Wiffract er baseret på en måde at fortolke disse signaler på for at detektere kanterne af objekter og deres orientering
Nyheden blev frigivet, at et hold af forskere fra University of California i Santa Barbara har udviklet en metode til at bestemme konturerne af stationære objekter bag en væg, der analyserer Wi-Fi-signalforvrængning.
Metoden, kaldet Wiffrakt er baseret på at detektere ændringer i signalet, der opstår på grund til interaktionen mellem elektromagnetiske bølger der kommer fra en Wi-Fi-sender med kanterne af genstande.
"Afbildning af faste landskaber med WiFi er en betydelig udfordring på grund af manglen på bevægelse," sagde Mostofi, professor i elektro- og computerteknik. "Vi tog en helt anden tilgang til at tackle dette vanskelige problem, idet vi fokuserede på at spore kanterne af objekter." Den foreslåede metode og eksperimentelle resultater blev vist i Proceedings of the 2023 IEEE National Radar Conference (RadarConf) den 21. juni 2023.
Det forklarer forskerne når en radiofrekvensbølge (RF) af Wifi finder et kantpunkt, genererer en kegle af udgående stråler kendt som "Kellers kegle" styret af principperne for geometrisk diffraktionsteori (GTD).
Det nævnes, at den matematiske model af Wiffract kan fange kanterne af stationære objekter ved hjælp af GTD-teori og de tilsvarende Keller-kegler. Når først det har identificeret "kantpunkter med høj sikkerhed", kan Wiffract rekonstruere objektformer, mens den forbedrer det resulterende kantkort yderligere ved hjælp af avancerede computersynsteknikker.
Det matematiske apparat, som forskerne bruger, er baseret på den geometriske teori om diffraktion GTD, som beskriver de effekter, der opstår, når en elektromagnetisk bølge omgiver forhindringer.
Wiffract Demo
I GTD antages energi at forplante sig langs strålerne og bølgefeltet betragtes som summen af stråletypefelterne. Ud over hændelser, brydte og reflekterede stråler, GDT-teori introducerer begrebet afbøjede stråler, som opstår, når lynet rammer en skarp kant eller et punkt på overfladen af en genstand.
Hvis strålen rammer en kant, danner de diffrakterede stråler overfladen af en Keller-kegle, hvis åbningsvinkel er lig med det dobbelte af vinklen mellem den indfaldende stråle og tangenten til kantens overflade ved diffraktionspunktet. Hvis den indfaldende stråle er vinkelret på tangenten til kanten, bliver keglen et plan, og hvis den rammer spidsen af toppunktet, divergerer de diffrakterede stråler ensartet i alle retninger.
"Når en given bølge rammer et kantpunkt, fremkommer en kegle af udgående stråler ifølge Kellers Geometric Theory of Diffraction (GTD), kaldet Keller-keglen," forklarede Mostofi. Forskerne bemærker, at denne interaktion ikke er begrænset til synligt skarpe kanter, men gælder for et bredere sæt af overflader med tilstrækkelig lille krumning.
"Afhængig af kantens orientering efterlader keglen forskellige spor (dvs. koniske sektioner) på et givet modtagegitter. "Vi udviklede derefter en matematisk ramme, der bruger disse koniske spor som signaturer til at udlede orienteringen af kanterne og dermed skabe et kantkort over scenen," fortsatte Mostofi.
Den foreslåede metode kræver ikke foreløbig træning af det neurale netværk og er ikke begrænset til kun at identificere de objekter, der er dækket under maskinlæring. I stedet forsøger det neurale netværk at genskabe konturerne af vilkårlige objekter ved at følge deres kanter.
En signalanalysator, der emulerer et sæt Wi-Fi-modtagerantenner tager højde for ændringer i signalstyrke ved individuelle punkter på et todimensionalt plan. I signalet, der når analysatoren, det neurale netværk registrerer karakteristiske forvrængninger af de diffrakterede bølger, der produceres, når en bølge rammer en kant og genskaber kanternes rumlige position.
Som en demonstration af metoden organiserede forskerne påvisningen af mock-ups af bogstaver i det engelske alfabet placeret bag en væg ved hjælp af tre typiske trådløse signalsendere, der opererer på Wi-Fi-frekvenser.
For at modtage signalet blev der oprettet en scanningsvogn med adskillige Wi-Fi-modtagere, der bevæger sig frem og tilbage efter at emulere et sæt antenner. Det skal bemærkes, at metoden ikke kun virker for genstande med synlige skarpe kanter, men også kan anvendes til genstande med et lille niveau af overfladekrumning.
endelig hvis du er det interesseret i at vide mere om det, kan du kontrollere detaljerne i følgende link.