In der Übersicht
Damit Smart Homes ihren Bewohnern den größtmöglichen Mehrwert bieten können, müssen die installierten Sensoren in der Lage sein, Nutzeraktivitäten rechtzeitig zu erkennen. Wenn ein intelligentes Haus beispielsweise erkennt, dass die letzte Person das Haus verlässt, kann der Nutzer daran erinnert werden, den Alarm zu aktivieren.
Derzeit ist dies jedoch nicht der Fall, da die Anzahl, Art, Platzierung und Qualität der installierten Sensoren sehr unterschiedlich ist, was die Lösung des Problems sehr schwierig macht, da für jedes Smart Home ein separates Training erforderlich wäre, was einen enormen Aufwand bedeuten würde.
Die Überwindung dieser Herausforderungen birgt ein enormes Marktpotential für die Bereitstellung von Analysen und Empfehlungen für Smart-Home-Hersteller, die ihrerseits Premium-Dienste an Endkunden verkaufen können.
In diesem Projekt werden wir untersuchen, wie man schwach überwachte maschinelle Lernverfahren (d.h. wenn die Aktivitäts-Tags ungenau sind) mit anderen Methoden der Aktivitätserkennung, wie Ontologien oder regelbasierten Ansätzen, kombinieren kann, um ein System zu erhalten, das in der Lage ist, Benutzeraktivitäten aus spärlichen und heterogenen Sensorkonfigurationen zu erkennen.
Das Endziel besteht darin, Aktivitätserkennungsfähigkeiten bereitzustellen, ohne für jedes einzelne Smart Home ein spezifisches Training durchführen zu müssen. Oder nur eine minimale Konfiguration.
Wir werden auch einen einzigartigen agentenbasierten Simulator entwickeln, der realistische, gelabelte Smart-Home-Daten erzeugt, die sowohl zum Benchmarking des Aktivitätserkennungssystems als auch zur Erzeugung synthetischer Trainingsdaten verwendet werden können.
Einzigartig ist die Kombination verschiedener Ansätze des maschinellen Lernens, um mit minimalem Konfigurations- und Trainingsaufwand eine zuverlässige Verhaltenserkennung der Bewohner in Smart-Home-Umgebungen zu ermöglichen, die sich in Größe, Anzahl der Bewohner oder installierten Smart-Home-Komponenten unterscheiden.
