《Human Activity Recognition in Smart Homes Based on Passive RFID Localization》
《基于无源RFID定位的智能家居人体活动识别》
摘要：
现代社会正面临着人口的老龄化，人口老龄化导致经济和社会方面的双重挑战，例如对残疾人员的健康服务的压力。许多研究人员认为智能家居技术是一种有前途的潜在解决方案，可以帮助满足老年人的需求。它旨在通过向患有认知缺陷的居民提供不同类型的仪器（光，声，屏幕等）来做出决策，例如给出提示，建议和提醒，以促进他们的自主性，从而提供认知帮助。为了实施这种技术，我们需要克服的第一个挑战是认知正在进行的居民日常生活活动（ADL）。此外，为了正确地帮助他，我们还需要能够检测他所执行的行为上的认知错误。因此，本文提出了一种新的经济实惠的活动识别系统，该系统基于无源RFID技术，能够检测早晨例行中与认知障碍相关的错误。整个系统依赖于具有多个滤波器的椭圆三边测量的创新模型，以及具有空间区域的活动的表示。该系统已在真正的智能家居原型中实施和部署。我们还展示了在这个新的活动识别系统上进行的第一个实验的有希望的结果，其中包含关于早晨例程的真实案例场景。
关键词：智能家居，活动识别，被动RFID，空间推理。
- 引言：
由于出生率下降和预期寿命延长，发达国家实际上面临着重要的人口老龄化挑战。这个问题导致严重的社会和经济问题，包括医疗人员家庭护理服务的短缺，以及越来越多的患有认知障碍（例如阿尔茨海默病）的人。随着普适计算，环境智能和技术小型化的发展，许多人认为通过增强体弱者的居住来促进家庭长寿是解决这些挑战的最有希望的解决方案。这些技术增强的家庭说智能已经导致研究人员开发适用于安全，服务提供，机会网络等的算法。在AI中主要研究的一个问题是计划识别的问题，或者更确切地说，在这种情况下，关键是人类活动识别（HAR）的想法。主要思想是能够从传感技术中获取原始输出，将其转换为高级信息，并将其与当前居民执行的日常生活活动（ADL）相关联。认识到正在进行的活动是向体弱或认知障碍的居民提供援助的第一步。已经为此目的开发了许多使用学习技术的逻辑和概率方法。其中大多数是基于摄像机等侵入性技术，这些技术通常被认为是家庭支持所不能接受的。
HAR最有前途的技术之一是射频识别（RFID）。 该技术可以与被称为无源的小标签一起使用，因为它们不需要内部电源。这些标签便宜且小到足以嵌入日常生活物品中。此外，它们足够坚固，可以放入高温洗碗机中。许多研究人员认为，增强HAR的下一步是更好地利用智能家居中发生的时间和空间知识。通过开发实时定位算法，RFID标签可用于实现该目标。然而，由于该技术固有的不精确性，这是一项非常困难的任务。
在本文中，我们建议利用无源RFID技术实时定位日常生活对象，并使用提取的信息进行空间，一步一步，人类活动识别。首先，我们提出了我们在实验室开发的新版三边测量算法。新版本的算法经过增强，可以在嘈杂的智能家居中实时同时跟踪多个对象。其次，我们提出了我们的空间HAR方法的更新版本，现在能够检测ADL的每个独特步骤。很少有方法能够在细粒度范围内成功完成此操作。最后，我们通过实际设置表明该算法可用于智能环境中的错误检测。
本文的其余部分如下。第2节简要介绍了RFID定位和HAR的文献。本节旨在对每种主要方法进行小规模评估。第3节描述了增强的本地化算法，同时重点关注这项工作的改进细节。第4节描述了基于完善的空间推理框架的人类活动识别算法。本节还重点介绍了我们在此问题上的第一次努力的不同之处。第5节详细介绍了我们的原型智能家居基础设施的实现，并讨论了从第一组实验中获得的结果。最后简要总结并概述了我们未来的工作。
- 相关工作：
在本节中，我们将概述可以与我们的模型进行比较的显着工作，从本地化到HAR。由于本文提出的模型涉及多个领域，文献综述又细分为两个主轴。首先，我们将看到从广泛的研究领域发出的物体，机器人和人类本地化的工作。在这一小节中，我们快速描绘了所采用的各种技术，并强调了为什么其中许多技术在我们的研究背景下是不合适的。 第二小节讨论智能家居环境中的经典活动识别技术。 连续评估优缺点及其局限性。
2.1使用RFID进行本地化：
