杜克大学科学家研究机器学习算法利用微波识别物体

机器学习算法开发的波形（右）及其强度水平（左）的示例，可以最好地阐明被识别物体的最重要特征。

美国杜克大学的科研团队与工程专家共同开发了一种能够利用微波进行物体检测的新技术。这一方法不仅提升了识别的准确度，还降低了所需的计算时间和电力消耗。在需要快速并准确识别物体的领域，如自动驾驶汽车、安全检查和运动感应，该系统具有显著优势。

该团队采用了机器学习算法，避免了生成供人审查的图像，而是直接对纯数据进行解析。该算法能够同时优化用于提取关键数据的硬件配置，并确定哪些数据最为关键。在一次概念验证实验中，该系统仅用几十个测量值就准确识别了一组三维数字，远少于通常需要的数百或数千个测量值。

研究人员使用的是由电子构造组成的8×8正方形网格超材料天线，该天线能够动态调整其结构以屏蔽或发出微波，从而使微波波前塑造成多种不同形状。在进行每一次测量时，一个智能传感器会选择一些特定的网格单元，允许微波穿过并反射回另一个相似的超材料天线上，生成一个唯一的微波模式。

通过数千次这样的试验，机器学习算法逐渐识别出哪些信息最为关键，以及哪些发送和接收天线的配置最适合获取这些信息。这样，发送器和接收器可以协同工作，由机器学习算法一同优化。这种共同设计的测量和处理方法，可以利用所有关于任务、环境和测量限制的先验知识来整体优化传感流程。

与传统的微波成像系统相比，该机器学习算法通过仅处理一小部分设置，大大减少了所需的测量次数、时间和计算资源。通常，传统方法需要数百或数千次测量，而该算法只需不到10次测量即可准确识别物体。

虽然该技术是否适用于更复杂的传感应用还是一个未解之谜，研究团队已经开始探索如何使用这一创新概念来优化下一代计算机界面的手势和手部动作识别。由于这类超材料体积小、成本低且易于制造，它在其他需要微波传感技术改进的领域也具有潜力，例如隐蔽威胁检测、无人驾驶车辆的路面物体识别或生活辅助设施的紧急情况监控等。