MIT ಸಂಶೋಧಕರು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಹೊಸ ಇಮೇಜಿಂಗ್ ತಂತ್ರವು ಗೋದಾಮಿನಲ್ಲಿರುವ ಗುಣಮಟ್ಟ-ನಿಯಂತ್ರಣ ರೋಬೋಟ್ಗಳನ್ನು ರಟ್ಟಿನ ಪೆಟ್ಟಿಗೆಯ ಮೂಲಕ ನೋಡಲು ಮತ್ತು ಕಡಲೆಕಾಯಿಯ ಪ್ಯಾಕೇಜ್ನ ಅಡಿಯಲ್ಲಿ ಹೂತುಹಾಕಲಾದ ಕಪ್ನ ಹಿಡಿಕೆಯು ಮುರಿದುಹೋಗಿರುವುದನ್ನು ನೋಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಅವರ ವಿಧಾನವು ಮಿಲಿಮೀಟರ್ ತರಂಗ (mmWave) ಸಂಕೇತಗಳನ್ನು ಬಳಸುತ್ತದೆ, ವೈ-ಫೈನಲ್ಲಿ ಬಳಸುವ ಅದೇ ರೀತಿಯ ಸಂಕೇತಗಳು, ವೀಕ್ಷಣೆಯಿಂದ ನಿರ್ಬಂಧಿಸಲಾದ ವಸ್ತುಗಳ ನಿಖರವಾದ 3D ಪುನರ್ನಿರ್ಮಾಣಗಳನ್ನು ರಚಿಸಲು.
ಅಲೆಗಳು ಪ್ಲಾಸ್ಟಿಕ್ ಪಾತ್ರೆಗಳು ಅಥವಾ ಆಂತರಿಕ ಗೋಡೆಗಳಂತಹ ಸಾಮಾನ್ಯ ಅಡೆತಡೆಗಳ ಮೂಲಕ ಚಲಿಸಬಹುದು ಮತ್ತು ಗುಪ್ತ ವಸ್ತುಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ. ಎಂಎಂನಾರ್ಮ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ ವ್ಯವಸ್ಥೆಯು ಆ ಪ್ರತಿಫಲನಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ ಮತ್ತು ವಸ್ತುವಿನ ಮೇಲ್ಮೈ ಆಕಾರವನ್ನು ಅಂದಾಜು ಮಾಡುವ ಅಲ್ಗಾರಿದಮ್ಗೆ ಅವುಗಳನ್ನು ನೀಡುತ್ತದೆ.
ಈ ಹೊಸ ವಿಧಾನವು ಬೆಳ್ಳಿಯ ಪಾತ್ರೆಗಳು ಮತ್ತು ಪವರ್ ಡ್ರಿಲ್ನಂತಹ ಸಂಕೀರ್ಣ ಮತ್ತು ಬಾಗಿದ ಆಕಾರಗಳೊಂದಿಗೆ ದೈನಂದಿನ ವಸ್ತುಗಳ ವ್ಯಾಪ್ತಿಯ ಮೇಲೆ 96% ಪುನರ್ನಿರ್ಮಾಣದ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಿದೆ. ಅತ್ಯಾಧುನಿಕ ಮೂಲ ವಿಧಾನಗಳು ಕೇವಲ 78 ಪ್ರತಿಶತ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಿವೆ.
ಹೆಚ್ಚುವರಿಯಾಗಿ, ಎಂಎಂನಾರ್ಮ್ಗೆ ಅಂತಹ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಹೆಚ್ಚುವರಿ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಅಗತ್ಯವಿಲ್ಲ. ಈ ದಕ್ಷತೆಯು ಕಾರ್ಖಾನೆಗಳಿಂದ ಸಹಾಯದ ಜೀವನ ಸೌಲಭ್ಯಗಳವರೆಗೆ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ವಿಧಾನವನ್ನು ಬಳಸಲು ಅನುಮತಿಸುತ್ತದೆ.
