (3.14 tiene problemas conocidos)
esphome run espectre-c6.yaml        # archivo de ejemplo descargado para tu plataforma

Los archivos de ejemplo (por plataforma) ya descargan el componente automáticamente desde GitHub. Para desarrollo/contribución se usan los archivos -dev.yaml (fuente local, secrets.yaml, logger: DEBUG y sensores de depuración).

En el primer arranque (modo MVS) mantener la habitación quieta 10 segundos para la calibración NBVI; los logs muestran ✓ Calibration successful: [<12 auto-selected subcarriers>].

Una visualización de instalación rápida y primer arranque para ESPectre mostrando un proceso amigable de 10 a 15 minutos, con una compacta placa ESP32-S3 o ESP32-C6 sobre un escritorio oscuro junto a un cable USB, un enrutador Wi-Fi y un icono de servidor Home Assistant, con tres rutas de configuración brillantes ramificándose: flasheo web, provisioning BLE y configuración por USB o portal cautivo

Flujos de trabajo habituales

Para detectar movimiento y encender luces solo cuando hay alguien: el sensor binario de movimiento aparece en Home Assistant por autodetección; se crea una automatización que enciende un interruptor cuando binary_sensor pasa a MOTION y lo apaga cuando vuelve a IDLE.
Para ajustar la sensibilidad sin re-flashear: en modo MVS, el umbral adaptativo se recalcula en cada arranque; el ajuste en tiempo real del deslizador de Home Assistant o del juego «The Game» es temporal (solo de sesión), así que para fijar el valor se cambia segmentation_threshold en el YAML y se ejecuta esphome run <config>.yaml. Regla práctica: falsos positivos → auto o umbral más alto (2.0–5.0); movimientos perdidos → min o umbral más bajo (0.5–0.8).
Para cambiar de algoritmo: en el YAML, espectre: detection_algorithm: ml activa el detector neuronal experimental (arranque en ~3 s, sin calibración de banda); mvs (por defecto) usa varianza móvil.
Para probar la detección en vivo: esphome logs <config>.yaml muestra state=MOTION / state=IDLE mientras se camina por la habitación.

Configuración esencial

Los parámetros se editan bajo la sección espectre: del YAML. Los cinco que un usuario nuevo tocará primero:

Parámetro	Por defecto	Para qué
`detection_algorithm`	`mvs`	Elegir entre varianza móvil (`mvs`) y red neuronal experimental (`ml`).
`segmentation_threshold`	`auto`	Sensibilidad: `auto` (adaptativo, minimiza falsos positivos), `min` (máxima sensibilidad) o número 0.0–10.0.
`segmentation_window_size`	`100`	Paquetes de la ventana de varianza móvil (10–200); 100 es el equilibrio recomendado.
`traffic_generator_rate`	`100`	Paquetes/segundo que genera el sensor para medir CSI (0–1000); 0 desactiva el generador y usa tráfico Wi-Fi externo.
`motion_on_hits` / `motion_off_hits`	`3` / `3`	Consecutivos hits para pasar a `MOTION` / volver a `IDLE` (freno de rebote).

Trampas frecuentes y soluciones

Movimiento durante el arranque degrada la detección (MVS): la calibración NBVI corre durante los primeros ~10 s; si alguien se mueve, la precisión sufre. Solución: dejar la habitación quieta al arrancar.
Umbral ajustado en el slider no persiste: los cambios por Home Assistant o «The Game» son solo de sesión; el umbral adaptativo se recalcula en cada arranque. Para persistirlo, fijar segmentation_threshold en el YAML y re-flashear.
Sin logs después del flasheo en placas con puente USB-UART (CH340, CP2102, CH343): descomentar hardware_uart: UART0 en la sección logger: del YAML.
Python 3.14 con ESPHome: hay problemas conocidos; usar Python 3.12.
ESP32-C5 sin improv_serial: el provisioning por USB no está soportado aún en ESPHome; usar BLE o AP Wi-Fi.
ESP32 original (WROOM-32) sin gain lock: AGC/FFT no disponible; las amplitudes CSI pueden tener más variación que en chips nuevos.
Routers que rate-limitan o ignoran consultas DNS de dominio raíz: la v2.8.0 cambió el modo de tráfico por defecto a ping (ICMP) precisamente por esto (dns sigue disponible).
No distingue personas de mascotas: el modelo es de 2 estados (IDLE/MOTION) y detecta movimiento genérico; no clasifica personas vs. mascotas ni actividad (eso depende de modelos ML avanzados, aún no listos).

