دانشمندان از سیگنال‌های WiFi برای ردیابی حرکت انسان برای متاورس استفاده می‌کنند

سنجش WiFi امکان ردیابی حرکت را در تاریکی و از طریق دیوارها فراهم می کند.

تیمی از محققان دانشگاه فناوری نانیانگ در سنگاپور اخیراً از روش جدیدی برای ردیابی حرکت انسان برای متاورژن رونمایی کرده اند.

یکی از ویژگی های کلیدی متاورس، توانایی نمایش اشیاء و افراد دنیای واقعی در دنیای دیجیتال در زمان واقعی است. به عنوان مثال، در واقعیت مجازی، کاربران می توانند سر خود را بچرخانند تا دیدگاه خود را تغییر دهند یا کنترل کننده های فیزیکی را در دنیای واقعی دستکاری کنند تا بر محیط دیجیتال تأثیر بگذارند.

وضعیت موجود برای ثبت فعالیت های انسانی در متاورس از حسگرهای مبتنی بر دستگاه، دوربین ها یا ترکیبی از هر دو استفاده می کند. با این حال، همانطور که محققان در مقاله تحقیقاتی پیش از چاپ خود می نویسند ، هر دوی این روش ها دارای محدودیت های فوری هستند.

محققان می نویسند که یک سیستم حسگر مبتنی بر دستگاه، مانند یک کنترل کننده دستی با یک حسگر حرکت، “فقط اطلاعات را در یک نقطه از بدن انسان ثبت می کند و بنابراین نمی تواند فعالیت های بسیار پیچیده را مدل کند.” در همین حال، سیستم های ردیابی مبتنی بر دوربین با محیط های کم نور و موانع فیزیکی دست و پنجه نرم می کنند.

سنجش WiFi را وارد کنید

دانشمندان برای سال ها از حسگرهای WiFi برای ردیابی حرکت انسان استفاده کرده اند. مانند رادار، سیگنال‌های رادیویی که برای ارسال و دریافت داده‌های WiFi استفاده می‌شوند، می‌توانند برای حس کردن اجسام در فضا استفاده شوند.

حسگرهای وای فای را می توان برای اندازه گیری ضربان قلب، ردیابی الگوهای تنفس و خواب و حتی حس کردن افراد از طریق دیوارها تنظیم کرد.

محققان Metaverse در گذشته با درجات مختلف موفقیت، ترکیب روش‌های ردیابی سنتی با سنجش WiFi را آزمایش کرده‌اند.

هوش مصنوعی را وارد کنید

ردیابی وای فای نیاز به استفاده از مدل های هوش مصنوعی دارد. متأسفانه، ثابت شده است که آموزش این مدل‌ها دارای درجه بالایی از دشواری برای محققان است.

طبق گزارش تیم سنگاپور:

راه‌حل‌های موجود با استفاده از وای‌فای و روش‌های بینایی بر داده‌های عظیم و برچسب‌گذاری شده تکیه می‌کنند که جمع‌آوری آن‌ها بسیار دشوار است. ما یک راه‌حل جدید HAR [تشخیص فعالیت‌های انسانی] بدون نظارت، MaskFi را پیشنهاد می‌کنیم که تنها از داده‌های ویدیوی بدون برچسب و فعالیت Wi-Fi برای آموزش مدل استفاده می‌کند.

به منظور آموزش مدل های لازم برای آزمایش سنجش WiFi برای HAR، دانشمندان باید یک کتابخانه از داده های آموزشی بسازند. مجموعه داده های مورد استفاده برای آموزش هوش مصنوعی می تواند حاوی هزاران یا حتی میلیون ها نقطه داده بسته به اهداف مدل خاص باشد.

اغلب، برچسب‌گذاری این مجموعه داده‌ها می‌تواند زمان‌برترین بخش انجام این آزمایش‌ها باشد.

وارد MaskFi شوید

تیم دانشگاه فناوری نانیانگ “MaskFi” را برای غلبه بر این چالش ساخته است. از مدل‌های هوش مصنوعی استفاده می‌کند که با استفاده از روشی به نام «یادگیری بدون نظارت» ساخته شده‌اند.

در پارادایم یادگیری بدون نظارت، یک مدل هوش مصنوعی بر روی مجموعه داده‌های بسیار کوچک‌تری از قبل آموزش داده می‌شود و سپس تکرار می‌شود تا زمانی که بتواند حالت‌های خروجی را با سطح دقت رضایت‌بخشی پیش‌بینی کند. این به محققان این امکان را می دهد که انرژی خود را به جای تلاش پر زحمتی که برای ایجاد مجموعه داده های آموزشی قوی لازم است، روی خود مدل ها متمرکز کنند.

به گفته محققان، سیستم MaskFi در دو معیار مرتبط به دقت 97 درصد دست یافته است. این نشان می‌دهد که این سیستم می‌تواند از طریق توسعه آینده، به‌عنوان کاتالیزور برای یک روش متاورز کاملاً جدید عمل کند: متاورشی که می‌تواند نمایش دنیای واقعی ۱:۱ را در زمان واقعی ارائه دهد.