Retour aux mises à jour
New releaseAug 18, 2026

espectre snapshot-dev

ESPectre - Système de détection de mouvement basé sur l'analyse du spectre Wi-Fi (CSI), avec intégration Home Assistant.

Partager

License ESPHome Platform Release CI codecov

🛜 ESPectre 👻

Système de détection de mouvement basé sur l'analyse du spectre Wi-Fi (CSI), avec intégration native à Home Assistant via ESPHome.

[!TIP] Nouveau détecteur ML : détection de mouvement par réseau de neurones. Aucun calibrage nécessaire, s'exécute sur l'appareil. Il s'agit d'une fonctionnalité expérimentale, et les retours sont bienvenus dans la discussion dédiée au détecteur ML. Une version snapshot avec les derniers changements est également disponible (utilisez les artefacts -ml pour le détecteur basé sur l'apprentissage automatique), ou suivez le guide de configuration pour une configuration personnalisée.

Table des matières

En 3 points

  1. Ce que ça fait : détecte les mouvements via le Wi-Fi (pas de caméras, pas de microphones)
  2. Ce dont vous avez besoin : un appareil ESP32 à ~10 € (S3 et C6 recommandés, d'autres variantes sont prises en charge)
  3. Temps d'installation : 10-15 minutes

Ce dont vous avez besoin

Matériel

  • Routeur Wi-Fi 2,4 GHz - celui que vous avez déjà à la maison fonctionne très bien
  • ESP32 avec prise en charge CSI - ESP32-C6, ESP32-S3, ESP32-C3, ESP32 (original) ou d'autres variantes. Voir SETUP.md pour le tableau comparatif complet des plateformes.

Lot de 3 DevKit ESP32-S3 avec antennes externes DevKit ESP32-S3 avec antennes externes

Logiciels (tous gratuits)

  • Home Assistant (sur Raspberry Pi, PC, NAS ou cloud)
  • ESPHome (intégré à Home Assistant ou autonome)

Compétences requises

  • Connaissances de base en YAML pour la configuration
  • Familiarité avec Home Assistant (facultatif mais recommandé)
  • AUCUNE compétence en programmation requise
  • AUCUNE configuration du routeur nécessaire

Démarrage rapide

Temps d'installation : ~10-15 minutes
Difficulté : Facile (configuration YAML uniquement)

  1. Configuration et installation : suivez le guide complet dans SETUP.md
  2. Réglage : optimisez pour votre environnement avec TUNING.md

Tableau de bord Home Assistant ESPectre Tableau de bord Home Assistant avec détection de mouvement en temps réel, contrôle du seuil et capteurs de débogage

Comment ça marche

Lorsqu'une personne bouge dans une pièce, elle « perturbe » les ondes Wi-Fi qui circulent entre le routeur et le capteur. C'est comme lorsque vous passez la main devant une lampe de poche et que vous voyez l'ombre changer.

L'appareil ESP32 « écoute » ces changements et détecte s'il y a un mouvement.

Avantages

  • Pas de caméras (confidentialité totale)
  • Aucun appareil portable requis (pas de bracelet ni de capteur à porter)
  • Fonctionne à travers les murs (le Wi-Fi traverse les murs)
  • Très économique (~10 € au total)

Vous voulez comprendre les détails techniques ? Consultez ALGORITHMS.md pour une explication du CSI et la documentation sur le traitement du signal.

Ce que vous pouvez en faire

Exemples pratiques

  • Sécurité à la maison : recevez une alerte si quelqu'un entre pendant votre absence
  • Soins aux personnes âgées : surveillez l'activité pour détecter les chutes ou une inactivité prolongée
  • Automatisation intelligente : allumez les lumières/le chauffage uniquement lorsque quelqu'un est présent
  • Économie d'énergie : éteignez automatiquement les appareils dans les pièces vides
  • Surveillance des enfants : alertez s'ils quittent la pièce pendant la nuit
  • Contrôle du climat : chauffez/rafraîchissez uniquement les zones occupées

Où placer le capteur

Un emplacement optimal du capteur est crucial pour une détection de mouvement fiable.

