RuView: el WiFi que «ve» a través de paredes — presencia, respiración y pose sin cámaras, con 82.000 estrellas en GitHub

¿Y si el router que ya tienes en casa pudiera saber si hay alguien en la habitación de al lado, medir su respiración mientras duerme o estimar la postura de su cuerpo — sin instalar una sola cámara? Esa es la apuesta de RuView, un proyecto open source que ha acumulado más de 82.000 estrellas en GitHub y que convierte las ondas WiFi en un sensor de presencia, signos vitales y movimiento. No es magia ni ciencia ficción: es física de multipath, procesamiento de señal y redes neuronales pequeñas que corren en el borde, en chips de 9 $.

WiFi como sensor, no como cámara

Cada router WiFi satura el espacio con ondas de radio. Cuando una persona se mueve, respira o simplemente está sentada, altera esas ondas de forma medible. RuView captura esa información mediante CSI (Channel State Information) — datos de fase y amplitud de las subportadoras que los chips WiFi modernos pueden exportar — y los transforma en inteligencia estructurada: quién está, qué hace y si está bien.

La diferencia frente a un sistema con cámaras es radical. No hay lentes que graben rostros, no hay micrófonos que capturen conversaciones, no hay nube obligatoria que almacene vídeo. La privacidad no es un ajuste de software: es una consecuencia del sensor. Como resume la página de Cognitum, RuView «salta el paso de captura» — no hay imagen ni audio que redactar después.

Qué puede medir hoy

• Presencia y ocupación: detectar personas a través de paredes, contarlas y registrar entradas y salidas.
• Signos vitales contactless: frecuencia respiratoria (6–30 BPM) y cardíaca (40–120 BPM) sin pulsera ni sensor en la cama.
• Pose corporal: 17 puntos clave al estilo COCO a partir de señales de radio; el modelo WiFlow alcanza 92,9 % PCK@20 en benchmarks con entrenamiento supervisado por cámara.
• Actividad y caídas: caminar, sentarse, gestos y alertas de caída con latencia inferior a 200 ms.
• Conteo multipersona: 3–5 personas por punto de acceso, con algoritmos de grafo min-cut para separar firmas superpuestas.
• A través de paredes: propagación multipath y zonas de Fresnel permiten detección tras tabiques, muebles e incluso hasta ~30 cm de hormigón en escenarios de rescate.

El equipo publica cifras con honestidad inusual para un proyecto viral: el encoder v2 reporta 82,3 % de precisión en tripletes temporales held-out (frente al 66,4 % bruto), y retiró una cifra anterior de «100 % presencia» medida en una sola clase. Los benchmarks de pose en MM-Fi sitúan el modelo ruvnet/wifi-densepose-mmfi-pose en 82,69 % torso-PCK@20, por encima de referencias académicas previas.

Hardware: desde 9 $ hasta un «appliance» completo

RuView no exige un laboratorio. La opción más barata es un ESP32-S3 (~9 $) con firmware CSI; un mesh de 3–6 nodos y un router WiFi cuesta alrededor de 54 $. Para memoria persistente, firma criptográfica de modelos y integración con agentes de IA, Cognitum vende el Seed (presale ~257 $) y el v0 Appliance (~991 $) con API REST/WebSocket en la LAN local.

Sin hardware, puedes evaluar el pipeline con Docker:

docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
curl http://localhost:3000/health

También existe el paquete Python ruview en PyPI y modelos preentrenados descargables desde Hugging Face. El modelo cuantizado a 4 bits ocupa solo 8 KB y corre en microsegundos en una Raspberry Pi.

105 módulos WASM en el borde

RuView no es un único modelo monolítico: es un catálogo de más de 105 módulos (cogs) firmados con Ed25519 que corren directamente en el ESP32 — detección de caídas, apnea del sueño, intrusión, control HVAC, colas en retail, proximidad de cobots, etc. Cada binario pesa entre 5 y 30 KB. El formato abierto RVF permite escribir módulos propios en Rust o C.

Integración con el hogar inteligente y agentes IA

El proyecto se conecta nativamente con Home Assistant (MQTT), Apple Home, Google Home, Alexa y Matter. Expone API REST (/api/v1/sensing/latest, /api/v1/vital-signs, /api/v1/pose/current), WebSocket en tiempo real y herramientas MCP para que agentes como Claude o Cursor consulten presencia y vitales sin escribir HTTP a mano.

Casos de uso reales (y límites)

Los promotores destacan escenarios donde las cámaras fallan o son inaceptables: cuidado de mayores y apnea, automatización HVAC (15–30 % de ahorro energético típico), seguridad industrial en polvo o humo, retail sin GDPR de vídeo, rescate bajo escombros (kit WiFi-Mat) y presencia ambiental en hogares sin wearables.

También documentan lo que no hace: reconocimiento facial, captura forense de vídeo, tracking en campo abierto sin reflectores ni movimiento a más de 10 m/s. Los módulos de salud son developer-preview; usos clínicos regulados (FDA, CE-MDD) requieren validación adicional.

¿Por qué ha explotado en GitHub?

La combinación es irresistible para desarrolladores: código MIT, benchmarks reproducibles (python archive/v1/data/proof/verify.py), reescritura completa en Rust con speedups de hasta 810× frente a Python v1, 1.463 tests pasando, modelos en Hugging Face y una narrativa de privacidad por diseño que contrasta con la oleada de cámaras y wearables con IA. El repositorio incluye firmware ESP32, servidor de sensing, dashboard web, integraciones domóticas y documentación ADR extensa.

Para lectores de MARGENEZ interesados en gadgets y privacidad, RuView es una de las apuestas más ambiciosas de 2026: convertir infraestructura WiFi existente en un tejido sensorial sin pedir permiso a cada usuario ni instalar una cámara en el baño. La pregunta abierta no es técnica — el código está ahí — sino de despliegue: ¿funcionará en tu piso, con tus paredes y tu router? El propio proyecto admite que la precisión varía con el entorno RF y ofrece adaptación local en menos de 30 segundos por habitación.