Une fausse présence apparaît lorsqu’un capteur observe correctement son indicateur physique, mais que l’automatisation interprète cet indicateur comme une personne qui n’est pas présente.
Une lumière de couloir peut s’allumer à cause d’un flux d’air chaud, tandis qu’un téléphone qui reste connecté au Wi-Fi maintient le logement en état d’occupation après le départ de son propriétaire. Il s’agit de défaillances causales différentes, même si le tableau de bord affiche le même état. Pour établir un diagnostic fiable, il faut distinguer la physique des capteurs, les indicateurs d’identité, les problèmes de temporisation liés aux données obsolètes, la topologie des pièces et les règles de fusion avant de modifier un seuil global de sensibilité.
Les mouvements environnementaux peuvent ressembler à des mouvements humains
Les capteurs infrarouges passifs détectent des variations du rayonnement thermique, et non les personnes directement. Des rideaux chauffés par le soleil, un flux d’air provenant du système CVC traversant une limite de température, des animaux domestiques, des réflexions et des variations rapides de la température ambiante peuvent générer un signal semblable à un mouvement dans les zones couvertes par le capteur.
Une vaste étude sur les limites de la détection d’occupation par infrarouge passif souligne que les variations de température, la ventilation, les animaux domestiques, les champs de vision limités et les occupants immobiles compliquent la prédiction de l’occupation fondée sur l’infrarouge passif. La combinaison de types de capteurs indépendants peut réduire certains faux positifs, mais elle crée également de nouvelles hypothèses de temporisation.
La signature est généralement locale au capteur : un seul appareil se déclenche sans transition correspondante d’une porte, d’un radar, d’un éclairage ou de la présence d’un appareil. Comparez les valeurs brutes des capteurs et l’état environnemental au lieu de considérer chaque événement binaire de mouvement comme une preuve équivalente. Cette distinction reste visible lors des tests ultérieurs dans le logement.
Les indicateurs radio et les appareils peuvent survivre au départ de la personne
L’association Wi-Fi, les balises Bluetooth, les géorepérages GPS et les signaux périodiques des applications représentent un appareil, et non son propriétaire. Un téléphone laissé à la maison, une montre qui passe d’un point d’accès à un autre, l’état mis en cache du routeur ou des mises à jour infonuagiques retardées peuvent maintenir la présence à vrai après le déplacement de la personne.
Les recherches sur la détection multimodale de l’occupation montrent que les systèmes d’occupation combinent de nombreuses modalités de détection ayant des portées, des délais et des caractéristiques de confidentialité différents. Une règle de fusion doit donc modéliser la fraîcheur des données et l’identité, plutôt que de donner le même poids à toutes les observations.
La détection radar et la détection par canal Wi-Fi sont également confrontées à la propagation multipath : un mouvement à l’extérieur d’une pièce ou à travers un mur peut modifier l’énergie radio réfléchie. Le calibrage des zones, l’emplacement des antennes et un modèle de temps de présence déterminent si ces variations deviennent un état d’occupation.
La temporisation de la fusion peut transformer des preuves faibles en une erreur convaincante
Les moteurs de détection de présence combinent souvent les mouvements, les portes, les appareils, la consommation électrique et les variations environnementales sur une fenêtre temporelle. Si des événements obsolètes sont considérés comme simultanés, plusieurs signaux individuellement faibles peuvent franchir un seuil de confiance longtemps après la disparition de leur explication commune.
Une étude sur le contexte personnalisé du logement dans le domaine de l’automatisation domestique intelligente souligne que les comportements des occupants varient et doivent être appris à partir de données contextuelles. Cette variabilité rend les seuils universels fixes particulièrement vulnérables aux changements d’emploi du temps et à la présence d’invités.
La limite de défaillance correspond à un état caché dépourvu de vérité terrain immédiate. Réduire la sensibilité peut supprimer les faux positifs tout en augmentant les fausses absences dangereuses. Établissez le diagnostic par classe de cause et par pièce, conservez un état inconnu et évitez d’utiliser un seul score de présence à la fois pour l’éclairage de confort et les décisions de sécurité.
Réalisez un test de présence par isolement des causes
Enregistrez les signaux bruts lors d’essais scénarisés dans une pièce vide puis occupée, en incluant les cycles du système CVC, la lumière du soleil, les animaux domestiques, les téléphones laissés sur place, les visiteurs, les mouvements lents, le sommeil et les passages entre pièces adjacentes. Synchronisez les horloges et consignez indépendamment la vérité terrain. Le résultat intermédiaire doit rester consultable avant que l’automatisation n’agisse.
Appliquez le principe multi-signal décrit dans la fusion multi-signal de présence, puis désactivez une famille de capteurs ou raccourcissez une fenêtre de fraîcheur à la fois. Mesurez, par pièce et par cause, la durée des fausses présences, la durée des fausses absences, le délai de transition, la durée de l’état inconnu et l’impact sur l’automatisation.
Ne modifiez que la couche dont la signature correspond à l’erreur. Si un téléphone obsolète provoque l’occupation, la sensibilité de l’infrarouge passif n’a aucune importance ; si un flux d’air chaud déclenche un capteur du couloir, réécrire la fusion de l’ensemble du logement risque de masquer le problème physique local.
Centre Tech & IA
Plus à lire

Quels facteurs déterminent la durée de conservation utile des événements de domotique ?
Découvrez comment les exigences opérationnelles, saisonnières, d’audit, de confidentialité et de stockage déterminent différentes durées de conservation pour les événements domotiques.

Quels composants permettent l’analyse à long terme des capteurs de maison intelligente ?
Découvrez comment les schémas, les horloges, la gestion des données tardives, le stockage des séries temporelles, les agrégations, l’étalonnage et la traçabilité permettent de...

Quelles fonctionnalités permettent un apprentissage des habitudes respectueux de la vie privée à domicile ?
Découvrez comment le traitement local, la minimisation des données, le consentement, les routines modifiables, les limites de conservation et l’apprentissage respectueux de la vie...