Distance recommandée par rapport au routeur

Plage optimale : 3-8 mètres

DistanceSignalMultipathSensibilitéBruitRecommandation
< 2mTrop fortMinimalFaibleFaible❌ Trop près
3-8mFortBonÉlevéeFaible✅ Optimal
> 10-15mFaibleVariableFaibleÉlevé❌ Trop loin

Conseils d'emplacement

À faire :

  • Placer le capteur dans la zone à surveiller (pas nécessairement en ligne directe avec le routeur)
  • Hauteur : 1 à 1,5 mètre du sol (hauteur d'un bureau/table)
  • Antenne externe : utilisez un connecteur IPEX pour une meilleure réception

À éviter :

  • Évitez les obstacles métalliques entre le routeur et le capteur (réfrigérateurs, armoires métalliques)
  • Évitez les coins ou les espaces clos (réduit la diversité des multitrajets)

Architecture du système

Pipeline de traitement

ESPectre utilise un pipeline de traitement ciblé pour la détection de mouvement :``` ┌─────────────┐ │ CSI Data │ Raw Wi-Fi Channel State Information └──────┬──────┘ │ ▼ ┌─────────────┐ │ Gain Lock │ AGC/FFT stabilization (~3 seconds) │ │ Locks hardware gain for stable measurements └──────┬──────┘ │ ▼ ┌─────────────┐ │ Auto │ Automatic subcarrier selection (once at boot) │ Calibration │ Selects optimal 12 subcarriers (NBVI) └──────┬──────┘ │ ▼ ┌─────────────┐ │ Adaptive │ auto: P95 × 1.1 | min: P100 │ Threshold │ or fixed manual value └──────┬──────┘ │ ▼ ┌─────────────┐ │ Hampel │ Turbulence outlier removal │ Filter │ (enabled by default) └──────┬──────┘ │ ▼ ┌─────────────┐ │ Low-pass │ Noise reduction (smoothing) │ Filter │ (optional, disabled by default) └──────┬──────┘ │ ▼ ┌─────────────┐ │ Detection │ MVS or ML score │ Evaluation │ every evaluation_interval packets └──────┬──────┘ │ ▼ ┌─────────────┐ │ Hit Filter │ motion_on_hits / motion_off_hits │ │ edge-driven IDLE ↔ MOTION └──────┬──────┘ │ ▼ ┌─────────────┐ │ Home │ Edge-driven motion binary + │ Assistant │ periodic Movement Score / Threshold └─────────────┘

### Capteur unique ou multiple```
┌─────────┐  ┌─────────┐  ┌─────────┐
│ ESP32   │  │ ESP32   │  │ ESP32   │
│ Room 1  │  │ Room 2  │  │ Room 3  │
└────┬────┘  └────┬────┘  └────┬────┘
     │            │            │
     └────────────┴────────────┘
                  │
                  │ ESPHome Native API
                  ▼
         ┌────────────────────┐
         │   Home Assistant   │
         │   (Auto-discovery) │
         └────────────────────┘

Chaque capteur est automatiquement découvert par Home Assistant avec :

  • Capteur binaire pour la détection de mouvement, publié immédiatement sur les changements d'état
  • Capteur de score de mouvement, publié selon la cadence périodique
  • Seuil ajustable (entité numérique)

Sélection automatique des sous-porteuses

ESPectre implémente NBVI (Normalized Band Variance Index) pour la sélection automatique des sous-porteuses, atteignant des performances quasi optimales (F1>96 %) avec zéro configuration manuelle. L'algorithme sélectionne 12 sous-porteuses non consécutives en fonction de métriques de stabilité et de diversité spectrale.

⚠️ IMPORTANT (mode MVS) : Gardez la pièce calme et immobile pendant 10 secondes après le démarrage de l'appareil. L'étalonnage automatique s'exécute pendant cette période et tout mouvement affectera la précision de détection. Le mode ML ignore l'étalonnage.

Pour plus de détails sur l'algorithme, voir ALGORITHMS.md.

FAQ pour débutants

Cliquez pour développer la FAQ

Q : Avez-vous besoin de connaissances en programmation pour l'utiliser ?
R : Non ! ESPectre utilise des fichiers de configuration YAML. Téléchargez simplement l'exemple, flashez-le et configurez le WiFi via l'application ESPHome ou l'interface web.

