Figure expliquant comment le deep learning, Le système de détection RF développé par les chercheurs fonctionne. Crédit :Liu et al.
Des chercheurs de l'Université de Syracuse à New York ont récemment mis au point un système capable de détecter la présence d'êtres humains dans un environnement donné en analysant les signaux de radiofréquence (RF) ambiants. Ce nouveau système, présenté dans un article pré-publié sur arXiv, utilise un réseau neuronal convolutif (CNN) formé sur une grande quantité de données RF.
"Initialement, nous avons essayé de détecter des drones dans un environnement extérieur en utilisant des signaux RF passifs grâce à l'apprentissage en profondeur, " Biao Chen, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Le résultat était au mieux inégal - il fonctionnait sur des mesures recueillies certains jours, mais échouerait les autres jours."
Pour quelques temps, Chen et ses collègues ont essayé de développer un système capable de détecter la présence de drones dans des environnements extérieurs. Cependant, ils se sont vite rendu compte qu'il était presque impossible de détecter systématiquement les drones en analysant les signaux RF passifs, car ils n'avaient aucun contrôle sur les environnements dans lesquels il se déplaçait. Leur système a été conçu pour extraire les signatures RF induites par les mouvements du drone lorsqu'il modifie les canaux de propagation, mais il a également été affecté par le passage des voitures, les gens promenant leurs chiens, et tout ce qui se déplaçait dans l'environnement environnant.
"Dans l'expérience du drone, nous n'avons jamais été en mesure d'obtenir des résultats cohérents, " expliqua Chen. " Le système d'apprentissage que nous avons développé, cependant, peut être facilement adapté aux applications intérieures où l'environnement est beaucoup plus facile à contrôler et à calibrer. Cela nous a finalement conduit à développer un système de détection de présence basé sur l'apprentissage en profondeur utilisant des signaux WiFi ambiants. »
La présence d'humains dans une pièce ou dans d'autres environnements intérieurs peut altérer la propagation des signaux RF de plusieurs manières. En pré-traitant les mesures des canaux RF, les chercheurs ont pu créer des « images » résumant les signaux, qui pourraient à leur tour être analysés pour détecter la présence d'humains dans un environnement donné.
Ils ont ensuite formé un CNN sur une grande quantité de données contenant à la fois des informations de magnitude et de phase, deux propriétés clés des signaux RF. Heures supplémentaires, l'algorithme d'apprentissage en profondeur a appris à distinguer quand un environnement est peuplé par des humains et quand il en est libre en analysant ce que l'on appelle les informations sur l'état du canal (CSI).
« Exploiter l'ubiquité des signaux RF ambiants tels que le WiFi, Les signaux Bluetooth ou cellulaires pour les informations de connaissance de la situation apportent une valeur ajoutée à l'infrastructure RF existante, " Dit Chen. " Détection d'occupation, par exemple, est une application où la détection RF peut être une alternative peu coûteuse et sans infrastructure ou un complément aux approches existantes. »
Chen et ses collègues ont évalué leur système basé sur CNN dans un certain nombre d'expériences menées dans leur laboratoire, à l'aide d'appareils Wi-Fi standard. Leur système a été trouvé pour détecter de manière fiable la présence humaine dans presque tous les cas, surpassant plusieurs capteurs infrarouges passifs de pointe.
À l'avenir, le système développé par cette équipe de chercheurs pourrait avoir un certain nombre d'applications utiles. Par exemple, il pourrait être utilisé pour détecter la présence d'humains dans une zone restreinte ou privée. L'obtention de données relatives à l'occupation et à la présence humaine en temps réel pourrait également aider à améliorer l'intelligence du bâtiment et à réduire la consommation d'énergie (par exemple, pour le CVC et le contrôle de l'éclairage).
« L'apprentissage en profondeur est souvent présenté comme étant axé sur les données, " a déclaré Chen. " Le revers de la médaille est que la demande de données d'entraînement (tant en quantité qu'en qualité) peut être écrasante. Pour que la technologie devienne vraiment pratique, l'utilisateur final ne devrait pas être chargé de la collecte de données et de la formation. Ainsi, nos travaux actuels et futurs tenteront de réaliser une détection de présence fiable sans avoir besoin de collecter des données de mouvement. »
Il s'agit d'un site Web créé par les chercheurs qui surveille la présence humaine dans leur laboratoire 24h/24 et 7j/7 :demo.wifisensing.com/
© 2020 Réseau Science X
