Un equipo de investigadores de la Universidad Tecnológica de Nanyang en Singapur reveló recientemente un nuevo método para rastrear el movimiento humano en el metaverso.
Una de las características clave del metaverso es la capacidad de representar objetos y personas del mundo real en el mundo digital en tiempo real. En la realidad virtual, por ejemplo, los usuarios pueden girar la cabeza para cambiar sus puntos de vista o manipular controladores físicos en el mundo real para afectar el entorno digital.
El status quo para capturar la actividad humana en el metaverso utiliza sensores basados en dispositivos, cámaras o una combinación de ambos. Sin embargo, como escriben los investigadores en su artículo de investigación preimpreso, ambas modalidades tienen limitaciones inmediatas.
Relacionado: Elon Musk demanda a Sam Altman y OpenAI por incumplimiento de acuerdo
Un sistema de detección basado en un dispositivo, como un controlador portátil con un sensor de movimiento, "sólo captura la información en un punto del cuerpo humano y, por lo tanto, no puede modelar una actividad muy compleja", escriben los investigadores. Mientras tanto, los sistemas de seguimiento basados en cámaras luchan con entornos con poca luz y obstrucciones físicas.
Ingrese a la detección de WiFi
Los científicos han utilizado sensores Wi-Fi para rastrear el movimiento humano durante años. Al igual que el RADAR, las señales de radio utilizadas para enviar y recibir datos Wi-Fi se pueden utilizar para detectar objetos en el espacio.
Los sensores Wi-Fi se pueden ajustar para captar los latidos del corazón, rastrear los patrones de respiración y sueño e incluso detectar personas a través de las paredes.
Los investigadores de Metaverse han experimentado combinando métodos de seguimiento tradicionales con detección de Wi-Fi con distintos grados de éxito en el pasado.
Introduzca la inteligencia artificial
El seguimiento de Wi-Fi requiere el uso de modelos de inteligencia artificial. Desafortunadamente, entrenar estos modelos ha demostrado tener un alto grado de dificultad para los investigadores.
Según el artículo del equipo de Singapur:
“Las soluciones existentes que utilizan Wi-Fi y modalidades de visión dependen de datos masivos y etiquetados que son muy complicados de recopilar. … Proponemos una novedosa solución HAR multimodal no supervisada, MaskFi, que aprovecha únicamente videos sin etiquetar y datos de actividad Wi-Fi para el entrenamiento de modelos”.
Para entrenar los modelos necesarios para experimentar con la detección Wi-Fi para el reconocimiento de la actividad humana (HAR), los científicos deben crear una biblioteca de datos de entrenamiento. Los conjuntos de datos utilizados para entrenar la IA pueden contener miles o incluso millones de puntos de datos según los objetivos del modelo en particular.
A menudo, etiquetar estos conjuntos de datos puede ser la parte que lleva más tiempo al realizar estos experimentos.
Ingrese a Mask-Fi
El equipo de la Universidad Tecnológica de Nanyang construyó "MaskFi" para superar este desafío. Utiliza modelos de IA creados mediante un método llamado "aprendizaje no supervisado".
En el paradigma de aprendizaje no supervisado, un modelo de IA se entrena previamente en un conjunto de datos significativamente más pequeño y luego se somete a iteraciones hasta que es capaz de predecir estados de salida con un nivel satisfactorio de precisión. Esto permite a los investigadores centrar su energía en los propios modelos en lugar del minucioso esfuerzo que se necesita para crear conjuntos de datos de entrenamiento sólidos.
Fuente: Yang, et. al., 2024
Según los investigadores, el sistema MaskFi logró aproximadamente un 97% de precisión en dos puntos de referencia relacionados. Esto indica que este sistema podría, a través de un desarrollo futuro, servir como catalizador para una modalidad de metaverso completamente nueva: un metaverso que puede proporcionar una representación del mundo real 1:1 en tiempo real.