AI sử dụng dữ liệu WiFi để ước tính số lượng người trong một căn phòng

Có thể bạn không biết nhưng dữ liệu WiFi có thể được ứng dụng vào rất nhiều mục đích thú vị. Ngoài các thông tin cơ bản như cường độ tín hiệu, tốc độ kết nối, hay mức độ bảo mật, dữ liệu WiFi còn có thể cho chúng ta biết khá nhiều thông tin về đối tượng kết nối, ví dụ như trong việc xác định xem có bao nhiêu người đang đứng gần một điểm truy cập cụ thể chẳng hạn. Trong một bài nghiên cứu mới được công bố gần đây với tiêu đề: “DeepCount: Crowd Counting with WiFi via Deep Learning“ - tạm dịch: Ước tính số lượng người trong một đám đông thông qua dữ liệu WiFi, đăng tải trên trang web Arxiv.org thì các nhà khoa học đã thành công trong việc phát triển mô hình nhận dạng hoạt động AI - DeepCount - giúp ước tính số lượng người trong một căn phòng từ dữ liệu không dây.

Có thể bạn không biết nhưng dữ liệu WiFi có thể được ứng dụng vào rất nhiều mục đích thú vị.

Công trình này được thực hiện không lâu sau khi các nhà nghiên cứu tại Đại học Ryerson ở Toronto đã công bố một mạng thần kinh có thể giúp xác định liệu chủ sở hữu điện thoại thông minh đang đi bộ, đi xe đạp hay lái xe quanh một số khu vực của thành phố bằng cách sử dụng dữ liệu WiFi, và đồng thời một nghiên cứu khác của Đại học Purdue cũng đã thành công trong việc phát triển một hệ thống sử dụng nhật ký truy cập WiFi để phân tích mối quan hệ giữa người dùng, địa điểm và hoạt động của họ.

Trong nghiên cứu mới nhất này, các nhà khoa học đã tận dụng thông tin trạng thái kênh (channel state information - CSI) - cụ thể là pha và biên độ - để tạo ra một hệ thống 2 mô hình trí thông minh nhân tạo, bao gồm một mô hình nhận dạng hoạt động và mô hình học sâu. Mô hình học sâu được giao nhiệm vụ đánh giá sự tương quan giữa số lượng người và kênh bằng cách ánh xạ các hoạt động của những người đó sang CSI, trong khi mô hình nhận dạng hoạt động sẽ có nhiệm vụ ghi nhận thông tin khi có ai đó bước vào hoặc rời khỏi căn phòng thông qua một “công tắc điện tử”. Trong trường hợp 2 mô hình thu được dữ liệu không tương đồng - ví dụ: nếu mô hình nhận dạng hoạt động ghi lại số lượng người cao hơn mô hình học sâu - DeepCount sẽ sử dụng sự khác biệt đó để đào tạo lại mô hình học sâu.

Trong nghiên cứu mới nhất này, các nhà khoa học đã tận dụng thông tin trạng thái kênh (channel state information - CSI) - cụ thể là pha và biên độ - để tạo ra một hệ thống 2 mô hình trí thông minh nhân tạo, bao gồm một mô hình nhận dạng hoạt động và mô hình học tập sâu.

Bên cạnh đó, các nhà nghiên cứu cũng đã biên soạn một bộ dữ liệu gồm 800 mẫu CSI từ 10 tình nguyện viên tham gia vào một loạt các nhiệm vụ khác nhau, bao gồm các hoạt động như vẫy tay, đánh máy, ngồi xuống, đi bộ, nói chuyện và ăn uống (khoảng 80% mẫu trong mỗi lớp được sử dụng vào mục đích đào tạo và phần còn lại được sử dụng làm bộ kiểm tra). Để huấn luyện mô hình nhận dạng hoạt động, trước tiên các nhà khoa học phải tiến hành xử lý dữ liệu biên độ để loại bỏ nhiễu và những yếu tố không mong muốn, sau đó trích xuất thông tin tính năng. Đào tạo mô hình học sâu cũng tương tự như giai đoạn tiền xử lý, nhưng được thực hiện với dữ liệu pha ngoài biên độ.

DeepCount chạy trên máy tính xách tay có ba ăng ten thu, được sửa đổi để báo dữ liệu trạng thái kênh, đồng thời chúng cũng được kết nối với bộ định tuyến và hai ăng ten phát khác. Cả hai đều hoạt động trên dải tần 5GHz để có thể tạo ra bước sóng đủ ngắn nhằm đảm bảo độ phân giải tốt hơn, và đồng thời cũng là để hạn chế tối đa khả năng can thiệp từ các yếu tố không mong muốn.

10 tình nguyện viên tham gia vào một loạt các nhiệm vụ khác nhau, bao gồm các hoạt động như vẫy tay, đánh máy, ngồi xuống, đi bộ, nói chuyện và ăn uống

Trong các thí nghiệm đã được thực hiện, nhóm nghiên cứu báo cáo rằng mô hình học sâu này đã đạt được độ chính xác lên tới 86.4% với tối đa 5 người. Ngoài ra, với việc đào tạo lại các mẫu được cung cấp bởi mô hình nhận dạng hoạt động, nó đã đạt được độ chính xác trong những tình huống dự đoán lên tới 90%.

“Cách tiếp cận của chúng tôi có thể cho thấy độ chính xác ở mức “chấp nhận được” của AI trong việc xác định số lượng người thông qua dữ liệu WiFi với bối cảnh thay đổi phức tạp của môi trường trong phạm vi một ngôi nhà. Về lý thuyết, nếu có thể tính đến đủ các trường hợp của môi trường trong nhà và sử dụng chúng làm mẫu để xây dựng một mô hình mạnh mẽ ở quy mô lớn hơn, chúng ta hoàn toàn có thể ứng dụng công nghệ này trong việc xác định số lượng đối tượng, vật thể trong một phạm vi rộng lớn hơn rất nhiều”, các nhà khoa học cho biết.

Thứ Ba, 30/04/2019 14:26
4,52 👨 325