Wie kombiniert ein Belegungsraster schwache Smart-Home-Signale?

Ein Belegungsraster kombiniert schwache Smart-Home-Signale, indem es ortsspezifische Wahrscheinlichkeiten aktualisiert, sobald jeder zeitlich ausgerichtete Sensor unsichere Hinweise für oder gegen eine Anwesenheit liefert.

Ein PIR-Sensor erkennt das Betreten möglicherweise schnell, übersieht jedoch eine still sitzende Person, während mmWave-, Strom-, Ton-, Tür- und Umgebungssignale unterschiedliche Verzögerungen und blinde Flecken aufweisen. Das Raster teilt Räume oder Zonen in Zellen auf, ordnet jede Beobachtung den betroffenen Orten zu und sammelt gewichtete Hinweise über die Zeit. Automatisierungen lesen daraus abgeleitete Wahrscheinlichkeiten oder Zustände statt der binären Ausgabe eines einzelnen Geräts.

Räumliche Zellen geben jeder Beobachtung einen Ort

Der Wohnbereich wird in Räume, Zonen oder feinere Zellen aufgeteilt, die jeweils eine unbekannte, belegte oder unbelegte Einschätzung speichern. Die Platzierung des Sensors und sein Sichtfeld bestimmen, welche Zellen durch eine Bewegungs-, Tür-, Druck- oder Funkbeobachtung aktualisiert werden können.

Eine Übersicht über probabilistische Belegungszellen erklärt, dass Belegungsraster Wahrscheinlichkeiten statt fester Kennzeichnungen speichern und sensorspezifische Treffer- und Fehlmodelle verwenden. Wiederholte Messungen stärken oder schwächen die Einschätzung einzelner Zellen. Dieser Unterschied bleibt bei späteren Tests im Haushalt sichtbar.

Grobe Raumzellen sind einfacher zu pflegen, können jedoch nicht zwischen Sofa- und Türaktivität unterscheiden. Feine Zellen erfordern eine bessere Kalibrierung und erzeugen mehr Unsicherheit, wenn Verbrauchersensoren keine präzise Geometrie liefern. Das Zwischenergebnis muss überprüfbar bleiben, bevor eine Automatisierung darauf reagiert.

Sensormodelle wandeln schwache Ereignisse in Wahrscheinlichkeitsaktualisierungen um

Jedes Signal erhält Wahrscheinlichkeiten, die beschreiben, wie erwartbar es ist, wenn eine Zelle belegt oder leer ist. Bayessche Aktualisierungen oder Aktualisierungen in Log-Odds kombinieren die vorherige Einschätzung mit neuen Hinweisen, während ein Zerfall veraltete Zellen wieder in Richtung unbekannt verschiebt.

Eine Untersuchung zur Fusion von Belegungssensoren beschreibt die Kombination von PIR-, Ultraschall-, Mikrowellen- und anderen Modalitäten, da jede eine andere Folge menschlicher Anwesenheit beobachtet. Die Fusion gewinnt an Wert, wenn sich ihre Fehler und Zeitverläufe ergänzen. Diese Grenze sollte unter realistischen Betriebsbedingungen separat gemessen werden.

Das Öffnen einer Tür kann die Zellen im Eingangsbereich schnell aufwerten, während persistentes mmWave eine sitzende Person weiter erkennen kann. Negative Hinweise sollten die Einschätzung normalerweise nur allmählich senken, da das Ausbleiben eines Signals bei einem Sensor auf dessen blinden Fleck zurückzuführen sein kann. Die praktische Folge zeigt sich, wenn mehrere Quellen um den begrenzten Kontext konkurrieren.

Korrelation und Fehlregistrierung können falsche Sicherheit erzeugen

Zwei Sensoren können auf denselben HVAC-Zyklus, ein Haustier, Sonnenlicht oder einen bewegten Vorhang reagieren und damit die bei einer einfachen Bayesschen Multiplikation angenommene Unabhängigkeit verletzen. Eine falsche Raumzuordnung oder zeitliche Fehlanpassung kann ebenfalls Hinweise der falschen Zelle hinzufügen.

Grundlegende Arbeiten zu Belegungsaktualisierungen in Log-Odds stellen wiederholte Zellaktualisierungen in Log-Odds dar und zeigen, wie inverse Sensormodelle die Posterior-Wahrscheinlichkeit formen. Die Mathematik bleibt nur so zuverlässig wie die bereitgestellten Raum- und Fehlermodelle. Diese Abhängigkeit sollte in der finalen Benutzeroberfläche ausdrücklich sichtbar bleiben.

Die Fehlergrenze liegt bei korrelierten oder systematisch verzerrten Hinweisen. Das Hinzufügen weiterer schwacher Signale kann die Sicherheit für den falschen Zustand erhöhen, wenn ihre gemeinsame Ursache mehrfach gezählt wird oder ihre Sichtfelder falsch registriert sind. Das Ergebnis muss daher mit den ursprünglichen Hinweisen abgeglichen werden.

-15% OFF

ZimaBoard 2 – Mini-Heimserver für Ihre große Idee

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Das Raster mit Wahrheitsdaten auf Raumebene kalibrieren

Erfassen Sie Zellgeometrie, Sichtfeld des Sensors, Ereigniszeit, Aktualität, Treffer- und Fehlwahrscheinlichkeiten, vorherige Einschätzung, Zerfall, Beitrag, fusionierte Wahrscheinlichkeit, Schwellenwertzustand und verifizierte Belegung für das Betreten, ruhiges Sitzen, Schlafen, Haustiere, Gäste und HVAC-Zyklen. Dieser Unterschied bleibt bei späteren Tests im Haushalt sichtbar.

Vergleichen Sie das Modell mit schwachen Anwesenheitssignalen. Führen Sie Tests ohne jeweils einen Sensor sowie Simulationen veralteter, verzögerter, widersprüchlicher und korrelierter Eingaben durch, während Wahrheitsdaten und Automatisierungsschwellenwerte unverändert bleiben. Das Zwischenergebnis muss überprüfbar bleiben, bevor eine Automatisierung darauf reagiert.

Übernehmen Sie das Raster nur, wenn es sowohl die Reaktion beim Betreten als auch die Erkennung ruhender Personen verbessert, ohne die Zahl falscher Anwesenheitserkennungen zu erhöhen. Machen Sie die Beiträge der einzelnen Hinweise sichtbar und stellen Sie folgenreiche Automatisierungen hinter eine stärkere Bestätigung als bei einer komfortablen Beleuchtungssteuerung. Diese Grenze sollte unter realistischen Betriebsbedingungen separat gemessen werden.