ಉದಾಹರಣೆಗೆ, ಎಂಎಂನಾರ್ಮ್ ಕಾರ್ಖಾನೆಯಲ್ಲಿ ಅಥವಾ ಮನೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ರೋಬೋಟ್ಗಳಿಗೆ ಡ್ರಾಯರ್ನಲ್ಲಿ ಅಡಗಿರುವ ಉಪಕರಣಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಅವುಗಳ ಹಿಡಿಕೆಗಳನ್ನು ಗುರುತಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದರಿಂದ ಅವರು ಹಾನಿಯಾಗದಂತೆ ವಸ್ತುಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಗ್ರಹಿಸಬಹುದು ಮತ್ತು ಕುಶಲತೆಯಿಂದ ಮಾಡಬಹುದು.
“ನಾವು ಈ ಸಮಸ್ಯೆಯ ಬಗ್ಗೆ ಸ್ವಲ್ಪ ಸಮಯದಿಂದ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದೇವೆ, ಆದರೆ ಹಿಂದಿನ ವಿಧಾನಗಳು ಗಣಿತಶಾಸ್ತ್ರೀಯವಾಗಿ ಸೊಗಸಾಗಿದ್ದರೂ, ನಾವು ಹೋಗಬೇಕಾದ ಸ್ಥಳವನ್ನು ನಮಗೆ ತಲುಪಿಸದ ಕಾರಣ ನಾವು ಗೋಡೆಗೆ ಹೊಡೆದಿದ್ದೇವೆ. ಹೊಸ ರೀತಿಯ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಅನ್ಲಾಕ್ ಮಾಡಲು ಅರ್ಧ ಶತಮಾನಕ್ಕೂ ಹೆಚ್ಚು ಕಾಲ ಈ ಸಿಗ್ನಲ್ಗಳನ್ನು ಬಳಸಲು ನಾವು ವಿಭಿನ್ನ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕಾಗಿದೆ” ಎಂದು ಫಾಡೆಲ್ ಆದಿಬ್ ಎಲೆಕ್ಟ್ರಿಕಲ್ ಸೈನ್ಸ್ ಮತ್ತು ಗ್ರೂಪ್ ಎಲೆಕ್ಟ್ರಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ನಿರ್ದೇಶಕ ಫಾಡೆಲ್ ಹೇಳುತ್ತಾರೆ. ಎಂಐಟಿ ಮೀಡಿಯಾ ಲ್ಯಾಬ್ನಲ್ಲಿ ಮತ್ತು ಎಂಎಂನಾರ್ಮ್ನಲ್ಲಿನ ಕಾಗದದ ಪ್ರಮುಖ ಲೇಖಕ.
ಆದಿಬ್ ಅವರು ಸಂಶೋಧನಾ ಸಹಾಯಕರಾದ ಲಾರಾ ಡಾಡ್ಸ್, ಪ್ರಮುಖ ಲೇಖಕರು ಮತ್ತು ತಾರಾ ಬೊರುಶಾಕಿ ಮತ್ತು ಮಾಜಿ ಪೋಸ್ಟ್ಡಾಕ್ಟರಲ್ ಸಹವರ್ತಿ ಕೈಚೆನ್ ಝೌ ಅವರು ಕಾಗದದಲ್ಲಿ ಸೇರಿಕೊಂಡರು. ಮೊಬೈಲ್ ಸಿಸ್ಟಮ್ಸ್, ಅಪ್ಲಿಕೇಶನ್ಗಳು ಮತ್ತು ಸೇವೆಗಳ ವಾರ್ಷಿಕ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದಲ್ಲಿ ಸಂಶೋಧನೆಯನ್ನು ಇತ್ತೀಚೆಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ.
