CN101861607B - 用于占用估计的系统和方法 - Google Patents

用于占用估计的系统和方法 Download PDF

Info

Publication number
CN101861607B
CN101861607B CN200880116675.5A CN200880116675A CN101861607B CN 101861607 B CN101861607 B CN 101861607B CN 200880116675 A CN200880116675 A CN 200880116675A CN 101861607 B CN101861607 B CN 101861607B
Authority
CN
China
Prior art keywords
occupant
estimation
model
section
takies
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200880116675.5A
Other languages
English (en)
Other versions
CN101861607A (zh
Inventor
V·阿特拉兹赫夫
S·F·布尔拉特斯基
O·A·瓦西耶夫
N·S·埃里克马
R·N·托马斯蒂克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Raytheon Technologies Corp
Original Assignee
United Technologies Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by United Technologies Corp filed Critical United Technologies Corp
Priority to CN201410164316.4A priority Critical patent/CN103942624B/zh
Publication of CN101861607A publication Critical patent/CN101861607A/zh
Application granted granted Critical
Publication of CN101861607B publication Critical patent/CN101861607B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

一种系统基于预测占用者经过区域的移动的基于动力运动(KM)的模型来生成占用估计，该区域被划分成多个区段。该系统包括用于执行表示基于KM的模型的算法的控制器。基于KM的模型包括把多个区段的每个定义为包含阻塞部分和未阻塞部分的状态方程。状态方程部分地基于在每个区段的阻塞部分和未阻塞部分之间进行的区分来定义占用者的移动。

Description

用于占用估计的系统和方法
技术领域
本发明涉及估计区域的占用(occupancy)，并且更具体地涉及基于占用者交通(traffic)模型估计该区域内人的占用。
背景技术
关于特定区域的占用的知识可以用于各种应用中。例如，建筑物内的占用的知识可以用来改善建筑物的效率、舒适性和便利性并且在紧急情形下通过提供关于占用者位置的信息而改善第一响应者的搜寻和营救努力。典型地，仅基于传感器提供的数据来确定建筑物占用。这些占用估计可能由于传感器数据的缺乏或者传感器数据误差随时间的累积而导致生成误差。
发明内容
本文描述了一种用于估计区域中的占用的系统。该系统包括用于执行算法的控制器，该算法生成与多个区段的每个内的预测的占用者移动相关联的占用估计。该算法是基于动力运动(KM)的模型，该基于KM的模型基于在每个区段的阻塞部分和未阻塞部分之间的建模区分来预测占用者移动。该系统还包括输出，该输出在工作中被连接到该控制器以传送由该算法生成的占用估计。
在另一个方面，本文描述了一种用于估计被划分成多个区段的区域中的占用的方法。该方法包括把多个区段的每个建模为包含阻塞部分和未阻塞部分。该方法还包括基于状态方程来计算多个区段内的基于模型的占用预测，所述状态方程建模每个区段的阻塞部分中的占用者移动、建模每个区段的未阻塞部分中的占用者移动、以及部分地基于特定区段的入口被建模为阻塞还是未阻塞来建模区段之间的占用者移动。
在另一个方面，本文描述了一种用于估计被划分成多个区段的区域中的占用的系统。该系统包括用于把多个区段的每个建模为包含阻塞部分和未阻塞部分的装置。该系统还包括用于基于状态方程来计算多个区段内的基于模型的占用预测的装置，所述状态方程建模每个区段的阻塞部分中的占用者移动、建模每个区段的未阻塞部分中的占用者移动、以及部分地基于特定区段的入口被建模为阻塞还是未阻塞来建模区段之间的占用者移动。
在另一个方面，本文描述了一种用机器可读计算机程序代码编码的计算机可读存储介质，所述机器可读计算机程序代码用于生成区域的占用估计，该计算机可读存储介质包括用于使控制器实施方法的指令。该计算机程序包括用于把多个区段的每个建模为包含阻塞部分和未阻塞部分的指令。该计算机程序还包括用于基于状态方程来计算多个区段内的基于模型的占用预测的指令，所述状态方程建模每个区段的阻塞部分中的占用者移动、建模每个区段的未阻塞部分中的占用者移动、以及部分地基于特定区段的入口被建模为阻塞还是未阻塞来建模区段之间的占用者移动。
附图说明
图1A是被划分成许多区的建筑物的楼层的示意图。
图1B是对建筑物楼层的各区之间的连接进行建模的图示。
图2是图解基于传感器数据、传感器模型和占用者交通模型计算占用估计的流程图。
图3A和3B是图解为计算占用估计而采用的扩展卡尔曼(Kalman)滤波器算法的示例性实施例的流程图。
图4A和4B是图解其中与区域之间的占用者流相关联的状态变量受约束的实施例之间的差别的曲线图。
图5A是建筑物的楼层的示意图。
图5B是图解如何解释建筑物的楼层平面以由基于动力运动(KM)的模型分析的图示。
图6A是图解使用基于KM的模型来建模单个房间中的占用者的图示。
图6B是图解使用基于KM的模型来建模单个房间中的占用者的图示，包括建模房间内的阻塞。
图7A-7E是图解扩展卡尔曼滤波器的实施例的估计准确性的曲线图。
图8是图解集中占用估计系统的框图。
图9A-9C是图解许多分布式占用估计系统的框图。
具体实施方式
本申请公开了一种与由Robert Tomastik于2007年9月19日提交的、被指定PCT序列号US07/20291且题为“System and Method forOccupancy Estimation”的申请有关的系统和方法。该申请公开了一种用于基于占用者交通模型估计占用的系统和方法。在一个示例性实施例中，仅基于占用者交通模型来估计占用。在另一个示例性实施例中，基于由占用者交通模型生成的占用预测来估计占用，基于所接收的传感器数据校正所述占用。本申请对先前申请的范围进行了扩展，公开了实施占用者估计的另外的实施例和方法。
占用者交通模型试图预测占用者将如何在整个区域中移动。在一个实施例中，占用者交通模型是单阶段(single-phase)占用者交通模型，该单阶段占用者交通模型基于占用者如何可以从一个区域流动到另一个区域的模型来预测占用者的移动。在另一个实施例中，占用者交通模型是基于动力运动(kinetic motion，KM)的模型，该基于动力运动(KM)的模型使用两阶段法来建模占用者如何在相邻区域之间移动。具体而言，该两阶段法考虑交通阻塞如何影响占用者经过区域的移动。
在这两种情况下，占用者交通模型是基于在整个区或区域中占用者的历史或预期交通模式并且可以考虑诸如区域或建筑物的布局之类的因素。例如，建筑物布局可以包括描述出口、过道、办公室的位置以及相关过道和办公室的占用限制的信息。另外，占用者交通模型可以是描述区域内占用者的预测移动或交通模式的数学模型、统计模型或者计算机模拟。
