AI menggunakan data WiFi untuk menganggarkan bilangan orang di dalam bilik

Anda mungkin tidak mengetahuinya, tetapi data WiFi boleh digunakan untuk banyak tujuan menarik. Selain maklumat asas seperti kekuatan isyarat, kelajuan sambungan atau tahap keselamatan, data WiFi juga boleh memberitahu kami banyak maklumat tentang objek yang disambungkan, contohnya dalam mengenal pasti melihat bilangan orang yang berdiri berhampiran titik akses tertentu, contohnya. . Dalam kertas penyelidikan yang diterbitkan baru-baru ini bertajuk: "DeepCount: Crowd Counting with WiFi via Deep Learning" - diterjemahkan secara kasar: Menganggar bilangan orang dalam khalayak melalui data WiFi, disiarkan di tapak web Arxiv.org saintis telah berjaya membangunkan aktiviti AI model pengecaman - DeepCount - yang membantu menganggarkan bilangan orang dalam bilik daripada data wayarles.

• 91% pengurus teknologi percaya AI akan menjadi nadi kepada revolusi teknologi seterusnya

Kerja ini dibuat tidak lama selepas penyelidik di Universiti Ryerson di Toronto mengumumkan rangkaian saraf yang boleh membantu menentukan sama ada pemilik telefon pintar berjalan, berbasikal atau memandu. di sekitar kawasan tertentu di bandar menggunakan data WiFi, dan pada masa yang sama kajian lain oleh Purdue Universiti juga berjaya membangunkan sistem yang menggunakan log akses WiFi untuk menganalisis hubungan perhubungan antara pengguna, lokasi mereka dan aktiviti mereka.

Dalam penyelidikan terbaharu ini, saintis memanfaatkan maklumat keadaan saluran (CSI) - khususnya fasa dan amplitud - untuk mencipta sistem dua model kecerdasan buatan, termasuk model pengecaman aktiviti dan model pembelajaran mendalam. Model pembelajaran mendalam ditugaskan untuk menilai korelasi antara bilangan orang dan saluran dengan memetakan aktiviti orang tersebut kepada CSI, manakala model pengecaman aktiviti akan bertanggungjawab untuk merekod maklumat apabila seseorang memasuki atau meninggalkan bilik melalui "elektronik". suis”. Dalam kes di mana dua model menangkap data yang berbeza - contohnya, jika model pengecaman aktiviti merekodkan bilangan orang yang lebih tinggi daripada model pembelajaran mendalam - DeepCount akan menggunakan perbezaan itu untuk melatih semula pembelajaran mendalam model.

• Pakar McAfee menerangkan bagaimana deepfake dan AI melanggar dinding keselamatan siber

Selain itu, penyelidik juga menyusun set data 800 sampel CSI daripada 10 sukarelawan yang mengambil bahagian dalam pelbagai tugas yang berbeza, termasuk aktiviti seperti melambai, menaip, duduk. , berjalan, bercakap dan makan (kira-kira 80% daripada sampel dalam setiap kelas digunakan untuk tujuan latihan dan selebihnya digunakan sebagai set ujian). Untuk melatih model pengecaman aktiviti, saintis mesti terlebih dahulu memproses data amplitud untuk mengalih keluar hingar dan unsur yang tidak diingini, dan kemudian mengekstrak maklumat ciri. Latihan model pembelajaran mendalam adalah serupa dengan peringkat prapemprosesan, tetapi dilakukan dengan data fasa sebagai tambahan kepada amplitud.

DeepCount berjalan pada komputer riba dengan tiga antena penerima, diubah suai untuk melaporkan data status saluran, dan ia juga disambungkan ke penghala dan dua antena pemancar lain. Kedua-duanya beroperasi pada jalur frekuensi 5GHz untuk mencipta panjang gelombang yang cukup pendek untuk memastikan resolusi yang lebih baik, dan pada masa yang sama untuk meminimumkan kemungkinan gangguan daripada unsur yang tidak diingini.

• Google dan DeepMind menggunakan AI untuk meramalkan pengeluaran ladang angin

Dalam eksperimen yang dilakukan, pasukan melaporkan bahawa model pembelajaran mendalam ini mencapai ketepatan sehingga 86.4% dengan sehingga 5 orang. Selain itu, dengan latihan semula sampel yang disediakan oleh model pengecaman aktiviti, ia mencapai ketepatan sehingga 90% dalam situasi ramalan.

"Pendekatan kami dapat menunjukkan ketepatan AI yang "boleh diterima" dalam menentukan bilangan orang melalui data WiFi dalam konteks perubahan persekitaran yang kompleks dalam rumah. rumah. Secara teori, jika kita boleh mengambil kira kes persekitaran dalaman yang mencukupi dan menggunakannya sebagai templat untuk membina model yang teguh pada skala yang lebih besar, kita boleh menggunakan sepenuhnya teknologi ini dalam menentukan bilangan objek dan objek dalam julat yang lebih besar, "kata saintis.