ಪ್ರತಿಫಲನಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವುದು
ಸಾಂಪ್ರದಾಯಿಕ ರೇಡಾರ್ ತಂತ್ರಗಳು mmWave ಸಂಕೇತಗಳನ್ನು ಕಳುಹಿಸುತ್ತವೆ ಮತ್ತು ಗುಪ್ತ ಅಥವಾ ದೂರದ ವಸ್ತುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಪರಿಸರದಿಂದ ಪ್ರತಿಫಲನಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತವೆ, ಈ ತಂತ್ರವನ್ನು ಬ್ಯಾಕ್-ಪ್ರೊಜೆಕ್ಷನ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
ಈ ವಿಧಾನವು ಮೋಡಗಳಿಂದ ಮರೆಮಾಡಲ್ಪಟ್ಟ ವಿಮಾನದಂತಹ ದೊಡ್ಡ ವಸ್ತುಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಆದರೆ ರೋಬೋಟ್ ಗುರುತಿಸಲು ಅಗತ್ಯವಿರುವ ಅಡಿಗೆ ಪಾತ್ರೆಗಳಂತಹ ಸಣ್ಣ ವಸ್ತುಗಳಿಗೆ ಚಿತ್ರದ ರೆಸಲ್ಯೂಶನ್ ತುಂಬಾ ಒರಟಾಗಿರುತ್ತದೆ.
ಈ ಸಮಸ್ಯೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡುವಾಗ, MIT ಸಂಶೋಧಕರು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಬ್ಯಾಕ್ಪ್ರೊಜೆಕ್ಷನ್ ತಂತ್ರಗಳು ಸ್ಪೆಕ್ಯುಲಾರಿಟಿ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಪ್ರಮುಖ ಆಸ್ತಿಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತವೆ ಎಂದು ಅರಿತುಕೊಂಡರು. ರಾಡಾರ್ ವ್ಯವಸ್ಥೆಯು ಎಂಎಂ ಅಲೆಗಳನ್ನು ರವಾನಿಸಿದಾಗ, ತರಂಗದಿಂದ ಹೊಡೆದ ಪ್ರತಿಯೊಂದು ಮೇಲ್ಮೈಯು ಕನ್ನಡಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಸ್ಪೆಕ್ಯುಲರ್ ಪ್ರತಿಫಲನಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
ಒಂದು ಮೇಲ್ಮೈ ಆಂಟೆನಾವನ್ನು ಎದುರಿಸುತ್ತಿದ್ದರೆ, ಸಿಗ್ನಲ್ ವಸ್ತುವಿನಿಂದ ಆಂಟೆನಾಕ್ಕೆ ಪ್ರತಿಫಲಿಸುತ್ತದೆ, ಆದರೆ ಮೇಲ್ಮೈ ಬೇರೆ ದಿಕ್ಕಿನಲ್ಲಿ ಎದುರಿಸುತ್ತಿದ್ದರೆ, ಪ್ರತಿಬಿಂಬವು ರಾಡಾರ್ನಿಂದ ದೂರ ಹೋಗುತ್ತದೆ ಮತ್ತು ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ.
“ಊಹಾತ್ಮಕತೆಯನ್ನು ಅವಲಂಬಿಸಿ, ಮಾಧ್ಯಮದಲ್ಲಿ ಪ್ರತಿಬಿಂಬದ ಸ್ಥಳವನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಆ ಹಂತದಲ್ಲಿ ಮೇಲ್ಮೈಯ ದಿಕ್ಕನ್ನೂ ಅಂದಾಜು ಮಾಡಲು ಪ್ರಯತ್ನಿಸುವುದು ನಮ್ಮ ಕಲ್ಪನೆಯಾಗಿದೆ” ಎಂದು ಡಾಡ್ಸ್ ಹೇಳುತ್ತಾರೆ.
ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಂತದಲ್ಲಿ ಮೇಲ್ಮೈಯ ದಿಕ್ಕಾಗಿರುವ ಮೇಲ್ಮೈ ಸಾಮಾನ್ಯ ಎಂದು ಕರೆಯಲ್ಪಡುವದನ್ನು ಅಂದಾಜು ಮಾಡಲು ಅವರು mmNorm ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು ಮತ್ತು ಆ ಹಂತದಲ್ಲಿ ಮೇಲ್ಮೈಯ ವಕ್ರತೆಯನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ಈ ಅಂದಾಜುಗಳನ್ನು ಬಳಸುತ್ತಾರೆ.
ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿ ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಮೇಲ್ಮೈ ಸಾಮಾನ್ಯ ಅಂದಾಜುಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ, mmNorm 3D ವಸ್ತುವನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ವಿಶೇಷ ಗಣಿತದ ಸೂತ್ರೀಕರಣವನ್ನು ಬಳಸುತ್ತದೆ.
ರೊಬೊಟಿಕ್ ತೋಳಿಗೆ ರಾಡಾರ್ ಅನ್ನು ಜೋಡಿಸುವ ಮೂಲಕ ಸಂಶೋಧಕರು ಎಂಎಂನಾರ್ಮ್ ಮೂಲಮಾದರಿಯನ್ನು ರಚಿಸಿದ್ದಾರೆ, ಇದು ಗುಪ್ತ ಅಂಶದ ಸುತ್ತಲೂ ಚಲಿಸುವಾಗ ನಿರಂತರವಾಗಿ ಅಳತೆಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ವಸ್ತುವಿನ ಮೇಲ್ಮೈಯ ವಕ್ರತೆಯನ್ನು ಅಂದಾಜು ಮಾಡಲು ಸಿಸ್ಟಮ್ ವಿವಿಧ ಸ್ಥಳಗಳಲ್ಲಿ ಸ್ವೀಕರಿಸುವ ಸಂಕೇತಗಳ ಬಲವನ್ನು ಹೋಲಿಸುತ್ತದೆ.
ಉದಾಹರಣೆಗೆ, ಆಂಟೆನಾವು ನೇರವಾಗಿ ಅದರ ಕಡೆಗೆ ತೋರಿಸುವ ಮೇಲ್ಮೈಯಿಂದ ಪ್ರಬಲವಾದ ಪ್ರತಿಫಲನಗಳನ್ನು ಪಡೆಯುತ್ತದೆ ಮತ್ತು ಆಂಟೆನಾವನ್ನು ನೇರವಾಗಿ ಸೂಚಿಸದ ಮೇಲ್ಮೈಗಳಿಂದ ದುರ್ಬಲ ಸಂಕೇತಗಳನ್ನು ಪಡೆಯುತ್ತದೆ.
ರಾಡಾರ್ನಲ್ಲಿನ ಬಹು ಆಂಟೆನಾಗಳು ನಿರ್ದಿಷ್ಟ ಪ್ರಮಾಣದ ಪ್ರತಿಫಲನವನ್ನು ಸ್ವೀಕರಿಸುವುದರಿಂದ, ಪ್ರತಿ ಆಂಟೆನಾ ಸ್ವೀಕರಿಸಿದ ಸಂಕೇತದ ಬಲದ ಆಧಾರದ ಮೇಲೆ ಮೇಲ್ಮೈಯ ಸಾಮಾನ್ಯ ದಿಕ್ಕನ್ನು “ಮತ” ಮಾಡುತ್ತದೆ.
“ಕೆಲವು ಆಂಟೆನಾಗಳು ಅತ್ಯಂತ ಪ್ರಬಲವಾದ ಮತವನ್ನು ಹೊಂದಿರಬಹುದು, ಕೆಲವು ದುರ್ಬಲವಾದ ಮತಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಮತ್ತು ಎಲ್ಲಾ ಆಂಟೆನಾ ಸ್ಥಳಗಳಿಂದ ಒಪ್ಪಿಗೆಯಾಗುವ ಸಾಮಾನ್ಯ ಮೇಲ್ಮೈಯನ್ನು ಉತ್ಪಾದಿಸಲು ನಾವು ಎಲ್ಲಾ ಮತಗಳನ್ನು ಒಟ್ಟಿಗೆ ಸೇರಿಸಬಹುದು” ಎಂದು ಡಾಡ್ಸ್ ಹೇಳುತ್ತಾರೆ.