在示例性实施例中，由占用者交通模型生成的估计与传感器数据结合采用以生成占用估计。传感器数据可以由各种不同类型的传感器装置提供，每个传感器装置提供不同类型的传感器输出，所述传感器输出被分析以检测在整个区或区域中的占用者移动或位置。为此，本发明公开了一种占用估计器，该占用估计器把传感器数据和占用者交通模型当作输入，并且执行算法以基于所提供的输入来生成对该区或区域的占用估计。基于传感器数据和占用者交通模型的占用估计提供比仅基于传感器数据或仅基于模型的估计结果更加准确的占用估计。除了提供对占用和移动与其变化的更加准确的估计的好处以外，传感器数据与占用者交通模型的组合允许连续估计建筑物占用，即使缺乏来自一个或多个传感器的数据或者暂停传输传感器数据也是如此。在传感器可能被禁用或毁坏的紧急情形下这可能尤其有益。
在另一个示例性实施例中，占用者交通模型在估计占用中作为独立工具(例如没有传感器数据反馈)进行操作。这个实施例尤其适合于可以预期占用者向所限定的出口移动的流出操作模式。
图1A和1B图解了将在整个本描述中用来辅助描述占用估计算法的示例，其中占用估计是对建筑物的特定楼层做出的。关于本实施例所描述的概念可以应用于各种场景或位置(例如，户外、火车站、飞机场等等)。图1A图解了办公楼中的单个楼层的布局。在这个实施例中，楼层平面已被划分成五个单独区(标为区1、2、3、4和5)。在另一个实施例中，楼层平面基于各个办公室和房间的位置进行进一步的细分(即，基于地点的细分)。在图1A和1B所图解的区模型中，在每个出口处以及在每个相邻区1-5之间的边界包括用于检测占用者从一个区到另一个区的移动的传感器(未示出)。在其它实施例中，为改善占用估计的分辨率、可靠性和/或准确性，或者如果在边界处的传感器不存在或不在运行，可以在每个区中定位附加传感器。
图1B是图解图1A中定义的五个区的图示。标为1、2、3、4和5的大圆表示五个区，而标为6、7、8、9和10的较小圆表示建筑物中的出口。连接这些区的线指示存在连接相邻区的通道或过道。在相邻区之间移动的占用者的数量由变量yi，j(t)表示。位于特定区中的占用者的数量由变量xi(t)表示(未示于图1B中)。
术语‘区域’在整个描述中用来指代区域以及该区域的各个分部。例如，在图1A和1B所示的示例性实施例中，术语‘区域’总体上指代楼层平面以及指代各个子区域或区1-5。因此，生成该区域的占用估计将包括生成每个单独区的占用估计。
另外，术语‘占用估计’被用于整个描述中并且通常指代与占用有关的输出。因此，对区域的占用估计可以包括这样的数据，所述数据诸如区域内占用者的数量的平均估计、与和占用的区域变化相关联的所有可能占用水平相关联的概率、指示与占用的估计相关联的置信可靠性的数据(例如，协方差)、以及其它与占用有关的类似有用数据。因此，在图1A和1B所示的示例中，为区域生成的占用估计将包括为区1-5每个生成的任一上面列出的数据。
图2是图解被提供到占用估计算法20的输入的示例性实施例的高级框图。被提供到占用估计算法20的输入包括传感器数据z(由一个或多个传感器装置提供)、传感器模型h、以及占用者交通模型f。占用估计算法20基于传感器数据z、传感器模型h、以及占用者交通模型f导出占用估计
Figure GPA00001138900500051
例如，在图1A和1B所示的示例性实施例中，占用估计算法20为五个区中的每个生成占用估计
Figure GPA00001138900500052
在其它实施例中，对特定楼层平面中的每个房间做出估计。在示例性实施例中，传感器数据z和占用估计
Figure GPA00001138900500053
被表示为向量，尽管在其它示例性实施例中可以以其它合适格式提供传感器数据。占用者交通模型f是用于预测在整个区域中占用者的预期交通模式的数学、计算机模拟或统计模型，其中这样的模型可以使用该区域中占用的先前估计。例如，占用者交通模型f可以应用于建筑物的每个区中的占用的先前估计以生成建筑物的每个区中的占用的预测估计或基于模型的估计。
然后由占用估计算法20将通过应用占用者交通模型f(例如，单阶段模型或基于KM的模型)而生成的基于模型的占用估计与传感器数据z(如果可用的话)进行组合。占用估计算法20将由占用者交通模型f提供的基于模型的占用估计与传感器数据z进行组合，这是通过基于每个输入的预测可靠性给相应输入分配权重实现的。例如，如果传感器数据z被确定为是高度可靠的，则占用估计算法20给传感器数据z分配较高权重并且对应的占用估计
Figure GPA00001138900500054
在很大程度上基于所提供的传感器数据z。反之，如果传感器数据z被确定为是高度不可靠的，则更多权重被给予由占用者交通模型f提供的基于模型的占用估计。
根据基于模型的占用估计、传感器数据z以及与这两个输入相关联的加权，占用估计算法20为区域生成占用估计
Figure GPA00001138900500055
例如，关于图1A和1B所示的楼层平面，为区域生成占用估计
Figure GPA00001138900500056
可以包括为五个区1-5的每个生成占用估计。另外，占用估计
Figure GPA00001138900500057
可以包括这样的数据，所述数据诸如与五个区的每个区相关联的平均占用估计、与五个区的每个区的每个可能占用水平相关联的概率、与五个区的每个区内或之间的占用者移动有关的数据、以及与五个区的每个区的上述估计相关联的可靠性(例如协方差值)。
另外，作为部分占用估计生成的数据可以彼此相互关联。例如，区域中的占用概率可以由概率分布函数(PDF)描述为概率分布，该概率分布函数(PDF)定义与每个可能状态或占用水平相关联的可能性。曲线的峰值将表示与该区相关联的最可能占用估计，但另外，曲线的形状(例如，与曲线相关联的标准差)将提供与占用估计相关联的置信度或可靠性的指示。在其它实施例中，占用估计
Figure GPA00001138900500062
可以包括与估计相关联的置信区间、与占用估计相关联的协方差、或者其它指示与占用估计
Figure GPA00001138900500063
相关联的置信度或可靠性的可靠性计算。
在示例性实施例中，由占用估计算法20生成的占用估计
Figure GPA00001138900500064
是实时生成的，这允许占用估计用于实时应用(例如，作为第一响应者的输入)。在示例性实施例中，占用估计
Figure GPA00001138900500065
可以用于建筑物内的占用的预见性或事后估计。在又一个示例性实施例中，占用估计
Figure GPA00001138900500066
可以用来预测不久将来的占用估计。不久将来的占用估计可能在控制应用(诸如基于建筑物内占用者的预期的不久将来的移动的电梯呼叫)中有用。不久将来的占用估计也可能对第一响应者有用以提供不仅关于占用者的当前位置而且关于建筑物占用者的可能将来位置的数据。
在示例性实施例中，占用估计算法20是扩展卡尔曼滤波器(EKF)，EKF是用于基于观测和模型生成系统的状态估计的熟知算法。在其它实施例中，可以采用其它类型的能够组合传感器数据和基于模型的估计的滤波器(例如，传统卡尔曼滤波器)。EKF的好处是基于所接收的传感器数据z和占用者交通模型f实时提供计算的能力。在示例性实施例中，EKF采用占用者交通模型f以基于当前或目前占用估计来生成预测的或基于模型的占用估计。
EKF可以利用单阶段占用者交通模型或基于动力运动(KM)的占用者交通模型。将首先讨论单阶段占用者交通模型，包括占用估计算法20如何结合单阶段占用者交通模型以生成占用估计
Figure GPA00001138900500067
关于图5A-6B讨论基于KM的占用者交通模型。
在示例性实施例中，扩展卡尔曼滤波器(以单阶段模型或基于KM的模型为基础)占用估计的一般方程由以下方程定义：
x(t+1)＝f(t，x(t))+v(t)            方程1
其中x(t)表示在时间t时在区域中(例如图1A和1B所示的示例中的每个区中)的占用，f(例如，单阶段占用者交通模型)是时间t和状态x(t)的某个非线性函数，并且v(t)是过程噪声，表示占用者在区域中如何移动的不确定性。非线性函数f的结构与区域相关。因而，在与建筑物中的占用估计有关的示例中，函数f的精确形式将根据建筑物的布局(以及别的因素)而改变。另外，因为f的结构描述区域内占用者的预期交通模式，所以函数f的形式也可能基于区域的‘模式’而改变。模式定义区域的操作状态。例如，在火灾或类似的紧急情况期间，建筑物将处于流出模式(即疏散模式)，其中所有占用者被建模成向可用的出口移动。其它模式可以专用于时刻(例如，上午活动的建筑物模式相对下午活动的建筑物模式)或其它因素。
