[논문 리뷰] MoSen: Activity Modelling in Multiple-Occupancy Smart Homes

Yuting Zhan, Hamed Haddadi|arXiv (Cornell University)|2021. 01. 01.

Context-Aware Activity Recognition Systems참고 문헌 79인용 수 4

한 줄 요약

MoSen은 다인대기 smart home에서 센서 활동 상호작용을 모델링하여 활동 인식을 위한 센서 배치를 최적화하는 시뮬레이션 프레임워크이다. 합성 거주자 행동과 RTLS 기반 식별을 시뮬레이션함으로써 센서 비용, 정위치 해상도, 레이블 정확도 간의 상충 관계를 정량화하여, 배치 비용을 늘리지 않으면서도 시스템 성능을 향상시키는 비용 효율적인 센서 선택 전략을 가능하게 한다.

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.

연구 동기 및 목표

• 다인대기 스마트 홈을 위한 비용 효율적이고 정확한 센서 네트워크 설계의 과제를 해결하기 위해.
• 센서 밀도, 정위치 해상도, 거주자 수가 센서 기반 활동 인식에서 레이블 정확도에 미치는 영향을 평가하기 위해.
• 시스템 성능와 배치 비용을 균형 잡는 실용적인 센서 선택 전략을 개발하기 위해.
• 실제 배치 이전에 초기 단계의 설계 및 평가를 가능하게 하는 시뮬레이션 프레임워크를 제공하기 위해.
• 실제 인간 활동 트레이스 기반으로 합성 행동 모델을 생성하여 다인대기 시나리오에서의 데이터 부족 문제를 해결하기 위해.

제안 방법

• MoSen은 단일 거주자로부터의 실내 활동 및 이동 트레이스를 기반으로 하여 다인대기 합성 행동 모델을 생성한다.
• 플로어 플랜과 센서 레이아웃을 포함한 가상 환경을 사용하여 거주자와의 센서 상호작용을 시뮬레이션한다.
• 프레임워크는 RTLS 기반 정위치를 통합하여 센서 이벤트에 자동으로 거주자 신원을 레이블링함으로써 정확한 식별 레이블링을 가능하게 한다.
• 2~5명의 거주자 수, 센서 밀도, 정위치 해상도 등 다양한 조건에서 성능을 평가한다.
• 트레이스 기반 시뮬레이션을 사용하여 개별 센서의 감도와 전체 레이블 정확도에 대한 기여도를 분석한다.
• 성능-비용 상충 관계를 기반으로 한 센서 선택 전략을 도출하며, 영향력은 크고 중복도가 낮은 센서를 우선순위로 삼는다.

실험 결과

연구 질문

• RQ1 거주자 수가 센서 기반 활동 인식 시스템의 레이블 정확도에 미치는 영향은 무엇인가?
• RQ2 정위치 해상도가 식별 정확도와 시스템 비용에 미치는 영향은 무엇인가?
• RQ3 센서 밀도는 다인대기 주거지에서 센서 네트워크의 성능과 비용 효율성에 어떻게 영향을 미치는가?
• RQ4 어떤 센서 구성이 레이블 정확도를 극대화하면서도 설치 비용을 최소화하는가?
• RQ5 합성 행동 모델은 실생활 센서 기반 활동 인식 시스템 설계를 어떻게 향상시킬 수 있는가?

주요 결과

• 5인 시나리오에서 MoSen의 센서 선택 전략은 배치 비용을 늘리지 않으면서도 전체 시스템 성능을 크게 향상시킨다.
• 높은 정위치 해상도는 식별 정확도를 향상시키지만 비용을 증가시키므로, 시스템 설계에서 핵심적인 상충 관계임을 드러낸다.
• 센서 감도는 거리에 따라 달라지며, 탐지 반경이 큰 센서일수록 위치 정밀도에 덜 민감하고 더 넓은 영역을 커버한다.
• 프레임워크는 레이블 정확도에 가장 기여하는 특정 센서를 식별하여 타겟팅된 설치와 비용 절감을 가능하게 한다.
• 활동 인식 성능은 거주자 수, 센서 레이아웃, 정위치 해상도에 의해 크게 영향을 받는다.
• MoSen은 실제 배치 이전에 센서 네트워크의 효과적인 시뮬레이션과 설계를 가능하게 하여, 최적화되지 않은 구성의 위험을 줄인다.