ಹೆಚ್ಚುವರಿಯಾಗಿ, ಎಂಎಂನಾರ್ಮ್ ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿನ ಎಲ್ಲಾ ಬಿಂದುಗಳಿಂದ ಮೇಲ್ಮೈ ಸಾಮಾನ್ಯವನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ, ಇದು ಅನೇಕ ಸಂಭವನೀಯ ಮೇಲ್ಮೈಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಸರಿಯಾದದನ್ನು ಕೇಂದ್ರೀಕರಿಸಲು, ಸಂಶೋಧಕರು ಕಂಪ್ಯೂಟರ್ ಗ್ರಾಫಿಕ್ಸ್ನಿಂದ ತಂತ್ರಗಳನ್ನು ಎರವಲು ಪಡೆದರು, ಒಳಬರುವ ಸಂಕೇತಗಳಿಗೆ ಹೆಚ್ಚು ಪ್ರಾತಿನಿಧಿಕ ಮೇಲ್ಮೈಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವ 3D ಕಾರ್ಯವನ್ನು ರಚಿಸಿದರು. ಅಂತಿಮ 3D ಪುನರ್ನಿರ್ಮಾಣವನ್ನು ರಚಿಸಲು ಅವರು ಇದನ್ನು ಬಳಸುತ್ತಾರೆ.
ಸೂಕ್ಷ್ಮ ವಿವರಗಳು
ಮಗ್ನ ಹ್ಯಾಂಡಲ್ ಮತ್ತು ಕರ್ವ್ನಂತಹ ಸಂಕೀರ್ಣ ಆಕಾರಗಳೊಂದಿಗೆ 60 ಕ್ಕೂ ಹೆಚ್ಚು ವಸ್ತುಗಳನ್ನು ಪುನರ್ನಿರ್ಮಿಸುವ ಎಂಎಂನಾರ್ಮ್ನ ಸಾಮರ್ಥ್ಯವನ್ನು ತಂಡವು ಪರೀಕ್ಷಿಸಿತು. ಇದು ಅತ್ಯಾಧುನಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಸುಮಾರು 40 ಪ್ರತಿಶತ ಕಡಿಮೆ ದೋಷಗಳೊಂದಿಗೆ ಪುನರ್ನಿರ್ಮಾಣಗಳನ್ನು ರಚಿಸಿತು, ಆದರೆ ವಸ್ತುವಿನ ಸ್ಥಾನವನ್ನು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಅಂದಾಜು ಮಾಡುತ್ತದೆ.
ಅವರ ಹೊಸ ತಂತ್ರವು ಒಂದೇ ಪೆಟ್ಟಿಗೆಯಲ್ಲಿ ಅಡಗಿರುವ ಫೋರ್ಕ್, ಚಾಕು ಮತ್ತು ಚಮಚದಂತಹ ಅನೇಕ ವಸ್ತುಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಸಹ ಗುರುತಿಸಬಹುದು. ಮರ, ಲೋಹ, ಪ್ಲಾಸ್ಟಿಕ್, ರಬ್ಬರ್ ಮತ್ತು ಗಾಜು ಸೇರಿದಂತೆ ವಸ್ತುಗಳ ಸಂಯೋಜನೆಗಳು ಸೇರಿದಂತೆ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ವಸ್ತುಗಳಿಂದ ಮಾಡಿದ ವಸ್ತುಗಳಿಗೆ ಇದು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಆದರೆ ಲೋಹದ ಅಥವಾ ತುಂಬಾ ದಪ್ಪವಾದ ಗೋಡೆಗಳ ಹಿಂದೆ ಅಡಗಿರುವ ವಸ್ತುಗಳಿಗೆ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ.
“ನಮ್ಮ ಗುಣಾತ್ಮಕ ಫಲಿತಾಂಶಗಳು ತಾವಾಗಿಯೇ ಮಾತನಾಡುತ್ತವೆ. ಮತ್ತು ನೀವು ನೋಡುವ ಸುಧಾರಣೆಯ ಪ್ರಮಾಣವು ಹೊಸ ಕಾರ್ಯಗಳಿಗಾಗಿ ಈ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ 3D ಪುನರ್ನಿರ್ಮಾಣಗಳನ್ನು ಬಳಸುವ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸುಲಭಗೊಳಿಸುತ್ತದೆ” ಎಂದು ಬೊರೊಶಾಕಿ ಹೇಳುತ್ತಾರೆ.