Integraciones y migración

Home Assistant / ESPHome: integración nativa por autodetección (sensor binario de movimiento + movement score + umbral ajustable). Funciona con ESPHome integrado en Home Assistant o standalone (también vía Docker / add-on).
Micro-ESPectre (MQTT): para entornos que no quieren Home Assistant, la plataforma R&D publica por MQTT, permitiendo integraciones flexibles.
Mesh Wi-Fi: funciona normalmente; el ESP32 se asocia al nodo mesh con la mejor señal 2.4 GHz y monitorea la CSI de ese nodo concreto.
Añadido a dispositivos existentes: un usuario del foro preguntó por combinarlo con proxies Bluetooth ESPHome; el autor lo marcó como teórico y sin probar, indicando los sdkconfig necesarios para habilitar CSI.
Migración desde PIR/cámaras: al ser un sensor de movimiento (no de presencia), se comporta como un PIR en lo esencial (detecta movimiento activo; si alguien está quieto, reporta «no motion»). El autor señala que la detección de presencia (micro-movimientos como la respiración) está en el roadmap vía Micro-ESPectre.

Métricas actuales

Medición: 3 de septiembre de 2026, API de GitHub.

Métrica	Valor
Estrellas	9.303
Bifurcaciones	704
Suscriptores (watchers reales)	97
Incidencias abiertas indicadas por la API	6
Commits en la rama `main`	253
Lenguaje principal (API)	Python
Licencia	GPL-3.0 (GPLv3)
Creación	26 de octubre de 2025
Última actualización de metadatos	3 de septiembre de 2026
Última publicación estable	`2.8.0`, 21 de mayo de 2026
Última pre-publicación	`snapshot-dev`, 22 de agosto de 2026

Composición real de lenguajes (bytes): Python 996.113, C++ 448.563, HTML 124.858, Jupyter Notebook 91.280, C 23.285, Shell 7.885, CMake 302. El principal contribuidor es francescopace (226 commits), seguido de dependabot[bot] (14) y kylefmohr (2); el resto tiene 1 commit cada uno.

Caveats de la API: open_issues_count (6) puede incluir solicitudes de cambios abiertas, así que no debe leerse como conteo exclusivo de incidencias. watchers_count replica las estrellas (9.303), por lo que se informa por separado subscribers_count (97) como watchers reales. El conteo de 253 corresponde a la rama por defecto main, obtenido de la paginación de la API de commits.

Recepción de la comunidad

Hacker News — Show HN 45953977 (17 de noviembre de 2025, 215 puntos, 50 comentarios). Anclas concretas:

tetris11: «Amazing stuff! Am I right in understanding that only a single ESP32 device is needed (plus a router)?» — interés inmediato por la simplicidad de hardware.
roger_: llevaba «dos años» trabajando la misma idea con ESP-IDF y no conseguía «the statistical signal processing just right» (había probado LMS, Kalman, métodos kernel NEWMA/MMD, detectores CUSUM/GLR, proyecciones aleatorias, PCA online). El intercambio con el autor sobre la arquitectura (tráfico entre enrutador y ESP32 en modo station frente a STA/AP) es una de las discusiones técnicas más densas del hilo.
Gys: preguntó por tommysense.com, un proyecto similar. francescopace respondió que Tommysense crea una malla de sensing entre dispositivos, mientras ESPectre usa el enrutador Wi-Fi existente como transmisor; ESPectre necesita un dispositivo por área y «is open-source».
jstanley: objetó la afirmación de «sin Machine Learning»; el autor matizó que se refiere a que no hay fase de entrenamiento ni red neuronal en el modo MVS.
culi: «The surveillance implications for this technology are fascinating and frightening.» — el autor respondió que el open source es una salvaguarda ética y que no persigue reconocimiento de identidad.
sgc: preguntó si se podía calibrar para ignorar gatos; el autor aclaró que solo hace detección binaria IDLE/MOTION.
El autor compartió la idea del teremin Wi-Fi y acl preguntó por routers mesh (respuesta: el ESP32 se asocia al nodo con mejor señal).

