mmWave sensing
PulseAugur coverage of mmWave sensing — every cluster mentioning mmWave sensing across labs, papers, and developer communities, ranked by signal.
-
Camera-primed AI system VIBE improves mmWave beam management for vehicles
研究人员开发了一个名为VIsion-based BEamforming (VIBE)的新系统，以改进车辆连接的毫米波 (mmWave) 实时波束管理。VIBE结合了机器学习、基于模型的推理和射频反馈，利用摄像头输入来减小波束对齐的搜索空间。该方法旨在克服车联网 (V2X) 网络中的路径损耗和波束失准等挑战。评估表明，与现有的5G NR方法相比，VIBE实现了更低的掉线率，并且优于其他机器学习模型。
-
SwiftChannel框架协同设计AI硬件，加速5G信道估计
研究人员开发了SwiftChannel，一个用于深度学习驱动的5G信道估计的新型算法-硬件协同设计框架。该框架集成了对硬件友好的卷积神经网络和专用加速器，实现了显著的模型压缩和效率提升。与基于GPU的方法相比，该系统在FPGA平台上实现了亚毫秒级延迟，并在速度和能效方面取得了实质性改进。
-
MAEPose 使用自监督学习进行雷达视频人体姿态估计
研究人员开发了 MAEPose，一种使用毫米波雷达视频进行人体姿态估计的新型自监督方法。该方法直接处理频谱图视频，从无标签数据中学习时空表示，与 RGB 方法相比提高了隐私性。MAEPose 表现出显著的性能提升，超越现有基线高达 22.1%，并在有旁观者干扰的情况下仍能保持准确性。
-
DGHMesh数据集和mmPTM框架推动毫米波雷达人体网格重建
研究人员推出了DGHMesh，这是一个大规模数据集和基准，旨在利用毫米波（mmWave）雷达改进人体网格重建。该数据集包含15名被试执行各种动作的雷达、RGB图像和3D标注的同步数据。它专门设计用于测试重建方法在不同配置下的泛化能力，例如人体位置和方向的变化。