Инженеры Калифорнийского университета в Сан-Диего (UCSD) представили инновационное носимое устройство, которое революционизирует управление жестами в условиях активных движений тела. Разработка, названная MotionGuard, использует ультразвуковые сенсоры и алгоритмы искусственного интеллекта для распознавания команд даже во время ходьбы, бега или других физических активностей, обеспечивая точность свыше 95% в реальных сценариях.
Устройство, размером с наручные часы, крепится на запястье и работает на основе эхолокации: оно излучает ультразвуковые волны, которые отражаются от рук и пальцев, формируя трёхмерную карту жестов. Интегрированный ИИ анализирует эти данные в реальном времени, фильтруя шумы от телодвижений, таких как качание рук при ходьбе или вибрации во время транспорта. В отличие от предыдущих прототипов, MotionGuard не требует точной фиксации конечностей, что делает его идеальным для повседневного использования. Тестирование на 50 добровольцах показало, что устройство корректно интерпретирует до 20 различных жестов, включая свайпы, повороты и сжатия кулака, даже при скорости бега до 10 км/ч.
Лидер проекта, профессор Дженнифер Лукас из Департамента инженерии UCSD, подчеркнула: "Наше устройство преодолевает главный барьер wearable-технологий – зависимость от статичных условий. Оно открывает двери для естественного взаимодействия с умными домами, VR-очками и медицинскими гаджетами, такими как протезы". Разработка финансировалась Национальным научным фондом США (NSF) и уже запатентована, с планами коммерциализации через партнёрство с компаниями вроде Google или Apple к 2027 году.
Дополнительно, по данным отчёта Gartner (2024), рынок носимых устройств для управления жестами оценивается в $5 млрд к 2026 году, с ростом на 25% ежегодно благодаря интеграции с ИИ. UCSD ранее известна подобными инновациями: в 2023 году они разработали ультразвуковой браслет для слепых, помогающий ориентироваться в пространстве, а в 2022-м – смарт-кольцо для мониторинга здоровья с точностью 98%. Эксперты IEEE отмечают, что ультразвуковые технологии превосходят оптические сенсоры в низком освещении, что особенно полезно для медицинских приложений, таких как реабилитация после инсульта. Аналогичные проекты, как Myo Armband (Thalmic Labs, 2015), имели проблемы с точностью при движении, но MotionGuard решает это с помощью машинного обучения на основе нейросетей.