ಉದಾಹರಣೆಗೆ, ರೋಬಾಟ್ ಒಂದು ಪೆಟ್ಟಿಗೆಯಲ್ಲಿನ ಬಹು ಉಪಕರಣಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾಡಬಹುದು, ಸುತ್ತಿಗೆಯ ಹ್ಯಾಂಡಲ್ನ ನಿಖರವಾದ ಆಕಾರ ಮತ್ತು ಸ್ಥಳವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ ಮತ್ತು ನಂತರ ಅದನ್ನು ಎತ್ತಿಕೊಂಡು ಅದನ್ನು ಕಾರ್ಯಕ್ಕಾಗಿ ಬಳಸಲು ಯೋಜಿಸಬಹುದು. ಒಂದು ವರ್ಧಿತ ರಿಯಾಲಿಟಿ ಹೆಡ್ಸೆಟ್ನೊಂದಿಗೆ ಎಂಎಂನಾರ್ಮ್ ಅನ್ನು ಸಹ ಬಳಸಬಹುದು, ಇದು ಕಾರ್ಖಾನೆಯ ಕೆಲಸಗಾರನಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಮರೆಮಾಡಿದ ವಸ್ತುಗಳ ನೈಜ ಚಿತ್ರಗಳನ್ನು ನೋಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ವಿಮಾನ ನಿಲ್ದಾಣದ ಭದ್ರತಾ ಸ್ಕ್ಯಾನರ್ಗಳಲ್ಲಿ ಅಥವಾ ಮಿಲಿಟರಿ ವಿಚಕ್ಷಣದ ಸಮಯದಲ್ಲಿ ಮರೆಮಾಡಲಾಗಿರುವ ವಸ್ತುಗಳ ಹೆಚ್ಚು ನಿಖರವಾದ ಪುನರ್ನಿರ್ಮಾಣಗಳನ್ನು ಉತ್ಪಾದಿಸುವ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಭದ್ರತೆ ಮತ್ತು ರಕ್ಷಣಾ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಇದನ್ನು ಸಂಯೋಜಿಸಬಹುದು.
ಭವಿಷ್ಯದ ಕೆಲಸದಲ್ಲಿ ಈ ಮತ್ತು ಇತರ ಸಂಭಾವ್ಯ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಸಂಶೋಧಕರು ಬಯಸುತ್ತಾರೆ. ಅವರು ತಮ್ಮ ತಂತ್ರದ ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಸುಧಾರಿಸಲು ಬಯಸುತ್ತಾರೆ, ಕಡಿಮೆ ಪ್ರತಿಫಲಿತ ವಸ್ತುಗಳಿಗೆ ತಮ್ಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತಾರೆ ಮತ್ತು ದಪ್ಪವಾದ ಮುಚ್ಚುವಿಕೆಗಳ ಮೂಲಕ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಚಿತ್ರಿಸಲು mmWaves ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತಾರೆ.
“ಈ ಕೆಲಸವು ನಿಜವಾಗಿಯೂ ಈ ಸಿಗ್ನಲ್ಗಳು ಮತ್ತು ಈ 3D ಪುನರ್ನಿರ್ಮಾಣ ಪ್ರಕ್ರಿಯೆಯ ಬಗ್ಗೆ ನಾವು ಹೇಗೆ ಯೋಚಿಸುತ್ತೇವೆ ಎಂಬುದರ ಒಂದು ಮಾದರಿ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ನಾವು ಇಲ್ಲಿ ಪಡೆದ ಮಾಹಿತಿಯು ಹೇಗೆ ವಿಶಾಲವಾದ ಪರಿಣಾಮವನ್ನು ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು ನಾವು ಉತ್ಸುಕರಾಗಿದ್ದೇವೆ” ಎಂದು ಡಾಡ್ಸ್ ಹೇಳುತ್ತಾರೆ.
ಈ ಕೆಲಸವನ್ನು ನ್ಯಾಷನಲ್ ಸೈನ್ಸ್ ಫೌಂಡೇಶನ್, MIT ಮೀಡಿಯಾ ಲ್ಯಾಬ್ ಮತ್ತು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಭಾಗಶಃ ಬೆಂಬಲಿಸುತ್ತದೆ.