为了简单起见，以下示例假设流出模式，这是通过基于图1A和1B所图解的楼层平面的示例进行描述的。因此，以下方程描述区域(例如，图1A和1B所示的楼层平面的区)的单阶段占用者交通模型f：
x1(t+1)＝x1(t)+y21(t)+y31(t)-y16(t)            方程2
其中x1(t+1)表示在时间t+1时在区1中的状态(例如，占用者的数量)，x1(t)表示在时间t时在区1中的占用者的先前状态，y21(t)表示在时间t时从区2移动到区1的占用者的数量，y31(t)表示在时间t时从区3移动到区1的占用者的数量，并且y61(t)表示在时间t时经由出口6从区1移动(离开)的占用者的数量。该模型对于未命令占用者向出口移动的非流出模式而言将有所不同。例如，占用者的移动将不受限于从区2移动到区1，而是还将包括从区1移动到区2。占用者交通模型f的结构因此部分依赖于建筑物的布局并且可以在区域之间有所不同。在基于上面示例的示例性实施例中，有关从区1到出口6的占用者流的函数被建模为：
y16(t)＝min[x1(t)，α*C16]            方程3
其中C16表示从区1到出口6的链路的流量容力并且基于从区1到出口6的通道的物理特性进行选择，并且参数α是对特定设计所特有的调整参数。
在基于这个示例的实施例中，有关从区2到区1的占用者流的函数被建模为：
y21(t)＝min[a21x2(t)*β/C2*(C1-x1(t))/C1，C21]        方程4
其中a21是区2中的把区1中的出口作为最近出口的占用者的百分比，项β/C2表示占用者移动穿过区2的延迟，C2是区2的最大占用(即，C2与对应于区2的面积成比例)，项(C1-x1(t))/C1表示减慢占用者移动到该区内的区1中的拥塞，C21是是从区2到1的链路容量，并且最后β是调整参数。区3和区1之间的流动将以用于建模区2和区1之间的流动的相同方式进行建模。以此方式，单阶段占用者交通模型f基于关于每个区中的占用的当前信息来做出关于特定区中的占用的预测。在其它实施例中，可以采用附加建模参数来建模通过区域的移动的另外方面。
用来计算基于模型的占用估计的方程(即方程1)的第二分量是由项v(t)表示的过程噪声。过程噪声项v(t)计及占用者如何在各区之间移动的不确定性。用于建模过程噪声v(t)的直接简单办法是假设方程1中的过程噪声v(t)是零平均值的高斯型(Gaussian)，其方差与状态x(t)成比例且在各区之间独立。在采用扩展卡尔曼滤波器的实施例中，过程噪声的协方差矩阵被设定为等于具有与当前估计的状态方差对应的元素的对角矩阵。
在示例性实施例中，占用估计算法(例如，扩展卡尔曼滤波器)还利用由以下方程描述的传感器模型h：
z(t)＝h(t，x(t))+w(t)                方程5
其中输出向量z(t)表示在时间t时五个区的每个区中的占用测量，函数h是传感器模型并且是时间和占用估计x(t)的函数，并且w(t)是传感器噪声。例如，在图1A和1B所示的实施例中，传感器装置被定位在相邻区之间的每个边界上以及在每个出口处。在示例性实施例中，针对图1A和1B所示的示例所得到的传感器模型(与区1有关)被表达为：
z1(t)＝z1(t-1)+φ21(t)+φ31(t)-φ16(t)            方程6
其中z1(t-1)表示区1中的占用者的(基于传感器输入的)先前测量，
Figure GPA00001138900500081
表示指示从区2到区1的占用者移动的传感器输出，
Figure GPA00001138900500082
表示指示从区3到区1的占用者移动的传感器输出，并且
Figure GPA00001138900500083
表示指示从区1到出口6的占用者移动的传感器输出。由传感器装置提供的传感器读数可能是错误的，并且方程6中定义的z1(t)因此可能基于传感器读数的误差而随时间累积误差。然而，在采用扩展卡尔曼滤波器的实施例中，传感器噪声w(t)被建模为零平均值的白噪声，其中方差等于仅传感器估计器(即，如果占用估计仅基于传感器输入而没有基于占用者交通模型)的估计方差。在示例性实施例中，通过对由传感器装置提供的输出(例如，
Figure GPA00001138900500091
)应用传感器模型h来分析传感器数据z(t)。在另一个示例性实施例中，对传感器数据z(t)执行预处理以使得被提供到占用估计算法20的传感器数据反映基于所接收的传感器数据的区占用估计(如关于图3A和3B更详细描述的)。
图3A和3B是流程图，每个图解了占用估计算法20如何操作以组合传感器数据z(t)、传感器模型h和占用者交通模型f(t)来生成占用估计的示例性实施例。这两个实施例采用扩展卡尔曼滤波器，其中基于模型的估计或状态预测用传感器数据进行校正以提供利用占用者交通模型和传感器数据两者的输出(被称为状态估计)。图3A所示的实施例和图3B所示的实施例之间的主要差别在于对状态变量的处理。在图3A中，仅占用估计
Figure GPA00001138900500092
(即特定区域中人数估计)被视为状态变量。结果，仅占用估计
Figure GPA00001138900500093
用传感器数据进行校正。在图3B所示的实施例中，占用估计
Figure GPA00001138900500094
和相邻区域之间的占用者流
Figure GPA00001138900500095
两者被包括作为状态变量，意味着两者都由可用的传感器数据z(t)校正。另外，图3B所示的实施例描述了如何还可以把约束并入状态估计的计算中(而不管是否占用和流两者被定义为状态变量)。
关于图3A，流程图的左侧图解了为更新占用的状态估计
Figure GPA00001138900500096
而采用的算法步骤，而图3A的右侧图解了为生成协方差估计P(t|t)而采用的算法。协方差估计P(t|t)是与占用估计相关联的不确定性的度量。在图3A所示的示例性实施例中，传感器数据z(t)与占用估计
Figure GPA00001138900500098
都为向量，尽管在其它示例性实施例中一者或两者可以是标量。
在这个实施例中，计算或更新占用估计
Figure GPA00001138900500099
始于(由扩展卡尔曼滤波器算法或由某种初始化程序在先前迭代中生成的)当前占用估计
Figure GPA000011389005000910
如在步骤30所示。占用估计的符号表示这是基于来自时间t的观测(即，模型输出和传感器更新两者的组合)的、对于时间t的占用估计。在步骤32，占用者交通模型f(t)被应用于当前占用估计以生成占用预测或基于模型的占用估计
Figure GPA000011389005000913
也就是说，基于当前状态估计和占用者交通模型f(t)来预测下一状态的占用。符号表示这是基于在时间t做出的观测的、对于时间t+1的状态预测(即，该更新不是基于最近观测的事件)。在步骤34，传感器模型h被应用于基于模型的占用估计
Figure GPA000011389005000915
以生成测量预测
Figure GPA000011389005000916
测量预测
Figure GPA000011389005000917
表示以基于模型的占用预测
Figure GPA00001138900500101
为基础的预期传感器测量。例如，如果基于模型的占用预测
Figure GPA00001138900500102
预测占用者添加到区1(在这种情况下是从区2)，则测量预测z21(t+1|t)将指示一个占用者被检测到从区2进入区1的预测传感器测量或观测。
在步骤36，测量预测
Figure GPA00001138900500103
与实际传感器数据z(t+1)进行比较以生成由修正(innovation)变量u(t+1)表示的差信号。在这个实施例中，传感器数据z(t+1)已被预处理以提供表示在区之间移动的所检测到的占用者的值。在其它实施例中，传感器模型h或某个其它函数将需要被应用于输入的传感器数据以便解释该数据以使得z(t+1)表示所检测到的区之间占用者移动。基于传感器数据z(t+1)和测量预测
