Hoe werkt aanwezigheidsdetectie zonder telefoon in een lokaal slim huis?
Telefoonvrije aanwezigheidsdetectie werkt door aanwezigheid af te leiden uit fysieke omgevingssignalen, zoals beweging, radarreflecties, veranderingen in draadloze kanalen, deuren, druk, energieverbruik of combinaties van deze sensoren.
Dit lost een ander probleem op dan gps op een telefoon. Het kan antwoord geven op de vraag “is hier iemand?” of soms “welke kamer wordt gebruikt?” zonder dat de persoon een gevolgd apparaat bij zich hoeft te dragen. Meestal kan het niet bewijzen wie die persoon is, en de betrouwbaarheid hangt af van de plaatsing van de sensoren, stilzitten, huisdieren, interferentie en de fusieregels waarmee ruisende waarnemingen worden omgezet in een aanwezigheidsstatus.
Verschillende sensoren nemen verschillend fysiek bewijs van aanwezigheid waar
PIR reageert voornamelijk op veranderende infraroodpatronen van bewegende warme lichamen; mmWave/FMCW-radar kan veel kleinere bewegingen en soms bewegingen op ademhalingsniveau detecteren; Wi-Fi-sensing meet veranderingen in radiopropagatie die worden veroorzaakt doordat mensen zich door de omgeving bewegen. Deur- en druksensoren voegen statusovergangen toe in plaats van continu bewijs van aanwezigheid.
Een FMCW-mmWave-radardataset uit de praktijk is specifiek ontwikkeld voor privacyvriendelijke detectie van menselijke handelingen in onder meer domoticaomgevingen. De dataset laat zien waarom radar een afzonderlijk aanwezigheidsignaal vormt: de sensor neemt gereflecteerde radio-energie waar, zonder dat de persoon een telefoon hoeft mee te dragen of door een camera met zichtbaar licht hoeft te worden gefilmd.
Geen enkele modaliteit werkt optimaal in elke kamer. PIR kan iemand missen die stilzit; radar kan, afhankelijk van de configuratie, door dunne scheidingswanden heen reageren of reageren op ventilatoren en bewegende gordijnen; Wi-Fi-sensing verandert door de plaatsing van apparaten en RF-omstandigheden. Aanwezigheid wordt betrouwbaarder wanneer het systeem de blinde vlekken van elke sensor begrijpt, in plaats van simpelweg meer sensoren toe te voegen.
Wi-Fi-sensing kan bestaande radiopaden omzetten in signalen voor bezettingsdetectie
Wi-Fi-kanaalmetingen veranderen wanneer mensen de multipad-propagatie tussen radio's verstoren. Een lokaal model kan deze veranderingen classificeren zonder dat de persoon de telefoon hoeft mee te dragen die aan het netwerk is gekoppeld. Daardoor is infrastructuursensing aantrekkelijk voor brede monitoring van kamers of woningen.
Een grootschalig Wi-Fi-sensingonderzoek uit de praktijk, herzien in augustus 2026, rapporteert Wi-Fi-sensing in de praktijk in 15 woningen en op miljoenen ingezette apparaten. Het identificeert huisdieren, hardwareheterogeniteit, interferentie tussen meerdere gebruikers en beperkte edge-resources als praktische uitdagingen. De gerapporteerde nauwkeurigheid van 92,61% voor menselijke beweging toont aan dat de aanpak haalbaar is, maar ook waarom echte woningen moeilijker zijn dan gecontroleerde laboratoriumgegevens.
Het verwante ZimaSpace-artikel over verwarring tussen identiteiten in aanwezigheidsmodellen behandelt de grens rond identiteit. Een radiostoring kan sterk bewijs zijn dat er een mens aanwezig is, zonder dat de automatisering kan bepalen of die persoon de bewoner, een kind of een gast is.
