Forscher aus Singapur entwickeln "MaskFi" für Echtzeit-Personenverfolgung im Metaverse
Summary:
Forscher der Nanyang Technological University in Singapur haben eine neuartige Technik entwickelt, um menschliche Aktivitäten in Echtzeit für das Metaverse mithilfe von Wi-Fi-Sensorik und künstlicher Intelligenz zu verfolgen. Sie haben ein KI-basiertes System namens "MaskFi" eingeführt, das die Einschränkungen bestehender Methoden, die auf physischen Sensoren oder Kameras basieren, überwindet. MaskFi wird durch unbeaufsichtigtes Lernen trainiert und verwendet unbeschriftete Video- und Wi-Fi-Aktivitätsdaten und erreicht eine Genauigkeitsrate von 97 %. Dieser innovative Ansatz könnte den Weg für eine exakte Metaverse-Replikation der realen Welt in Echtzeit ebnen.
Wissenschaftliche Forscher der Nanyang Technological University in Singapur haben kürzlich einen neuartigen Ansatz zur Verfolgung menschlicher Aktivitäten in Echtzeit für das Metaverse vorgestellt. Ein wichtiger Aspekt des Metaversums ist die Fähigkeit, reale Objekte und Personen im Online-Raum sofort zu spiegeln. Im Bereich der digitalen Realität haben Benutzer die Möglichkeit, ihren Kopf zu drehen, um ihre Perspektive zu ändern, oder reale Controller zu verwenden, um die Online-Umgebung zu beeinflussen. Die bestehende Art und Weise, menschliche Bewegungen im Metaverse zu erfassen, umfasst gerätezentrierte Sensoren, Kameras oder eine Mischung aus beidem. Allerdings stellten die Forscher in ihrer Preprint-Studie gravierende Einschränkungen bei diesen Optionen fest. In diesem Zusammenhang: Sam Altman, OpenAI, sieht sich mit einer Klage konfrontiert, die von Elon Musk wegen Verletzung der Vereinbarung eingereicht wurde Ein geräteabhängiges Sensornetzwerk, wie ein Bewegungssensor in einem Handheld-Controller, kann nur Informationen von einem einzigen Punkt des menschlichen Körpers sammeln, wodurch die komplexe Aktivitätserfassung eingeschränkt wird, wie die Forscher erklären. Darüber hinaus leiden kamerafokussierte Tracking-Systeme unter Problemen im Zusammenhang mit schwachen Lichtverhältnissen und physischen Hindernissen. Hier kommt die WLAN-Sensorik ins Spiel. Seit einigen Jahren nutzen Wissenschaftler WLAN-Sensoren, um menschliche Handlungen zu überwachen. Ähnlich wie bei RADAR können die Funksignale, die beim Senden und Empfangen von WLAN-Daten verwendet werden, verwendet werden, um Objekte in einer Umgebung zu erkennen. Sie können so eingestellt werden, dass sie die Herzfrequenz überwachen, Schlaf- und Atemmuster verfolgen und sogar Personen durch Wände hindurch erkennen. Forscher auf dem Gebiet des Metaversums haben bereits versucht, die WLAN-Sensorik mit herkömmlichen Tracking-Methoden zu verschmelzen, mit gemischten Ergebnissen. Das führt uns auch in den Bereich der künstlichen Intelligenz. WLAN-Tracking erfordert die Anwendung von Modellen der künstlichen Intelligenz. Leider hat der Prozess des Trainings dieser Modelle die Forscher oft vor große Herausforderungen gestellt. In der Studie des Teams aus Singapur heißt es: "Bestehende Techniken, die WLAN und visuelle Modalitäten verwenden, beruhen auf einer großen Menge an gekennzeichneten Daten, die schwer zu sammeln sind. ... Wir schlagen eine einzigartige unbeaufsichtigte multimodale HAR-Lösung vor, die hinter dem Namen MaskFi nur unbeschriftete Video- und WLAN-Aktivitätsdaten für das Modelltraining benötigt." Um die notwendigen KI-Modelle zu trainieren, um mit der WLAN-Sensorik für die Human Activity Recognition (HAR) zu experimentieren, müssen die Wissenschaftler eine riesige Datenbank mit Trainingsdaten erstellen. Diese Datensätze, die für das Training von KI verwendet werden, können Tausende oder sogar Millionen von Datenpunkten darstellen, basierend auf den spezifischen Zielen jedes Modells. Die Beschriftung dieser Datensätze wird oft zum langwierigsten Teil dieser Untersuchungen. Hier kommt MaskFi ins Spiel. Das Team der Nanyang Technological University hat das "MaskFi"-System entwickelt, um dieses Dilemma zu lösen. Dieses System wendet KI-Modelle an, die durch eine Methode erstellt wurden, die als "unüberwachtes Lernen" bekannt ist. Beim unüberwachten Lernen wird ein KI-Modell zunächst auf einem kleineren Datensatz trainiert und dann wiederholt überarbeitet, bis es Ausgabezustände mit einem angemessenen Grad an Genauigkeit projizieren kann. Dieser Prozess ermöglicht es den Wissenschaftlern, sich auf die Modelle zu konzentrieren, anstatt Zeit in die Erstellung robuster Trainingsdatensätze zu investieren. Quelle: Yang, et. al., 2024 Nach Angaben der Forscher erreichte das MaskFi-System eine Genauigkeit von fast 97 % in zwei zugehörigen Benchmarks. Dies deutet darauf hin, dass dieser Mechanismus nach weiterer Entwicklung als Sprungbrett für eine radikal neue Metaverse-Modalität dienen könnte: ein Metaverse, das eine perfekte Nachbildung der realen Welt in Echtzeit bietet.
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.