Nov, 2023

基于 IR-UWB 雷达的手机分神行人态势感知系统

PDF
TL;DR提出了一种名为 UWB 辅助安全步行（UASW）的新颖实时辅助系统，旨在通过障碍物检测并提醒用户实时情况来确保道路上行人的安全，该系统利用了嵌入在智能手机中的脉冲无线超宽带（IR-UWB）雷达，通过使用短脉冲提供出色的距离分辨率和高抗噪性，借助基于规则的障碍物检测和基于人工神经网络（ANN）的障碍物分类将复杂的通道冲击响应（CIR）数据融合在一起，通过实时采集的数据分析了提出的 UASW 系统的性能，结果表明该系统实现了高达 97% 的障碍物检测准确率和高达 95% 的障碍物分类准确率，推进了 UASW 在帮助分散注意力的行人和提高他们的情境意识方面的有效性。
发现论文，激发创造
  • 基于 UWB 多静态无线电的非设备式人体状态估计

    利用低成本的 Ultra-Wide Band（UWB）传感器和深度学习网络，我们提出了一个人类状态估计框架，能够在室内环境中无需特定设备的情况下估计人的位置和活动，实现精确的定位和活动识别。

    Dec, 2023

  • 超宽带无标签门的动态锚点选择和实时姿态预测

    该论文提出了一种名为 DynaPose 的动态锚点选择和姿势预测的方法，通过深度学习使用 UWB 信道脉冲响应和手机上的惯性测量单元，实现了对 DL-TDoA 定位的极高准确度和实时检测四种不同姿势的能力。

    Feb, 2024

  • 一种 ICA 集成学习方法用于 UWB NLOS 信号数据分类预测

    在搜索与救援（SAR）场景中，困人的检测是普适计算中面临的重大挑战，本研究采用机器学习技术来解决这个问题，通过利用无线通信协调信息并使用超宽带雷达信号在非直线可视（NLOS）场景中识别个体，实验结果表明所提出的方法在静态数据和动态数据上分别获得了 88.37% 和 87.20% 的分类准确性，对 SAR 行动中科学家和工程师做出即时决策具有积极意义。

    Feb, 2024

  • 基于超宽带的静态手势分类

    通过使用专有的 UWB 雷达传感器技术，本文提出了一个强大的基于 UWB 的静态手势识别框架。我们通过大量数据收集建立了包含五种常用手势的数据集。我们的方法包括全面的数据预处理流程，其中包括异常值处理、保持纵横比缩放和伪彩色图像转换。我们在处理后的图像上训练了 CNN 和 MobileNet 模型。令人惊讶的是，我们的最佳模型达到了 96.78% 的准确率。此外，我们还开发了一个用户友好的 GUI 框架，用于评估模型的系统资源使用情况和处理时间，结果显示低内存占用率和不到一秒的实时任务完成时间。这项研究在使用 UWB 技术提高静态手势识别方面迈出了重要的一步，可以在各个领域中实现实际应用。

    Oct, 2023

  • 使用深度学习的超宽带微波出血检测和定位实验系统

    中风是致死和致残的主要原因。该研究介绍了一种利用超宽带微波成像和深度学习解决方案进行中风检测的可行实验模型。

    Oct, 2023

  • 盲人环境感知和导航的可穿戴旅行辅助设备

    该研究提出了一种可穿戴辅助设备，可以帮助视障人士在陌生环境中安全快速地导航，并通过消音信号为用户提供正确的行走方向，同时通过深度学习技术对周围环境中的障碍进行分类和识别，有效地提高了用户的感知能力。

    Apr, 2019

  • 基于超宽带传感器信道脉冲响应的无钥匙进入系统关键佩戴器的鲁棒定位

    使用神经网络进行钥匙无线进入安全特性中钥匙卡的定位是一种快速发展的技术。我们研究了基于预计算功能的神经网络的定位分类性能，探究了各种神经网络的鲁棒性，并提出了一种优于基线神经网络的多头自监督神经网络架构。模型的性能在某些对抗性幅度范围内提高了 67%（对于快速梯度符号法），以及对于基本迭代法和投影梯度下降法分别提高了 37%。

    Jan, 2024

  • eWaSR - 一种嵌入式计算就绪的海上障碍物检测网络

    本文提出了一种嵌入式端可用的 eWaSR 网络，采用最新的基于转换器的轻量级网络，相比于最优性能 WaSR 的 F1 得分下降仅为 0.52％，并且胜过其他最先进的嵌入式网络，使得该网络是第一个实用的嵌入式海上障碍物检测网络。

    Apr, 2023

  • 基于 UWB 波形的半监督学习方法用于测距误差补偿

    本文提出了一种基于变分贝叶斯的半监督深度学习方法，用于 UWB 定位系统的误差校正，通过融合深度学习技术和统计工具，实现从有标记和未标记的数据样本中高效地累积知识，相较于其他全监督方法，即使在低监督比例下，也取得了更好的性能。

    May, 2023

  • 杂乱环境下高速导航的推扫双目立体视觉技术

    我们提出了一种用于移动 CPU 处理器上进行障碍物检测的新型立体视觉算法，可以实现每秒 120 帧的探测，并能在高速、小型的无人机上实现运行。该系统使用 IMU 和状态估计器恢复障碍物的位置，并建立并更新完整的深度图，不需要任何外部传感器或计算。

    Jul, 2014