論文の概要: Liquid Sensing Using WiFi Signals

• arxiv url: http://arxiv.org/abs/2106.10356v1
• Date: Fri, 18 Jun 2021 21:16:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:14:59.112407
• Title: Liquid Sensing Using WiFi Signals
• Title（参考訳）: WiFi信号を用いた液体センシング
• Authors: Yili Ren, Jie Yang
• Abstract要約: LiquidSenseは、低コストで高精度な液体レベルのセンシングシステムであり、日々の異なる液体や容器に広く適用でき、既存のスマートホームネットワークと容易に統合できる。 LiquidSenseは、既存のホームWiFiネットワークと、コンテナに取り付けられた低コストのトランスデューサを使用して、液体レベルの検出のためにコンテナの共鳴を検知する。
• 参考スコア（独自算出の注目度）: 5.2245900672091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The popularity of Internet-of-Things (IoT) has provided us with unprecedented opportunities to enable a variety of emerging services in a smart home environment. Among those services, sensing the liquid level in a container is critical to building many smart home and mobile healthcare applications that improve the quality of life. This paper presents LiquidSense, a liquid-level sensing system that is low-cost, high accuracy, widely applicable to different daily liquids and containers, and can be easily integrated with existing smart home networks. LiquidSense uses an existing home WiFi network and a low-cost transducer that attached to the container to sense the resonance of the container for liquid level detection. In particular, our system mounts a low-cost transducer on the surface of the container and emits a well-designed chirp signal to make the container resonant, which introduces subtle changes to the home WiFi signals. By analyzing the subtle phase changes of the WiFi signals, LiquidSense extracts the resonance frequency as a feature for liquid level detection. Our system constructs prediction models for both continuous and discrete predictions using curve fitting and SVM respectively. We evaluate LiquidSense in home environments with containers of three different materials and six types of liquids. Results show that LiquidSense achieves an overall accuracy of 97% for continuous prediction and an overall F-score of 0.968 for discrete prediction. Results also show that our system has a large coverage in a home environment and works well under non-line-of-sight (NLOS) scenarios.
• Abstract（参考訳）: internet-of-things(iot)の人気は、スマートホーム環境でさまざまな新興サービスを可能にする前例のない機会を与えてくれました。 これらのサービスの中で、コンテナ内の液体レベルを感知することは、生活の質を向上させる多くのスマートホームおよびモバイルヘルスケアアプリケーションを構築する上で重要である。 本稿では,従来のスマートホームネットワークと容易に統合可能な,低コストで高精度な液体レベルセンシングシステムLiquidSenseについて述べる。 LiquidSenseは既存のホームWiFiネットワークと、コンテナに取り付けられた安価なトランスデューサを使って、液体レベルの検出のためにコンテナの共鳴を検出する。 特に,コンテナ表面に低コストのトランスデューサを装着し,よく設計されたチャープ信号を出力して容器共振器を作り,ホームWiFi信号に微妙な変化をもたらす。 wifi信号の微妙な位相変化を分析することで、liquidsenseは共鳴周波数を液体レベル検出の特徴として抽出する。 本システムは,曲線フィッティングとSVMを用いた連続予測と離散予測の両方の予測モデルを構築する。 3つの異なる材料と6種類の液体の容器を用いた家庭環境におけるLiquidSenseの評価を行った。 その結果,LiquidSenseは連続予測では97%,離散予測では0.968のFスコアを達成した。 また,本システムはホーム環境において広範囲にカバーされており,非線形(NLOS)シナリオ下でも良好に動作することを示す。

関連論文リスト

• The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
  注水液の音響・視覚観測と物理の関連性について検討した。 本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
  論文  参考訳（メタデータ） (2024-11-18T01:19:37Z)
• LiqD: A Dynamic Liquid Level Detection Model under Tricky Small Containers [5.361320134021586]
  本稿では,U2-Netに基づくコンテナ動的液位検出モデルを提案する。 実験結果から, 容器内の液体の動的液体レベル変化を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2024-03-13T05:53:25Z)
• Wavelet Dynamic Selection Network for Inertial Sensor Signal Enhancement [11.793803540713695]
  慣性センサーは様々な携帯機器で広く使われている。 ウェーブレット動的選択ネットワーク(WDSNet)は、可変慣性信号に対する適切なウェーブレット基底をインテリジェントに選択する。 WDSNetは、弱教師付き手法として、比較された全教師付き手法の最先端性能を達成する。
  論文  参考訳（メタデータ） (2023-12-29T07:44:06Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• A Novel Poisoned Water Detection Method Using Smartphone Embedded Wi-Fi Technology and Machine Learning Algorithms [0.0]
  We have use the Wi-Fi signal to distinguish clean water from poisoned water through training different machine learning algorithm。 LSTMを適用した場合の分類精度は89%であった。
  論文  参考訳（メタデータ） (2023-02-13T13:16:34Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)
• SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
  センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。 動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。 評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-04T23:06:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。