Des chercheurs de Singapour développent « MaskFi » pour le suivi humain en temps réel dans le métavers
Summary:
Des chercheurs de l’Université technologique de Nanyang à Singapour ont mis au point une nouvelle technique pour suivre l’activité humaine en temps réel dans le métavers à l’aide de la détection Wi-Fi et de l’intelligence artificielle. Ils ont introduit un système basé sur l’IA, « MaskFi », qui surmonte les limites des méthodes existantes basées sur des capteurs physiques ou des caméras. Entraîné par apprentissage non supervisé, MaskFi utilise des données d’activité vidéo et Wi-Fi non étiquetées, atteignant un taux de précision de 97 %. Cette approche innovante pourrait ouvrir la voie à une réplication exacte et en temps réel du monde réel dans le métavers.
Des chercheurs scientifiques de l’Université technologique de Nanyang, basée à Singapour, ont récemment révélé une nouvelle approche pour suivre l’activité humaine en temps réel dans le métavers. Un aspect important du métavers est le pouvoir de refléter instantanément des objets et des individus du monde réel dans l’espace en ligne. Dans le domaine de la réalité numérique, les utilisateurs ont la possibilité de tourner la tête pour changer de perspective ou d’utiliser des contrôleurs du monde réel pour avoir un impact sur l’environnement en ligne. La façon actuelle de capturer les mouvements humains dans le métavers implique des capteurs centrés sur l’appareil, des caméras ou un mélange des deux. Cependant, les chercheurs ont noté de sérieuses limites à ces options dans leur étude de prépublication. À lire également : Sam Altman et OpenAI font face à une action en justice intentée par Elon Musk pour rupture d’accord. Un réseau de détection dépendant d’un appareil, comme un capteur de mouvement dans un contrôleur portable, ne peut recueillir des informations qu’à partir d’un seul point du corps humain, limitant ainsi la capture d’activités complexes, comme l’affirment les chercheurs. De plus, les systèmes de suivi axés sur les caméras souffrent de problèmes liés à des conditions de faible éclairage et à des obstacles physiques. C’est là que la détection WiFi entre en jeu. Depuis plusieurs années, les scientifiques utilisent des capteurs WiFi pour surveiller les actions humaines. À l’instar de RADAR, les signaux radio utilisés dans la transmission et la réception de données WiFi peuvent être utilisés pour détecter des objets dans un environnement. Ils peuvent être ajustés pour surveiller les fréquences cardiaques, suivre les habitudes de sommeil et de respiration, et même détecter les personnes à travers les murs. Les chercheurs dans le domaine du métavers ont déjà essayé de fusionner la détection WiFi avec des méthodes de suivi conventionnelles, avec des résultats mitigés. Cela nous amène également au domaine de l’intelligence artificielle. Le suivi WiFi nécessite l’application de modèles d’intelligence artificielle. Malheureusement, le processus d’entraînement de ces modèles a souvent posé de sérieux défis aux chercheurs. Selon l’article de l’équipe de Singapour : « Les techniques existantes utilisant le WiFi et les modalités visuelles reposent sur un grand volume de données étiquetées, qui sont difficiles à collecter. ... Nous proposons une solution HAR multimodale non supervisée unique, qui porte le nom de MaskFi, qui n’a besoin que de données vidéo et d’activité WiFi non étiquetées pour l’entraînement des modèles. Pour former les modèles d’IA nécessaires à l’expérimentation de la détection WiFi pour la reconnaissance de l’activité humaine (HAR), les scientifiques doivent créer une vaste base de données de données d’entraînement. Ces ensembles de données utilisés pour l’entraînement de l’IA pourraient représenter des milliers, voire des millions de points de données, en fonction des objectifs spécifiques de chaque modèle. L’étiquetage de ces ensembles de données devient souvent la partie la plus longue de ces enquêtes. C’est là que MaskFi entre en jeu. L’équipe de l’Université technologique de Nanyang a développé le système « MaskFi » pour remédier à cette situation. Ce système applique des modèles d’IA créés à l’aide d’une méthode connue sous le nom d'« apprentissage non supervisé ». Dans l’apprentissage non supervisé, un modèle d’IA est d’abord entraîné sur un ensemble de données plus petit, puis révisé à plusieurs reprises jusqu’à ce qu’il puisse projeter les états de sortie avec un degré de précision raisonnable. Ce processus permet aux scientifiques de se concentrer sur les modèles, plutôt que d’investir du temps dans la création d’ensembles de données d’apprentissage robustes. Source : Yang, et. al., 2024 Selon les chercheurs, le système MaskFi a atteint une précision de près de 97 % sur deux benchmarks associés. Cela suggère qu’après plus de développement, ce mécanisme pourrait agir comme un tremplin pour une modalité métaverse radicalement nouvelle : un métavers offrant une réplication en temps réel et parfaite du monde réel.
Published At
3/1/2024 8:23:40 PM
Disclaimer: Algoine does not endorse any content or product on this page. Readers should conduct their own research before taking any actions related to the asset, company, or any information in this article and assume full responsibility for their decisions. This article should not be considered as investment advice. Our news is prepared with AI support.
Do you suspect this content may be misleading, incomplete, or inappropriate in any way, requiring modification or removal?
We appreciate your report.