Investigadores de Singapur desarrollan 'MaskFi' para el seguimiento humano en tiempo real en el metaverso
Summary:
Investigadores de la Universidad Tecnológica de Nanyang, en Singapur, han desarrollado una novedosa técnica para rastrear la actividad humana en tiempo real para el metaverso utilizando sensores Wi-Fi e inteligencia artificial. Han introducido un sistema basado en IA, "MaskFi", que supera las limitaciones de los métodos existentes basados en sensores físicos o cámaras. Entrenado a través del aprendizaje no supervisado, MaskFi utiliza datos de actividad Wi-Fi y video sin etiquetar, alcanzando una tasa de precisión del 97%. Este enfoque innovador podría allanar el camino para una réplica exacta y en tiempo real del mundo real en el metaverso.
Investigadores científicos de la Universidad Tecnológica de Nanyang, con sede en Singapur, han revelado recientemente un enfoque novedoso para rastrear la actividad humana en tiempo real para el metaverso. Un aspecto importante del metaverso es el poder de reflejar objetos e individuos del mundo real dentro del espacio en línea al instante. Dentro del ámbito de la realidad digital, los usuarios tienen la capacidad de girar la cabeza para cambiar su perspectiva o utilizar controladores del mundo real para impactar en el entorno en línea. La forma actual de capturar los movimientos humanos en el metaverso implica sensores, cámaras o una combinación de ambos centrados en el dispositivo. Sin embargo, los investigadores notaron serias limitaciones con estas opciones en su estudio preimpreso. Relacionado: Sam Altman y OpenAI se enfrentan a una demanda presentada por Elon Musk por incumplimiento de acuerdo. Una red de detección dependiente del dispositivo, como un sensor de movimiento en un controlador portátil, solo puede recopilar información de un solo punto del cuerpo humano, lo que limita la captura de actividades complejas, como afirman los investigadores. Además, los sistemas de seguimiento centrados en la cámara sufren problemas relacionados con las condiciones de poca luz y las obstrucciones físicas. Aquí es donde entra en juego la detección WiFi. Durante varios años, los científicos han utilizado sensores WiFi para monitorear las acciones humanas. Al igual que el RADAR, las señales de radio utilizadas en la transmisión y recepción de datos WiFi se pueden utilizar para detectar objetos en un entorno. Se pueden ajustar para controlar la frecuencia cardíaca, realizar un seguimiento de los patrones de sueño y respiración, e incluso detectar personas a través de las paredes. Los investigadores en el campo del metaverso han intentado anteriormente fusionar la detección WiFi con los métodos de seguimiento convencionales con resultados mixtos. Esto también nos lleva al ámbito de la inteligencia artificial. El seguimiento WiFi requiere la aplicación de modelos de inteligencia artificial. Desafortunadamente, el proceso de entrenamiento de estos modelos a menudo ha planteado grandes desafíos para los investigadores. Según el artículo del equipo de Singapur: "Las técnicas existentes que utilizan WiFi y modalidades visuales se basan en un gran volumen de datos etiquetados, que son difíciles de recopilar. ... Proponemos una solución HAR multimodal no supervisada única, detrás del nombre MaskFi, que solo necesita datos de actividad WiFi y video sin etiquetar para el entrenamiento del modelo". Para entrenar los modelos de IA necesarios para experimentar con la detección WiFi para el reconocimiento de la actividad humana (HAR), los científicos deben crear una amplia base de datos de datos de entrenamiento. Estos conjuntos de datos utilizados para entrenar la IA podrían representar miles o incluso millones de puntos de datos, en función de los objetivos específicos de cada modelo. El etiquetado de estos conjuntos de datos a menudo se convierte en la parte más larga de estas investigaciones. Ahí es donde entra en juego MaskFi. El equipo de la Universidad Tecnológica de Nanyang desarrolló el sistema "MaskFi" para hacer frente a esta situación. Este sistema aplica modelos de IA creados a través de un método conocido como "aprendizaje no supervisado". En el aprendizaje no supervisado, un modelo de IA se entrena inicialmente en un conjunto de datos más pequeño y luego se revisa repetidamente hasta que puede proyectar los estados de salida con un grado razonable de precisión. Este proceso permite a los científicos centrar su atención en los modelos, en lugar de invertir tiempo en la creación de conjuntos de datos de entrenamiento sólidos. Fuente: Yang, et. al., 2024 Según los investigadores, el sistema MaskFi logró una precisión de casi el 97% en dos puntos de referencia asociados. Esto sugiere que, tras un mayor desarrollo, este mecanismo podría actuar como trampolín para una modalidad de metaverso radicalmente nueva: un metaverso que ofrezca una réplica perfecta y en tiempo real del mundo real.
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.