近期，一个名为 wifi-densepose 的开源项目迅速登上技术趋势榜单，乍看之下颇为反直觉——它试图通过分析室内已有的 WiFi 信号来感知人体的位置与姿态，从而实现“无需摄像头”的监控。通俗地说，该项目使用 CSI（信道状态信息）数据替代传统的 RSSI，技术原理大致如下： - 当 WiFi 信号在室内传播时，会遇到墙壁、家具以及人体。人体作为障碍物，会引起信号的反射、折射与散射。 - 人的不同动作（例如行走、坐下、抬手）会以特定方式改变 WiFi 信号的幅度与相位，因此算法能够从中提取出属于每个人独有的“信号指纹”。 - 项目甚至声称可以捕捉微小动作，比如呼吸（4–60 BPM）与心跳——技术上通过分析信号频率的微小偏移（微多普勒效应）来实现。 看到这里你应该已经明白：其关键不在于硬件，而在于背后那套复杂的 AI 神经网络算法——核心任务是将无线信号“翻译”为视觉元素： - **模态转换**：需要一个模块接收 WiFi 信号数据，通过编码器将其转换为 2D 的“类视觉特征图”。 - **DensePose 整合**：文档中提到，采用了一种改进的 DensePose-RCNN 模型——原本是为摄像头设计的，但在这里被训练用来识别由 WiFi 信号生成的特征，并将这些特征映射到人体表面的关键点上。 - **实时处理**：借助 Rust 系统，将处理延迟控制在 50 毫秒以内，实现每秒 30 帧的实时姿态追踪。 - **多路由器交叉覆盖**：利用多个路由器形成交叉覆盖区域来提高定位精度，借助 MIMO 技术从不同角度“观察”人体。 从代码层面来看，核心流程大致如下： 1. **CSI 数据采集**：系统通过 WiFi 设备获取底层的 CSI 数据，记录信号在多径传播（被墙壁、人体反射后）中的幅度与相位变化。 2. **信号预处理**：包括去噪与归一化（移除环境杂波干扰）、Hamming Window 处理（减少频谱泄漏，使信号更稳定）、相位校准（处理 WiFi 信号固有的相位偏移问题）。 3. **模态转换**：模型接收 CSI 原始张量，通过编码器映射为类似于视觉特征的 2D 图像张量。 4. **DensePose**：利用深度学习中的 DensePose Head 架构（`densepose_head.py`），对生成的特征图进行两类回归——人体部位分割（识别躯干、四肢等）和 UV 坐标回归（将人体表面映射到 2D 坐标系，实现精细到皮肤表面的 3D 姿态拟合）。 听起来很高大上，但本质上是对特征数据的暴力整合。也就是说，该项目的核心竞争力应当在于训练数据。 然而，翻阅开源代码会发现，其中涉及 WiFi 信号处理与姿态预测的核心功能均未实现。这不禁令人好奇：这个项目是如何飙升到趋势榜的？ 更关键的问题是：当室内人数稍有增加时，信号散射会变得极度混乱。那么作者如何解决这些问题呢？答案令人遗憾——作者没有解决。 是的，作者既没有真正解决这些难题，也没有开源相关能力。尽管 `README` 文件和文档中写满了各种功能，指标数据也看起来相当漂亮，但代码里许多部分并未实现，且充斥着 mock 数据。作者并未提供数据集，如果你不使用 mock，就必须自行标注和生成数据。 最为离谱的是，真实的硬件接口只是一个“占位符”——`RouterInterface` 中的真实 CSI 采集函数 `_collect_real_csi_data()` 直接打印警告并返回 `None`，完全没有实际实现。CSI 解析器同样用随机数替代真实数据：`ESP32CSIParser` 的 amplitude/phase 解析直接使用 `np.random.rand` 生成随机数，注释里写着 “simplified for now”。即便在非 mock 模式下，`estimate_poses()` 方法内部仍然用 `np.random.randn` 生成随机 CSI 数据。 训练权重与数据集同样缺失。整体来看，该项目极有可能是基于 "DensePose From WiFi"（ArXiv:2301.00250）那篇论文的实现，而作者很可能是让 AI 直接复现论文。在没有数据集和最新信息的情况下，AI 根本无法复现，于是只复现了一个华丽的 README 和一个工程原型壳子。 那么，最后一个问题：大家在 star 和 fork 的时候，难道都不看代码实现吗？仅凭一个 README 就被“点燃”了？这更像是一场 AI 版本的「皇帝的新衣」。 ## 项目地址 github.com/ruvnet/wifi…