Wie funktioniert die präsenzbasierte Erkennung ohne Smartphone in einem lokalen Smart Home?
Die telefonfreie Anwesenheitserkennung funktioniert, indem sie die Belegung anhand physischer Umgebungssignale wie Bewegung, Radarechos, Veränderungen im Funkkanal, Türen, Druck, Stromverbrauch oder Kombinationen dieser Sensoren ableitet.
Damit wird ein anderes Problem gelöst als mit dem GPS eines Telefons. Das System kann beantworten: „Ist jemand hier?“ oder manchmal auch: „Welcher Raum ist belegt?“, ohne dass die Person ein erfasstes Gerät mitführen muss. In der Regel kann es jedoch nicht nachweisen, um wen es sich handelt. Die Zuverlässigkeit hängt von der Sensorplatzierung, der Bewegungslosigkeit, Haustieren, Störungen und den Fusionsregeln ab, mit denen verrauschte Beobachtungen in einen Belegungsstatus umgewandelt werden.
Verschiedene Sensoren erfassen unterschiedliche physische Hinweise auf Anwesenheit
PIR-Sensoren reagieren hauptsächlich auf sich verändernde Infrarotmuster beweglicher warmer Körper. mmWave-/FMCW-Radar kann deutlich kleinere Bewegungen und manchmal sogar Bewegungen im Atembereich erkennen. WLAN-Sensorik misst Veränderungen in der Funkausbreitung, die durch Personen verursacht werden, die sich durch die Umgebung bewegen. Tür- und Drucksensoren liefern Zustandsänderungen statt kontinuierlicher Hinweise auf Anwesenheit.
Ein FMCW-mmWave-Radardatensatz aus der Praxis wurde speziell für die datenschutzfreundliche Erkennung menschlicher Handlungen in Anwendungsbereichen wie der Heimautomatisierung erstellt. Er zeigt, warum Radar ein eigenständiges Anwesenheitssignal ist: Der Sensor erfasst reflektierte Funkenergie, ohne dass die Person ein Telefon mitführen oder von einer Kamera mit sichtbarem Licht erfasst werden muss.
Keine einzelne Technologie ist für jeden Raum optimal. PIR kann eine still sitzende Person übersehen. Radar kann je nach Konfiguration durch dünne Wände reagieren oder auf Ventilatoren und bewegte Vorhänge ansprechen. Die WLAN-Sensorik verändert sich durch die Geräteplatzierung und die HF-Bedingungen. Die Anwesenheitserkennung wird zuverlässiger, wenn das System die Schwachstellen jedes Sensors berücksichtigt, statt einfach nur weitere Sensoren hinzuzufügen.
WLAN-Sensorik kann vorhandene Funkwege in Belegungssignale umwandeln
WLAN-Kanalmessungen verändern sich, wenn Personen die Mehrwegeausbreitung zwischen Funkgeräten stören. Ein lokales Modell kann diese Veränderungen klassifizieren, ohne dass die Person das mit dem Netzwerk verbundene Telefon mitführen muss. Dadurch eignet sich die Infrastruktur-Sensorik für die großflächige Überwachung von Räumen oder Wohnungen.
Eine umfangreiche WLAN-Sensorikstudie aus der Praxis, überarbeitet im August 2026, berichtet über WLAN-Sensorik in der Praxis in 15 Wohnungen und mit Millionen eingesetzter Geräte. Als praktische Herausforderungen nennt sie Haustiere, unterschiedliche Hardware, Störungen durch mehrere Nutzer und begrenzte Ressourcen am Rand des Netzwerks. Die gemeldete Genauigkeit von 92,61 % bei der Erkennung menschlicher Bewegungen zeigt die Machbarkeit, macht aber auch deutlich, warum echte Wohnumgebungen schwieriger sind als kontrollierte Labordaten.
Der zugehörige ZimaSpace-Artikel über Verwechslungen bei der Identität durch Anwesenheitsmodelle behandelt diese Identitätsgrenze. Eine Funkstörung kann ein starkes Indiz dafür sein, dass ein Mensch anwesend ist, sagt der Automatisierung jedoch nicht, ob es sich um den Eigentümer, ein Kind oder einen Gast handelt.
