اختر منطقتك 
كشف فريق من الباحثين من جامعة نانيانغ التكنولوجية في سنغافورة مؤخرًا عن طريقة جديدة لتتبع الحركة البشرية للكائنات الميتافيرسية.
إحدى الميزات الرئيسية لـ metaverse هي القدرة على تمثيل كائنات العالم الحقيقي والأشخاص في العالم الرقمي في الوقت الفعلي. في الواقع الافتراضي، على سبيل المثال، يمكن للمستخدمين أن يديروا رؤوسهم لتغيير وجهات نظرهم أو التلاعب بوحدات التحكم المادية في العالم الحقيقي للتأثير على البيئة الرقمية.
يستخدم الوضع الراهن لالتقاط النشاط البشري في metaverse أجهزة استشعار أو كاميرات أو مزيجًا من الاثنين معًا. ومع ذلك، كما كتب الباحثون في ورقتهم البحثية، فإن كلا الطريقتين لهما قيود فورية.
متعلق ب: رفع Elon Musk دعوى قضائية ضد Sam Altman وOpenAI بسبب خرق الاتفاقية
وكتب الباحثون أن نظام الاستشعار القائم على الجهاز، مثل وحدة التحكم المحمولة مع مستشعر الحركة، “يلتقط المعلومات فقط عند نقطة واحدة من جسم الإنسان، وبالتالي لا يمكنه وضع نموذج لنشاط معقد للغاية”. وفي الوقت نفسه، تواجه أنظمة التتبع المعتمدة على الكاميرا صعوبة في التعامل مع البيئات منخفضة الإضاءة والعوائق المادية.
أدخل استشعار WiFi
استخدم العلماء أجهزة استشعار Wi-Fi لتتبع حركة الإنسان لسنوات. مثل الرادار، يمكن استخدام إشارات الراديو المستخدمة لإرسال واستقبال بيانات Wi-Fi لاستشعار الأشياء في الفضاء.
يمكن ضبط أجهزة استشعار Wi-Fi بدقة لالتقاط نبضات القلب، وتتبع أنماط التنفس والنوم، وحتى استشعار الأشخاص من خلال الجدران.
لقد جرب باحثو Metaverse الجمع بين طرق التتبع التقليدية واستشعار Wi-Fi بدرجات متفاوتة من النجاح في الماضي.
أدخل الذكاء الاصطناعي
يتطلب تتبع شبكة Wi-Fi استخدام نماذج الذكاء الاصطناعي. ولسوء الحظ، ثبت أن تدريب هذه النماذج ينطوي على درجة عالية من الصعوبة بالنسبة للباحثين.
بحسب ورقة الفريق السنغافوري:
“تعتمد الحلول الحالية التي تستخدم شبكة Wi-Fi وطرائق الرؤية على بيانات ضخمة مصنفة يصعب جمعها. … نقترح حل HAR متعدد الوسائط الجديد غير الخاضع للرقابة، MaskFi، الذي يستفيد فقط من بيانات نشاط الفيديو والواي فاي غير المسماة للتدريب النموذجي.
من أجل تدريب النماذج اللازمة لتجربة استشعار الواي فاي للتعرف على النشاط البشري (HAR)، يتعين على العلماء بناء مكتبة من بيانات التدريب. يمكن أن تحتوي مجموعات البيانات المستخدمة لتدريب الذكاء الاصطناعي على آلاف أو حتى ملايين نقاط البيانات اعتمادًا على أهداف النموذج المعين.
في كثير من الأحيان، يمكن أن يكون تصنيف مجموعات البيانات هذه هو الجزء الأكثر استهلاكًا للوقت في إجراء هذه التجارب.
أدخل قناع فاي
قام فريق من جامعة نانيانغ التكنولوجية ببناء “MaskFi” للتغلب على هذا التحدي. ويستخدم نماذج الذكاء الاصطناعي المصممة باستخدام طريقة تسمى “التعلم غير الخاضع للرقابة”.
في نموذج التعلم غير الخاضع للرقابة، يتم تدريب نموذج الذكاء الاصطناعي مسبقًا على مجموعة بيانات أصغر بكثير ثم يتم إخضاعه للتكرارات حتى يصبح قادرًا على التنبؤ بحالات المخرجات بمستوى مرضٍ من الدقة. يتيح ذلك للباحثين تركيز طاقتهم على النماذج نفسها بدلاً من الجهد المضني الذي يتطلبه بناء مجموعات بيانات تدريب قوية.
وفقًا للباحثين، حقق نظام MaskFi دقة تبلغ حوالي 97٪ عبر معيارين مرتبطين. يشير هذا إلى أن هذا النظام يمكن، من خلال التطوير المستقبلي، أن يكون بمثابة المحفز لطريقة metaverse جديدة تمامًا: metaverse يمكنه توفير تمثيل للعالم الحقيقي بنسبة 1:1 في الوقت الفعلي.
