Wi-Fi
PulseAugur coverage of Wi-Fi — every cluster mentioning Wi-Fi across labs, papers, and developer communities, ranked by signal.
15 天有情绪数据
-
CarPlay 中的 Siri 问题与 iPhone 设置和连接性有关
Siri 在 Apple 的 CarPlay 系统中无法正常运行可能源于各种问题，通常与 Siri 本身无关。问题可能来自 iPhone 设置，例如在手机锁定时禁用 Siri 或在屏幕使用时间内的限制。连接性也是一个关键因素，因为 Siri 需要互联网连接，并且某些 VPN 配置文件可能会造成干扰。如果 Siri 在 iPhone 上可用但在 CarPlay 中不可用，则连接本身可疑，有线连接的 USB 数据线或无线 CarPlay …
-
Google Pixel 新增蓝牙诊断功能，助力连接故障排除
Google 为 Pixel 手机推出了一项新的蓝牙诊断功能，旨在帮助用户排除配件连接故障。该工具位于“已连接的设备”设置中，引导用户进行媒体音频和通话测试，以在进行恢复出厂设置等更极端的措施之前找出问题所在。虽然很有帮助，但该功能目前仅限于 Pixel 6 及更新的型号，并且无法修复硬件故障或固件问题。
-
雷达技术在卧室活动和睡眠监测方面的比较
一篇新的研究论文比较了三种不同的雷达技术——FMCW、IR-UWB 和 Wi-Fi 感知——用于监测卧室中的人类活动和睡眠中断。该研究对 20 名参与者在不同房间布局下的同步录音进行了分析，并使用相同的卷积神经网络 (CNN) 评估了每种技术。IR-UWB 在不同受试者的活动识别方面表现出最高的性能，而 FMCW 在泛化到未见过的房间布局方面表现更好。所有三种技术在新环境中的睡眠监测均达到了超过 92% 的宏观 F1 分数，这突显了识…
-
新的 ARGUS 系统使用 Wi-Fi 信号进行被动人员识别
研究人员开发了 ARGUS，一种使用 Wi-Fi 遥测进行被动人员识别的新型系统。ARGUS 将 Wi-Fi 信道状态信息 (CSI) 转换为称为 statgrams 的统计图，然后由轻量级 Transformer 模型进行处理。这种方法在无需任何附加设备或特定用户移动的情况下，通过 Wi-Fi 信号准确识别个人，与以前的方法相比显示出显著的效率提升。
-
增强PC音频：外接扬声器、耳机和家庭音响系统
现代PC和笔记本电脑的音频组件通常质量不高，因为制造商更侧重于其他硬件。虽然一些笔记本电脑制造商（如惠普的Bang & Olufsen、三星的Harman Kardon）以及苹果的MacBook在内置扬声器方面有所改进，但空间限制仍然阻碍了最佳音效。消费者可以通过连接外接扬声器、使用高品质耳机或将电脑与现有的家庭音响系统集成来增强音频体验，选择范围从有线和无线设置到DAC和放大器，以获得卓越音质。
-
UltraArUco库为移动设备提供低延迟AR跟踪
一个名为UltraArUco的新库已被开发出来，用于移动增强现实应用中的低延迟、实时基于标记的跟踪。该框架由Miguel Altamirano Cabrera创建，与标准的OpenCV实现相比，每帧延迟降低了五倍，同时保持了准确性。其分布式Wi-Fi架构允许移动设备与PC连接以进行视觉应用，使其适用于资源受限的环境。
-
Wi-Fi信号现在可以近乎完美地识别个人
研究人员开发了一种方法，可以利用普通Wi-Fi信号以高精度识别个人。该技术分析了当人们与Wi-Fi信号交互时，其独特的步态和运动模式的物理特征。该系统可以区分不同的人，甚至可以跟踪他们在受监控区域内的移动，这引发了潜在的隐私担忧。
-
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。
-
DoRF++ 使用 NeRF 和球形 Transformer 进行高级 Wi-Fi 感知
研究人员开发了 DoRF++，一种新颖的 Wi-Fi 感知方法，它利用神经辐射场 (NeRF) 从信道状态信息 (CSI) 中建模人类运动。该方法将来自 Wi-Fi 信号的多普勒速度投影视为虚拟摄像头视图，从而能够推断出 3D 运动序列。然后，系统使用球形 Transformer 对活动进行分类，与现有的基于 Wi-Fi 的人类活动识别方法相比，在手势的跨用户泛化方面表现出更高的准确性。
-
视觉与WiFi结合，增强物体属性估计
研究人员开发了ViWi，一个整合计算机视觉和WiFi信号以估计物体体积力学性质的新框架。该方法通过用聚合证据并连贯预测属性的材料槽来表示物体，解决了仅视觉估计的固有歧义。通过引入源自WiFi频段模拟的射频（RF）描述符，ViWi获得了超越视觉外观的全局组成线索，从而提高了属性估计的准确性和物理连贯性。
-
新的GLocFM模型利用几何和Wi-Fi增强3D室内无线定位
