纽约雪城大学的研究人员最近开发了一种系统,该系统可以通过分析环境射频(RF)信号来检测给定环境中人类的存在。在arXiv上预先发表的一篇论文中介绍了这个新系统,它使用了对大量RF数据进行训练的卷积神经网络(CNN)。
“最初,我们试图通过深度学习使用无源RF信号在室外环境中检测无人机,”进行这项研究的研究人员之一陈彪对TechXplore说。“结果充其量是不均衡的-它可以在某些天收集到的测量结果上工作,但在其他日子可能会失败。”
一段时间以来,Chen和他的同事试图开发一种可以感知室外环境中无人机存在的系统。但是,他们很快意识到,通过分析无源RF信号来持续检测无人机几乎是不可能的,因为他们无法控制其所处的环境。他们的系统旨在提取无人机在移动时改变传播通道而产生的RF信号。,但也受到过往车辆,cars狗的人以及周围环境中移动的其他物体的影响。
“在无人机实验中,我们永远无法获得一致的结果,”Chen解释道。“但是,我们开发的学习系统可以轻松适应环境更易于控制和校准的室内应用。这最终促使我们开发了一种使用环境WiFi信号的基于深度学习的状态检测系统。”
人体在房间或其他室内环境中的存在可以几种方式改变RF信号的传播。通过预处理射频通道测量,研究人员能够创建汇总信号的“图像”,然后可以对其进行分析以检测给定环境中人类的存在。
然后,他们在包含幅度和相位信息(RF信号的两个关键特性)的大量数据上训练了CNN。随着时间的流逝,深度学习算法学会了通过分析所谓的通道状态信息(CSI)来区分何时有人居住的环境以及何时有人居住的环境。
Chen说:“利用周围的RF信号(如WiFi,蓝牙或蜂窝信号)来获取态势感知信息,将为现有的RF基础设施提供增值。”“例如,占用检测是一种应用,其中RF感应可以是低成本,无基础架构的替代方案或对现有方法的补充。”
Chen和他的同事们在实验室内部使用现成的WiFi设备进行了许多实验,评估了基于CNN的系统。发现他们的系统几乎在所有情况下都能可靠地检测到人类的身影,其性能优于几个最新的无源红外传感器。
将来,由这组研究人员开发的系统可能会具有许多有用的应用程序。例如,它可用于检测限制区域或私人区域中人的存在。实时获得与占用率和人员状态有关的数据也可以帮助提高建筑智能并减少能耗(例如,用于HVAC和照明控制)。
“深度学习经常被吹捧为数据驱动,”Chen说。“不利的一面是,对培训数据(无论是数量还是质量)的需求都是压倒性的。要使该技术真正变为现实,最终用户不应负担数据收集和培训的负担。因此,我们当前和将来的工作将尝试在无需收集运动数据的情况下实现可靠的存在检测。”
还没有评论,来说两句吧...