ວິສະວະກອນພັດທະນາລະບົບການຮັບຮູ້ທ່າທາງດ້ວຍ AI-Based Hand Gesture

ວິສະວະກອນຂອງມະຫາວິທະຍາໄລຄາລິຟໍເນຍ, Berkeley ໄດ້ພັດທະນາອຸປະກອນທີ່ສາມາດຮັບຮູ້ທ່າທາງຂອງມືໂດຍອີງໃສ່ສັນຍານໄຟຟ້າທີ່ກວດພົບຢູ່ໃນ forearm. ລະບົບທີ່ພັດທະນາໃຫມ່ນີ້ແມ່ນຜົນມາຈາກ biosensors ທີ່ໃສ່ໄດ້ແລະປັນຍາປະດິດ (AI), ແລະມັນສາມາດນໍາໄປສູ່ການຄວບຄຸມຂາທຽມແລະການໂຕ້ຕອບຂອງມະນຸດກັບຄອມພິວເຕີໄດ້ດີຂຶ້ນ.

Ali Moin ເປັນສ່ວນຫນຶ່ງຂອງທີມອອກແບບແລະເປັນນັກສຶກສາປະລິນຍາເອກໃນພະແນກວິສະວະກໍາໄຟຟ້າແລະວິທະຍາສາດຄອມພິວເຕີຂອງ UC Berkeley. Moin ຍັງເປັນຜູ້ຂຽນຮ່ວມກັນຄັ້ງທໍາອິດຂອງເອກະສານການຄົ້ນຄວ້າທີ່ຈັດພີມມາອອນໄລນ໌ໃນວັນທີ 21 ທັນວາໃນວາລະສານ ເອເລັກໂຕຣນິກ ທຳ ມະຊາດ.

"ຂາທຽມເປັນຄໍາຮ້ອງສະຫມັກທີ່ສໍາຄັນຂອງເຕັກໂນໂລຊີນີ້, ແຕ່ນອກຈາກນັ້ນ, ມັນຍັງສະຫນອງວິທີການຕິດຕໍ່ສື່ສານກັບຄອມພິວເຕີ intuitive ຫຼາຍ." Moin ກ່າວ. “ການອ່ານທ່າທາງດ້ວຍມືແມ່ນວິທີໜຶ່ງໃນການປັບປຸງການໂຕ້ຕອບມະນຸດກັບຄອມພິວເຕີ. ແລະ, ໃນຂະນະທີ່ມີວິທີອື່ນໃນການເຮັດເຊັ່ນນັ້ນ, ຕົວຢ່າງເຊັ່ນ, ການນໍາໃຊ້ກ້ອງຖ່າຍຮູບແລະການເບິ່ງເຫັນຄອມພິວເຕີ, ນີ້ແມ່ນການແກ້ໄຂທີ່ດີທີ່ຍັງຮັກສາຄວາມເປັນສ່ວນຕົວຂອງບຸກຄົນ.”

ລະບົບຮັບຮູ້ທ່າທາງດ້ວຍມື

ທີມງານໄດ້ເຮັດວຽກຮ່ວມກັບ Ana Arias, ອາຈານຂອງວິສະວະກໍາໄຟຟ້າຢູ່ UC Berkeley, ໃນລະຫວ່າງການພັດທະນາລະບົບ. ຮ່ວມກັນ, ພວກເຂົາໄດ້ອອກແບບແລະສ້າງສາຍແຂນທີ່ມີຄວາມຍືດຫຍຸ່ນທີ່ສາມາດອ່ານສັນຍານໄຟຟ້າຢູ່ທີ່ 64 ຈຸດທີ່ແຕກຕ່າງກັນຢູ່ເທິງແຂນ. ຫຼັງຈາກນັ້ນ, ສັນຍານໄຟຟ້າເຫຼົ່ານີ້ໄດ້ຖືກປ້ອນເຂົ້າໄປໃນຊິບໄຟຟ້າທີ່ດໍາເນີນໂຄງການດ້ວຍ AI algorithm. ສູດການຄິດໄລ່ນີ້ສາມາດກໍານົດຮູບແບບສັນຍານຢູ່ໃນ forearm ທີ່ມາຈາກ gestures ມືສະເພາະ.

ສູດການຄິດໄລ່ສາມາດລະບຸ 21 gestures ມືບຸກຄົນ.

ທ່ານ Moin ກ່າວວ່າ "ເມື່ອທ່ານຕ້ອງການໃຫ້ກ້າມຊີ້ນມືຂອງທ່ານຫົດຕົວ, ສະຫມອງຂອງເຈົ້າຈະສົ່ງສັນຍານໄຟຟ້າຜ່ານ neurons ໃນຄໍແລະບ່າຂອງເຈົ້າໄປຫາເສັ້ນໃຍກ້າມເນື້ອໃນແຂນແລະມືຂອງເຈົ້າ," Moin ເວົ້າ. "ໂດຍພື້ນຖານແລ້ວ, ສິ່ງທີ່ electrodes ໃນ cuff ໄດ້ຖືກຮັບຮູ້ແມ່ນພາກສະຫນາມໄຟຟ້ານີ້. ມັນບໍ່ຊັດເຈນປານໃດ, ໃນຄວາມຫມາຍທີ່ພວກເຮົາບໍ່ສາມາດລະບຸໄດ້ວ່າເສັ້ນໄຍທີ່ແນ່ນອນຖືກກະຕຸ້ນ, ແຕ່ດ້ວຍຄວາມຫນາແຫນ້ນຂອງ electrodes ສູງ, ມັນຍັງສາມາດຮຽນຮູ້ທີ່ຈະຮັບຮູ້ຮູບແບບທີ່ແນ່ນອນ."