在受控或嘈杂的环境中本地化实体的挑战吸引了许多研究人员，产生了数百种科学出版物，涵盖了不同的主题和技术。尽管如此，建筑物内部的本地化仍然是一个具有挑战性的问题，可以在几个领域找到应在智能家居中可以利用许多技术来实现这一目的。但是，我们更倾向于将精力集中在RFID上，因为我们发现它更有前途和更合适。例如，人们可以建议使用众所周知的GPS系统进行外部定位，但室内系统会遇到墙壁穿透问题。超声波传感器是另一种经常被用于室内定位的技术[12]。这些系统通常可以达到非常高的精度，但完全被任何可能阻碍其视线的物体或人阻挡。最后，大量智能家居研究人员更愿意利用基于摄像头的技术进行本地化和人类活动识别。正如我们在HAR部分中讨论的那样，该技术在辅助智能家居环境中具有许多缺点。其中一个实时抑制其本地化利用是高计算能力的要求。
2.1.1混合RFID方法：
由于RFID的不精确性，许多研究团队试图将两种或更多种技术结合起来进行室内定位。将超声波技术与无源RFID标签结合起来，定位移动机器人，从而补偿视线问题。他们的模型在没有阻碍的情况下产生令人印象深刻的准确度（asymp;1-3cm）。但是，它们的硬件太大而无法安装在物体上。Milella等将视觉传感器与RFID技术相结合，实现了20cm的精度的样品等。他们也开发了视觉传感器。他们使用LED增强了标签，使配备相机的机器人能够在环境中精确定位标签。最近，Parr和Miesen通过将惯性测量单元（IMU）融合到手持阅读器中，引入了一种用于RFID标签跟踪的新方法。他们的技术使用加速度数据，在不了解天线位置的情况下，以合理的低成本实现精确定位。但是，对于家庭内部的对象跟踪来说，这太麻烦了。
-
-
- RFID定位：
-
RFID技术可以细分为两个系列：主动和被动。两者都是本地化研究的对象。由于标签具有内部电源，因此有源系统在相同的环境尺度上通常比其无源对应物精确得多。 例如，Hekimian-Williams等人。 实现相位差，在完美条件下达到毫米级的精度。然而，由于它们需要电池，因此标签比无源版本更大更笨拙，使得它们几乎不可能用于日常生活物体的本地化。
无源标签由发射天线供电，不仅体积更小，而且更便宜，使其成为各种应用的理想选择。系统通常需要使用接收信号强度指示（RSSI）进行定位，因此，相位差方法是不可用的。Vorst等人的工作基于这项技术。他们的模型利用概率模型结合粒子滤波器（PF）来实现20-26厘米的精度。其模型的主要缺点是计算成本高，这使得难以用于许多实体的实时跟踪。Ray通过将PF与加权质心定位相结合来解决这个问题。它们根据被跟踪物体的估计速度在两种方法之间切换。在理想状态下，它们将天线定位为平均误差为20厘米，同时大大提高了过程的速度。 Chawla和Robins 开发了一种基于天线功率变化的模型来估计附近参考标记的距离。它们逐渐调整天线分贝，直到标签在范围内。此后，他们使用许多标签与天线的距离来定位移动机器人。他们的方法产生的精度从18到35厘米不等。
与文献中的大多数其他方法一样，这些工作都利用了参考标记的原理。这个想法是通过使用来自已知位置的标签的信息来改进本地化。 虽然它是机器人本地化的一个相当好的解决方案，但它不适合我们的上下文。对于我们采用的技术，对环境的修改需要最小化，并且这样的标签安装将是居民不喜欢的。此外，我们需要一个易于安装和配置且快速（实时跟踪许多对象）的系统。这些系统的主要替代方案是RSSI的天线三边测量（更多细节见第3节）。它在科学文献中基本上被忽略了，因为这种技术在使用嘈杂和不精确的信息时非常具有挑战性。 只有少数研究人员使用过这种技术，他们获得的定位不太精确。
2.2人类活动识别：
人类活动识别（HAR）的问题由于其在普遍环境中的重要性而被广泛覆盖。尽管如此，仍然存在许多挑战，问题远未解决。此外，文献主要集中在摄像机的开发上，摄像机非常具有侵入性，很少被人类接受。此外，我们的目标是利用智能家居技术来帮助身体虚弱和认知障碍的人，并且侵入性有时会使居民的状况恶化。值得注意的是，Smith等人的HAR的数据中心方法。帕特森等人也主要依靠无源RFID技术来识别人类ADL。他们各自的工作向前迈出了一大步，但他们要求居民戴上手套或手镯。我们更愿意避免使用可穿戴传感器，因为它很难确保它始终处于磨损状态。在本小节中，我们简要描述了每类HAR算法。
2.2.1逻辑HAR
Kautz等人的计划识别形式理论。构成了基于逻辑的HAR算法的基础，并且仍然是该分支中最重要的一个。 Kautz的理论通过使用一阶逻辑来形式化正在进行的活动的推理过程。该理论受限于所有可能的活动都是已知的假设，并且可以直接观察到基本行为。Chen L.等最近提出了一个利用本体进行显式活动和上下文建模的新系统。他们的方法非常全面，部分解决了实时识别困境。与其他纯逻辑方法类似，他们对ADL建模和执行推理的方式对于人类来说是优雅和自然的。 HAR的逻辑方法主要受到正确建模ADL所需的繁琐工作的影响。它不仅导致高开销，而且极大地限制了它们的实际适用性。
