Figur som förklarar hur den djupa lärande-baserade, RF-avkänningssystem utvecklat av forskarna fungerar. Kredit:Liu et al.
Forskare vid Syracuse University i New York har nyligen utvecklat ett system som kan detektera närvaron av människor i en given miljö genom att analysera omgivande radiofrekvenssignaler (RF). Detta nya system, presenteras i en tidning förpublicerad på arXiv, använder ett konvolutionellt neuralt nätverk (CNN) tränat på en stor mängd RF-data.
"Initialt, vi försökte upptäcka drönare i en utomhusmiljö med hjälp av passiva RF-signaler genom djupinlärning, "Biao Chen, en av forskarna som genomförde studien, berättade för TechXplore. "Resultatet var i bästa fall ojämnt - det fungerade på mätningar som samlats in på vissa dagar, men skulle misslyckas andra dagar."
För en tid, Chen och hans kollegor försökte utveckla ett system som kunde känna av förekomsten av drönare i utomhusmiljöer. Dock, de insåg snart att det var nästan omöjligt att konsekvent detektera drönare genom att analysera passiva RF-signaler, eftersom de inte hade kontroll över miljöerna den rörde sig i. Deras system var designat för att extrahera RF-signaturer inducerade av drönarens rörelser när den ändrar utbredningskanalerna, men det påverkades också av förbipasserande bilar, människor som går ut med sina hundar, och allt annat som rörde sig i den omgivande miljön.
"I drönarexperimentet, vi kunde aldrig uppnå konsekventa resultat, " Chen förklarade. "Inlärningssystemet vi utvecklade, dock, kan enkelt anpassas till inomhusapplikationer där miljön är mycket lättare att kontrollera och kalibrera. Detta ledde så småningom till att vi utvecklade ett djupinlärningsbaserat närvarodetekteringssystem med hjälp av omgivande WiFi-signaler."
Närvaron av människor i ett rum eller i andra inomhusmiljöer kan förändra utbredningen av RF-signaler på flera sätt. Genom att förbehandla RF-kanalmätningar, forskarna kunde skapa "bilder" som sammanfattade signalerna, som i sin tur skulle kunna analyseras för att upptäcka närvaron av människor i en given miljö.
De tränade sedan ett CNN på en stor mängd data som innehåller information om både storlek och fas, två nyckelegenskaper hos RF-signaler. Över tid, algoritmen för djupinlärning lärde sig att särskilja när en miljö är befolkad av människor och när den är fri från dem genom att analysera vad som kallas kanaltillståndsinformation (CSI).
"Utnyttja den allestädes närvarande av omgivande RF-signaler som WiFi, Bluetooth eller cellulära signaler för information om situationsmedvetenhet ger ett mervärde till befintlig RF-infrastruktur, " sa Chen. "Beläggningsdetektering, till exempel, är en applikation där RF-avkänning kan vara ett billigt och infrastrukturfritt alternativ eller ett komplement till befintliga metoder."
Chen och hans kollegor utvärderade sitt CNN-baserade system i ett antal experiment som utfördes i deras labb, använder vanliga WiFi-enheter. Deras system visade sig tillförlitligt detektera mänsklig närvaro i nästan alla fall, överträffar flera av de senaste passiva infraröda sensorerna.
I framtiden, systemet som utvecklats av detta team av forskare kan ha ett antal användbara tillämpningar. Till exempel, det skulle kunna användas för att upptäcka närvaron av människor i ett begränsat eller privat område. Att få data relaterade till beläggning och mänsklig närvaro i realtid kan också bidra till att förbättra byggnadens intelligens och minska energiförbrukningen (t.ex. för VVS och ljusstyrning).
"Djupet lärande ropas ofta för att vara datadrivet, " Chen sa. "Baksidan är att efterfrågan på träningsdata (både i kvantitet och kvalitet) kan vara överväldigande. För att tekniken verkligen ska bli praktisk, slutanvändaren bör inte belastas med datainsamling och utbildning. Således, vårt nuvarande och framtida arbete kommer att försöka uppnå tillförlitlig närvarodetektering utan att behöva samla in rörelsedata."
Detta är en webbplats skapad av forskarna som övervakar mänsklig närvaro i deras labb 24/7:demo.wifisensing.com/
© 2020 Science X Network