Agentenbasierte Simulation für Aktivitätserkennung

AI Quick Summary

Die MOOST AG will Aktivitäten in Smart Homes erkennen. Um KI-Methoden trainieren zu können, braucht man eine Menge an sauberen, gelabelten Daten. Diese sind beinahe unmöglich zu sammeln, vor allem, weil die Anzahl, Art und Platzierung von verbauten Sensoren und Aktoren sehr variabel sind. In diesem Projekt wird ein agentenbasierter Simulator gebaut, der realistische synthetische Datensätze erzeugen kann. AusgangslageDie Bewohner von Smart Homes würden von Aktivitätserkennungsfähigkeiten stark profitieren. Wenn der letzte Bewohner das Haus verlässt könnte zum Beispiel eine Push-Notification abgesetzt werden, falls die Alarmanlage noch nicht aktiviert wurde oder ein Fenster aus Versehen offen geblieben ist. Aktivitäten zu erkennen aus Sensor- und Aktuatordaten, die im Haus generiert werden, ist eine grosse Herausforderung. Grund dafür ist es, dass jedes Haus individuell konfiguriert und ausgestattet ist. Regelbasierte Systeme müssten pro Haus händisch angepasst werden und Methoden des maschinellen Lernens oder der künstlichen Intelligenz bräuchten Daten mit Labels, um Modelle zu trainieren.ZielIn diesem Projekt ist das Ziel, einen agentenbasierten Simulator zu bauen, der synthetische Datensätze generiert. Die Agenten sind die virtuellen Bewohner die sich im Haus bewegen, gewisse Aktivitäten durchführen (wie z.B. das Haus verlassen) und die verbauten Sensoren (z.B. Bewegungsmelder) triggern. Dieser Simulator wird uns erlauben, gezielte Datensätze für ein Haus mit einer gewissen Sensorausstattung auf Knopfdruck zu generieren. Diese Datensätze können wiederum verwendet werden, um zu untersuchen, welche Aktivitäten mit der spezifischen Sensorausstattung überhaupt erkennbar sind und um die entsprechenden Modelle zu trainieren. Dieser Ansatz würde eine grosse Innovation im Bereich Aktivitätserkennung mit Smart-Home-Daten darstellen.VorgehenDie Arbeit umfasst die folgenden Aufgaben:Recherche zum Stand der Technik über agentenbasierte Ansätze im Bereich Erstellung von synthetischen Datensätze für Aktivitätserkennung.Entwicklung oder Anwendung von Modellen für einfache virtuelle Sensoren (Präsenz, Temperatur, Feuchtigkeit, usw.), die physikalisch plausible Werte generieren. Wenn ein virtueller Bewohner sich vor einem Infrarot-Melder bewegt, generiert der Bewegungsmelder einen Event.Entwicklung und Programmierung (Python) eines einfachen Gebäudesimulators, in dem sich virtuelle Bewohner bewegen und mit dem Umfeld interagieren, wobei Datensätze von den virtuellen Sensoren erzeugt werden.Das Verhalten der virtuellen Bewohner und die Anzahl Bewohner muss über gewisse Parameter einstellbar sein.Eine Validierung des Outputs des Simulators wäre wünschenswert.BemerkungenDiese Arbeit erlaubt und erfordert eine grosse Menge an Kreativität und Eigeninitiative vom Studierenden für eine erfolgreiche Umsetzung.

Project Idea Metadata

• Project Idea Name: Agentenbasierte Simulation für Aktivitätserkennung
• Date: 6/23/2022 2:31:40 PM
• Administrators:

Project Idea Description

Ausgangslage

Die Bewohner von Smart Homes würden von Aktivitätserkennungsfähigkeiten stark profitieren. Wenn der letzte Bewohner das Haus verlässt könnte zum Beispiel eine Push-Notification abgesetzt werden, falls die Alarmanlage noch nicht aktiviert wurde oder ein Fenster aus Versehen offen geblieben ist. Aktivitäten zu erkennen aus Sensor- und Aktuatordaten, die im Haus generiert werden, ist eine grosse Herausforderung. Grund dafür ist es, dass jedes Haus individuell konfiguriert und ausgestattet ist. Regelbasierte Systeme müssten pro Haus händisch angepasst werden und Methoden des maschinellen Lernens oder der künstlichen Intelligenz bräuchten Daten mit Labels, um Modelle zu trainieren.

Ziel

In diesem Projekt ist das Ziel, einen agentenbasierten Simulator zu bauen, der synthetische Datensätze generiert. Die Agenten sind die virtuellen Bewohner die sich im Haus bewegen, gewisse Aktivitäten durchführen (wie z.B. das Haus verlassen) und die verbauten Sensoren (z.B. Bewegungsmelder) triggern. Dieser Simulator wird uns erlauben, gezielte Datensätze für ein Haus mit einer gewissen Sensorausstattung auf Knopfdruck zu generieren. Diese Datensätze können wiederum verwendet werden, um zu untersuchen, welche Aktivitäten mit der spezifischen Sensorausstattung überhaupt erkennbar sind und um die entsprechenden Modelle zu trainieren. Dieser Ansatz würde eine grosse Innovation im Bereich Aktivitätserkennung mit Smart-Home-Daten darstellen.

Vorgehen

Die Arbeit umfasst die folgenden Aufgaben:

• Recherche zum Stand der Technik über agentenbasierte Ansätze im Bereich Erstellung von synthetischen Datensätze für Aktivitätserkennung.
• Entwicklung oder Anwendung von Modellen für einfache virtuelle Sensoren (Präsenz, Temperatur, Feuchtigkeit, usw.), die physikalisch plausible Werte generieren. Wenn ein virtueller Bewohner sich vor einem Infrarot-Melder bewegt, generiert der Bewegungsmelder einen Event.
• Entwicklung und Programmierung (Python) eines einfachen Gebäudesimulators, in dem sich virtuelle Bewohner bewegen und mit dem Umfeld interagieren, wobei Datensätze von den virtuellen Sensoren erzeugt werden.
• Das Verhalten der virtuellen Bewohner und die Anzahl Bewohner muss über gewisse Parameter einstellbar sein.
• Eine Validierung des Outputs des Simulators wäre wünschenswert.

Bemerkungen

Diese Arbeit erlaubt und erfordert eine grosse Menge an Kreativität und Eigeninitiative vom Studierenden für eine erfolgreiche Umsetzung.

Die MOOST AG will Aktivitäten in Smart Homes erkennen. Um KI-Methoden trainieren zu können, braucht man eine Menge an sauberen, gelabelten Daten. Diese sind beinahe unmöglich zu sammeln, vor allem, weil die Anzahl, Art und Platzierung von verbauten Sensoren und Aktoren sehr variabel sind. In diesem Projekt wird ein agentenbasierter Simulator gebaut, der realistische synthetische Datensätze erzeugen kann.