Jak mapa zajętości łączy słabe sygnały inteligentnego domu?

Eva Wong

IceWhale author

Eva Wong jest Technicznym pisarzem i stałym majsterkowiczem w ZimaSpace. Całe życie geek z pasją do homelabów i oprogramowania open-source, specjalizuje się w tłumaczeniu skomplikowanych koncepcji technicznych na przystępne, praktyczne przewodniki. Eva wierzy, że samodzielne hostowanie powinno być zabawą, a nie czymś onieśmielającym. Poprzez swoje samouczki umożliwia społeczności rozwiewanie tajemnic konfiguracji sprzętu, od budowy pierwszego NAS po opanowanie kontenerów Docker.

How Does an Occupancy Grid Combine Weak Smart Home Signals?

Siatka obecności łączy słabe sygnały inteligentnego domu, aktualizując prawdopodobieństwa zależne od lokalizacji, gdy każdy zsynchronizowany czasowo czujnik dostarcza niepewne dowody na obecność lub jej brak.

Czujnik PIR może szybko wykryć wejście, ale nie zauważyć osoby siedzącej bez ruchu, podczas gdy sygnały mmWave, poboru energii, dźwięku, drzwi i warunków środowiskowych mają różne opóźnienia oraz martwe strefy. Siatka dzieli pomieszczenia lub strefy na komórki, przypisuje każdą obserwację do objętych nią lokalizacji i gromadzi ważone dowody w czasie. Automatyzacja odczytuje prawdopodobieństwa lub stany wyprowadzone z tych danych, a nie binarny wynik jednego urządzenia.

Komórki przestrzenne przypisują każdej obserwacji lokalizację

Układ domu dzieli się na pomieszczenia, strefy lub mniejsze komórki, z których każda przechowuje informację o stanie nieznanym, zajętym lub pustym. Umiejscowienie czujnika i jego pole widzenia określają, które komórki może aktualizować obserwacja ruchu, przejścia, nacisku lub sygnału radiowego.

Przegląd probabilistycznych komórek zajętości wyjaśnia, że siatki zajętości przechowują prawdopodobieństwa zamiast sztywnych etykiet i wykorzystują modele trafień oraz pominięć właściwe dla poszczególnych czujników. Powtarzające się pomiary wzmacniają lub osłabiają przekonanie dotyczące konkretnych komórek. To rozróżnienie pozostaje widoczne podczas późniejszych testów w domu.

Komórki obejmujące całe pomieszczenia są łatwiejsze w utrzymaniu, ale nie pozwalają odróżnić aktywności na sofie od aktywności przy drzwiach. Drobniejsze komórki wymagają lepszej kalibracji i powodują większą niepewność, gdy konsumenckie czujniki nie zapewniają precyzyjnej geometrii. Wynik pośredni musi pozostać możliwy do sprawdzenia, zanim automatyzacja zacznie na nim polegać.

Modele czujników zamieniają słabe zdarzenia na aktualizacje prawdopodobieństwa

Każdy sygnał otrzymuje wartości wiarygodności opisujące, jak bardzo jest oczekiwany, gdy komórka jest zajęta lub pusta. Aktualizacje bayesowskie lub w logarytmie szans łączą wcześniejsze przekonanie z nowymi dowodami, a wygaszanie przywraca nieaktualne komórki do stanu nieznanego.

Przegląd fuzji danych wielu czujników obecności opisuje łączenie czujników PIR, ultradźwiękowych, mikrofalowych i innych, ponieważ każdy z nich obserwuje inny skutek obecności człowieka. Fuzja przynosi korzyści, gdy ich błędy i charakterystyki czasowe wzajemnie się uzupełniają. Tę granicę należy mierzyć osobno w realistycznych warunkach pracy.

Otwarcie drzwi może szybko zwiększyć prawdopodobieństwo zajętości pobliskich komórek wejściowych, a stały sygnał mmWave może podtrzymywać wykrycie siedzącej osoby. Dowody negatywne powinny zazwyczaj stopniowo zmniejszać przekonanie, ponieważ cisza jednego czujnika może wynikać z jego martwej strefy. Praktyczne znaczenie staje się widoczne, gdy kilka źródeł konkuruje o ograniczony kontekst.

Korelacja i błędna rejestracja mogą tworzyć fałszywą pewność

Dwa czujniki mogą reagować na ten sam cykl pracy HVAC, zwierzę, światło słoneczne lub poruszającą się zasłonę, naruszając założenie niezależności przyjmowane w prostym mnożeniu bayesowskim. Nieprawidłowe przypisanie do pomieszczenia lub synchronizacja zegarów również mogą dodać dowody do niewłaściwej komórki.

Podstawowa praca dotycząca aktualizacji zajętości w logarytmie szans przedstawia powtarzające się aktualizacje komórek w logarytmie szans i pokazuje, jak odwrotne modele czujników kształtują rozkład a posteriori. Matematyka pozostaje wiarygodna tylko w takim stopniu, w jakim wiarygodne są dostarczone modele przestrzenne i modele błędów. Ta zależność powinna pozostać wyraźnie widoczna w interfejsie końcowym.

Granica niepowodzenia pojawia się przy skorelowanych lub systematycznie obciążonych dowodach. Dodanie większej liczby słabych sygnałów może zwiększyć pewność niewłaściwego stanu, gdy ich wspólna przyczyna jest liczona wielokrotnie lub gdy ich pola widzenia są błędnie zarejestrowane. Wynik należy zatem sprawdzać względem pierwotnych dowodów.

-15% OFF

ZimaBoard 2 – Mini serwer domowy dla Twojego wielkiego pomysłu

Single board computer zimaboard2

Kalibruj siatkę za pomocą prawdy referencyjnej na poziomie pomieszczeń

Zapisuj geometrię komórek, pole widzenia czujników, czas zdarzenia, aktualność danych, prawdopodobieństwa trafień i pominięć, wartość wcześniejszą, wygaszanie, udział, połączone prawdopodobieństwo, stan progowy oraz zweryfikowaną obecność podczas wejścia, spokojnego siedzenia, snu, obecności zwierząt, gości i cykli HVAC. To rozróżnienie pozostaje widoczne podczas późniejszych testów w domu.

Porównuj model z słabymi sygnałami obecności. Wykonuj testy z pominięciem kolejnych czujników oraz symuluj nieaktualne, opóźnione, sprzeczne i skorelowane dane wejściowe, utrzymując niezmienione dane referencyjne i progi automatyzacji. Wynik pośredni musi pozostać możliwy do sprawdzenia, zanim automatyzacja zacznie na nim polegać.

Stosuj siatkę tylko wtedy, gdy poprawia zarówno reakcję na wejście, jak i utrzymanie wykrycia spokojnie przebywającej osoby, nie zwiększając liczby fałszywych wykryć obecności. Ujawniaj wkład poszczególnych dowodów i utrzymuj automatyzację o istotnych skutkach za silniejszym potwierdzeniem niż automatyzację oświetlenia dla wygody. Tę granicę należy mierzyć osobno w realistycznych warunkach pracy.