“sensör” için sonuçlar
108 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Küçük Cihazlar İçin Yapay Zeka: Yeni Hızlandırma Yöntemi Geliştirildi
Araştırmacılar, akıllı saatler ve IoT sensörleri gibi küçük cihazlarda çalışan yapay zeka uygulamaları için yeni bir optimizasyon yöntemi geliştirdi. TinyML olarak bilinen bu alanda, sınırlı kaynaklara sahip cihazlarda yapay zeka modellerinin çalıştırılması büyük zorluk teşkil ediyor. Yeni yaklaşım, hesaplama maliyeti yüksek olan çarpma işlemlerini daha verimli kaydırma ve toplama işlemleriyle değiştirerek performansı artırıyor. Özellikle hassas verilerle çalışan uygulamalarda, eğitim veri setine ihtiyaç duymadan önceden eğitilmiş modelleri optimize edebilmesi önemli bir avantaj sağlıyor. Bu gelişme, sağlık monitörleri, akıllı ev cihazları ve giyilebilir teknolojiler gibi alanlarda yapay zekanın daha yaygın kullanımına kapı açabilir.
Akıllı Sensörler İçin Yeni Veri İşleme Yöntemi Geliştirildi
Araştırmacılar, çok kanallı zaman serisi verilerini tek kanala dönüştüren yeni bir yöntem geliştirdi. UCF (Univariate Channel Fusion) adlı bu teknik, tıbbi cihazlar ve giyilebilir teknolojilerde kullanılan sensör verilerini çok daha az hesaplama gücüyle işleyebiliyor. Yöntem, ortalama, medyan gibi basit matematiksel işlemlerle çoklu veri kanallarını tek kanala indirgiyor. Bu sayede karmaşık yapay zeka modellerine gerek kalmadan etkili sonuçlar elde ediliyor. Özellikle düşük maliyetli IoT cihazları ve gerçek zamanlı uygulamalar için büyük avantaj sağlayan teknik, biyomedikal sinyal analizi ve hareket izleme gibi alanlarda test edildi.
Ucuz LiDAR sensörleri artık köşenin arkasını da görebilecek
Akıllı telefonlardaki ucuz LiDAR sensörleri normalde yalnızca önlerindeki nesneleri algılayabilir. Ancak araştırmacılar, bu sensörlerin aslında gizli verileri kaydettiğini ve yapay zeka ile eğitildiğinde köşelerin arkasındaki gizli nesneleri de görebileceğini keşfetti. DENALI veri seti, 72.000 farklı gizli nesne sahnesini içererek bu teknolojinin geliştirilmesine olanak sağlıyor. Bu buluş, robotik, güvenlik sistemleri ve otonom araçlar için çığır açıcı bir gelişme olabilir.
Cep Telefonu Verileri ve Gişe Sayaçları Birleşerek Kent Trafiğini Daha İyi Tahmin Ediyor
Norveç'teki araştırmacılar, kent içi trafik akışını daha doğru tahmin etmek için yenilikçi bir makine öğrenmesi yaklaşımı geliştirdi. Çalışma, cep telefonu ağ verilerinin geniş kapsama alanını, gişe sensörlerinin hassas araç sayım yetenekleriyle birleştiriyor. Bu hibrit yöntem, her iki veri kaynağının zayıflıklarını giderirken güçlü yanlarını koruyor. Araştırma, özellikle toplu taşıma altyapısı planlaması için kritik olan araç kategorilerine göre ayrıştırılmış trafik verisi üretmeyi başarıyor. Trondheim şehrindeki otobüs deposu genişletme projesi üzerinde test edilen sistem, saatlik bazda farklı araç uzunluk kategorileri için detaylı trafik matrisleri oluşturabildi. Bu gelişme, şehir planlamacılarına daha gerçekçi trafik simülasyonları sunarak altyapı yatırım kararlarını destekleyecek.
Kablosuz Haberleşmede Gizlilik Sorunu: Kötü Niyetli Sensörler Nasıl Engellenebilir?
Entegre algılama ve haberleşme sistemleri, iletişim güvenliği sağlansa bile yeni gizlilik riskleri yaratıyor. Araştırmacılar, kötü niyetli sensörlerin radio dalgalarını kullanarak verici hakkında yetkisiz bilgi toplamasını engellemeye yönelik yeni bir framework geliştirdi. Sistem, yapay gürültü ve akıllı yansıtıcı yüzeyler kullanarak vericinin kimliğini ve konumunu korumayı hedefliyor. Bu teknoloji, özellikle hassas alanlarda çalışan kablosuz sistemlerin güvenliğini artırabilir.
Ağ Arızalarına Karşı Dayanıklı Çoklu-Ajan Sistemleri İçin Yeni Algoritma
Araştırmacılar, birbirini etkileyebilen sistemlerde iletişim hatalarına rağmen ne kadar sürede uzlaşmaya varılacağını hesaplayan LiFE-CD algoritmasını geliştirdi. Bu yenilik, drone sürüleri, otonom araçlar ve sensör ağları gibi çoklu-ajan sistemlerinin güvenilirliğini artırmaya yönelik önemli bir adım. Algoritma, mevcut yaklaşımların aksine simülasyon gerektirmeden, ağ yapısı ve bağlantı hata olasılıklarından yola çıkarak kesin sonuçlar üretebiliyor. Bu sayede sistemlerin belirli zaman dilimlerinde çalışma garantileri verilebilecek.