ທໍາອິດ AI algorithm ຮຽນຮູ້ເພື່ອກໍານົດສັນຍານໄຟຟ້າໃນແຂນແລະ gestures ມືທີ່ສອດຄ້ອງກັນຂອງເຂົາເຈົ້າ, ເຊິ່ງຮຽກຮ້ອງໃຫ້ຜູ້ໃຊ້ໃສ່ອຸປະກອນໃນຂະນະທີ່ເຮັດ gestures ເຫຼົ່ານັ້ນ. ກ້າວໄປອີກບາດກ້າວໜຶ່ງ, ລະບົບຈະອາໄສລະບົບຄອມພິວເຕີແບບ hyperdimensional, ເຊິ່ງເປັນ AI ຂັ້ນສູງທີ່ປັບປຸງຕົວມັນເອງຢ່າງຕໍ່ເນື່ອງ. ເທກໂນໂລຍີຂັ້ນສູງນີ້ຊ່ວຍໃຫ້ລະບົບແກ້ໄຂຕົວເອງດ້ວຍຂໍ້ມູນໃຫມ່, ເຊັ່ນ: ການເຄື່ອນໄຫວຂອງແຂນຫຼືເຫື່ອອອກ.

ທ່ານ Moin ກ່າວວ່າ "ໃນການຮັບຮູ້ທ່າທາງ, ສັນຍານຂອງທ່ານຈະປ່ຽນແປງຕາມເວລາ, ແລະສາມາດສົ່ງຜົນກະທົບຕໍ່ການປະຕິບັດຕົວແບບຂອງເຈົ້າ," Moin ເວົ້າ. "ພວກເຮົາສາມາດປັບປຸງຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດຢ່າງຫຼວງຫຼາຍໂດຍການປັບປຸງຮູບແບບໃນອຸປະກອນ."

ຄອມພິວເຕີຢູ່ໃນຊິບ

ຄຸນລັກສະນະທີ່ ໜ້າ ປະທັບໃຈອີກອັນ ໜຶ່ງ ຂອງອຸປະກອນແມ່ນວ່າຄອມພິວເຕີ້ທັງ ໝົດ ເກີດຂື້ນຢູ່ໃນຊິບ, ຊຶ່ງ ໝາຍ ຄວາມວ່າບໍ່ມີຂໍ້ມູນສ່ວນຕົວຖືກສົ່ງກັບອຸປະກອນອື່ນໆ. ນີ້ເຮັດໃຫ້ເວລາຄອມພິວເຕີ້ໄວຂຶ້ນແລະຂໍ້ມູນຊີວະພາບທີ່ຖືກປົກປ້ອງ.

Jan Rabaey ແມ່ນ Donald O. Pedersen ອາຈານດີເດັ່ນຂອງວິສະວະກໍາໄຟຟ້າຢູ່ UC Berkeley ແລະຜູ້ຂຽນອາວຸໂສຂອງເອກະສານ.

Jan Rabaey ກ່າວວ່າ "ເມື່ອ Amazon ຫຼື Apple ສ້າງ algorithms ຂອງພວກເຂົາ, ພວກເຂົາເອີ້ນໃຊ້ໂປແກຼມຫຼາຍໆຢ່າງໃນຄລາວທີ່ສ້າງແບບຈໍາລອງ, ແລະຫຼັງຈາກນັ້ນຮູບແບບຈະຖືກດາວໂຫລດໃສ່ອຸປະກອນຂອງທ່ານ," Jan Rabaey ເວົ້າ. “ບັນຫາແມ່ນວ່າຫຼັງຈາກນັ້ນທ່ານກໍາລັງຕິດຢູ່ກັບຕົວແບບສະເພາະນັ້ນ. ໃນວິທີການຂອງພວກເຮົາ, ພວກເຮົາໄດ້ປະຕິບັດຂະບວນການທີ່ການຮຽນຮູ້ແມ່ນເຮັດຢູ່ໃນອຸປະກອນຕົວມັນເອງ. ແລະມັນໄວທີ່ສຸດ: ທ່ານພຽງແຕ່ຕ້ອງເຮັດມັນຄັ້ງດຽວ, ແລະມັນກໍ່ເລີ່ມເຮັດວຽກ. ແຕ່ຖ້າທ່ານເຮັດມັນຫຼາຍຄັ້ງ, ມັນກໍ່ສາມາດດີຂຶ້ນ. ສະນັ້ນ, ມັນແມ່ນການຮຽນຮູ້ຢ່າງຕໍ່ເນື່ອງ, ນັ້ນແມ່ນວິທີທີ່ມະນຸດເຮັດມັນ.”

ອີງຕາມການ Rabaey, ອຸປະກອນສາມາດກາຍເປັນການຄ້າຫຼັງຈາກການປ່ຽນແປງເລັກນ້ອຍ.

"ເຕັກໂນໂລຢີເຫຼົ່ານີ້ສ່ວນໃຫຍ່ມີຢູ່ບ່ອນອື່ນແລ້ວ, ແຕ່ສິ່ງທີ່ເປັນເອກະລັກຂອງອຸປະກອນນີ້ແມ່ນວ່າມັນປະສົມປະສານ biosensing, ການປະມວນຜົນສັນຍານແລະການຕີຄວາມ, ແລະປັນຍາປະດິດເຂົ້າໄປໃນລະບົບຫນຶ່ງທີ່ຂ້ອນຂ້າງນ້ອຍແລະມີຄວາມຍືດຫຍຸ່ນແລະມີງົບປະມານພະລັງງານຕ່ໍາ," Rabaey ເວົ້າ.