Sensorfusie zet korte detecties om in een stabiele bezettingsstatus
Een bruikbare aanwezigheidsengine maakt doorgaans onderscheid tussen direct bewijs en blijvende bezetting. Het openen van een deur kan de waarschijnlijkheid vergroten dat iemand is binnengekomen; PIR kan beweging bevestigen; radar kan de kamer als bezet blijven beschouwen wanneer iemand stilzit; langdurige afwezigheid van signalen in combinatie met een vertreksignaal kan de status wissen. De fusielaag voorkomt dat één gemist frame het huis direct op “afwezig” zet.
Het STAR-edge-AI-framework demonstreert edgeclassificatie van aanwezigheid met lokale verwerking van Wi-Fi-CSI en rapporteert een hoge aanwezigheidsnauwkeurigheid op de experimentele opstelling met een compact model. Het belangrijkste architectuursignaal is niet het opvallende percentage, maar dat ruisonderdrukking, temporele kenmerken en lokale inferentie deel uitmaken van de sensing-pijplijn en geen optionele stappen na de detectie zijn.
De fusie moet inzichtelijk blijven. Leg vast welke sensoren aan een statusovergang hebben bijgedragen en hoe lang het systeem wacht voordat het afwezigheid verklaart. Als een kamer bezet blijft omdat één radarkanaal nooit wordt gewist, moet de eigenaar die oorzaak kunnen zien in plaats van een ondoorzichtig label als “AI-aanwezigheid” te moeten debuggen.
Betrouwbaarheid hangt af van de beslissing die de aanwezigheidsstatus aanstuurt
Verlichting kan af en toe een valse aanwezigheidsdetectie beter verdragen dan een alarm, slot of veiligheidsysteem dat op bezetting is gebaseerd. Definieer afzonderlijke acceptatiedrempels op basis van de gevolgen: kamerverlichting kan gebruikmaken van snelle lokale inferentie, terwijl een beveiligingsactie als “iedereen is vertrokken” meerdere onafhankelijke signalen en een langere bevestigingsperiode kan vereisen.
Een onderzoek in Scientific Reports naar contactloze aanwezigheidsdetectie via Wi-Fi gebruikt channel-state-informatie, voorbewerking, kenmerkextractie en classificatie om toestanden van menselijke aanwezigheid van elkaar te onderscheiden. De gerapporteerde resultaten komen voort uit de eigen experimentele omstandigheden, maar het mechanisme onderstreept een praktisch punt: telefoonvrije aanwezigheidsdetectie blijft afhankelijk van de kamer en de radio-omgeving, niet van een identiteit die door een handset wordt meegedragen.
Test telefoonvrije aanwezigheidsdetectie met bewoners die stilzitten, gasten zonder geregistreerde apparaten, huisdieren, deuren die opengaan zonder dat iemand binnenkomt, ventilatoren, nachtelijke omstandigheden en meerdere aanwezigen tegelijk. Noem het alleen betrouwbaar voor automatiseringen waarbij de percentages valse positieven en valse negatieven aanvaardbaar blijven. Houd identiteitsafhankelijke acties gekoppeld aan een afzonderlijk identiteitssignaal in plaats van anonieme bezetting op te waarderen tot “de juiste persoon is thuis”.
Aanbevolen producten
Tech & AI HUB
Meer om te lezen
Welke invloed heeft downsampling van tijdreeksen op anomaliedetectie in een slimme woning?
Ontdek hoe bucketbreedte, aggregatie, anti-aliasing, ontbrekende gegevens, gebeurtenisduur en retentie op meerdere schalen de detectie van afwijkingen in slimme woningen beïnvloeden.
Hoe combineert een bezettingsraster zwakke signalen van een slim huis?
Leer hoe ruimtelijke cellen, sensormodellen, log-odds-updates, verval, gecorreleerd bewijs en drempelwaarden zwakke signalen uit huis omzetten in bezettingsschattingen.
Hoe beïnvloedt fotometrische normalisatie het clusteren van privégezichten?
Bekijk hoe verlichtingscorrectie gezichtscrops, embeddings, clust afstanden, drempelwaarden, overnormalisatie en de evaluatie van privéfotozoekopdrachten verandert.