Otonom araçlar için yeni AI sistemi beklenmedik nesneleri daha iyi tanıyor
Otonom sürüş teknolojisinde önemli bir adım: araştırmacılar, LiDAR sensörleriyle çalışan yapay zeka sistemlerinin beklenmedik nesneleri tespit etme yetisini artıran yeni bir framework geliştirdi. Neural Distribution Prior (NDP) adlı bu sistem, eğitim verilerinde bulunmayan nesneleri tanımada mevcut yöntemlerin ana sorunu olan sınıf dengesizliği problemini çözüyor. Geleneksel sistemler tüm nesne sınıflarının eşit dağıldığını varsayar, ancak gerçek dünyada bu böyle değil. NDP, ağ tahminlerinin dağılım yapısını modelleyerek ve öğrenilen dağılım önceliğine göre skorları yeniden ağırlıklandırarak bu sorunu aşıyor. Sistem ayrıca dikkat tabanlı bir modül ile sınıf bağımlı güven yanlılığını düzeltiyor ve Perlin gürültüsü tabanlı sentez stratejisi kullanıyor.
Ultra düşük güçlü IoT ağları için yeni güvenlik protokolü geliştirildi
Bilim insanları, nesnelerin interneti (IoT) cihazları için devrim niteliğinde bir güvenlik çözümü geliştirdi. Bu yenilik, SWIPT (Simultaneous Wireless Information and Power Transfer) teknolojisini kullanan IoT ağlarında güvenliği artırırken enerji tüketimini minimal düzeyde tutuyor. Backscatter tabanlı kimlik doğrulama mekanizması sayesinde, cihazlar geleneksel RF alıcı-vericilerini aktif hale getirmeden güvenli iletişim kurabilmekte. Araştırmacılar, protokolden bağımsız çalışan bu çözümün minimal donanım değişikliği gerektirdiğini ve mevcut LoRaWAN şifrelemesindeki güvenlik açıklarını giderdiğini gösterdi. Pil gerektirmeyen sensör düğümlerinde test edilen sistem, özellikle enerji kısıtlı ortamlarda çalışan IoT cihazları için büyük önem taşıyor.
Topraktan Elektrik Üreten Yakıt Hücresi Bataryalara Alternatif Olabilir
Bilim insanları, topraktaki mikropları kullanarak elektrik üreten yenilikçi bir yakıt hücresi geliştirdi. Bu cihaz, batarya veya güneş paneli gerektirmeden yeraltı sensörlerine güç sağlayabiliyor. Kuru ve ıslak koşullarda çalışan sistem, nem izleme ve dokunma algılama gibi görevlerde kullanılabilir. Benzer teknolojilerden daha uzun ömürlü olan bu yakıt hücresi, tarımsal uygulamalar ve çevre izleme alanlarında sürdürülebilir, düşük bakım gerektiren sensörlerin yaygınlaşmasına kapı açabilir.
Yapay zeka ile akıllı veri toplama: Sadece gerekli bilgiyi sakla
Araştırmacılar, büyük dil modellerini kullanarak akıllı veri toplama sistemi geliştirdi. Sistem, kamera, LiDAR ve diğer sensörlerden sürekli veri toplamak yerine, sadece belirli koşullar oluştuğunda kayıt yapmayı sağlıyor. Kullanıcılar doğal dille isteklerini belirtebiliyor, yapay zeka bu istekleri özel programlama diline çeviriyor. Böylece depolama maliyetleri düşürülürken, gereksiz veri birikimine son veriliyor. Araç ve robot teknolojilerinde test edilen sistem, geleneksel yöntemlere kıyasla daha tutarlı sonuçlar üretiyor ve daha hızlı çalışıyor. Bu yaklaşım, özellikle IoT cihazları ve otonom sistemlerde veri yönetiminde devrim yaratabilir.
AI Ajanları Sınırlı Bilgiyle Nasıl Karar Alıyor? Yeni Araştırma Çığır Açtı
Yapay zeka sistemleri gerçek dünyada sürekli bilgi akışına erişemeyebilir - sensör sınırları, iletişim kesintileri ya da hesaplama kısıtları nedeniyle. MIT araştırmacıları, bu zorlu koşullarda çalışan AI ajanlarının performansını analiz eden yeni bir çerçeve geliştirdi. Zamana bağlı değişen ortamlarda, eski bilgilerle karar almak zorunda kalan yapay zeka sistemlerinin ne kadar etkili olabileceğini matematiksel olarak kanıtladılar. Bu çalışma, otonom araçlardan robot sistemlere, gerçek zamanlı veri akışının kesintiye uğradığı her durumda kritik öneme sahip. Araştırma, AI'nin güvenilirliği ve dayanıklılığı konusunda yeni perspektifler sunuyor.
Yapay Zeka Asfalt Yolların Hasarlarını Tespit Etmeyi Öğreniyor
Araştırmacılar, asfalt yolların yüzeyinde oluşan çözülme hasarlarını otomatik olarak tespit edebilen yapay zeka sistemlerinin gerçek dünya koşullarında nasıl daha güvenilir hale getirilebileceğini incelediler. Özellikle otoyollarda sık görülen bu hasar türünün tespiti için geliştirilen makine öğrenmesi modellerinin, farklı çevre koşulları ve sensörlerle karşılaştıklarında performanslarının düştüğü gözlemlendi. Çalışmada, eğitim verisi miktarı, aydınlatma farkları ve mekansal kaymaların model performansı üzerindeki etkileri analiz edilerek, daha dayanıklı çözümler geliştirilmesi hedeflendi.