Hoe combineert een bezettingsraster zwakke signalen van een slim huis?

Eva Wong

IceWhale author

Eva Wong is de Technisch Schrijver en en vaste knutselaar bij ZimaSpace. Een levenslange geek met een passie voor homelabs en open-source software, zij is gespecialiseerd in het vertalen van complexe technische concepten naar toegankelijke, praktische handleidingen. Eva gelooft dat zelf-hosting leuk moet zijn, niet intimiderend. Met haar tutorials stelt ze de community in staat om hardware-setup te ontrafelen, van het bouwen van hun eerste NAS tot het beheersen van Docker-containers.

How Does an Occupancy Grid Combine Weak Smart Home Signals?

Een bezettingsgrid combineert zwakke signalen uit het slimme huis door locatiegebonden waarschijnlijkheden bij te werken wanneer elke tijdgesynchroniseerde sensor onzekere aanwijzingen voor of tegen aanwezigheid levert.

Een PIR-sensor kan een binnenkomst snel detecteren, maar iemand missen die stilzit, terwijl mmWave-, stroom-, geluids-, deur- en omgevingssignalen verschillende vertragingen en blinde vlekken hebben. De grid verdeelt kamers of zones in cellen, koppelt elke observatie aan de beïnvloede locaties en verzamelt gewogen bewijs in de loop van de tijd. Automatisering leest waarschijnlijkheden of toestanden die daaruit zijn afgeleid, in plaats van de binaire uitvoer van één apparaat.

Ruimtelijke cellen geven elke observatie een locatie

De indeling van het huis wordt verdeeld in kamers, zones of kleinere cellen, waarin elk een onbekende, bezette of lege toestand wordt bijgehouden. De plaatsing en het gezichtsveld van sensoren bepalen welke cellen door een bewegings-, deuropenings-, druk- of radio-observatie kunnen worden bijgewerkt.

Een overzicht van probabilistische bezettingscellen legt uit dat bezettingsgrids waarschijnlijkheden opslaan in plaats van vaste labels en sensorspecifieke raak- en misdetectiemodellen gebruiken. Herhaalde metingen versterken of verzwakken de inschatting voor afzonderlijke cellen. Dit onderscheid blijft zichtbaar tijdens latere tests in het huishouden.

Grove kamercellen zijn eenvoudiger te onderhouden, maar kunnen geen onderscheid maken tussen activiteit op de bank en bij de deuropening. Fijne cellen vereisen een betere kalibratie en zorgen voor meer onzekerheid wanneer consumentensensoren geen precieze geometrie bieden. Het tussenresultaat moet controleerbaar blijven voordat automatisering erop volgt.

Sensormodellen zetten zwakke gebeurtenissen om in waarschijnlijkheidsupdates

Elk signaal krijgt waarschijnlijkheden die beschrijven hoe aannemelijk het is wanneer een cel bezet of leeg is. Bayesiaanse updates of updates met log-odds combineren de voorafgaande inschatting met nieuw bewijs, terwijl verval verouderde cellen geleidelijk terugbrengt naar onbekend.

Een overzicht van bezettingsfusie met meerdere sensoren beschrijft het combineren van PIR-, ultrasone, microgolf- en andere modaliteiten, omdat elke modaliteit een ander gevolg van menselijke aanwezigheid waarneemt. Sensorfusie levert meerwaarde wanneer hun fouten en timing elkaar aanvullen. Die grens moet afzonderlijk worden gemeten onder realistische bedrijfsomstandigheden.

Een geopende deur kan nabijgelegen cellen bij de ingang snel waarschijnlijker bezet maken, en aanhoudende mmWave-detectie kan een zittende persoon blijven volgen. Negatief bewijs moet de inschatting doorgaans geleidelijk verlagen, omdat de stilte van één sensor het gevolg kan zijn van diens blinde vlek. De praktische consequentie wordt zichtbaar wanneer meerdere bronnen om beperkte context strijden.

Correlatie en verkeerde registratie kunnen vals vertrouwen creëren

Twee sensoren kunnen reageren op dezelfde HVAC-cyclus, hetzelfde huisdier, zonlicht of een bewegend gordijn, waardoor de onafhankelijkheid wordt geschonden die bij eenvoudige Bayesiaanse vermenigvuldiging wordt aangenomen. Een onjuiste toewijzing aan een kamer of een verkeerde klokuitlijning kan ook bewijs aan de verkeerde cel toevoegen.

Fundamenteel werk over updates van bezettingscellen met log-odds drukt herhaalde celupdates uit in log-odds en laat zien hoe inverse sensormodellen de posterior vormen. De wiskunde is slechts zo betrouwbaar als de aangeleverde ruimtelijke en foutmodellen. Deze afhankelijkheid moet expliciet blijven in de uiteindelijke interface.

De grens waar het misgaat is gecorreleerd of systematisch vertekend bewijs. Het toevoegen van meer zwakke signalen kan het vertrouwen in de verkeerde toestand vergroten wanneer hun gedeelde oorzaak herhaaldelijk wordt meegeteld of hun gezichtsvelden verkeerd zijn geregistreerd. Het resultaat moet daarom worden gecontroleerd aan de hand van het oorspronkelijke bewijs.

-15% OFF

ZimaBoard 2 - Mini-thuisserver voor jouw grote idee

Single board computer zimaboard2

Kalibreer de grid met waarheidsgegevens op kamerniveau

Leg de celgeometrie, het gezichtsveld van de sensor, het tijdstip van de gebeurtenis, actualiteit, raak- en misdetectiewaarschijnlijkheden, voorafgaande inschatting, verval, bijdrage, gefuseerde waarschijnlijkheid, drempeltoestand en geverifieerde bezetting vast voor binnenkomst, rustig zitten, slapen, huisdieren, gasten en HVAC-cycli. Dit onderscheid blijft zichtbaar tijdens latere tests in het huishouden.

Vergelijk het model met zwakke aanwezigheidssignalen. Voer tests uit waarbij telkens één sensor wordt weggelaten en simuleer verouderde, vertraagde, tegenstrijdige en gecorreleerde invoer, terwijl de waarheidsgegevens en automatiseringsdrempels ongewijzigd blijven. Het tussenresultaat moet controleerbaar blijven voordat automatisering erop volgt.

Gebruik de grid pas wanneer deze zowel de reactie op binnenkomst als het vasthouden van de detectie van rustig aanwezige personen verbetert zonder de valse aanwezigheidsdetectie te verhogen. Maak de bijdragen van het bewijs zichtbaar en houd ingrijpende automatisering achter een sterkere bevestiging dan verlichting voor het gemak vereist. Die grens moet afzonderlijk worden gemeten onder realistische bedrijfsomstandigheden.