ΤΖΑΚΑΡΤΑ – Μια ερευνητική ομάδα από το Πανεπιστήμιο Τεχνολογίας Nanyang στη Σιγκαπούρη εισήγαγε πρόσφατα μια νέα μέθοδο για την παρακολούθηση των ανθρώπινων κινήσεων για το μετασύμπαντο.
Ένα από τα κύρια χαρακτηριστικά του μετασύμπαντος είναι η ικανότητα αναπαράστασης αντικειμένων και ανθρώπων του πραγματικού κόσμου στον ψηφιακό κόσμο σε πραγματικό χρόνο. Στην εικονική πραγματικότητα, για παράδειγμα, οι χρήστες μπορούν να γυρίσουν το κεφάλι τους για να αλλάξουν την οπτική γωνία ή να χειραγωγήσουν τους φυσικούς ελεγκτές στον πραγματικό κόσμο για να επηρεάσουν το ψηφιακό περιβάλλον.
Το status quo για την καταγραφή της ανθρώπινης δραστηριότητας στο μετασύμπαν χρησιμοποιεί αισθητήρες που βασίζονται σε συσκευές, κάμερες ή συνδυασμό και των δύο. Ωστόσο, όπως έγραψαν οι ερευνητές στις προεκτυπωμένες ερευνητικές εργασίες τους, αυτές οι δύο μέθοδοι έχουν άμεσους περιορισμούς.
Το σύστημα αισθητήρων που βασίζεται σε συσκευές, όπως ένας φορητός ελεγκτής με αισθητήρες κίνησης, «συλλαμβάνει πληροφορίες μόνο σε ένα σημείο του ανθρώπινου σώματος, επομένως δεν μπορεί να μοντελοποιήσει πολύ περίπλοκη δραστηριότητα», έγραψαν οι ερευνητές. Εν τω μεταξύ, τα συστήματα παρακολούθησης που βασίζονται σε κάμερα παλεύουν με περιβάλλοντα χαμηλού φωτισμού και φυσικά εμπόδια.
Εισαγάγετε το WiFi Sensorship
Οι επιστήμονες έχουν χρησιμοποιήσει αισθητήρες WiFi για να παρακολουθούν τις ανθρώπινες κινήσεις εδώ και χρόνια. Παρόμοια με το ραντάρ, τα ραδιοσήματα που χρησιμοποιούνται για την αποστολή και λήψη δεδομένων WiFi μπορούν να χρησιμοποιηθούν για την ανίχνευση αντικειμένων στο διάστημα.
Οι αισθητήρες WiFi μπορούν να επαναρυθμιστούν για να καταγράφουν τον καρδιακό ρυθμό, να παρακολουθούν τα μοτίβα αναπνοής και ύπνου, ακόμη και να ανιχνεύουν ανθρώπους μέσα από τοίχους.
Οι ερευνητές της Metaverse έχουν πειραματιστεί με το συνδυασμό παραδοσιακών μεθόδων παρακολούθησης με λογοκρισία WiFi με προηγούμενα διαφορετικά ποσοστά επιτυχίας.
Είσοδος στην Τεχνητή Νοημοσύνη
Η παρακολούθηση WiFi απαιτεί τη χρήση μοντέλων τεχνητής νοημοσύνης. Ωστόσο, η εκπαίδευση αυτών των μοντέλων έχει αποδειχθεί ότι έχει υψηλό επίπεδο δυσκολίας για τους ερευνητές.
“Οι υπάρχουσες λύσεις χρησιμοποιούν τρόπους Wi-Fi και το όραμα βασίζεται σε μαζικά δεδομένα με ετικέτα που είναι πολύ ενοχλητικό να συλλεχθούν. […] Προτείνουμε μια νέα μη εποπτευόμενη πολυτροπική λύση HAR, τη MaskFi, η οποία χρησιμοποιεί μόνο βίντεο χωρίς ετικέτα και δεδομένα δραστηριότητας Wi-Fi για εκπαίδευση μοντέλων», έγραψε ο ερευνητής στην εργασία του.
Για να εκπαιδεύσουν τα μοντέλα που χρειάζονται για να πειραματιστούν με τη λογοκρισία WiFi για το HAR, οι επιστήμονες πρέπει να δημιουργήσουν μια βιβλιοθήκη δεδομένων εκπαίδευσης. Τα σύνολα δεδομένων που χρησιμοποιούνται για την εκπαίδευση της τεχνητής νοημοσύνης μπορεί να περιέχουν χιλιάδες ή και εκατομμύρια σημεία δεδομένων ανάλογα με τους συγκεκριμένους στόχους του μοντέλου.
Συχνά, η επισήμανση αυτού του συνόλου δεδομένων μπορεί να είναι το πιο χρονοβόρο μέρος της πραγματοποίησης αυτού του πειράματος.
Μπείτε στο The MaskFi
Μια ομάδα από το Τεχνολογικό Πανεπιστήμιο Nanyang δημιούργησε ένα “MaskFi” για να αντιμετωπίσει αυτές τις προκλήσεις. Χρησιμοποιεί μοντέλα τεχνητής νοημοσύνης που κατασκευάζονται χρησιμοποιώντας μια μέθοδο που ονομάζεται «μάθηση χωρίς επίβλεψη».
Στο πρότυπο μάθησης χωρίς επίβλεψη, ένα μοντέλο τεχνητής νοημοσύνης εκπαιδεύτηκε προηγουμένως σε ένα πολύ μικρότερο σύνολο δεδομένων και στη συνέχεια πέρασε την επανάληψη στο σημείο να μπορεί να προβλέψει την κατάσταση της εξόδου με ικανοποιητικό επίπεδο ακρίβειας. Αυτό επιτρέπει στους ερευνητές να επικεντρωθούν στο ίδιο το μοντέλο και όχι στη χρονοβόρα προσπάθεια για τη δημιουργία ενός ισχυρού συνόλου δεδομένων εκπαίδευσης.
Σύμφωνα με τους ερευνητές, το σύστημα MaskFi φτάνει περίπου το 97% ακρίβεια σε δύο σχετικά σημεία αναφοράς. Αυτό υποδηλώνει ότι αυτό το σύστημα, μέσω της μελλοντικής ανάπτυξης, μπορεί να χρησιμεύσει ως καταλύτης για την εντελώς νέα μέθοδο μετασύμπαντος: ένα μετασύμπαν που μπορεί να παρέχει μια αναπαράσταση σε πραγματικό κόσμο 1:1 σε πραγματικό χρόνο.
Ετικέτα:
μετασύνδεση
σινγκαπούρα
wifi