Robust Dynamic Hand Gesture Interaction using LTE Terminals
Notice bibliographique
Résumé
Device-free hand gesture is one of the most natural ways to interact with everyday objects. However, existing WiFi-based gesture recognition solutions are typically restricted to indoor environments due to limited outdoor coverage. Furthermore, to achieve high sampling rates, they may interfere with normal data transmissions. In this paper, we aim to develop a robust dynamic gesture interaction system that can be ubiquitously deployed using Long-term Evolution (LTE) mobile terminals. Through both empirical studies and in-depth analysis using the Fresnel zone model, we reveal the key factors that contribute to the repeatability and discernibility of gestures. We show that the optimal location and orientation to perform gestures indeed exist and can be identified without prior knowledge of the position of LTE base stations (BSs) relative to a terminal. Guided by the design principles derived from Fresnel zone characteristics around a 4G terminal, we design highly repeatable and discernible gestures with salient received signal profiles. A gesture interaction system has been developed and implemented to achieve robust recognition with this careful design. Extensive experiments have been conducted in both indoor and outdoor environments, for different relative placements of mobile terminal and BS, and with different users. The proposed system can automatically identify the direction of BSs with a median error of less than 15 degrees and achieve gesture recognition accuracy as high as 98% in all scenarios without the need to acquire any training data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».