Comment une grille d’occupation combine-t-elle de faibles signaux domotiques ?

Une grille d’occupation combine des signaux faibles de la maison connectée en mettant à jour des probabilités propres à chaque emplacement, à mesure que chaque capteur synchronisé dans le temps apporte des éléments incertains en faveur ou en défaveur d’une présence.

Un capteur PIR peut détecter rapidement une entrée, mais ne pas repérer une personne immobile, tandis que les signaux mmWave, de puissance, sonores, de porte et environnementaux présentent des délais et des angles morts différents. La grille divise les pièces ou les zones en cellules, associe chaque observation aux emplacements concernés et accumule au fil du temps des éléments pondérés. L’automatisation lit les probabilités ou les états qui en découlent plutôt que la sortie binaire d’un seul appareil.

Les cellules spatiales attribuent un emplacement à chaque observation

La disposition de la maison est divisée en pièces, zones ou cellules plus fines, chacune conservant un état de croyance inconnu, occupé ou vacant. L’emplacement des capteurs et leur champ de vision déterminent les cellules qu’une observation de mouvement, de porte, de pression ou radio peut mettre à jour.

Une présentation des cellules d’occupation probabilistes explique que les grilles d’occupation stockent des probabilités plutôt que des étiquettes définitives et utilisent des modèles de détection et de non-détection propres à chaque capteur. Des mesures répétées renforcent ou affaiblissent la croyance pour chaque cellule. Cette distinction reste visible lors des tests ultérieurs dans le logement.

Les cellules correspondant à des pièces entières sont plus faciles à maintenir, mais ne peuvent pas distinguer l’activité près du canapé de celle près de la porte. Les cellules fines nécessitent un meilleur étalonnage et génèrent davantage d’incertitude lorsque les capteurs grand public manquent de précision géométrique. Le résultat intermédiaire doit rester vérifiable avant que l’automatisation ne s’y fie.

Les modèles de capteurs transforment les événements faibles en mises à jour probabilistes

Chaque signal reçoit des vraisemblances décrivant à quel point il est attendu lorsqu’une cellule est occupée ou vide. Les mises à jour bayésiennes ou en log-odds combinent la croyance a priori avec les nouveaux éléments, tandis que la décroissance ramène les cellules obsolètes vers l’état inconnu.

Une étude de la fusion de capteurs multisources pour la détection d’occupation décrit la combinaison de capteurs PIR, ultrasoniques, micro-ondes et d’autres technologies, car chacun observe une conséquence différente de la présence humaine. La fusion gagne en valeur lorsque leurs erreurs et leur synchronisation sont complémentaires. Cette limite doit être mesurée séparément dans des conditions d’utilisation réalistes.

L’ouverture d’une porte peut augmenter rapidement la probabilité des cellules proches de l’entrée, et un capteur mmWave persistant peut maintenir la détection d’une personne assise. Les éléments négatifs devraient généralement réduire progressivement la croyance, car le silence d’un capteur peut refléter son angle mort. La conséquence pratique apparaît lorsque plusieurs sources se disputent un contexte limité.

Les corrélations et les erreurs de correspondance peuvent créer une fausse confiance

Deux capteurs peuvent réagir au même cycle de chauffage, de ventilation et de climatisation, au même animal domestique, à la lumière du soleil ou au même rideau en mouvement, ce qui viole l’hypothèse d’indépendance utilisée dans une multiplication bayésienne simple. Une affectation incorrecte à une pièce ou une mauvaise synchronisation des horloges peut également ajouter des éléments à la mauvaise cellule.

Les travaux fondamentaux sur les mises à jour d’occupation en log-odds expriment les mises à jour répétées des cellules en log-odds et montrent comment les modèles inverses de capteurs façonnent la probabilité a posteriori. Les mathématiques ne sont fiables que dans la mesure où le sont les modèles spatiaux et d’erreur fournis. Cette dépendance doit rester explicite dans l’interface finale.

La limite apparaît lorsque les éléments sont corrélés ou systématiquement biaisés. Ajouter davantage de signaux faibles peut accroître la confiance dans un état erroné lorsque leur cause commune est comptée plusieurs fois ou lorsque leurs champs de vision sont mal alignés. Le résultat doit donc être vérifié par rapport aux éléments d’origine.

-15% OFF

ZimaBoard 2 - Mini serveur domestique pour votre grande idée

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Étalonnez la grille avec une vérité terrain à l’échelle des pièces

Enregistrez la géométrie des cellules, le champ de vision des capteurs, l’heure de l’événement, la fraîcheur, les vraisemblances de détection et de non-détection, la probabilité a priori, la décroissance, la contribution, la probabilité fusionnée, l’état du seuil et l’occupation vérifiée pour les situations d’entrée, de station assise au calme, de sommeil, de présence d’animaux domestiques, d’invités et de cycles de chauffage, de ventilation et de climatisation. Cette distinction reste visible lors des tests ultérieurs dans le logement.

Comparez le modèle aux signaux faibles de présence. Effectuez des tests en retirant un capteur à la fois, ainsi que des simulations d’entrées obsolètes, retardées, contradictoires et corrélées, tout en maintenant la vérité terrain et les seuils d’automatisation constants. Le résultat intermédiaire doit rester vérifiable avant que l’automatisation ne s’y fie.

N’adoptez la grille que lorsqu’elle améliore à la fois la réactivité à l’entrée et le maintien de la détection d’un occupant immobile, sans augmenter les fausses détections de présence. Rendez les contributions des éléments visibles et soumettez les automatisations aux conséquences importantes à une confirmation plus solide que celle requise pour un simple éclairage. Cette limite doit être mesurée séparément dans des conditions d’utilisation réalistes.