Figure GPA00001138900500104
之间的比较，确定修正u(t+1)。在示例性实施例中，修正u(t+1)指示(在步骤34计算的)预期传感器输出和实际观测的传感器输出之间的差。例如，使用上面描述的示例，基于模型的占用估计x1(t+1|t)预测一个占用者从区2进入区1，导致z21(t+1|t)的对应测量预测等于一。如果传感器数据z21(t+1)改为等于零，则修正u21(t+1)将指示预测值和实际传感器值之间的差或误差(在这种情况下误差为一)。
在步骤38，基于占用预测
Figure GPA00001138900500105
修正u(t+1)以及关于协方差计算更详细讨论的加权系数W(t+1)，更新占用估计
Figure GPA00001138900500106
如由这个方程所指示的，所更新的占用估计是以基于模型的占用估计
Figure GPA00001138900500108
和观测的传感器数据z(t+1)为基础的，所述占用估计
Figure GPA00001138900500109
是基于占用者交通模型f(t)生成的。更新的状态估计
Figure GPA000011389005001010
变成下一迭代中的当前状态估计
Figure GPA000011389005001011
作为占用者交通模型f(t)和传感器数据z(t+1)两者的结果生成状态估计的好处是即使缺乏传感器数据但还生成指示占用的状态估计的能力。在这种情况下，预测测量
Figure GPA000011389005001012
和传感器数据z(t+1)之间的误差将增大，但是仍可以基于部分传感器数据z(t+1)和占用者交通模型f(t)或者如果没有传感器数据可用的话全部基于占用者交通模型f(t)，来生成占用估计
Figure GPA000011389005001013
在图3A所示的实施例中，协方差估计P(t|t)连同状态估计
Figure GPA000011389005001014
一起被生成为输出。状态估计
Figure GPA000011389005001015
指示占用的最佳猜测或估计，而协方差指示与占用估计相关联的置信水平。状态估计和协方差P(t|t)一起定义可以用来描述状态估计和与该估计相关联的置信度的概率分布函数(PDF)。如上面所讨论的，术语占用估计广义上不仅指代关于区域中的实际占用者数量的估计而且指代诸如与占用者估计(例如，
Figure GPA00001138900500111
)的实际数量结合计算的协方差估计P(t|t)的数据。
计算或更新协方差估计P(t+1|t+1)始于当前协方差估计P(t|t)，如在步骤40所示。在步骤42，基于先前的占用估计来评价占用者交通模型f(t)以生成表示为F(t)的雅可比矩阵。在步骤44，雅可比矩阵F(t)、初始协方差估计P(t|t)和与占用者交通模型相关联的不确定性值Q(t)用来生成预测协方差P(t+1|t)。在步骤45，基于先前估计来评价传感器模型h(t)以生成表示为H(t)的雅可比矩阵。在步骤46，雅可比评价H(t)和与传感器模型相关联的不确定性R(t)被应用于预测协方差P(t+1|t)以生成修正协方差S(t+1)。在步骤48，修正协方差的逆S(t+1)-1用来生成加权参数W(t+1)，该加权参数W(t+1)表示在步骤38被应用于传感器数据的加权。
如通过协方差计算所示的加权参数W(t+1)，基于传感器模型和占用者交通模型对待应用于传感器数据的置信水平进行加权，以使得更新的状态估计
Figure GPA00001138900500112
反映哪个输入是最可靠的确定。也就是说，如果与传感器数据z(t)相关联的置信水平高(或者基于模型的占用估计中的置信度低)，则在步骤38应用于修正u(t+1)的滤波器增益值W(t+1)导致对传感器数据z(t)比对由占用者交通模型f(t)生成的占用预测
Figure GPA00001138900500114
的结果提供更大权重的占用估计。同样，如果滤波器增益值W(t+1)指示与传感器数据z(t+1)相关联的低置信度(或者基于模型的占用估计中的置信度高)，则所更新的状态估计将更多地受基于模型的占用估计
Figure GPA00001138900500115
的结果影响而更少地受相关传感器数据z(t)影响。例如，在传感器被烟或火损坏的情形下，则降低其输出的相关置信度以使得占用估计更多地受对状态估计
Figure GPA00001138900500116
应用占用者交通模型f(t)的结果影响。
传感器数据z(t)的加权还可以计及与用于提供传感器数据z(t)的传感器装置类型相关联的可靠性。一些传感器比其他传感器固有地更加可靠，而其他传感器可能在一些情况下是可靠的而在其他情况下是不可靠的。类似于占用者交通模型f计及建筑物的布局所用的方式，传感器模型h可以用来计及传感器装置类型的变化。例如，运动检测传感器装置可以用来检测房间是否被占用，但是不提供关于房间中的占用者数量的信息(即，二进制输出)。在这种情形下，来自运动检测传感器的指示房间未被占用的数据(即，特定房间的传感器数据z房间(t+1)＝0)可以被认为是高度可靠的。然而，来自运动检测传感器的指示房间被占用的数据(即，特定房间的传感器数据z房间(t+1)＝1)可以被认为是不大可靠的，因为该数据未计及另外的占用者可能存在于该房间中的可能性。在一个实施例中，传感器模型h计及传感器类型，并且基于房间的大小(或者某个其他变量)分配位于房间中的预期占用者数量。另外，与特定传感器装置提供的数据相关联的可靠性可以基于传感器装置的类型以及从传感器装置接收的输入进行选择性的修改。
在步骤50，基于滤波器增益值W(t+1)、修正协方差S(t+1)和预测协方差P(t+1|t)来更新状态协方差P(t|t)以生成更新的协方差值P(t+1|t+1)。这个值反映了占用估计值
Figure GPA00001138900500121
中的置信水平。
在图3A所示的实施例中，占用估计算法20组合传感器数据z(t)和基于模型的占用估计所述基于模型的占用估计
Figure GPA00001138900500123
是基于先前占用估计和占用者交通模型f(t)生成的。具体而言，这种方法对传感器数据z(t)和占用者交通模型f(t)两者应用扩展卡尔曼滤波器技术以生成把这些输入的可靠性考虑在内的占用估计
Figure GPA00001138900500124
该结果是高度可靠的占用估计
Figure GPA00001138900500125
以及提供对所提供占用估计的相关可靠性的指示的协方差估计P(t+1|t+1)。
图3B是图解如何用扩展卡尔曼滤波器实施(如图2所示的)占用估计算法20的另一个示例性实施例的流程图，该扩展卡尔曼滤波器组合传感器数据z(t)、传感器模型h和占用者交通模型f(t)来生成占用估计。如上面所讨论的，术语占用估计被广义地用来描述占用估计器滤波器20的输出，该输出在这个示例性实施例中包括平均估计(在图3B的左侧进行计算且被称为状态变量)和与每个平均估计相关联的协方差(在图3B的右侧计算的协方差且被称为P(t|t))。与图3A所示的仅采用占用估计
Figure GPA00001138900500127
作为状态变量的实施例相比，这个实施例包括占用估计
Figure GPA00001138900500128
和流估计
Figure GPA00001138900500129
二者作为状态变量。项
Figure GPA000011389005001210
表示这两个估计都是状态变量，每个被提供为占用估计算法20的输出。
r ^ ( t | t ) = [ x ^ ( t | t ) y ^ ( t | t ) ] 方程7
项
Figure GPA000011389005001212
将通常被称为状态估计，但是如方程7所示的那样包括反映在时间t时在区域中的人数估计的占用估计
Figure GPA000011389005001213
以及反映从一个区域流动到另一个区域的人数的占用者流估计
Figure GPA000011389005001214
