[論文レビュー] MoSen: Activity Modelling in Multiple-Occupancy Smart Homes

Yuting Zhan, Hamed Haddadi|arXiv (Cornell University)|Jan 1, 2021

Context-Aware Activity Recognition Systems参考文献 79被引用数 4

ひとこと要約

MoSenは、マルチオキュパンシー・スマートホームにおけるセンサー活動相互作用をモデル化するシミュレーションフレームワークであり、活動認識のためのセンサープラントを最適化する。合成住民行動とRTLSベースの識別をエミュレートすることで、センサー費用、局所化分解能、ラベル付け精度のトレードオフを定量化し、コスト効率の良いセンサーセレクション戦略を可能にし、導入費用を増やさずにシステム性能を向上させる。

ABSTRACT

Smart home solutions increasingly rely on a variety of sensors for behavioral analytics and activity recognition to provide context-aware applications and personalized care. Optimizing the sensor network is one of the most important approaches to ensure classification accuracy and the system's efficiency. However, the trade-off between the cost and performance is often a challenge in real deployments, particularly for multiple-occupancy smart homes or care homes. In this paper, using real indoor activity and mobility traces, floor plans, and synthetic multi-occupancy behavior models, we evaluate several multi-occupancy household scenarios with 2-5 residents. We explore and quantify the trade-offs between the cost of sensor deployments and expected labeling accuracy in different scenarios. Our evaluation across different scenarios show that the performance of the desired context-aware task is affected by different localization resolutions, the number of residents, the number of sensors, and varying sensor deployments. To aid in accelerating the adoption of practical sensor-based activity recognition technology, we design MoSen, a framework to simulate the interaction dynamics between sensor-based environments and multiple residents. By evaluating the factors that affect the performance of the desired sensor network, we provide a sensor selection strategy and design metrics for sensor layout in real environments. Using our selection strategy in a 5-person scenario case study, we demonstrate that MoSen can significantly improve overall system performance without increasing the deployment costs.

研究の動機と目的

• マルチオキュパンシー・スマートホームにおけるコスト効率的で正確なセンサーネットワークの設計という課題に対処すること。
• センサー密度、局所化分解能、住民数がセンサーベースの活動認識におけるラベリング正確性に与える影響を評価すること。
• システム性能と導入コストのバランスを取る実用的なセンサーセレクション戦略を開発すること。
• 実際の導入の前段階でセンサー配置の設計と評価が可能なシミュレーションフレームワークを提供すること。
• 実際の人間の活動トレースに基づいて合成行動モデルを生成することで、マルチオキュパンシー状況におけるデータ不足を克服すること。

提案手法

• MoSenは、単一住民の実際の屋内活動および移動トレースを用いて、合成マルチオキュパンシー行動モデルを生成する。
• 床図とセンサー配置を組み込んだ仮想環境を用いて、住民とのセンサー相互作用をシミュレートする。
• RTLSベースの局所化を統合し、センサーイベントに住民の身元を自動でラベル付けすることで、正確な識別ラベリングを可能にする。
• 2〜5人の住民数、センサーデンシティ、局所化分解能の変動を想定したパフォーマンス評価を実施する。
• トレース駆動のシミュレーションを用いて、個々のセンサーの感受性と全体のラベル付け正確性への寄与度を分析する。
• 性能-コストのトレードオフに基づき、高い影響力と低い重複度を持つセンサーを優先するセンサーセレクション戦略を導出する。

実験結果

リサーチクエスチョン

• RQ1 住民数の変化がセンサーベースの活動認識システムのラベル付け正確性にどのように影響するか？
• RQ2 局所化分解能の向上が識別正確性とシステムコストに与える影響は何か？
• RQ3 センサーデンシティは、マルチオキュパンシー・ホームにおけるセンサーネットワークのパフォーマンスとコスト効率にどのように影響するか？
• RQ4 どのセンサー構成がラベル付け正確性を最大化しながら導入コストを最小化できるか？
• RQ5 合成行動モデルは、現実世界のセンサーベースの活動認識システムの設計をどのように改善できるか？

主な発見

• 5人居住のシナリオにおいて、MoSenのセンサーセレクション戦略は導入コストを増やさずに全体のシステムパフォーマンスを顕著に向上させる。
• 高い局所化分解能は識別正確性を向上させるが、コストも増加するため、システム設計における重要なトレードオフを示している。
• センサーの感受性は距離に依存する。検出範囲が広いセンサーは位置決めの変動にあまり影響を受けず、広い範囲をカバーする。
• フレームワークは、ラベル付け正確性に最も寄与する特定のセンサーを同定し、標的的な導入とコスト削減を可能にする。
• 活動認識のパフォーマンスは、住民数、センサー配置、局所化分解能に著しく影響を受ける。
• MoSenは、実際の導入前の段階でセンサーネットワークの効果的なシミュレーションと設計を可能にし、最適でない構成のリスクを低減する。