Q : Fonctionne-t-il avec mon routeur ?
R : Oui, si votre routeur dispose du Wi-Fi 2,4 GHz (quasi tous les routeurs modernes en sont équipés).

Q : Combien cela coûte-t-il au total ?
R : Matériel : ~€10 pour un appareil ESP32 (S3/C6 recommandés, d'autres variantes fonctionnent aussi). Logiciel : tout est gratuit et open source. Vous aurez également besoin de Home Assistant quelque part (Raspberry Pi ~€35-50, ou n'importe quel PC/NAS existant).

Q : Dois-je modifier quelque chose sur le routeur ?
R : Non ! Le routeur fonctionne normalement. Le capteur « écoute » les signaux Wi-Fi sans rien modifier.

Q : Fonctionne-t-il à travers les murs ?
R : Oui, le signal Wi-Fi 2,4 GHz traverse les cloisons sèches. Le béton armé réduit la sensibilité, mais la détection reste possible à des distances réduites.

Q : Combien de capteurs sont nécessaires pour une maison ?
R : Cela dépend de la taille. Un capteur peut surveiller ~50 m². Pour les grandes maisons, utilisez plusieurs capteurs (1 capteur tous les 50-70 m² pour une couverture optimale).

Q : Peut-il faire la distinction entre les personnes et les animaux domestiques ?
R : Le système utilise un modèle de segmentation à 2 états (IDLE/MOTION) qui identifie un mouvement générique sans distinguer les personnes, les animaux ou d'autres objets en mouvement. Pour une classification plus sophistiquée (personnes vs animaux, reconnaissance d'activité, détection de gestes), des modèles d'IA/ML entraînés seraient nécessaires (voir section Évolution future).

Q : Fonctionne-t-il avec les réseaux Wi-Fi maillés ?
R : Oui, il fonctionne normalement. Assurez-vous que l'ESP32 se connecte à la bande 2,4 GHz.

Q : Quelle est la précision de la détection ?
R : La précision de la détection dépend fortement de l'environnement et nécessite un réglage approprié. Les facteurs affectant les performances incluent : l'agencement de la pièce, les matériaux des murs, le placement des meubles, la distance par rapport au routeur (optimal : 3-8 m) et les niveaux d'interférence. Dans des conditions optimales avec un réglage approprié, le système fournit une détection de mouvement fiable. Ajustez le paramètre segmentation_threshold pour régler la sensibilité à votre environnement spécifique.

Q : Quelle est la consommation électrique ?
R : ~500 mW en fonctionnement continu typique. Le firmware inclut un support d'optimisation de la consommation, et des modes de veille profonde peuvent être implémentés pour les déploiements sur batterie, bien que cela nécessite des modifications personnalisées du code.

Q : Si cela ne fonctionne pas, puis-je obtenir de l'aide ?
R : Oui, ouvrez un problème sur GitHub ou contactez-moi par e-mail.

Sécurité et confidentialité

Considérations sur la confidentialité, la sécurité et l'éthique (cliquez pour développer)

Nature des données collectées

Le système collecte des données anonymes liées aux caractéristiques physiques du canal radio Wi-Fi :

  • Amplitudes et phases des sous-porteuses OFDM
  • Variances statistiques du signal
  • NON collectées : identités personnelles, contenus des communications, images, audio

Les données CSI ne représentent que les propriétés du support de transmission et ne contiennent pas d'informations d'identification directes.

Avantages en matière de confidentialité

  • Pas de caméras : respect de la vie privée visuelle
  • Pas de microphones : aucun enregistrement audio
  • Aucun appareil portable : ne nécessite pas d'appareils portés
  • Données agrégées : uniquement des métriques statistiques, pas de données brutes d'identification

⚠️ Avertissement et considérations éthiques

ATTENTION : Malgré l'anonymat intrinsèque des données CSI, ce système peut être utilisé pour :

  • Surveillance non consentie : détection de la présence/des mouvements de personnes sans leur consentement explicite
  • Profilage comportemental : avec des modèles d'IA avancés, déduire les habitudes de vie quotidiennes
  • Violation de la vie privée domestique : suivi des activités à l'intérieur des domiciles privés