Die Sensordatenfusion verwandelt kurze Erkennungen in einen stabilen Belegungsstatus
Eine leistungsfähige Anwesenheitserkennung trennt in der Regel unmittelbare Hinweise von der zeitlichen Beständigkeit der Belegung. Das Öffnen einer Tür kann die Wahrscheinlichkeit erhöhen, dass jemand eingetreten ist. PIR kann Bewegung bestätigen. Radar kann den Raum auch während einer Phase der Bewegungslosigkeit als belegt erkennen. Eine längere Zeit ohne Hinweise zusammen mit einem Ausgangsereignis kann den Status zurücksetzen. Die Fusionsebene verhindert, dass ein einziges fehlendes Einzelbild das Haus sofort auf „abwesend“ schaltet.
Das STAR-Framework für Edge-KI demonstriert die lokale Klassifizierung der Anwesenheit durch die Verarbeitung von WLAN-CSI am Rand des Netzwerks und berichtet in seinem Versuchsaufbau eine hohe Erkennungsgenauigkeit mit einem kompakten Modell. Das wichtige architektonische Signal ist nicht die herausgestellte Prozentzahl, sondern die Tatsache, dass Rauschunterdrückung, zeitliche Merkmale und lokale Inferenz Teil der Sensorik-Pipeline sind und keine optionalen Schritte nach der Erkennung.
Die Fusion sollte nachvollziehbar bleiben. Erfassen Sie, welche Sensoren zu einer Zustandsänderung beigetragen haben und wie lange das System wartet, bevor es Abwesenheit feststellt. Wenn ein Raum belegt bleibt, weil ein Radarkanal nie zurückgesetzt wird, sollte der Eigentümer diese Ursache sehen können, statt eine undurchsichtige Kennzeichnung wie „KI-Anwesenheit“ zu debuggen.
Die Zuverlässigkeit hängt davon ab, welche Entscheidung der Anwesenheitsstatus steuert
Beleuchtung kann gelegentliche Fehlmeldungen zur Anwesenheit besser verkraften als ein Alarm, ein Schloss oder ein sicherheitsrelevantes Belegungssystem. Legen Sie die Akzeptanzschwellen je nach Konsequenz fest: Raumbeleuchtung kann eine schnelle lokale Inferenz verwenden, während eine Sicherheitsaktion wie „Alle haben das Haus verlassen“ mehrere unabhängige Signale und ein längeres Bestätigungsfenster erfordern kann.
Eine Studie in Scientific Reports zur kontaktlosen Anwesenheitserkennung per WLAN verwendet Kanalzustandsinformationen, Vorverarbeitung, Merkmalsextraktion und Klassifizierung, um Zustände menschlicher Anwesenheit zu unterscheiden. Die gemeldeten Ergebnisse stammen aus den jeweiligen Versuchsbedingungen. Der Mechanismus unterstreicht jedoch den praktischen Punkt: Auch die telefonfreie Anwesenheitserkennung hängt vom Raum und von der Funkumgebung ab, nicht von einer auf einem Mobiltelefon getragenen Identität.
Testen Sie die telefonfreie Anwesenheitserkennung mit still sitzenden Bewohnern, Gästen ohne registrierte Geräte, Haustieren, Türen, die ohne Eintritt geöffnet werden, Ventilatoren, nächtlichen Bedingungen und mehreren gleichzeitig anwesenden Personen. Bezeichnen Sie sie nur für jene Automatisierungen als zuverlässig, bei denen die Raten für Fehlalarme und übersehene Ereignisse akzeptabel bleiben. Identitätsabhängige Aktionen sollten auf einem separaten Identitätssignal basieren, anstatt eine anonyme Belegung in „die richtige Person ist zu Hause“ umzudeuten.
Empfohlene Produkte
Tech- & KI-Zentrum
Mehr zum Lesen
Wie beeinflusst das Downsampling von Zeitreihen die Anomalieerkennung im Smart Home?
Sehen Sie, wie Bucket-Breite, Aggregation, Anti-Aliasing, fehlende Daten, Ereignisdauer und Aufbewahrung über mehrere Skalen die Erkennungsrate von Anomalien im Smart Home verändern.
Wie kombiniert ein Belegungsraster schwache Smart-Home-Signale?
Erfahren Sie, wie räumliche Zellen, Sensormodelle, Log-Odds-Aktualisierungen, Zerfall, korrelierte Evidenz und Schwellenwerte schwache Signale aus dem Zuhause in Belegungsschätzungen umwandeln.
Wie beeinflusst die photometrische Normalisierung das private Clustering von Gesichtern?
Sehen Sie, wie die Beleuchtungskorrektur Gesichtsausschnitte, Einbettungen, Clusterabstände, Schwellenwerte, Übernormalisierung und die Bewertung der privaten Fotosuche verändert.