例如，如图1B所图解的，
Figure GPA000011389005001215
描述在给定的时间步长从区2移动到区域1的占用者的数量。这与图3A所示的实施例形成对比，在图3A所示的实施例中在相邻区域之间移动的占用者的数量由占用者交通模型f(t)来建模，但未被作为状态变量包括进来。
关于图3B，流程图的左侧再次图解了为更新状态估计
Figure GPA00001138900500131
而采用的算法步骤，而图3B的右侧图解了为生成协方差估计P(t|t)而采用的算法。再次，协方差估计为包括占用者估计
Figure GPA00001138900500132
和流估计
Figure GPA00001138900500133
两者的每个状态变量生成协方差值。协方差估计P(t|t)是与状态估计
Figure GPA00001138900500134
相关联的不确定性的度量。再次，可以基于每个状态估计和对应的协方差来生成概率分布函数。在图3B所示的示例性实施例中，传感器数据z(t)与状态估计
Figure GPA00001138900500135
两者都为向量(尽管为简单起见它们没有被如此描绘)，尽管在示例性实施例中一者或两者可以是标量。
一般而言，图3B所示的扩展卡尔曼滤波器以与图3A所示的扩展卡尔曼滤波器相同的方式进行操作。在步骤62，占用者交通模型f(t)基于(在先前迭代中由扩展卡尔曼滤波器算法或由某种初始化程序所生成的)先前状态估计
Figure GPA00001138900500136
来生成状态预测
Figure GPA00001138900500137
再次，状态估计
Figure GPA00001138900500138
的符号表示这是基于来自时间t的观测的、对于时间t的状态估计(即，模型输出和传感器更新两者的组合)。符号
Figure GPA00001138900500139
表示这是基于在时间t时做出的观测的、对于时间t+1的状态预测(即，该更新不是基于最近观测的传感器数据)。
在步骤64，传感器模型h被应用于基于模型的状态估计
Figure GPA000011389005001310
以生成测量预测
Figure GPA000011389005001311
测量预测
Figure GPA000011389005001312
表示以基于模型的状态预测
Figure GPA000011389005001313
为基础的预期传感器测量。这应用于预期在特定区域内检测的占用者数量以及预期被检测到从一个区流动到另一个区的占用者数量。例如，如果基于模型的流估计预测
Figure GPA000011389005001314
预测一个占用者从区2流动到区1，则测量预测z21(t+1|t)将指示一个占用者被检测到从区2进入区1的预测传感器测量或观测。
在步骤66，测量预测
Figure GPA000011389005001315
与实际传感器数据z(t+1)进行比较以生成由修正变量u(t+1)表示的差信号。再次，修正u(t+1)指示(在步骤64计算的)预期传感器输出和实际观测的传感器输出之间的差。例如，使用上面描述的示例，基于模型的流估计
Figure GPA000011389005001316
预测一个占用者从区2进入区1，导致z21(t+1|t)的对应测量预测等于一。如果传感器数据z21(t+1)改为等于零，则修正u21(t+1)将指示预测值和实际传感器值之间的差或误差(在这种情况下误差为一)。
在步骤68，基于状态预测
Figure GPA00001138900500141
修正u(t+1)、关于协方差计算更详细讨论的加权系数W(t+1)、以及一个或多个约束，来更新状态估计
Figure GPA00001138900500142
这个步骤的形式类似于图3A所图解的步骤38，除了这个步骤图解了如何采用一个或多个约束来把更新的状态估计
Figure GPA00001138900500143
投影到允许的或可行的范围。这个步骤也可以被用于图3A所示的实施例中，但在此示出以图解这两个实施例之间的差别。
一般而言，EKF未被设计成考虑这样的约束，诸如非负占用估计、占用的上限、以及与相邻区域之间的占用者流相关联的有限速率。可以通过为每个状态变量(例如，
Figure GPA00001138900500144
或者
Figure GPA00001138900500145
)定义该状态变量到凸区域上的投影来考虑这样的‘硬’约束，已知状态过程演变到该凸区域(标为
Figure GPA00001138900500146
)，如以下方程所示。
Figure GPA00001138900500147
方程8
具体而言，这是
Figure GPA00001138900500148
以加权欧几里得(Euclidean)范数表示的到
Figure GPA00001138900500149
的投影，其中加权矩阵由协方差矩阵P(t|t)的逆指定。
更新的状态估计然后由以下方程定义。
Figure GPA000011389005001410
方程9
如所示，方程8的形式类似于图3A的步骤38中图解的方程，除了方程8把状态变量投影到由
Figure GPA000011389005001411
定义的可行范围。对于关于状态变量到允许的或可行范围内的投影的附加细节，参见“T.-L.Chia，ParameterIdentification and State Estimation of Constrained Systems，博士论文，Case WesternReserve University，Cleveland，OH 1985”。
在诸如图3A所示的实施例的示例性实施例中，所更新的状态估计变成下一迭代中的当前状态估计
Figure GPA000011389005001413
然而，在图3所示的实施例中，在步骤69，基于一个或多个约束进一步处理所更新的状态估计
Figure GPA000011389005001414
例如，在这个步骤所采用的约束可以包括被建模为物理上能够占用特定房间的占用者数量或者在特定时间步长中能够在相邻房间或区域之间流动的占用者数量。例如，被建模为存在于特定房间中的占用者数量不应当小于零，但必须小于(基于房间大小而定义的)某个大的数。基于这些约束中的一个或多个，在步骤68生成的状态估计被投影到可能结果的范围内。在这个实施例中，所投影的状态估计
Figure GPA000011389005001415
将变成当前状态估计
在这个实施例中，扩展卡尔曼滤波器算法对位于每个区域中的占用者数量
Figure GPA00001138900500152
以及在每个区域之间流动的占用者数量进行建模并且用传感器数据校正每个预测。这种系统的好处是即使缺乏传感器数据也可生成估计的能力。
协方差估计P(t|t)连同状态估计
Figure GPA00001138900500154
一起被生成为输出并且指示与状态估计相关联的置信水平。因此协方差估计P(t|t)将包括与这两个状态变量(占用估计
Figure GPA00001138900500155
和流量估计
Figure GPA00001138900500156
)有关的项。
计算或更新协方差估计P(t+1|t+1)始于当前协方差估计P(t|t)，如在步骤70所示。在步骤72，基于先前的占用估计来评价占用者交通模型f(t)以生成表示为F(t)的雅可比矩阵。在步骤74，雅可比矩阵F(t)、初始协方差估计P(t|t)和与占用者交通模型相关联的不确定性值Q(t)用来生成预测协方差P(t+1|t)。
在这个实施例，预测协方差P(t+1|t)具有涉及每个区域的占用估计
Figure GPA00001138900500157
和每个区域之间的占用者流估计
Figure GPA00001138900500158
的项。如上所述，区域之间(在这个示例中，区2和区1之间)的占用者流由以下方程描述。
y21(t)＝min[a21x2(t)*β/C2*(C1-x1(t))/C1，C21]            方程10
