Ricercatori di Singapore sviluppano "MaskFi" per il tracciamento umano in tempo reale nel metaverso
Summary:
I ricercatori della Nanyang Technological University di Singapore hanno sviluppato una nuova tecnica per tracciare l'attività umana in tempo reale per il metaverso utilizzando il rilevamento Wi-Fi e l'intelligenza artificiale. Hanno introdotto un sistema basato sull'intelligenza artificiale, "MaskFi", che supera i limiti dei metodi esistenti basati su sensori fisici o telecamere. Addestrato attraverso l'apprendimento non supervisionato, MaskFi utilizza video non etichettati e dati di attività Wi-Fi, raggiungendo un tasso di precisione del 97%. Questo approccio innovativo potrebbe aprire la strada a una replica esatta e in tempo reale del mondo reale nel metaverso.
I ricercatori scientifici della Nanyang Technological University, con sede a Singapore, hanno recentemente rivelato un nuovo approccio per tracciare l'attività umana in tempo reale per il metaverso. Un aspetto significativo del metaverso è il potere di rispecchiare istantaneamente oggetti e individui del mondo reale all'interno dello spazio online. Nell'ambito della realtà digitale, gli utenti hanno la possibilità di girare la testa per cambiare prospettiva o utilizzare controller del mondo reale per avere un impatto sull'ambiente online. Il modo esistente di catturare i movimenti umani nel metaverso prevede sensori incentrati sul dispositivo, fotocamere o una combinazione di entrambi. Tuttavia, i ricercatori hanno notato gravi limitazioni con queste opzioni nel loro studio di preprint. Correlato: Sam Altman, OpenAI affronta la causa intentata da Elon Musk per aver violato l'accordo. Una rete di rilevamento dipendente dal dispositivo, come un sensore di movimento in un controller portatile, può raccogliere informazioni solo da un singolo punto del corpo umano, limitando così l'acquisizione di attività complesse, come affermano i ricercatori. Inoltre, i sistemi di tracciamento focalizzati sulla telecamera soffrono di problemi legati a condizioni di scarsa illuminazione e ostacoli fisici. È qui che entra in gioco il rilevamento WiFi. Per diversi anni, gli scienziati hanno utilizzato sensori WiFi per monitorare le azioni umane. Analogamente al RADAR, i segnali radio utilizzati nella trasmissione e nella ricezione dei dati WiFi possono essere utilizzati per rilevare oggetti in un ambiente. Possono essere regolati per monitorare la frequenza cardiaca, tenere traccia dei modelli di sonno e respirazione e persino rilevare le persone attraverso i muri. I ricercatori nel campo del metaverso hanno già provato a fondere il rilevamento WiFi con metodi di tracciamento convenzionali con risultati contrastanti. Questo ci porta anche al regno dell'intelligenza artificiale. Il tracciamento WiFi richiede l'applicazione di modelli di intelligenza artificiale. Purtroppo, il processo di addestramento di questi modelli ha spesso posto sfide difficili per i ricercatori. Secondo il documento del team di Singapore: "Le tecniche esistenti che utilizzano il WiFi e le modalità visive si basano su un grande volume di dati etichettati, che sono difficili da raccogliere. ... Proponiamo un'esclusiva soluzione HAR multimodale non supervisionata, con il nome di MaskFi, che richiede solo dati video e di attività WiFi non etichettati per l'addestramento del modello". Per addestrare i modelli di intelligenza artificiale necessari per sperimentare il rilevamento WiFi per il riconoscimento dell'attività umana (HAR), gli scienziati devono creare un vasto database di dati di addestramento. Questi set di dati utilizzati per l'addestramento dell'IA potrebbero rappresentare migliaia o addirittura milioni di punti dati, in base agli obiettivi specifici di ciascun modello. L'etichettatura di questi set di dati diventa spesso la parte più lunga di queste indagini. È qui che entra in gioco MaskFi. Il team della Nanyang Technological University ha sviluppato il sistema "MaskFi" per affrontare questa situazione. Questo sistema applica modelli di intelligenza artificiale creati attraverso un metodo noto come "apprendimento non supervisionato". Nell'apprendimento non supervisionato, un modello di intelligenza artificiale viene inizialmente addestrato su un set di dati più piccolo e quindi rivisto ripetutamente fino a quando non è in grado di proiettare gli stati di output con un ragionevole grado di accuratezza. Questo processo consente agli scienziati di concentrare la loro attenzione sui modelli, piuttosto che investire tempo nella creazione di solidi set di dati di addestramento. Fonte: Yang, et. al., 2024 Secondo i ricercatori, il sistema MaskFi ha raggiunto una precisione di quasi il 97% in due benchmark associati. Ciò suggerisce che, a seguito di ulteriori sviluppi, questo meccanismo potrebbe fungere da trampolino di lancio per una modalità di metaverso radicalmente nuova: un metaverso che offre una replica in tempo reale e perfetta del mondo reale.
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.