Otros envíos de Hacker News: 45869402 (9 de noviembre de 2025, 5 puntos, 1 comentario) y 46437438 (30 de diciembre de 2025, 5 puntos, 2 comentarios, sobre espectre.dev).

Foro de Home Assistant — hilo 961251 (11 de diciembre de 2025). Anclas:

Saoshen: preguntó si la placa debe estar dedicada y cómo usarlo con dispositivos ESP32 existentes sin afectar su propósito original. El autor respondió que CSI requiere hardware/firmware de la familia ESP32 y recomendó placas dedicadas (C6) por su bajo coste.
Pfandadler: pidió ambición hacia detección de presencia en vez de simple movimiento, para automatizaciones de luz y calefacción. El autor explicó que ESPectre hace detección de movimiento (como un PIR: quieto = «no motion») y que la presencia (micro-movimientos, respiración) está en el roadmap vía Micro-ESPectre.
justone: distinguió que «presence es limitado a individuos conocidos, mientras que movement incluye invitados no deseados», y probó una variante con resultados prometedores.

En conjunto: entusiasmo claro por el hardware mínimo, la privacidad y la integración nativa en Home Assistant, y una crítica recurrente —y honesta por parte del autor— de que se trata de movimiento, no presencia, con clasificación avanzada (personas vs. mascotas, actividad) aún no disponible.

Comparación con proyectos similares

Solo competidores reales y verificables (citados del propio ROADMAP del proyecto y del hilo de HN):

Proyecto	Coincidencia verificable	Diferencia verificable
Tommysense (tommysense.com)	Sensación de presencia por Wi-Fi mencionada como similar en el Show HN.	Crea una malla de sensing entre dispositivos; ESPectre usa el enrutador existente como transmisor y es open source (según la respuesta del autor en el hilo).
Origin Wireless	Detección de presencia por Wi-Fi (citado en el ROADMAP).	Propietario y dependiente de la nube; ESPectre se declara open source, edge-first y sin suscripción.
Cognitive Systems	Sensación por Wi-Fi (citado en el ROADMAP).	Solo enterprise y de alto coste; ESPectre apunta a ~5 € de hardware y DIY.
Tommysense / malla BLE (vía Bermuda BLE / ESPHome Bluetooth proxy)	En el hilo de HN, un usuario mencionaba Bermuda BLE trilateración y proxies ESPHome.	Enfoque BLE/malla frente a CSI del enrutador Wi-Fi.

El ROADMAP del proyecto afirma que ESPectre está «únicamente posicionado como la única plataforma de WiFi sensing open-source lista para producción con integración nativa de domótica». Esa afirmación es del propio proyecto y no constituye una verificación independiente.

Cómo contribuir

El repo documenta un proceso completo en CONTRIBUTING.md:

Modelo de ramas: develop es la rama de desarrollo activa (todos los PR apuntan a develop); main es la rama estable de releases (fusiona desde develop).
Flujo: bifurcar → clonar → crear rama desde develop (git checkout -b feature/...) → cambios con pruebas y documentación → ejecutar tests → commit con mensajes claros (tipos feat/fix/docs/test/refactor/perf/chore) → push → PR a develop.
DCO obligatorio: la CI fuerza el Developer Certificate of Origin; cada commit debe llevar Signed-off-by (git commit -s).
Tests: C++ con cd test && pio test (ESPHome/PlatformIO Unity); Python con cd micro-espectre && pytest tests/ -v (con --cov para cobertura). Criterio declarado: >80 % de cobertura en módulos core, CI en verde, documentación y una aprobación de revisión.
Contribución de datos: se aceptan datasets CSI etiquetados para ML (gestos y HAR) en micro-espectre/data/<label>/, con requisitos de calidad (≥10 muestras por etiqueta, ≥30 s cada una, habitación quieta para la base) y documentación del setup.
Licencia: las contribuciones se publican bajo GPLv3 y deben certificarse con el trailer DCO.

