AI人工智慧教導Wi-Fi裝置如何估測人體姿勢為何，甚至還有穿牆透視的功能，此一成果來自MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)的科學家，未來有望應用於醫療領域，監控慢性疾病的演變。
 |
| 上：鏡頭收集的真實影像；中：射頻訊號描繪出的影像(Keypoint confidence maps)；下：經訓練後的結果，以動態火柴人型式呈現。 |
RF-Pose是一個人工智慧神經網路系統，可分析來自Wi-Fi裝置的射頻(RF)訊號碰到環境物體的反射訊號，描繪成Keypoint confidence maps(如圖所示)，最後再將分析結果以2D火柴人影像呈現。
目前透過鏡頭(Camera)來監測人事物的應用很多，但研究團隊發現，透過Camera來監控人體姿勢和動作，最大的問題在於當人走到障礙物後面，Camera就無法錄到人體的動作，但透過射頻訊號便可解決這個問題，因為射頻是一種可以穿透障礙物的訊號，即使人體被牆壁遮住，依然能夠擷取到人體的姿勢影像。
此項研究的資料來自於同步擷取的射頻訊號影像和真實影像，資料中包括人們日常生活中會表現出的動作和姿勢，如慢跑、走路、坐下、閱讀等，團隊在校園的的50個環境中進行連續50小時的資料蒐集。
研究團隊在RF-Pose計畫中遇到的挑戰之一，便是模型訓練(model training)時沒有預測的答案(labelled data)，因此不知道訓練後會呈現甚麼樣的結果，而僅憑射頻訊號描繪出的影像也不足以解釋人體的動作。
因此，團隊在模型訓練時，在無線感測器旁設置了網路攝影機，同時取得射頻訊號影像和真實影像，而這兩種影像是同步的(synchronized)，將這兩種資料輸入(input)至訓練模型中，透過模型訓練，縮小真實影像和射頻訊號影像結果輸出(output)的差異，讓機器學習如何透過射頻訊號來估測人體的動作，最後研究團隊成功讓系統不需要真實影像，也能儘憑射頻訊號就估測出人體的姿勢為何，準確率達83.4%。
這項研究可應用於慢性疾病(如帕金森氏癥、多發性硬化癥)演變的監測，以往使用者都要配戴某種感測器在身上，才能進行連續性的監測，若使用這項技術，以後在家都不用一直配戴XX感測器，目前研究團隊正努力進一步將2D影像升級為3D影像的呈現。
參考文章:
(1)Researchers develop artificial intelligence system to watch you through walls, ZDNet
(2) Through-Wall Human Pose Estimation Using Radio Signals, Mingmin Zhao, Tianhong Li, Mohammad Abu Alsheikh, Yonglong Tian, Hang Zhao, Antonio Torralba, Dina Katabi, Computer Vision and Pattern Recognition (CVPR), 2018
相關作者
相關產業類別
相關關鍵字
相關組織
相關網站單元