Wiffract är baserat på ett sätt att tolka dessa signaler för att upptäcka kanterna på objekt och deras orientering
Nyheten släpptes att ett team av forskare från University of California i Santa Barbara har utvecklat en metod för att bestämma konturerna av stationära föremål bakom en vägg som analyserar Wi-Fi-signalförvrängning.
Metoden, kallad Wiffrakt bygger på att detektera förändringar i signalen som uppstår till följd av till interaktionen mellan elektromagnetiska vågor som kommer från en Wi-Fi-sändare med kanterna på föremål.
"Att avbilda fasta landskap med WiFi är en stor utmaning på grund av bristen på rörelse", säger Mostofi, professor i el- och datorteknik. "Vi tog sedan ett helt annat tillvägagångssätt för att ta itu med det här svåra problemet, med fokus på att spåra kanterna på föremål." Den föreslagna metoden och experimentella resultaten dök upp i Proceedings of the 2023 IEEE National Radar Conference (RadarConf) den 21 juni 2023.
Det förklarar forskarna när en radiofrekvensvåg (RF) av Wifi hittar en kantpunkt, genererar en kon av utgående strålar känd som "Kellers kon" vägleds av principerna för geometrisk diffraktionsteori (GTD).
Det nämns att den matematiska modellen för Wiffract kan fånga kanterna på stationära objekt med hjälp av GTD-teori och motsvarande Keller-koner. När den väl identifierar "högtillförlitliga kantpunkter" kan Wiffract rekonstruera objektformer samtidigt som den förbättrar den resulterande kantkartan ytterligare med hjälp av avancerad datorseendeteknik.
Den matematiska apparatur som forskarna använder är baserad på den geometriska teorin om diffraktion GTD, som beskriver effekterna som uppstår när en elektromagnetisk våg omger hinder.
Wiffract Demo
I GTD antas energi fortplanta sig längs strålarna och vågfältet betraktas som summan av stråltypsfälten. Förutom infallande, brutna och reflekterade strålar, GDT-teorin introducerar begreppet diffrakterade strålar, som uppstår när blixten träffar en skarp kant eller punkt på ytan av ett föremål.
Om strålen träffar en kant bildar de diffrakterade strålarna ytan av en Keller-kon vars öppningsvinkel är lika med två gånger vinkeln mellan den infallande strålen och tangenten till kantens yta vid diffraktionspunkten. Om den infallande strålen är vinkelrät mot tangenten till kanten, blir könen ett plan, och om den träffar spetsen på vertexet divergerar de diffrakterade strålarna likformigt i alla riktningar.
"När en given våg träffar en kantpunkt kommer en kon av utgående strålar fram enligt Kellers Geometric Theory of Diffraction (GTD), kallad Keller-konen," förklarade Mostofi. Forskarna noterar att denna interaktion inte är begränsad till synligt skarpa kanter, utan gäller en bredare uppsättning ytor med tillräckligt liten krökning.
"Beroende på kantens orientering lämnar konen olika spår (d.v.s. koniska sektioner) på ett givet mottagningsgaller. "Vi utvecklade sedan ett matematiskt ramverk som använder dessa koniska spår som signaturer för att sluta sig till orienteringen av kanterna, vilket skapar en kantkarta över scenen," fortsatte Mostofi.
Den föreslagna metoden kräver ingen preliminär träning av det neurala nätverket och är inte begränsad till att endast identifiera de objekt som täcks under maskininlärning. Istället försöker det neurala nätverket återskapa konturerna av godtyckliga objekt genom att följa deras kanter.
En signalanalysator som emulerar en uppsättning Wi-Fi-mottagarantenner tar hänsyn till förändringar i signaleffekt vid enskilda punkter på ett tvådimensionellt plan. I signalen som når analysatorn, det neurala nätverket upptäcker karakteristiska förvrängningar av de diffrakterade vågorna som produceras när en våg träffar en kant och återskapar kanternas rumsliga position.
Som en demonstration av metoden organiserade forskarna upptäckten av mock-ups av bokstäver i det engelska alfabetet placerade bakom en vägg, med hjälp av tre typiska trådlösa signalsändare som arbetar på Wi-Fi-frekvenser.
För att ta emot signalen skapades en skanningsvagn med flera Wi-Fi-mottagare som rör sig fram och tillbaka och emulerar en uppsättning antenner. Det bör noteras att metoden fungerar inte bara för föremål med synliga skarpa kanter, utan är även tillämpbar på föremål med en liten nivå av ytkrökning.
äntligen om du är det intresserad av att veta mer om detkan du kontrollera detaljerna i följande länk.