Casos de uso y a quién puede ayudar este repositorio

Entusiastas de Home Assistant que quieren presencia sin cámaras: el componente se integra por autodetección y habilita automatizaciones de luz, calefacción y seguridad con un sensor binario de movimiento a coste de ~10 € por placa. Es el caso de uso central y el mejor documentado.
Cuidado de personas mayores / vigilancia de bienestar: el README lo cita para monitorizar actividad y detectar inactividad prolongada o caídas (la detección de caídas, en sí, depende de modelos ML de HAR aún no listos). Apto para quienes priorizan privacidad frente a cámaras en dormitorios o baños.
Seguridad del hogar: alertar si alguien entra mientras la casa está vacía; el hilo de HN y el foro enfatizan el movimiento «no deseado» frente a la presencia de individuos conocidos.
Ahorro energético y clima: encender/apagar o climatizar solo zonas ocupadas, según los ejemplos del README.
Investigadores y desarrolladores de CSI / HAR / localización: Micro-ESPectre (Python, MQTT) da el pipeline de prototipado rápido, las herramientas de análisis y el pipeline de entrenamiento ML para explorar conteo de personas, reconocimiento de actividad, localización y gestos, con la opción de portar resultados validados al firmware de producción.
Educación y divulgación: «The Game» (juego de reacción en el navegador) y las guías de Adafruit/Seeed lo hacen útil para talleres y demostraciones de sensing Wi-Fi sin hardware especializado.

Recursos

Repositorio: https://github.com/francescopace/espectre
Sitio oficial / documentación: https://espectre.dev
Guía de instalación (SETUP.md): https://github.com/francescopace/espectre/blob/main/SETUP.md
Guía de ajuste (TUNING.md): https://github.com/francescopace/espectre/blob/main/TUNING.md
Algoritmos (ALGORITHMS.md): https://github.com/francescopace/espectre/blob/main/micro-espectre/ALGORITHMS.md
Métricas de rendimiento (PERFORMANCE.md): https://github.com/francescopace/espectre/blob/main/PERFORMANCE.md
Roadmap (ROADMAP.md): https://github.com/francescopace/espectre/blob/main/ROADMAP.md
Contribución (CONTRIBUTING.md): https://github.com/francescopace/espectre/blob/main/CONTRIBUTING.md
Releases / firmware precompilado: https://github.com/francescopace/espectre/releases
The Game (demo interactiva / ajuste de umbral): https://espectre.dev/game
Micro-ESPectre (plataforma R&D): https://github.com/francescopace/espectre/tree/main/micro-espectre
Proyectos hermanos del autor: https://github.com/francescopace/radio-presence-scanner · https://github.com/francescopace/micropython-esp32-csi
Endorsement de Espressif: https://github.com/espressif/esp-csi (recomendado como community project)
Foro de Home Assistant: https://community.home-assistant.io/t/espectre-wi-fi-motion-detection-for-home-assistant/961251
Hilos de Hacker News: https://news.ycombinator.com/item?id=45953977 · https://news.ycombinator.com/item?id=45869402 · https://news.ycombinator.com/item?id=46437438
Artículos del autor (Medium): Parte 1 · Parte 2
Prensa: Hackaday (28-ene-2026) · IoT For All · Hackaday Podcast 355
Guías de terceros: Adafruit Learn · Seeed Studio Wiki
Video (YouTube): ESPectre — @GithubAwesome (short)
Comunidad: GitHub Issues y GitHub Discussions del repositorio (contacto del autor: francesco.pace@espectre.dev)

Nota: este artículo combina el README, las guías (SETUP/TUNING/PERFORMANCE/ROADMAP/CONTRIBUTING) y las notas de versión de ESPectre, la API de GitHub, los resultados de Hacker News y el foro de Home Assistant consultados el 3 de septiembre de 2026. Las cifras (estrellas, forks, commits, métricas de rendimiento) cambian con el tiempo.