[论文解读] 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 4

一句话总结

MoSen 是一个仿真框架，用于模拟多住户智能家居中传感器活动交互，以优化活动识别的传感器部署。通过模拟合成的居民行为和基于RTLS的识别，它量化了传感器成本、定位分辨率与标注准确率之间的权衡，从而实现一种成本效益高的传感器选择策略，在不增加部署成本的前提下提升系统性能。

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.

研究动机与目标

• 解决设计成本效益高、准确的多住户智能家居传感器网络的挑战。
• 评估传感器密度、定位分辨率和住户数量对基于传感器的活动识别中标注准确率的影响。
• 开发一种实用的传感器选择策略，平衡系统性能与部署成本。
• 提供一个仿真框架，使在实际部署前能够早期进行传感器布局的设计与评估。
• 通过基于真实人类活动轨迹生成的合成行为模型，克服多住户场景下的数据稀缺问题。

提出的方法

• MoSen 使用单个住户的真实室内活动与移动轨迹数据，生成合成的多住户行为模型。
• 通过整合户型图与传感器布局的虚拟环境，模拟传感器与住户的交互。
• 该框架集成基于RTLS的定位技术，自动将传感器事件标注为住户身份，实现准确的标识标签化。
• 在不同住户数量（2–5人）、传感器密度和定位分辨率下评估系统性能。
• 通过追踪驱动的仿真，分析单个传感器对整体标注准确率的敏感度与贡献度。
• 基于性能-成本权衡，推导出传感器选择策略，优先选择影响大且冗余低的传感器。

实验结果

研究问题

• RQ1 住户数量如何影响基于传感器的活动识别系统的标注准确率？
• RQ2 定位分辨率对识别准确率与系统成本有何影响？
• RQ3 传感器密度如何影响多住户家庭中传感器网络的性能与成本效益？
• RQ4 何种传感器配置可在最小化部署成本的同时最大化标注准确率？
• RQ5 如何通过合成行为模型提升真实世界中基于传感器的活动识别系统的设计？

主要发现

• 在5人场景下，MoSen的传感器选择策略显著提升了整体系统性能，且未增加部署成本。
• 更高的定位分辨率可提升识别准确率，但会增加成本，凸显了系统设计中的关键权衡。
• 传感器敏感度随距离变化；检测半径更大的传感器对定位精度不敏感，覆盖范围更广。
• 该框架识别出对标注准确率贡献最大的特定传感器，支持针对性部署并降低总成本。
• 活动识别的性能显著受住户数量、传感器布局与定位分辨率的影响。
• MoSen 能够在真实部署前有效模拟与设计传感器网络，降低配置不优的风险。