Hur fungerar telefonfri närvarodetektering i ett lokalt smart hem?
Närvarodetektering utan telefon fungerar genom att uppskatta om någon befinner sig i ett utrymme utifrån omgivande fysiska signaler, till exempel rörelse, radarreflektioner, förändringar i trådlösa kanaler, dörrar, tryck, energianvändning eller kombinationer av dessa sensorer.
Detta löser ett annat problem än telefonens GPS. Det kan svara på ”är någon här?” eller ibland ”vilket rum används?” utan att personen behöver bära en spårad enhet. Det kan vanligtvis inte bevisa vem personen är, och tillförlitligheten beror på sensorernas placering, stillhet, husdjur, störningar och reglerna för sensorfusion som omvandlar brusiga observationer till ett närvarotillstånd.
Olika sensorer observerar olika fysiska tecken på närvaro
PIR reagerar främst på förändrade infraröda mönster från rörliga varma kroppar. mmWave/FMCW-radar kan upptäcka mycket mindre rörelser och ibland rörelser i andningsskala. Wi-Fi-avkänning mäter förändringar i radioutbredningen som orsakas av att människor rör sig genom omgivningen. Dörr- och trycksensorer lägger till tillståndsövergångar snarare än kontinuerliga närvarotecken.
En FMCW-mmWave-radardatamängd från verkliga miljöer skapades specifikt för integritetsbevarande detektering av mänskliga handlingar i bland annat hemautomationsmiljöer. Den visar varför radar är en särskild närvarosignal: sensorn observerar reflekterad radioenergi i stället för att kräva att personen bär en telefon eller att en kamera med synligt ljus används.
Ingen enskild teknik fungerar bäst i alla rum. PIR kan missa en person som sitter stilla, radar kan reagera genom tunna avgränsningar eller på fläktar och rörliga gardiner beroende på konfigurationen, och Wi-Fi-avkänning påverkas av enheternas placering och radioförhållandena. Närvaron blir mer tillförlitlig när systemet förstår varje sensors blinda fläckar i stället för att bara lägga till fler sensorer.
Wi-Fi-avkänning kan omvandla befintliga radiovägar till närvarosignaler
Mätningar av Wi-Fi-kanaler förändras när människor stör flerbandsutbredningen mellan radioenheter. En lokal modell kan klassificera dessa förändringar utan att personen behöver bära telefonen som är ansluten till nätverket. Det gör infrastrukturavkänning attraktivt för bred övervakning av rum eller bostäder.
En omfattande Wi-Fi-avkänningsstudie från verkliga miljöer, reviderad i augusti 2026, rapporterar Wi-Fi-avkänning i verkliga miljöer i 15 bostäder och med miljontals utplacerade enheter. Studien identifierar husdjur, variationer mellan hårdvara, störningar mellan flera användare och begränsningar i resurser vid kanten som praktiska utmaningar. Den rapporterade träffsäkerheten på 92,61 % för mänsklig rörelse visar att tekniken är genomförbar, men också varför verkliga bostäder är svårare än kontrollerade laboratoriedata.
Den relaterade ZimaSpace-artikeln om identitetsförväxling i närvaromodeller behandlar identitetsgränsen. En radiostörning kan vara ett starkt tecken på att en människa är närvarande utan att tala om för automatiseringen om personen är husägaren, ett barn eller en gäst.
Sensorfusion omvandlar korta detekteringar till ett stabilt närvarotillstånd
En användbar närvaromotor skiljer vanligtvis mellan tillfälliga tecken och varaktig närvaro. En dörr som öppnas kan öka sannolikheten för att någon har gått in, PIR kan bekräfta rörelse, radar kan hålla rummet markerat som upptaget när personen sitter stilla och en lång period utan tecken, tillsammans med en utgångsövergång, kan återställa tillståndet. Fusionslagret hindrar en missad bildruta från att omedelbart växla huset till ”borta”.
Ramverket STAR för AI vid kanten demonstrerar klassificering av närvaro vid kanten med lokal Wi-Fi-CSI-bearbetning och rapporterar hög närvaroträffsäkerhet i sin experimentmiljö med en kompakt modell. Den viktiga arkitektoniska lärdomen är inte den högsta procentsiffran, utan att brusreducering, tidsmässiga egenskaper och lokal inferens ingår i avkänningskedjan i stället för att vara valfria steg efter detekteringen.
Sensorfusion bör vara synlig. Registrera vilka sensorer som bidrog till en tillståndsövergång och hur länge systemet väntar innan det deklarerar frånvaro. Om ett rum förblir markerat som upptaget eftersom en radarkanal aldrig återställs bör ägaren kunna se den orsaken i stället för att felsöka en ogenomskinlig etikett som ”AI-närvaro”.
Tillförlitligheten beror på vilket beslut närvarotillståndet ska styra
Belysning kan tåla tillfällig falsk närvaro bättre än ett larm, ett lås eller ett säkerhetssystem som bygger på beläggning. Definiera separata acceptansgränser utifrån konsekvensen: rumsbelysning kan använda snabb lokal inferens, medan en säkerhetsåtgärd som innebär att ”alla har lämnat” kan kräva flera oberoende signaler och ett längre bekräftelseintervall.
En studie i Scientific Reports av kontaktfri närvaroavkänning med Wi-Fi använder kanalstatusinformation, förbehandling, egenskapsutvinning och klassificering för att skilja mellan olika närvarotillstånd. Resultaten gäller studiens egna experimentförhållanden, men mekanismen förstärker den praktiska poängen: närvaro utan telefon beror fortfarande på rummet och radiomiljön, inte på en identitet som följer med en telefon.
Testa närvaro utan telefon med boende som sitter stilla, gäster utan registrerade enheter, husdjur, dörrar som öppnas utan att någon går in, fläktar, nattförhållanden och flera personer samtidigt. Kalla det tillförlitligt endast för de automatiseringar där andelen falska positiva och falska negativa resultat förblir acceptabel. Låt identitetsberoende åtgärder bygga på en separat identitetssignal i stället för att uppgradera anonym närvaro till ”rätt person är hemma”.
Rekommenderade produkter
Teknik- och AI-hubb
Mer att läsa
Hur påverkar nedsampling av tidsserier avvikelsedetektering i smarta hem?
Se hur hinkbredd, aggregering, kantutjämning, saknade data, händelselängd och bevarande i flera skalor påverkar återkallningen av avvikelser i smarta hem.
Hur kombinerar en beläggningskarta svaga signaler från smarta hem?
Lär dig hur rumsliga celler, sensormodeller, log-odds-uppdateringar, avklingning, korrelerade bevis och tröskelvärden omvandlar svaga hemsignaler till uppskattningar av närvaro.
Hur påverkar fotometrisk normalisering klustring av privata ansikten?
Se hur belysningskorrigering förändrar ansiktsbeskärningar, embeddingar, klusteravstånd, tröskelvärden, övernormalisering och utvärdering av privat fotosökning.