如所示，项min[a，b]的功能是选择所计算的两个项中的最小值(即，项‘a’和项‘b’之间的最小值)。第一项a21x2(t)*β/C2*(C1-x1(t))/C1表示基于诸如下列因素在区域之间的预期占用者流：从区2移动到区1的占用者的预期百分比(a21)，区2中的占用者数量(x2(t))，以及可能影响占用者从区2到区1的流动的、区1中的占用者阻塞。项C21是流约束值，该流约束值在这个方程中设置在给定的时间步长中可以从区2流到区1的占用者数量的最大值。因而，如果方程8的左边项超过流约束值C21，则方程8把预期的流估计y21限制为等于流约束值C21。
在图3A所示的实施例中，占用者流
Figure GPA00001138900500159
未被视为状态变量，因此在计算与占用估计相关联的协方差时没有机会利用流约束。在图3B所示的实施例中，占用者流被视为状态变量，这允许在方程4中引入的(且在方程10中再现的)流约束项用来改善协方差计算(即，减小与状态估计
Figure GPA00001138900500161
相关联的不确定性)。在图3B中图解的流程图的步骤76，预测的协方差P(t+1|t)被修改以考虑流约束值。
图4A和4B图解了如何可以基于流约束值来修改概率分布函数(PDF)，该PDF是基于状态变量的预测平均估计和与状态变量相关联的协方差来生成的。图4A图解在没有考虑流约束的情况下与估计占用者流y21相关联的PDF(由线88图解)。因此，未经修改的PDF允许许多占用者在任何给定时间从一个区移动到另一个区的可能性具有不同的概率。图4B图解与估计占用者流y21相关联的PDF(由线90图解)，其中采用流约束来修改与在所定义的流约束阈值之上存在的流估计相关联的概率。因而，在流约束阈值之上存在的所有概率被合并到表示流约束阈值(例如C21)的值上。例如，如果流约束阈值C21等于三个占用者，则与在这些区之间流动的三个以上占用者相关联所有概率被移除并且合并到该阈值上。结果，与流约束阈值(例如C21)相关联的概率被分配为等于在阈值之上存在的概率之和的概率。这具有减小与流估计相关联的不确定性的效果，并因此改善与占用流估计
Figure GPA00001138900500162
相关联的协方差P(t|t)。
在步骤80，基于先前估计来评价传感器模型h(t)以生成表示为H(t)的雅可比矩阵。在步骤82，雅可比评价H(t)和与传感器模型相关联的不确定性R(t)被应用于修改的预测协方差P修改(t+1|t)以生成修正协方差S(t+1)。在步骤84，修正协方差的逆S(t+1)-1用来生成加权参数W(t+1)，该加权参数W(t+1)表示在步骤68被应用于传感器数据的加权。
通过协方差计算所示的加权参数W(t+1)基于传感器模型和占用者交通模型对待应用于传感器数据的置信水平进行加权，以使得更新的状态估计
Figure GPA00001138900500163
反映哪个输入是最可靠的确定。也就是说，如果与传感器数据z(t)相关联的置信水平高(或者基于模型的状态估计
Figure GPA00001138900500164
中的置信度低)，则在步骤68应用于修正u(t+1)的滤波器增益值W(t+1)导致对传感器数据z(t)比对由占用者交通模型f(t)生成的状态预测
Figure GPA00001138900500165
的结果提供更大权重的更新状态估计(t+1|t+1)。同样，如果滤波器增益值W(t+1)指示与传感器数据z(t+1)相关联的低置信度(或者基于模型的占用估计中的置信高)，则所更新的状态估计(t+1|t)将更多地受基于模型的状态估计的结果影响而更少地受相关传感器数据z(t)影响。例如，在传感器被烟或火损坏的情形下，则降低其输出的相关置信度以使得占用估计更多地受对先前状态估计
Figure GPA00001138900500171
应用占用者交通模型f(t)的结果影响。
如关于图3A所讨论的，传感器数据z(t)的加权还可以考虑与用于提供传感器数据z(t)的传感器装置类型相关联的可靠性。这包括基于运动检测传感器提供的输入(即占用或未占用)来解释由运动检测传感器提供的数据所用的方法。如上面所讨论的，运动传感器提供的数据的相关性取决于运动传感器提供的数据的状态。指示房间未被占用的数据(即，特定房间的传感器数据z房间(t+1)＝0)可以被认为是高度可靠的。然而，来自运动检测传感器的指示房间被占用的数据(即，特定房间的传感器数据z房间(t+1)＝1)可以被认为是不大可靠的，因为该数据未计及附加占用者可能存在于该房间中的可能性。因而，在运动传感器检测到房间被占用的情形下，占用估计算法20将把传感器提供的数据解释为高度有噪的，并因而不可靠。在运动传感器检测到房间未被占用的情形下，占用估计算法20把数据建模为高度可靠的。
在步骤86，基于滤波器增益值W(t+1)、修正协方差S(t+1)和修改的预测协方差P修改(t+1|t)来更新状态协方差P(t|t)以生成更新的协方差值P(t+1|t+1)。这个值反映了占用估计值
Figure GPA00001138900500172
中的置信水平。
因而，图3B所示的实施例图解了占用估计算法20组合传感器数据z(t)和基于模型的占用估计
Figure GPA00001138900500173
和流估计
Figure GPA00001138900500174
(在图3B中被统称为
Figure GPA00001138900500175
)以生成与状态变量相关联的协方差和平均估计的方式。另外，这个实施例描述了与相邻区之间的占用者流相关联的约束如何可以用来改善与占用者流估计
Figure GPA00001138900500176
相关联的协方差估计(即，减小与估计相关联的不确定性)。图3B还描述了约束(包括但不限于流约束)如何可以用来把状态估计(涉及占用、流，或涉及两者)投影到允许的状态。关于图3B所描述的若干改善可以根据应用而被单独地或者彼此结合地采用。
图3A和图3B图解了其中占用估计(以及占用者流估计)基于单阶段占用模型来生成并且由扩展卡尔曼滤波器校正的示例性实施例。对单阶段占用模型的可选方案是关于图5A-7B描述的基于动力运动(KM)的模型。基于KM的模型预测占用者的预期移动，但是与单阶段占用模式不同，其提供不同的办法来建模区域之间的阻塞。采用基于KM的模型的好处之一是在房间级建模占用者移动的能力，因为基于KM的模型更好地计及阻塞将如何影响单独地点之间的占用者流。
图5A是建筑物的一部分的示意图，而图5B是图形上图解如何解释图5A所示的示意图以由基于KM的模型分析的图示。
图5A所示的楼层平面包括房间100、101、102、104、106、108和110、门112、114、116、118、120和122、以及出口124。为了在房间或地点级建模占用者的移动，在确定相邻房间之间的占用者流中的关键因素是房间的几何结构以及连接相邻房间的门的宽度。房间的几何结构以及特别是入口和出口之间的距离用来建模占用者横越区段要花费的时间。还采用门的宽度来建模占用者可能离开区段的速率。
图5B图解了图5A所示的楼层平面如何可以被建模为许多区段的示例性实施例。图5B包括所建模的区段100a’、100b’，101’、102’、104’、106’、108’和110’、所建模的门道111’、112’、114’、116’、118’、120’和122’、以及所建模的出口124’。在这个实施例中，所有房间都被建模为简单的矩形区段。对于那些形状上已经是矩形的房间，所建模的区段共享相同的形状和尺寸。对于形状上不是矩形的房间，该房间可以被建模为两个或更多个矩形区段的组合。例如，房间100在形状上是非矩形的。这个房间在图5B中被建模为区段100a’和100b’的组合。所建模的区段100a’和100b’之间的‘门道’由门道111’建模。如图5B所示，所建模的门道111’的宽度等于所建模的区段100a’和100b’之间的开口的长度。以此方式，尽管单个房间已被划分成两个，但是由门道引起的阻塞效应在模型中被门道的宽度最小化。
以类似的方式建模其余门道，其中所建模门道的位置和宽度紧密跟踪实际门道的物理位置和宽度。房间的建模还包括记录门道之间的距离。例如，在这个实施例中，该模型将记录门道114’和出口之间的距离，以允许该模型考虑到占用者横越房间102’将花费的时间。