Responsabilité d'utilisation

L'utilisateur est seul responsable de l'utilisation de ce système et doit :

  1. Obtenir le consentement explicite de toutes les personnes surveillées
  2. Respecter les réglementations locales (RGPD dans l'UE, lois locales sur la vie privée)
  3. Informer clairement de la présence du système de détection
  4. Limiter l'utilisation à des fins légitimes (sécurité domestique, domotique personnelle)
  5. Protéger les données par chiffrement et accès contrôlé
  6. NE PAS utiliser pour la surveillance illégale, le harcèlement ou la violation de la vie privée d'autrui

Plongée technique approfondie

Pour les détails des algorithmes (MVS, étalonnage NBVI, filtre de Hampel), voir ALGORITHMS.md.

Pour les métriques de performance (matrice de confusion, score F1, benchmarks), voir PERFORMANCE.md.

Stratégie à deux plateformes

Ce projet suit une approche à deux plateformes pour équilibrer la vitesse d'innovation et la stabilité de production :

ESPectre (ce dépôt) - Plateforme de production

Cible : utilisateurs finaux, passionnés de maison intelligente, utilisateurs de Home Assistant

  • Composant ESPHome avec intégration native Home Assistant
  • Configuration YAML - aucune programmation requise
  • Auto-découverte - les appareils apparaissent automatiquement dans Home Assistant
  • Prêt pour la production - stable, testé, facile à déployer
  • Démonstratif - présente les résultats de recherche dans un package convivial

Micro-ESPectre - Plateforme R&D

Cible : chercheurs, développeurs, applications académiques/industrielles

  • Implémentation Python/MicroPython pour un prototypage rapide
  • Basé sur MQTT - intégration flexible (non limitée à Home Assistant)
  • Itération rapide - testez de nouveaux algorithmes en quelques secondes, pas en minutes
  • Outils d'analyse - suite complète pour l'analyse des données CSI
  • Cas d'utilisation : recherche académique, détection industrielle, développement d'algorithmes

Micro-ESPectre vous fournit les bases pour :

  • Comptage de personnes
  • Reconnaissance d'activité (marche, chute, position assise, sommeil)
  • Localisation et suivi
  • Reconnaissance de gestes

Flux de développement```

┌─────────────────────┐ Validated ┌──────────────────────┐ │ Micro-ESPectre │ ─────────────────► │ ESPectre │ │ (R&D Platform) │ algorithms │ (Production Platform)│ │ │ │ │ │ • Fast prototyping │ │ • ESPHome component │ │ • Algorithm testing │ │ • Home Assistant │ │ • Data analysis │ │ • End-user ready │ │ • MQTT flexibility │ │ • Native API │ └─────────────────────┘ └──────────────────────┘

**Cycle d'innovation** : les nouvelles fonctionnalités et algorithmes sont d'abord développés et validés dans Micro-ESPectre (Python), puis portés vers ESPectre (C++) une fois leur efficacité prouvée.

---

## Évolution future

Alors qu'ESPectre v2.x se concentre sur la **détection de mouvement** (MVS + sélection automatique de sous-porteuse), le projet explore des capacités d'apprentissage automatique pour des applications avancées :

| Capacité | Statut | Description |
|------------|--------|-------------|
| **Détecteur ML** | Expérimental | Réseau de neurones (MLP 9→32→16→1)|
| **Reconnaissance de gestes** | Planifié | Détecter les gestes de la main (balayage, poussée, cercle) pour le contrôle de la maison intelligente |
| **Reconnaissance d'activités humaines** | Planifié | Identifier les activités (assis, marche, chute) |
| **Comptage de personnes** | Planifié | Estimer le nombre de personnes dans une pièce |
| **Localisation 3D** | Recherche | Positionnement intérieur (précision 30-50cm) via un réseau d'antennes cohérent en phase |

Le détecteur ML est déjà disponible avec `detection_algorithm: ml` dans votre configuration YAML. Pour plus de détails sur l'algorithme, consultez [ALGORITHMS.md](https://github.com/francescopace/espectre/blob/HEAD/micro-espectre/ALGORITHMS.md#ml-neural-network-detector) et `PERFORMANCE.md` pour les métriques actuelles  
L'infrastructure de collecte de données et d'entraînement ML est documentée dans [ML_DATA_COLLECTION.md](https://github.com/francescopace/espectre/blob/HEAD/micro-espectre/ML_DATA_COLLECTION.md).

