Los ingenieros de la Universidad de Duke y el Institut de Physique de Nice en Francia han desarrollado un nuevo método para identificar objetos utilizando microondas que mejora la precisión al tiempo que reduce el tiempo de cómputo asociado y los requisitos de energía.
El sistema podría impulsar la identificación de objetos y la velocidad en los campos donde ambos son críticos, como los vehículos autónomos, el control de seguridad y la detección de movimiento.
El nuevo enfoque de aprendizaje automático elimina al intermediario, omitiendo el paso de crear una imagen para el análisis de un ser humano y en su lugar analiza los datos puros directamente. También determina conjuntamente la configuración óptima del hardware que revela los datos más importantes mientras descubre simultáneamente quélos datos más importantes en realidad son. En un estudio de prueba de principio, la configuración identificó correctamente un conjunto de números 3D utilizando decenas de mediciones en lugar de los cientos o miles que normalmente se requieren.
Los resultados aparecen en línea el 6 de diciembre en la revista Ciencia avanzada y son una colaboración entre David R. Smith, el Profesor Distinguido James B. Duke de Ingeniería Eléctrica e Informática en Duke, y Roarke Horstmeyer, profesor asistente de ingeniería biomédica en Duke.
"Los esquemas de identificación de objetos generalmente toman medidas y se toman todas estas molestias para crear una imagen para que la gente la vea y aprecie", dijo Horstmeyer. "Pero eso es ineficiente porque la computadora no necesita 'mirar' una imagen entodas."
"Este enfoque evita ese paso y permite que el programa capture detalles que un proceso de formación de imágenes podría pasar por alto al ignorar otros detalles de la escena que no necesita", agregó Aaron Diebold, asistente de investigación en el laboratorio de Smith ".Básicamente, estamos tratando de ver el objeto directamente desde los ojos de la máquina ".
En el estudio, los investigadores usan una antena metamaterial que puede esculpir un frente de onda de microondas en muchas formas diferentes. En este caso, el metamaterial es una cuadrícula de cuadrados de 8x8, cada uno de los cuales contiene estructuras electrónicas que permiten su sintonización dinámicapara bloquear o transmitir microondas.
Para cada medición, el sensor inteligente selecciona un puñado de cuadrados para dejar pasar las microondas. Esto crea un patrón de microondas único, que rebota en el objeto a reconocer y regresa a otra antena metamaterial similar. La antena de detección también usa un patrónde cuadrados activos para agregar más opciones para dar forma a las ondas reflejadas. Luego, la computadora analiza la señal entrante e intenta identificar el objeto.
Al repetir este proceso miles de veces para diferentes variaciones, el algoritmo de aprendizaje automático finalmente descubre qué elementos de información son los más importantes y qué configuraciones de las antenas de envío y recepción son las mejores para reunirlas.
"El transmisor y el receptor actúan juntos y están diseñados juntos por el algoritmo de aprendizaje automático", dijo Mohammadreza Imani, asistente de investigación en el laboratorio de Smith. "Están diseñados y optimizados conjuntamente para capturar las características relevantes para la tarea en cuestión".
"Si conoce su tarea y sabe qué tipo de escena puede esperar, es posible que no necesite capturar toda la información posible", dijo Philipp del Hougne, becario postdoctoral en el Institut de Physique de Nice ".-diseño de medición y procesamiento nos permite hacer uso de todo el conocimiento a priori que tenemos sobre la tarea, la escena y las restricciones de medición para optimizar todo el proceso de detección ".
Después del entrenamiento, el algoritmo de aprendizaje automático aterrizó en un pequeño grupo de configuraciones que podrían ayudarlo a separar el trigo de los datos de la paja, reduciendo el número de mediciones, tiempo y potencia computacional que necesita. En lugar de los cientos o incluso milesde mediciones típicamente requeridas por los sistemas tradicionales de imágenes de microondas, podría ver el objeto en menos de 10 mediciones.
Si este nivel de mejora se ampliaría o no a aplicaciones de detección más complicadas es una pregunta abierta. Pero los investigadores ya están tratando de usar su nuevo concepto para optimizar el reconocimiento de movimiento de manos y gestos para las interfaces de computadora de próxima generación. Haymuchos otros dominios donde se necesitan mejoras en la detección de microondas, y el tamaño pequeño, el bajo costo y la facilidad de fabricación de este tipo de metamateriales los convierten en candidatos prometedores para futuros dispositivos.
"Las microondas son ideales para aplicaciones como la detección de amenazas ocultas, la identificación de objetos en la carretera para automóviles sin conductor o el monitoreo de emergencias en instalaciones de vivienda asistida", dijo del Hougne. "Cuando piensa en todas estas aplicaciones, necesita la detecciónser lo más rápido posible, por lo que esperamos que nuestro enfoque sea útil para hacer que estas ideas sean realidades confiables ".
Fuente de la historia :
Materiales proporcionado por Universidad de Duke . Original escrito por Ken Kingery. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :