基于 UWB 多静态无线电的非设备式人体状态估计
本研究基于 Wi-Fi CSI 研究人体活动识别,提出一种使用深度学习方法的系统,并比较了卷积神经网络、长短期记忆网络和混合模型的效果,结果表明 LSTM 的平均准确率达到 95.3%,相比 CNN 和混合技术更加有效,未来需要在不同的复杂环境中研究其稳健性。
Apr, 2023
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。
Nov, 2023
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
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
研究使用回波毫米波无线电信号在室内环境中联合跟踪和识别人类身份,并结合多个处理步骤,如滤波、分类和轨迹跟踪等,以实现多用户场景中的准确性和鲁棒性。
Mar, 2020
通过利用惯性传感器,记录人体动作的摄像机捕捉系统以稳定为标准,但基于稀疏可穿戴传感器的基于学习的追踪系统越来越受欢迎。文章提出了一种新颖的三维全身姿势估计方法,通过用于测距的超宽带无线电技术对传感器之间的距离进行约束,从而限制了惯性追踪中的漂移和抖动。我们的方法通过轻量级嵌入式追踪器,将这些传感器之间的距离与每个传感器估计的三维状态进行融合,并使用基于图的机器学习模型处理这些三维状态和距离,从而估计人体的三维全身姿势和平移。实验证明,我们的方法在位置误差和抖动方面具有领先的性能。
Apr, 2024
本文通过使用无线电波通信的 WiFi 接入点提供的信道状态信息,设计了一个无需摄像头设备的人体检测系统,通过提取时间序列中的特征,并使用动态和静态(DaS)数据预处理技术来提取人的运动和空间特征,利用投票机制解决了房间隔板带来的信号衰减问题,使得我们的 TCD-FERN 系统在多个房间环境下使用较少的 WiFi 接入点就可以有效地实现人体检测。
Apr, 2023
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
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
本文提出并实施了一种新颖的低功耗、适应信道特性的动态频率下行到达差异时间测距算法,通过基于卷积神经网络(CNN)的 NLOS 概率预测器、动态测距频率控制模块和基于 IMU 传感器的测距滤波器,实验证明该算法在 NLOS 条件下的准确度比先前研究的基准方法提高了 50%,在 LOS 条件下的功耗降低了 46%。
Feb, 2024