MotionBeep: Enabling Fitness Game for Collocated Players With Acoustic-Enabled IoT Devices
Notice bibliographique
Résumé
Fitness games recently attract much attention these years due to its combination of playability and athleticism. However, most fitness games are entertainment for a single person, with only a few deliver distinctive experiences for multiplayers. Enabling interaction between multiple players would be more enjoyable due to exciting cooperation among players. Considering a Big Stomach Challenge for two players, a certain amount of food can be only eaten when a mouth size, represented by the distance between players is reached collaboratively. Similarly, a certain type of food can only be picked up when the food grabbing speed, denoted by the approaching speed between players, is fast enough. Such games require accurate ranging and speed estimation in a relatively long distance (1-15 m) to deliver a good gaming experience. However, existing ranging schemes cannot meet the above requirements. They either cannot work under Doppler channels or have to strike a balance between accuracy and operational range, prohibiting a heuristic implementation for the above games. To this end, we design MotionBeep, a novel acoustic ranging scheme that achieves centimeter-level ranging and dm/s-level speed estimation accuracy under representative indoor and outdoor scenes within 15 m. In MotionBeep, we design a new working paradigm and incorporates a state-space model to maintain accurate ranging in both static and dynamic channels. We have implemented a system prototype and evaluate its performance in representative environments. Evaluation results demonstrate that MotionBeep achieves a median of centimeter accuracy with up to 15 m even under Doppler effect.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».