mmWave sensing
PulseAugur coverage of mmWave sensing — every cluster mentioning mmWave sensing across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新框架利用日常活动进行毫米波身份识别
研究人员开发了一种新的利用毫米波（mmWave）传感进行身份识别的框架，该框架超越了传统的步态分析。这种方法利用各种日常活动（ADLs）来收集更全面的身份信息，尤其是在室内环境中，因为在室内行走可能很短暂或被中断。所提出的系统使用一种活动条件框架，其中包含一个路由器，该路由器将数据导向特定活动的身份专家，并使用双流静态-动态PointNet（DS-SDPNet）实现。该方法显著提高了识别精度，将闭集识别率从62.1%提高到68.0%，…
-
图神经网络利用Sub-6 GHz CSI优化毫米波波束成形
研究人员开发了一种新颖的毫米波（mmWave）无蜂窝大规模MIMO系统的波束成形方法，该方法利用图神经网络（GNN）从Sub-6 GHz信道状态信息（CSI）中学习波束成形器。这种方法显著降低了获取完整毫米波CSI的相关开销。该系统被建模为无线图，并且GNN经过训练，通过捕捉用户间干扰和基站间协作来优化下行链路总速率。仿真结果表明，这种Sub-6 GHz辅助的基于GNN的波束成形器性能具有竞争力，通常优于依赖完整毫米波CSI的传统方法。
-
UAV-gNB 控制系统整合了空中部署与用户级调度
研究人员开发了一种用于系留毫米波UAV-gNB的分层控制系统，该系统整合了空中部署与用户级调度。该系统利用O-RAN解耦和多时间尺度RIC架构。一个非实时RIC rApp管理UAV部署和切片预算，而一个近实时RIC xApp则使用排列等变DeepSets Actor-Critic调度器处理用户级资源分配。与现有方法相比，这种方法显著提高了eMBB SLA满意度和URLLC的准时交付率。
-
新的基准测试使大型语言模型能够理解毫米波雷达数据
研究人员开发了一种新颖的方法，使大型语言模型（LLM）能够处理和理解毫米波（mmWave）雷达数据。该方法涉及将毫米波点云转换为自然语言描述，从而使标准LLM能够以问答的形式运行。为了促进这种集成，创建了一个名为mmWave-QA的新基准测试，它聚合了各种毫米波数据集，并对它们进行标准化，以便在不同的硬件和实验条件下进行评估。该基准测试旨在为未来毫米波-LLM集成研究奠定基础，并已证明LLM在雷达感知任务中的零样本推理潜力。
-
新型多模态系统提升浴室老年人跌倒检测能力
研究人员开发了P2MFDS，一个专为检测浴室环境中老年人跌倒而设计的新型多模态系统。该系统集成了毫米波雷达和3D振动传感，以克服单一传感器方法的局限性，这些方法常因环境干扰而导致准确性降低。P2MFDS采用双流神经网络，结合了用于雷达数据的CNN-BiLSTM-Attention和用于振动数据的多尺度CNN-SEBlock-Self-Attention，从而显著提高了检测准确率和召回率。
-
新的机器学习框架利用RIS和毫米波感知增强6G定位
研究人员开发了一个新的机器学习框架，用于在利用可重构智能表面（RIS）和毫米波（mmWave）感知的6G网络中进行精确本地化。该方法将接收到的信噪比（SNR）映射到用户设备（UE）的方位角和距离，即使在直接链路不可用时也是如此。该框架已扩展到处理跨链路干扰，这种干扰比距离估计更严重地降低了角度估计。
-
新型毫米波-语言模型mmMind弥合了雷达传感与大语言模型之间的差距
研究人员开发了mmMind，这是一种新颖的雷达-语言模型，旨在使大型语言模型能够理解物理空间中的人类行为。该模型在训练期间利用同步的3D姿态数据作为监督，使其在推理时仅凭毫米波雷达信号就能捕捉身体配置和运动动态。为了评估其有效性，研究团队还推出了mmMind-Bench，这是一个包含17.9小时真实世界录音的基准数据集。实验表明，在行为字幕和问答等任务中，mmMind的性能显著优于现有的雷达-语言基线，并且消融研究证实了姿态引导预训练的关键作用。
-
Wave2Body框架使用雷达将信号转换为人体姿态估计
研究人员推出了一种新颖的利用毫米波（mmWave）雷达进行人体姿态估计的框架Wave2Body。与直接回归关节坐标的先前方法不同，Wave2Body通过采用自监督毫米波标记器、预训练的组合身体标记器和轻量级翻译器来解耦学习目标。该方法旨在提高跨域泛化能力并降低计算成本。在M4Human和mmBody数据集上的实验证明了Wave2Body的有效性。
-
HybridSim 模拟器为人体感知生成逼真的毫米波雷达信号
研究人员开发了 HybridSim，这是一种新颖的物理学习混合模拟器，旨在为动态人体运动生成逼真的毫米波雷达信号。该工具通过解耦传播的直射和间接路径来合成信号，使用三平面表示和图卷积网络来表示人体特征，并使用微面 BRDF 来表示表面反射。HybridSim 还使用 3D 高斯泼溅和虚拟接收器几何结构来近似间接路径，与全光线追踪相比，大大降低了计算成本。该模拟器在与物理模型的符合度方面表现出改进，并通过特定站点的数据增强增强了下游的雷…
-
隐私保护的人体工程学评估使用毫米波雷达进行REBA评分
研究人员开发了一个新颖的框架，使用毫米波（mmWave）雷达进行隐私保护的人体工程学评估。该系统从雷达数据中重建3D人体骨骼，以估算快速全身评估（REBA）风险评分。该框架结合了生物力学限制和时间平滑性约束，以提高准确性，尤其是在高风险姿势方面。实验表明，该方法在分类准确率上达到了77.78%，并且具有低推理延迟的实时性能。
-
新数据集和模型解决异构毫米波动作识别难题
研究人员推出了UniMM-HAR，这是一个新数据集，旨在解决毫米波（mmWave）雷达人体动作识别中异构多源场景的挑战。该数据集是同类中最大的，并标准化了三种不同的雷达配置，以评估跨源泛化能力。为了处理异构性，他们还开发了感知多普勒点云网络（DAP-Net），该网络可改善模态内表示并对齐跨模态特征，以学习对数据源不变的动作语义。实验表明，DAP-Net 在准确性和鲁棒的跨源泛化方面达到了最先进水平。
-
新系统GaMi利用毫米波和声学传感识别材料
研究人员开发了GaMi，一个无需物理接触即可识别材料的新系统，集成了毫米波和声学传感。GaMi通过将内在材料特征与几何上下文解耦，解决了物体几何形状变化和单一传感器限制带来的挑战。该系统在20种材料上实现了95.2%的准确率，在不同几何条件下显著优于单一模态方法。
-
毫米波雷达扫描提供非侵入式身体成分评估
研究人员开发了使用毫米波（mmWave）雷达扫描评估身体成分的新方法，这种方法可以穿透衣物并保护隐私。一种方法使用多任务学习从毫米波数据中预测内脏脂肪组织（VAT）和体脂百分比（BFP），在VAT方面达到1.0 L的平均绝对误差，在BFP方面达到3.2%。另一种方法采用优化框架，通过将参数化身体模型直接拟合到毫米波点云来重建3D人体形状并提取人体测量数据，为传统的测量方法提供了一种快速、非接触且保护隐私的替代方案。
-
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。