Como é que uma grelha de ocupação combina sinais fracos de uma casa inteligente?

Uma grelha de ocupação combina sinais fracos de uma casa inteligente, atualizando probabilidades específicas de cada localização à medida que cada sensor, alinhado temporalmente, contribui com evidências incertas a favor ou contra a presença.

Um sensor PIR pode detetar rapidamente uma entrada, mas não detetar alguém sentado sem se mexer, enquanto os sinais de ondas milimétricas, energia, som, portas e ambiente têm atrasos e pontos cegos diferentes. A grelha divide as divisões ou zonas em células, associa cada observação às localizações afetadas e acumula evidências ponderadas ao longo do tempo. A automação lê probabilidades ou estados delas derivados, em vez da saída binária de um único dispositivo.

As células espaciais atribuem uma localização a cada observação

A disposição da casa é dividida em divisões, zonas ou células mais pequenas, cada uma armazenando uma crença desconhecida, ocupada ou desocupada. A colocação dos sensores e o campo de visão determinam quais as células que uma observação de movimento, porta, pressão ou rádio pode atualizar.

Uma visão geral das células de ocupação probabilística explica que as grelhas de ocupação armazenam probabilidades em vez de rótulos rígidos e utilizam modelos de deteção e não deteção específicos de cada sensor. Medições repetidas reforçam ou enfraquecem a crença em células individuais. Esta distinção continua visível durante os testes domésticos posteriores.

As células correspondentes a divisões inteiras são mais fáceis de manter, mas não conseguem distinguir a atividade no sofá da atividade junto à porta. As células pequenas exigem uma melhor calibração e criam mais incerteza quando os sensores de consumo não têm uma geometria precisa. O resultado intermédio deve continuar a ser inspecionável antes de a automação o seguir.

Os modelos dos sensores convertem eventos fracos em atualizações de probabilidade

Cada sinal recebe probabilidades de verosimilhança que descrevem o quão esperado é quando uma célula está ocupada ou vazia. As atualizações bayesianas ou de log-odds combinam a crença anterior com novas evidências, enquanto o decaimento faz com que as células obsoletas regressem gradualmente ao estado desconhecido.

Uma análise da fusão multissensor de ocupação descreve a combinação de modalidades PIR, ultrassónicas, de micro-ondas e outras, porque cada uma observa uma consequência diferente da presença humana. A fusão é vantajosa quando os seus erros e tempos são complementares. Esse limite deve ser medido separadamente em condições de funcionamento realistas.

A abertura de uma porta pode aumentar rapidamente a probabilidade nas células de entrada próximas, e as ondas milimétricas persistentes podem manter a deteção de um ocupante sentado. As evidências negativas devem normalmente reduzir a crença de forma gradual, porque o silêncio de um sensor pode refletir o seu ponto cego. A consequência prática surge quando várias fontes competem por um contexto limitado.

A correlação e o desalinhamento podem criar uma confiança falsa

Dois sensores podem reagir ao mesmo ciclo de AVAC, animal de estimação, luz solar ou cortina em movimento, violando a independência presumida por uma multiplicação bayesiana simples. A atribuição incorreta da divisão ou o desalinhamento dos relógios também pode acrescentar evidências à célula errada.

O trabalho fundamental sobre atualizações de ocupação em log-odds exprime atualizações repetidas das células em log-odds e mostra como os modelos inversos dos sensores moldam a probabilidade posterior. A matemática só é tão fiável quanto os modelos espaciais e de erro fornecidos. Esta dependência deve permanecer explícita na interface final.

O limite de falha corresponde a evidências correlacionadas ou sistematicamente enviesadas. A adição de mais sinais fracos pode aumentar a confiança no estado errado quando a sua causa comum é contabilizada repetidamente ou quando os seus campos de visão estão desalinhados. O resultado deve, por isso, ser comparado com as evidências originais.

-15% OFF

ZimaBoard 2 - Mini Servidor Doméstico para a Sua Grande Ideia

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Calibre a grelha com dados reais de ocupação ao nível da divisão

Registe a geometria das células, o campo de visão dos sensores, a hora do evento, a atualidade, as probabilidades de deteção e não deteção, a probabilidade anterior, o decaimento, a contribuição, a probabilidade fundida, o estado do limiar e a ocupação verificada durante entradas, períodos sentado em silêncio, sono, presença de animais de estimação, visitas e ciclos de AVAC. Esta distinção continua visível durante os testes domésticos posteriores.

Compare o modelo com sinais fracos de presença. Execute testes retirando um sensor de cada vez e simule entradas obsoletas, atrasadas, contraditórias e correlacionadas, mantendo fixos os dados reais de ocupação e os limiares da automação. O resultado intermédio deve continuar a ser inspecionável antes de a automação o seguir.

Adote a grelha apenas quando esta melhorar tanto a resposta à entrada como a retenção de ocupantes imóveis, sem aumentar a presença falsa. Exponha as contribuições das evidências e mantenha a automação com consequências atrás de uma confirmação mais forte do que a exigida pela conveniência da iluminação. Esse limite deve ser medido separadamente em condições de funcionamento realistas.