e p i l o g - Fakultät für Informatik, TU Wien
e p i l o g - Fakultät für Informatik, TU Wien
e p i l o g - Fakultät für Informatik, TU Wien
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
möglich. Jedoch steigt mit der Leistungsfähigkeit auch die Komplexität.<br />
Damit auch in Zukunft mit der zu erwartenden Komplexität umgegangen<br />
werden kann, sind neue Verfahren zur Verarbeitung von Sensorwerten<br />
erforderlich. Eine Möglichkeit besteht darin, mithilfe statistischer Methoden<br />
die erfasste Situation in Gebäuden zu beschreiben. Eine interessante<br />
Fragestellung ist, ob sich aus derartigen Modellen Prognosen <strong>für</strong> zukünftig<br />
zu erwartende Situationen ableiten lassen. In dieser Arbeit wird untersucht,<br />
inwieweit sich die Theorie über Hidden Markov Modelle (HMM) eignet, um<br />
das Verhalten von Personen in einem Raum zu beschreiben und anhand der<br />
erlernten Beschreibungen Vorhersagen über das zukünftige Verhalten einer<br />
Person zu machen. Das Erstellen dieser Prognosen basiert auf bekannten<br />
Algorithmen. Weiters wird untersucht, inwieweit sich Daten<br />
unterschiedlicher Sensortypen in ein Modell integrieren lassen und welche<br />
Vorhersagen so ein System liefern kann. In dieser Arbeit meint "Vorhersage<br />
des Verhaltens" die Berechnung der Wahrscheinlichkeit der möglichen<br />
Aktionen, die eine Person als nächstes ausführen kann und die auch vom<br />
System wahrgenommen werden können. Jene Aktionen mit der höchsten<br />
Wahrscheinlichkeit werden den Personen mitgeteilt. Aus diesem Grund<br />
sollte die Verarbeitung der Daten in Echtzeit erfolgen. Hier<strong>für</strong> wurde eine<br />
Software Applikation entwickelt, welcher eine Liveanbindung an das<br />
Sensorwerterfassungssystem zur Verfügung steht. Diese Anwendung<br />
ermöglicht den Personen im Gebäude (d.h. in dem Raum, wo das System<br />
betrieben wird), einen Blick hinter die Kulissen des Systems, indem sie die<br />
relevanten Informationen auf einem Bildschirm darstellt, welcher von den<br />
Benutzern betrachtet werden kann. Diese Darstellung zeigt einen Grundriss<br />
des Raumes und alle installierten Sensoren. Aus den ausgelösten Sensoren<br />
wird eine Abschätzung der vorhandenen Personen und deren Positionen<br />
errechnet, die dargestellt wird. Für jede dieser vermuteten Personen wird<br />
eine Vorhersage errechnet und ebenfalls dargestellt. Dadurch kann ein<br />
Benutzer sehen, an welcher Position er vom System vermutet wird und<br />
welche Vorhersage errechnet wurde. Es hat sich gezeigt, dass HMMs <strong>für</strong><br />
die Aufgabe der Modellierung derartiger Syteme gut geeignet sind und die<br />
Möglichkeiten des Erstellens von Modellen mannigfaltig sind. Die Art der<br />
Generierung ist entscheidend <strong>für</strong> die Qualität der Modelle. Weiters stellte<br />
sich heraus, dass in eher kleinen Räumen, wie der, der zur Verfügung<br />
stand, die Handlungen der Personen relativ ident sind, aber trotzdem große<br />
Unterschiede zwischen ständig auftretenden und eher seltenen Szenarios<br />
klar erkennbar sind. Die Integration von Werten verschiedener Sensortypen<br />
in ein Modell ist insofern problematisch, als diese Werte untschiedliche<br />
Wahrscheinlichkeiten des Auftretens haben. Dies wurde durch eine<br />
Priorisierung bei der Auswertung kompensiert. Dieses Vorgehen bringt gute<br />
Lösungen in dieser Anwendung, da alle Aktionen sehr stark auf die<br />
räumliche Lokalität bezogen sind, kann aber mit hoher Wahrscheinlichkeit<br />
nicht verallgemeinert werden. Für einen allgemeinen Lösungsansatz sollte<br />
hier eine zusätzliche Abstraktionsebene eingeführt werden.<br />
161