جاكرتا - كشف باحثون في NTU Singapore عن طريقة جديدة لتتبع الحركات البشرية في Metaverse
جاكرتا - قدم فريق من الباحثين من جامعة نانيانغ للتكنولوجيا في سنغافورة مؤخرا طريقة جديدة لتتبع الحركات البشرية للميتافيرس.
واحدة من الميزات الرئيسية للميتافيرس هي القدرة على تمثيل الأشياء والأشخاص في العالم الحقيقي في العالم الرقمي في الوقت الفعلي. في الواقع الافتراضي ، على سبيل المثال ، يمكن للمستخدمين التمرير لتغيير وجهات النظر أو التلاعب بالرقابة المادية في العالم الحقيقي للتأثير على البيئة الرقمية.
الوضع الراهن لالتقاط النشاط البشري في metaverse يستخدم أجهزة استشعار أو كاميرات أو مزيج من الاثنين. ومع ذلك ، كما كتب الباحثون في أوراق البحث قبل الطباعة الخاصة بهم ، فإن هاتين الطريقتين لهما حدود مباشرة.
وكتب الباحثون أن أنظمة الاستشعار القائمة على الأجهزة، مثل وحدة التحكم المحمولة مع مستشعرات الحركة، "التقط المعلومات فقط في نقطة واحدة من جسم الإنسان حتى لا تتمكن من نمذجة نشاط معقد للغاية". وفي الوقت نفسه ، تواجه أنظمة التتبع القائمة على الكاميرا صعوبة في بيئات منخفضة الضوء والحواجز المادية.
الدخول إلى رقابة WiFi
يستخدم العلماء أجهزة استشعار WiFi لتتبع الحركات البشرية لسنوات. على غرار الرادار ، يمكن استخدام الإشارات الراديوية المستخدمة في إرسال وتلقي بيانات WiFi للكشف عن الأجسام في الغرفة.
يمكن إعادة تعيين أجهزة استشعار WiFi لالتقاط معدل ضربات القلب ، وتتبع أنماط التنفس والنوم ، وحتى اكتشاف الأشخاص عبر الحائط.
جاكرتا - جرب باحثو Metaverse من خلال الجمع بين أساليب التتبع التقليدية وفحوصات WiFi بمستويات نجاح مختلفة في السابق.
دخول الذكاء الاصطناعي
يتطلب تتبع WiFi استخدام نماذج الذكاء الاصطناعي. ومع ذلك ، فقد ثبت أن تدريب هذه النماذج لديه مستوى عال من الصعوبة للباحثين.
"يعتمد الحل الحالي على طرائق Wi-Fi والرؤية على البيانات المصنفة بكميات كبيرة والتي هي مزعجة للغاية لجمعها. [...] نقترح حلا جديدا ل HAR متعدد الموارد غير المراقبة ، MaskFi ، والذي يستخدم فقط مقاطع الفيديو غير المصنفة وبيانات نشاط Wi-Fi لتدريب النماذج ".
لتدريب النماذج التي تحتاج إلى تجربة باستخدام رقابة WiFi ل HAR ، يجب على العلماء بناء مكتبة بيانات تدريبية. يمكن أن تحتوي مجموعات البيانات المستخدمة لتدريب الذكاء الاصطناعي على آلاف أو حتى ملايين نقاط البيانات اعتمادا على هدف نموذج معين.
في كثير من الأحيان ، يمكن أن يكون تصنيف مجموعة البيانات هذه الجزء الأكثر استغلالا من الوقت في إجراء هذه التجربة.
دخول إلى maskFi
قام فريق من جامعة نانيانغ للتكنولوجيا ببناء "MaskFi" للتغلب على هذا التحدي. يستخدم نماذج الذكاء الاصطناعي التي يتم بناؤها باستخدام طريقة تسمى "التعلم غير المنضبط".
في نموذج التعلم دون إشراف ، تم تدريب نموذج الذكاء الاصطناعي سابقا في مجموعة بيانات أصغر بكثير ثم مر بالتكرار ليكون قادرا على التنبؤ بحالة النتائج بمستوى دقيق مرض. وهذا يسمح للباحثين بالتركيز على النموذج نفسه بدلا من الجهود التي تستغرق وقتا طويلا لبناء مجموعة بيانات تدريبية قوية.
وفقا للباحثين ، وصل نظام MaskFi إلى حوالي 97٪ من الدقة عبر مقياسين ذي صلة. وهذا يدل على أن هذا النظام، من خلال التطوير المستقبلي، يمكن أن يكون بمثابة حافز لرأس المال الميتافيرسي الجديد تماما: ميتافيرس يمكنه تقديم تمثيل حقيقي 1: 1 في الوقت الفعلي.