Wiffract er basert på en måte å tolke disse signalene for å oppdage kantene på objekter og deres orientering
Nyheten ble sluppet at et team av forskere fra University of California i Santa Barbara har utviklet en metode for å bestemme konturene til stasjonære objekter bak en vegg som analyserer Wi-Fi-signalforvrengning.
Metoden, kalt Wiffrakt er basert på å oppdage endringer i signalet som oppstår forfall til interaksjonen mellom elektromagnetiske bølger som kommer fra en Wi-Fi-sender med kantene på objekter.
"Å avbilde faste landskap med WiFi er en betydelig utfordring på grunn av mangelen på bevegelse," sa Mostofi, professor i elektro- og datateknikk. "Vi tok da en helt annen tilnærming til å takle dette vanskelige problemet, med fokus på å spore kantene på objekter." Den foreslåtte metodikken og eksperimentelle resultatene dukket opp i Proceedings of the 2023 IEEE National Radar Conference (RadarConf) 21. juni 2023.
Det forklarer forskerne når en radiofrekvensbølge (RF) av Wifi finner et kantpunkt, genererer en kjegle av utgående stråler kjent som "Kellers kjegle" ledet av prinsippene for geometrisk diffraksjonsteori (GTD).
Det nevnes at den matematiske modellen av Wiffract kan fange kantene på stasjonære objekter ved å bruke GTD-teori og de tilsvarende Keller-kjeglene. Når den identifiserer "høysikkerhetskantpunkter", kan Wiffract rekonstruere objektformer samtidig som den forbedrer det resulterende kantkartet ytterligere ved hjelp av avanserte datasynsteknikker.
Det matematiske apparatet forskerne bruker er basert på den geometriske teorien om diffraksjon GTD, som beskriver effektene som oppstår når en elektromagnetisk bølge omgir hindringer.
Wiffract-demo
I GTD antas energi å forplante seg langs strålene og bølgefeltet betraktes som summen av stråletypefeltene. I tillegg til hendelser, refrakterte og reflekterte stråler, GDT-teorien introduserer begrepet diffrakterte stråler, som oppstår når lynet treffer en skarp kant eller et punkt på overflaten av et objekt.
Hvis strålen treffer en kant, danner de diffrakterte strålene overflaten av en Keller-kjegle hvis åpningsvinkel er lik to ganger vinkelen mellom den innfallende stråle og tangenten til overflaten av kanten ved diffraksjonspunktet. Hvis den innfallende strålen er vinkelrett på tangenten til kanten, blir kjeglen et plan, og hvis den treffer tuppen av toppunktet, divergerer de diffrakterte strålene jevnt i alle retninger.
"Når en gitt bølge treffer et kantpunkt, kommer en kjegle av utgående stråler frem i henhold til Kellers Geometric Theory of Diffraction (GTD), kalt Keller-kjeglen," forklarte Mostofi. Forskerne bemerker at denne interaksjonen ikke er begrenset til synlig skarpe kanter, men gjelder et bredere sett av overflater med tilstrekkelig liten krumning.
"Avhengig av kantens orientering, etterlater kjeglen forskjellige spor (dvs. koniske seksjoner) på et gitt mottaksgitter. "Vi utviklet deretter et matematisk rammeverk som bruker disse koniske sporene som signaturer for å utlede orienteringen til kantene, og dermed skape et kantkart over scenen," fortsatte Mostofi.
Den foreslåtte metoden krever ikke foreløpig trening av det nevrale nettverket og er ikke begrenset til kun å identifisere objektene som dekkes under maskinlæring. I stedet forsøker det nevrale nettverket å gjenskape konturene til vilkårlige objekter ved å følge kantene deres.
En signalanalysator som emulerer et sett med Wi-Fi-mottakerantenner tar hensyn til endringer i signalstyrke ved individuelle punkter på et todimensjonalt plan. I signalet som når analysatoren, det nevrale nettverket oppdager karakteristiske forvrengninger av de diffrakterte bølgene som produseres når en bølge treffer en kant og gjenskaper den romlige posisjonen til kantene.
Som en demonstrasjon av metoden organiserte forskerne påvisningen av mock-ups av bokstaver i det engelske alfabetet plassert bak en vegg, ved å bruke tre typiske trådløse signalsendere som opererer på Wi-Fi-frekvenser.
For å motta signalet ble det laget en skannevogn med flere Wi-Fi-mottakere som beveger seg frem og tilbake og emulerer et sett med antenner. Det skal bemerkes at metoden fungerer ikke bare for objekter med synlige skarpe kanter, men er også anvendelig for objekter med en liten grad av overflatekrumning.
endelig hvis du er det interessert i å vite mer om det, kan du sjekke detaljene i følgende lenke.