研究人员开发了GLocFM，这是一种新颖的用于3D室内无线定位的基础模型。该模型独特地将场景几何（表示为3D点云）与Wi-Fi测量相结合，以提高定位精度。GLocFM将定位表述为最大似然估计问题，使用学习到的评分函数将观测到的无线信号与候选发射器位置的预测频谱进行匹配。该框架在合成和真实世界数据集上均显著降低了平均3D定位误差，性能优于最先进的基线约49%。
-
FSTC-Encoder 通过相关性学习统一异构射频感知
研究人员开发了FSTC-Encoder，这是一种统一异构射频（RF）感知表示学习的新方法。该方法通过对特征、空间和时间相关性进行建模，解决了跨不同设备、环境和射频模态重用模型所面临的挑战。FSTC-Encoder架构在保持一致的空间-时间骨架的同时，为特定应用调整特征配置和任务头。它在各种感知任务和模态中表现出强大的性能，显著缩小了不同射频类型之间的性能差距，并实现了高域鲁棒性和任务通用性。
-
中国在石油领域领先，大麻相关急诊就诊人数上升，无线技术解析 · 追踪 3 个来源
据《经济学人》的一份报告称，中国已成为世界领先的石油大国。另外，美国疾控中心的一份新报告显示，与习惯性使用大麻相关的急诊就诊人数显著增加了 16%，症状包括恶心、呕吐和严重的腹痛。此外，一项技术解释详细说明了蓝牙、Wi-Fi 和 2.4G 无线设备之间的区别，阐明了它们不同的连接方法。
-
蓝牙、Wi-Fi 和 2.4GHz：理解无线连接差异
蓝牙、Wi-Fi 和 2.4GHz 等无线连接技术虽然常被归为一类，但它们服务于不同的目的。Wi-Fi 擅长提供高速互联网接入和本地网络连接，覆盖范围更广，但功耗也更高。蓝牙则针对低功耗、短距离设备配对进行了优化，常用于音频设备和外围设备。2.4GHz 频段（不同于蓝牙技术）因其比蓝牙具有更低的延迟和更稳定的连接，而受到 PC 外围设备的青睐，非常适合游戏和高性能输入设备。
-
Garmin Fenix 9 细节通过 FCC 认证文件披露，支持 LTE 和卫星功能
据报道，即将推出的 Garmin Fenix 9 智能手表的相关细节已通过 FCC 认证文件浮出水面，该设备将支持 LTE 移动互联网和用于数据传输的卫星连接。该文件将该设备列为 A05170，同时也表明了 Wi-Fi、蓝牙、NFC 和 ANT+ 等标准功能。钛合金表带选项的包含表明其将是 Garmin 产品线中的高端型号，鉴于最近 Enduro 4 的 FCC 认证，这可能与 Fenix 系列相符。
-
不带遥控器将Roku连接到Wi-Fi：使用App、热点或以太网
如果您丢失了Roku遥控器，您仍然可以使用几种不同的方法将Roku流媒体棒或电视连接到Wi-Fi。Roku移动应用程序（可在App Store和Google Play上找到）一旦您的手机与Roku连接到同一网络，就可以充当虚拟遥控器。对于初始设置或Roku完全离线时，您可以通过在第二台设备上模仿旧Wi-Fi网络的凭据来使用移动热点技巧。或者，如果您的Roku设备有以太网端口，则直接通过电缆连接到路由器是最简单的解决方案。
-
优化路由器设置以提高下载速度
遇到下载速度慢的用户可以通过优化路由器设置来提高性能。关键调整包括重新放置路由器以获得更好的信号强度，利用 5GHz Wi-Fi 频段以获得更快的速度，以及启用智能队列管理 (SQM) 来缓解缓冲膨胀，这会在多台设备大量使用网络时导致延迟问题。如果这些步骤不能解决问题，可能需要升级到支持更新 Wi-Fi 标准的路由器。
-
Zero-Fi 利用信号-语言对齐实现零样本 Wi-Fi 活动识别
研究人员开发了 Zero-Fi，一个新颖的基于 Wi-Fi 的人类活动识别框架，它利用对比信号-语言对齐。这种方法允许系统识别新活动，而无需针对这些活动进行特定的标记 Wi-Fi 数据。通过在共享嵌入空间中对齐 Wi-Fi 信号特征和自然语言描述，Zero-Fi 在基准数据集上展示了有效的零样本识别能力，将 Wi-Fi 感知能力扩展到预定义的活动集之外。
-
新型聚类联邦学习方法提升Wi-Fi流量预测能力
研究人员开发了一种新的聚类联邦学习（CFL）方法，以改进托管Wi-Fi网络中的流量预测。该方法通过采用两步聚类程序来解决识别用于接入点（AP）模型分组的信息量聚类这一挑战。该方法优先考虑信息量，并以差分熵量化，以选择最佳聚类解决方案。结果表明，与其他分布式策略相比，这种CFL工具实现了更优越的预测性能和更低的通信及能源消耗，仅在显著提高准确性时成本略有增加。
-
Zero-Fi 实现零样本的、基于Wi-Fi的人类活动识别
研究人员开发了Zero-Fi，一个用于零样本的、基于Wi-Fi的人类活动识别的新框架。该系统利用对比信号-语言对齐，从Wi-Fi信号和自然语言描述中学习统一的表示。通过在共享嵌入空间中对齐这些模态，Zero-Fi可以在无需特定标记的Wi-Fi数据或针对这些类别的模型重新训练的情况下，识别新的活动类别。实验表明，它在识别公共数据集上先前未见的活动方面非常有效。