2.2.2概率HAS：
许多团队已经探索了概率理论的利用，例如马尔可夫和贝叶斯模型用于HAR。这些算法提供良好的识别率（RR），并且通常与学习技术相结合。这些方法比基于形式逻辑的方法更容易实现，但是存在许多缺点。特别是即使借助学习方法，建立大型活动图书馆也非常讲究。 另外，用它们推断需要高计算（分别为O（T * | S | ^ 2）和维特比的HMM算法，而精确的DBN推断仍然被认为是NP难的）。
2.2.3基于学习的HAR
为了解决建立活动库的困难，许多研究人员致力于学习计划的发展。 近年来，已经开发了许多监督方法，例如Kasteren等人的方法。在他们的工作中，他们利用学习的马尔可夫模型和条件随机场，实现79.4-95.6％的识别率。文献中也有一些完全无监督的方法。例如，Palmes等人在互联网上搜索基于对象相关权重的模型。该技术定义作为活动一部分的每个对象的影响力得分，并选择具有最高权重的对象将其定义为关键对象。尽管他们的方法提供了很好的可伸缩性，但它受到两个活动无法定义相同密钥对象这一事实的限制。
总之，最先进的算法存在许多问题。大多数现有方法仅识别粗粒度活动（烹饪，上厕所等），并且无法检测完成它们的单个步骤。其次，这些方法中的大多数没有规定实时识别和检测ADL中的错误的性能。最后导致许多系统使用禁用技术，如可穿戴传感器或更糟的视频相机。这些方面使得身体虚弱或认知障碍者在智能家居中的帮助变得困难。
- 实时被动RFID定位：
在本节中，我们介绍了依靠无源RFID技术的增强型椭圆三边测量技术，这是我们以前工作的改编。这种新的改编不仅更快，而且还引入了两个新的重要贡献，以实现智能家居中对象的更好的实时跟踪。 正如我们在第5节中所示，它可以利用三边测量技术逐步识别日常生活活动。
3.1过滤虚假读数
相对于使用无源RFID进行定位而言，其中一个挑战是在诸如智能家居等嘈杂环境中频繁出现的错误读数（主要是负面）。 为了解决这个问题，我们建议使用函数（1），它基于被跟踪对象的状态（os：可见或不可见）和迭代。 关键的想法是，只有在自新状态的初始迭代检测（id）之后已经过了Delta;i个时，才接受状态的改变。
通过计算概率地将误差减小到小于5％所需的迭代次数，可以在知道近似误读率（frrate）的情况下自动确定Delta;i参数。 但是，我们建议使用足够大的值，因为错误读数通常持续多次迭代。 我们在智能家居中每次迭代200ms测试此方法（参见第5节），各种值为Delta;i。 结果汇总于图1。
3.2 RSSI高变化的滤波器
由天线收集的RSSI总是在变化，这经常导致被跟踪的对象在两次迭代之间从一个地方随机跳转到另一个地方。 没有方法可以完全避免这个问题，但通过使用高斯加权平均，我们可以减少闪烁。 为此，我们将钟形曲线置于当前迭代（ic）的中心，如公式2所示。参数i是重量的迭代。使用等式3进行平均。
该等式使用包含每次迭代的RSSI读数的阵列（t[.]），并且可以与先前的滤波器组合。Delta;i用于限制平均值中包含的迭代次数（用于性能优化）。高斯曲线的西格玛参数根据读取速度（S）和加权所需的时间自动确定。直观的方法是简单地将迭代次数除以2。例如，在delta;=10第21次迭代将加权为13.53％。在我们的例子中，该值是在学习阶段自动设置的。下面的图2显示了加权平均值之前和之后的RSSI之间的差异。
- 人类活动的空间识别：
在本文中，我们介绍了我们的空间活动识别算法的增强版本，它利用了前一节中介绍的对象的实时椭圆三边形。第一个重要的修改是我们增强的定位方法的直接结果。实际上，我们以前的空间HAR算法并不是为了能够区分ADL的每个单独步骤而设计的，主要是因为它不能很好地与我们当时的精度/准确度相比。在本节中，我们描述了我们的HAR算法的新版本，它依赖于定性空间推理来表示智能家居中对象之间的关系，同时关注为此工作所做的改进。其中，有逐步识别和时间知识的错误识别。
4.1评估意见：
相反，对于我们之前的算法，这项工作中的识别过程包括严格匹配对象之间随时间观察到的关系。因此，观察不会立即进入评估，以避
全文共7204字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[620]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