Consultez [ROADMAP.md](https://github.com/francescopace/espectre/blob/HEAD/ROADMAP.md) pour les plans détaillés, les échéanciers et la manière de contribuer.

---

## Documentation

### ESPectre (Production)

| Document | Description |
|----------|-------------|
| [Intro](https://github.com/francescopace/espectre/blob/HEAD/README.md) | (Ce fichier) Vue d'ensemble du projet, démarrage rapide, FAQ |
| [Guide d'installation](https://github.com/francescopace/espectre/blob/HEAD/SETUP.md) | Installation et configuration avec ESPHome |
| [Guide de réglage](https://github.com/francescopace/espectre/blob/HEAD/TUNING.md) | Réglage des paramètres pour une détection optimale |
| [Performances](https://github.com/francescopace/espectre/blob/HEAD/PERFORMANCE.md) | Benchmarks, matrice de confusion, score F1 |
| [Le Jeu](https://github.com/francescopace/espectre/blob/HEAD/docs/game/README.md) | Jeu navigateur, API de streaming USB, réglage interactif du seuil |
| [Suite de tests](https://github.com/francescopace/espectre/blob/HEAD/test/README.md) | Documentation des tests PlatformIO Unity |

### Micro-ESPectre (R&D)

| Document | Description |
|----------|-------------|
| [Intro](https://github.com/francescopace/espectre/blob/HEAD/micro-espectre/README.md) | Vue d'ensemble de la plateforme R&D, CLI, MQTT, Web Monitor |
| [Algorithmes](https://github.com/francescopace/espectre/blob/HEAD/micro-espectre/ALGORITHMS.md) | Documentation scientifique du MVS, de la calibration NBVI, du filtre de Hampel |
| [Outils d'analyse](https://github.com/francescopace/espectre/blob/HEAD/micro-espectre/tools/README.md) | Scripts d'analyse et d'optimisation CSI |
| [Collecte de données ML](https://github.com/francescopace/espectre/blob/HEAD/micro-espectre/ML_DATA_COLLECTION.md) | Construction de jeux de données étiquetés pour l'apprentissage automatique |
| [Références](https://github.com/francescopace/espectre/blob/HEAD/micro-espectre/README.md#references) | Articles académiques et ressources de recherche |

### Projet

| Document | Description |
|----------|-------------|
| [Feuille de route](https://github.com/francescopace/espectre/blob/HEAD/ROADMAP.md) | Vision du projet et plans ML |
| [Contribuer](https://github.com/francescopace/espectre/blob/HEAD/CONTRIBUTING.md) | Comment contribuer (code, données, documentation) |
| [Journal des modifications](https://github.com/francescopace/espectre/blob/HEAD/CHANGELOG.md) | Historique des versions et notes de version |
| [Sécurité](https://github.com/francescopace/espectre/blob/HEAD/SECURITY.md) | Politique de sécurité et signalement des vulnérabilités |
| [Code de conduite](https://github.com/francescopace/espectre/blob/HEAD/CODE_OF_CONDUCT.md) | Règles de la communauté |

---

## Médias

| Articles | Titre |
|-------------|-------|
| Medium | [Comment j'ai transformé mon Wi-Fi en détecteur de mouvement - Partie 1](https://medium.com/@francesco.pace/how-i-turned-my-wi-fi-into-a-motion-sensor-61a631a9b4ec?sk=c7f79130d78b0545fce4a228a6a79af3&utm_source=github&utm_medium=readme&utm_campaign=espectre) |
| Medium | [Comment j'ai transformé mon Wi-Fi en détecteur de mouvement - Partie 2](https://medium.com/@francesco.pace/how-i-turned-my-wi-fi-into-a-motion-sensor-part-2-62038130e530?sk=7c8b6f11cf3fcb8d279648016ebff72a&utm_source=github&utm_medium=readme&utm_campaign=espectre) |
| IoT For All | [Comment j'ai transformé mon Wi-Fi en détecteur de mouvement](https://www.iotforall.com/wifi-motion-sensor-iot) |
| Hackaday | [Fabriquez votre propre capteur de présence basé sur ESP32, aucun matériel spécial requis](https://hackaday.com/2026/01/28/make-your-own-esp32-based-person-sensor-no-special-hardware-needed/) |
| Adafruit Learn | [Détecteur de présence ESPectre pour Feather](https://learn.adafruit.com/espectre-human-detector-for-feather) |
| Seeed Studio Wiki | [Déployer Espectre sur la série Seeed Studio XIAO ESP32 avec ESPHome](https://wiki.seeedstudio.com/xiao-esp32--series-espresense/) |

