新加坡南洋理工大學研究人員最近推出了一種在元宇宙中跟蹤人類運動的新方法。

元宇宙的關鍵特征之一是能夠在數字世界中實時表示現(xiàn)實世界的物體和人。例如，在虛擬現(xiàn)實中，用戶可以轉動頭部來改變視野或操縱現(xiàn)實世界中的物理控制器來影響數字環(huán)境。

目前，在元宇宙中捕獲人類活動基于設備的傳感器、攝像頭或兩者的組合方案。然而，正如研究人員在研究論文中所闡述，這兩種方式都有局限性。

研究人員表示，基于設備的傳感系統(tǒng)，例如帶有運動傳感器的手持控制器，“只能捕獲人體某一點的信息，因此無法模擬非常復雜的活動”；基于攝像頭的追蹤系統(tǒng)難以應對弱光環(huán)境和物理障礙物。

多年來，研究人員一直在使用WiFi傳感器來追蹤人類的活動。與雷達非常相似，用于發(fā)送和接收WiFi數據的無線電信號可用于感知太空中的物體。

WiFi傳感器可以進行微調，以采集心跳、追蹤呼吸和睡眠模式，甚至可以透過墻壁感知人體。研究人員曾嘗試將傳統(tǒng)追蹤方法與WiFi傳感相結合，并取得了不同程度的成功。

WiFi追蹤需要使用人工智能模型。然而，事實證明，訓練這些模型對于研究人員來說具有很高的難度。

“使用Wi-Fi和視覺模式的現(xiàn)有解決方案依賴于大量標記的數據，這些數據收集起來非常麻煩。為此我們提出了一種新穎的無監(jiān)督多模式HAR [人類活動識別]解決方案MaskFi，可利用未標記的視頻和Wi-Fi活動數據進行模型訓練?！?/p>

為了訓練HAR WiFi傳感實驗所需的必要模型，研究人員必須建立一個訓練數據庫。用于訓練人工智能的數據集包含數千甚至數百萬個數據點，具體取決于特定模型的目標。通常，標記這些數據集可能是進行這些實驗中最耗時的部分。

南洋理工大學團隊構建了“MaskFi”以克服這一挑戰(zhàn)，使用“無監(jiān)督學習”方法構建了人工智能模型。

在無監(jiān)督學習范式中，人工智能模型在較小的數據集上進行預訓練，然后進行迭代，直到能夠以令人滿意的準確度預測輸出狀態(tài)。這使得研究人員能將精力集中在模型本身上，而不是花費大量精力來構建強大的訓練數據集。

研究人員表示，MaskFi系統(tǒng)在兩個相關基準測試中的準確率約為97%。這表明該系統(tǒng)通過未來的發(fā)展可以成為一種全新的元宇宙模式的催化劑：一個可以實時提供1:1真實世界表示的元宇宙。