图6A和6B是图解基于KM的模型如何预测特定区域内占用者的移动的图示。用于描述占用者在这个区域内的移动的相同分析将被应用于每个房间以预测所建模建筑物的每个房间中的总体占用水平以及占用者的移动。图6A和6B两者图解了特定区段130，该特定区段130包括三个入口132、134和136以及出口138。区段130的几何结构由长度d0和宽度L定义。每个入口132、134和136分别由宽度w1、w2和w3定义，而出口138由宽度w0定义。每个入口(132、134和136)和出口138之间的距离分别由距离d1、d2和d3定义。
图6A图解了处于未阻塞状态的区段130，而图6B图解了处于部分阻塞状态的区段130。图6B所示的阻塞状态被表征为队列，其中接近阻塞状态的占用者被添加到该队列。当占用者被添加到该队列时，队列的长度被增加，如由以下方程所定义。
d q = q * A L 方程11
项A表示单个占用者平均所占用的面积。项q定义当前在该队列内的人数，而(如上面所定义的)项L与区段130的宽度对应。因而，当把人添加到队列时，队列长度dq或阻塞区被进一步延伸到区段130内。相反，当占用者经由出口138离开时，长度dq的长度将下降。
区段130进一步被细分成如由围绕出口138的多个圆线所指示的多个基本单元。由于区段130的长度，基本单元也可以被定义为横跨区段宽度L的矩形。位于每个基本单元中的占用者数量被表示为n1、n2、n3...nm，其中存在m个基本单元。位于区段130的未阻塞部分中的占用者数量被表示为位于每个单元中的占用者之和。
n tot = Σ i = τ q m n i 方程12
项τq表示未被建模为队列部分的第一基本单元。因而，方程12定义区段130的未阻塞部分中的占用者数量。位于区段中的总占用者数量
Figure GPA00001138900500193
因此可以被表示为队列中的总占用者数量(被定义为q)与位于未阻塞部分中的占用者数量ntot之和。
x ^ i ( t ) = q i + n tot 方程13
占用者从入口行进到出口所花费的时间由以下方程定义，
τi＝di/V0                    方程14
其中di是从特定入口到出口的距离，而V0是预期占用者行进的速度。定义每个基本单元的宽度以使得占用者可以被建模为在每个时间步长更靠近出口地前进一个基本单元，其中假设占用者正在移动经过未阻塞的区域。因此，如图6A所示，如果占用者通过入口132进入并因此与基本单元n3相关联，则在下一时间步长占用者将被建模为已经进入到基本单元n2。在下一时间步长中，占用者将被建模为已经进入到基本单元n1。因此可以预期占用者大约在通过入口132进入区段130后的三个时间步长到达出口138。
因而，在每个基本单元中的占用者数量可以由以下方程建模。
n i ( k + 1 ) = n i + 1 ( k ) Σ i y i ( k ) 方程15
在时间k+1时位于特定单元i中的占用者数量等于在先前时间步长k中位于相邻单元中的占用者数量与被建模为通过进入区段130的入口而进入单元i的占用者数量之和。因此方程15建模在区段130的未阻塞区域内的占用者的移动。
队列由以下方程维持。
q ( k + 1 ) = q ( k ) + n τ q - y 0 ( k ) 方程16
在时间k+1时在队列中的占用者数量等于在先前时间步长k时在队列中的占用者数量与处于位于队列末端的基本单元中的占用者数量
Figure GPA00001138900500203
之和、减去经由出口138离开队列的占用者数量。在到达队列后，占用者不再被建模为在每个时间步长移动经过基本单元。相反，阻塞区被建模为队列，其中(如方程11中定义的)队列的长度仅基于队列中的占用者数量，并且队列中的占用者数量是基于进入队列和离开队列的占用者数量来建模的。
方程11-16定义占用者经过区段的移动。具体而言，这些方程区分阻塞区域和未阻塞区域。如下面更详细讨论的，这种区分确定占用者如何被建模为流入和流出该区段。
在示例性实施例中，基于KM的模型作为不要求基于传感器数据校正占用估计的独立工具进行操作。例如，采用基于KM的模型而不利用传感器数据可能在诸如可以预期占用者朝出口移动的流出建模之类的应用中尤其实用。在这个实施例中，占用估计将仅基于上面关于基于KM的模型所描述的方程。(例如，在表示流出操作模式的火警发出后)基于KM的模型将被应用到的初始状态(例如初始占用估计)可以基于关于占用者位置的统计占用数据、模拟占用数据或存储数据进行建模。例如，统计数据可以包括基于描述占用者的可能位置的简单分布(例如，高斯分布)的分配来定义初始占用者位置。模拟占用数据可以是基于关于占用者的可能位置的历史或观测数据(例如，教室可以被建模为根据时刻包含特定数量的占用者)。另外，任何其它存储数据(诸如关于预定会议时间的知识)可以用来初始化该初始占用状态。然后采用基于KM的滤波器来生成占用估计，所述占用估计考虑到操作期间建模的阻塞来对占用者移动进行建模。
在另一个示例性实施例中，基于KM的模型与传感器数据结合使用以生成校正的占用估计。如同上面描述的单阶段模型，基于KM的模型的目标是生成关于在给定时间时多少占用者位于特定区段中的预测。在单阶段模型中，这是基于先前位于区域中的占用者数量、进入该区域的占用者数量和离开区域的占用者数量。因而，相关状态变量是特定区域中的占用者数量以及在一些实施例中在区域之间流动的占用者数量。在基于KM的模型中，存在若干组织与滤波器(例如，关于图3A和3B描述的扩展卡尔曼滤波器)结合使用的模型的方式。
在一个实施例中，关于位于每个基本单元中的占用者数量(例如，参见方程15)、队列中的占用者数量(例如，参见方程16)以及相邻房间之间的占用者流来定义状态变量。这些状态变量将如关于图3A和3B所描述的那样用传感器数据进行校正以生成状态估计和相关协方差。在期望生成特定区或区域的估计的实施例中，关于队列中的占用者数量以及每个基本单元中的占用者数量的状态估计可以如方程13中所描述的那样进行组合以生成关于房间或区域中的总占用者数量的估计。
在另一个示例性实施例中，关于队列的状态(即，队列中的占用者数量)、每个区段的未阻塞部分中的总占用者数量以及相邻区域之间的占用者流来定义状态变量。再次，可以基于这些状态变量导出特定区段或区域中的总占用者数量的估计。
在这两个实施例中，对占用者流的建模取决于每个区段的状态(即，阻塞)。具体而言，建模到特定区段中的占用者流部分取决于区段的入口是被建模为阻塞的还是未阻塞的。区段的入口可以被分类为三个状态之一。在示例性实施例中，特定区段中的阻塞的影响以及其对作为区段入口的门的影响由以下标记建模。
f i = 0 , x q < x i 1 , x q > x i 2 , n tot + q = S 0 方程17
因此，标记在入口朝向未阻塞区的情况下被设定为‘0’，在入口朝向阻塞区的情况下被设定为‘1’，而在特定区段的所有入口朝向阻塞区(即，该区段被完全阻塞)的情况下被设定为‘2’。例如，在图6A中，所有入口132、134和136将被分配为状态fi＝0，因为所有入口朝向未阻塞区域。在图6B中，入口132将被分配标记f1＝1，因为队列被识别为延伸超过入口132的位置。入口134和136将被分配标记f2、f3＝0，因为每个入口朝向区段130的未阻塞部分。在整个区段被识别为阻塞的情形下，则每个入口被分配标记fi＝2。与每个入口相关联的标记确定如何建模到区段中的占用者流，如以下方程所示。
y i ( t ) = V 0 w i ( 1 - n i ( t + &tau; i ) L ) ( x ( q i ( t ) - w i V 0 ) + q i ( t ) w i V 0 ( 1 - x ( q i - w i V 0 ) ) , f i = 0 P i V 0 w i ( x ( q i ( t ) - P i w 0 V 0 ) + q i ( t ) P i w 0 V 0 ( 1 - x ( q i ( t ) - P i w i V 0 ) ) ) , f i = 1 0 , f i = 2 方程18