| Blog | Discussion |
|----------|------------|
| Home Assistant | [ESPectre - Détection de mouvement Wi-Fi pour Home Assistant](https://community.home-assistant.io/t/espectre-wi-fi-motion-detection-for-home-assistant/961251) |

| Vidéos | Vidéo |
|---------|-------|
| @GithubAwesome | [ESPectre](https://www.youtube.com/shorts/iQ_DPHLn8ms) |

| Podcasts | Épisode |
|-------------|---------|
| Hackaday | [Épisode 355 du podcast : Détecteurs de présence, talkies-walkies, smartphones ouverts...](https://hackaday.com/2026/01/30/hackaday-podcast-episode-355-person-detectors-walkie-talkies-open-smartphones-and-a-wifi-traffic-light/) |

---

## Projets connexes

- [radio-presence-scanner](https://github.com/francescopace/radio-presence-scanner) : projet complémentaire de détection de présence axé sur les observations radio BLE à partir d'appareils hôtes (Python), avec tableau de bord HTTP facultatif.
- [micropython-esp32-csi](https://github.com/francescopace/micropython-esp32-csi) : fork MicroPython personnalisé exposant les API CSI ESP32, utilisé comme base de firmware pour le prototypage rapide du CSI dans le flux de travail Micro-ESPectre.

---

## Remerciements

ESPectre exploite les capacités CSI Wi-Fi natives des puces ESP32. Merci à [Espressif](https://www.espressif.com/) d'avoir rendu le CSI accessible dans le framework ESP-IDF et d'avoir reconnu ESPectre comme [projet communautaire](https://github.com/espressif/esp-csi#6-related-resources) dans leur dépôt [esp-csi](https://github.com/espressif/esp-csi).

---

## Licence

Ce projet est publié sous la **GNU General Public License v3.0 (GPLv3)**.

La GPLv3 garantit que :
- Le logiciel reste libre et open source
- Toute personne peut l'utiliser, l'étudier, le modifier et le distribuer
- Les modifications doivent être partagées sous la même licence
- Protège les droits des utilisateurs finaux et la liberté du logiciel

Voir [LICENSE](https://github.com/francescopace/espectre/blob/HEAD/LICENSE) pour le texte intégral de la licence.

Les contributions sont soumises sous GPLv3 et doivent inclure un DCO
avec la mention `Signed-off-by` sur chaque commit (`git commit -s`).

## Auteur

**Francesco Pace**  
Email : [[email protected]](mailto:[email protected])  
LinkedIn : [linkedin.com/in/francescopace](https://www.linkedin.com/in/francescopace/)

Si vous trouvez ESPectre utile et souhaitez soutenir son développement, vous pouvez m'offrir un café. C'est totalement facultatif.
Je travaille sur ce projet parce que je suis passionné. Les contributions m'aident à acheter du nouveau matériel pour élargir la liste des appareils testés et pris en charge, et à consacrer plus de temps aux nouvelles fonctionnalités.

<a href="https://www.buymeacoffee.com/espectre" target="_blank"><img src="https://assets.kitploit.com/production/public/readmes/9574/a7e8174c892355a24fbaec083cbef385d097a0b488fd4823dbbb0061643bb5e2.png" alt="Buy Me A Coffee" style="height: 60px !important;width: 217px !important;" ></a>
Lire plus

Catégories

Sécurité IoTSécurité Sans FilProtection de la Vie PrivéeSécurité Matériel et IoTApprentissage AutomatiqueApprentissage et ÉducationDétection d'Anomalies