对于入口朝向未阻塞或低密度区域的条件-如由该入口的标记被设定为零所指示，第一行被应用于建模多少占用者流入该区段。项‘V0’描述预期占用者移动的速度并且wi建模占用者正尝试经过的入口的宽度。占用者的速度被定义成对所有占用者是恒定的值。因此，对于较大的门宽度，建模为流动经过特定门的占用者数量增大。下一项表示占用者正企图进入的特定基本单元中的动作者(agent)密度如何影响进入的可能性。例如，在图6B中，如果基本单元n5被建模为包含许多占用者，则当确定占用者如何流动经过入口134时，将考虑该单元内的占用者密度。要进入的基本单元中的占用者密度越大，占用者将越不可能被允许经过特定入口进入。下一项
Figure GPA00001138900500223
描述如何部分地基于相邻区段中的队列的大小qi、以及入口的宽度wi和假设的占用者速度V0来定义经过特定入口的占用者流。
方程18的第二行建模在入口朝向阻塞区的情形下占用者如何流入区段130。例如，如图6B所示，将采用这个方程来建模经过入口132的占用者流。这个方程的一般形式几乎等同于方程16中所示的方程的第一行，除了添加项Pk，该项Pk表示基于空位传播经过队列的可能性、占用者能够进入区段的概率。因为阻塞区(即队列)被建模为实体，所以占用者试图经过阻塞区进入区段可以被建模为填充空位，所述空位在占用者离开队列时传播经过该实体。这些空位被建模为瞬时行进经过队列，以使得占用者一离开队列，空位就传播以允许来自相邻区段的用户进入阻塞区(即队列)。项Pk由以下方程描述。
P k = ( &Pi; j = 1 k - 1 ( 1 - p j L x ( d q - d j ) ) * p k L x ( d q - d j ) 其中， p k = 1 - ( 1 2 ) w k 方程19
项χ表示阶跃函数，该阶跃函数在其要被应用的项小于零时返回‘0’值而在其要被应用的项大于零时返回‘1’值。项pk定义通过入口的传播空位将进入(即，将允许占用者占据队列中的空位位置)的可能性，并且与门的宽度相关，其中较宽的门增大空位进入的可能性。项
Figure GPA00001138900500233
表示空位到达特定入口的可能性。因而，项Pk定义空位被传播到特定入口中的概率，其中概率指示更靠近出口的入口将更可能捕获传播空位并因此增大占用者进入区段的机率。关于方程19定义的概率与方程18结合使用以定义当入口朝向阻塞或高密度区时占用者如何进入区段。
方程18中的第三项表明如果整个区段被建模为阻塞，则没有占用者将被建模为进入该区段。
基于上面定义的方程和区段内的占用者的建模，基于KM的模型提供到特定区段中的占用者流的准确建模。由基于KM的模型生成的输出因此将包括被建模为在每个区段的每个入口和出口之间流动的占用者数量、以及每个基本单元中的占用者数量或者阻塞区相对未阻塞区中的占用者数量。尽管基于不同的原理，基于KM的模型和单阶段模型两者都提供对特定区域中的占用者数量以及区域之间的占用者流进行估计的输出。以此方式，基于KM的模型可以被用作关于图3A和3B描述的扩展卡尔曼滤波器的一部分以提供状态预测。EKF然后将使用所接收的传感器数据来校正由单阶段模型或基于KM的模型所提供的估计。
图7A-7E图解了将基于KM的模型用作EKF的输入而运行的流出模拟的结果。该模拟建模九个视频传感器来检测在图1A和1B所示的每个区之间以及经过三个出口的每个移动的占用者。另外，该模拟把每个房间中的占用初始化为平均等于1.4个占用者，其中整个模拟持续大约100秒。视频照相机在检测在相邻区之间和经过出口移动的占用者方面的模拟准确性被建模为98％。另外，图1A和1B所示的每个房间(总共96个)配有用于以80％的估计准确性检测房间是被占用还是未被占用的运动传感器。所模拟的传感器输出被提供为基于KM的估计器的输入。
关于位于每个区中的占用者数量的估计与各区之间模拟的实际占用者移动进行比较。每个区的结果分别示于图7A-7E中。实线表示在不同时间点在每个区中模拟的实际占用者计数，而虚线指示通过组合由基于KM的模型生成的基于模型的估计与由视频传感器提供的传感器数据而生成的估计。如所示，每个区中的估计占用遵循位于每个区中的实际占用者数量。
另外，为了量化与本发明的实施例相关联的改进，运行其中基于不同方法生成估计的附加模拟。然后把这些结果与其中与由九个视频传感器和多个运动检测器所提供的传感器数据和EKF结合采用基于KM的模型的上述模拟进行比较。在一个模拟中，仅基于传感器数据生成估计。在另一个模拟中，基于来自视频照相机(但没有运动检测器传感器)的传感器数据和具有基于KM的模型的扩展卡尔曼滤波器，生成估计。这些估计的结果与采用所有传感器数据(包括运动传感器数据)以及采用基于KM的模型的EKF的模拟进行比较
在一百次模拟上且对于各种疏散时间进行平均，为每种方法生成以下结果。
  每房间平均误差
  仅传感器办法   0.35
  EKF w/视频照相机(没有运动检测器)   0.14
  EKF w/视频照相机和运动检测器两者   0.09
表1
如所示，采用具有基于KM的占用者模型的EKF提供比仅传感器办法改进很多的结果。采用运动传感器(尽管其可靠性有限)的使用进一步减小了每房间平均误差。结果，扩展卡尔曼滤波器的使用把与仅传感器办法相关联的误差减小了74％，其中在扩展卡尔曼滤波器中将基于KM的占用者模型生成的基于模型的估计与包括运动检测传感器的传感器数据组合。另外，尽管运动传感器比其它检测装置更不可靠，但是在每个房间中使用运动检测器具有把平均误差进一步减小另外36％的效果。
本文描述的系统的另一个好处是实时执行计算的能力。本文描述的所有实施例中，每五秒或更短提供更新。
图8图解用于为区域(例如，如图1A和1B所示的建筑物的每个区或者如如图5A和5B所示的楼层平面的每个房间)提供占用估计的集中系统152的示例性实施例。集中系统152包括计算机或控制器154、计算机可读介质156、多个传感器装置158a、158b、...158N以及显示或控制器装置160。传感器装置158a-158N被遍及特定区域分布，并且可以包括各种不同类型的传感器，包括视频检测器、无源红外运动传感器、访问控制装置、电梯负荷测量、IT相关技术诸如计算机按键的检测、以及其他相关传感器装置。另外，许多占用者携带有源装置，诸如有源或无源射频识别(RFID)卡、蜂窝电话或者其他可以被检测以提供传感器数据的装置。
传感器数据被传送到计算机或控制器154。根据所采用的传感器的类型以及传感器是否包括任何处理所捕获数据的能力，计算机154可以提供对所提供的传感器数据的初始处理。例如，由视频照相机感测装置捕获的视频数据可能要求某种视频数据分析预处理以确定视频数据是否示出占用者从一个区横越到另一个区。另外，由处理器154执行的这种处理可以包括把指示所检测的占用者在各区之间移动的传感器数据存储为阵列或向量以使其能够被作为输入供应到占用估计算法(例如，扩展卡尔曼滤波器)。
在图8所示的实施例中，计算机154执行处理步骤以生成占用估计。例如，在示例性实施例中，这可以包括执行关于图3A和3B所描述的功能和操作、以及与单阶段模型或基于KM的模型相关联的计算。因而，所公开的发明可以以计算机或控制器实施的处理和用于实行那些处理的设备的形式来实现。本发明还可以以包含指令的计算机程序代码的形式来实现，所述指令被实现在计算机可读介质156(诸如软盘、CD-ROM、硬盘驱动器或者任何其他计算机可读存储介质)中，其中当计算机程序代码被加载到计算机154中并由计算机154执行时，计算机变成用于实行本发明的设备。本发明还可以以例如像数据信号的计算机程序代码的形式来实现，无论存储在存储介质156中、加载到计算机或控制器154和/或由计算机或控制器154执行，或通过某种传输介质(诸如通过电布线或电缆、经过光纤或者经由电磁辐射)进行传输，其中当计算机程序代码被加载到计算机中并由计算机执行时，计算机变成用于实行本发明的设备。当被实施在通用微处理器上时，计算机程序代码段配置微处理器以创建特定逻辑电路。
例如，在图8所示的实施例中，计算机可读存储介质156可以存储描述占用者交通模型f(单阶段模型或基于KM的模型)、传感器模型h和占用估计算法(例如，扩展卡尔曼滤波器)的程序代码或指令。计算机程序代码被传送到计算机或控制器154，该计算机或控制器154执行程序代码以实施关于本发明所描述的处理和功能(例如，执行关于图3A和3B所描述的那些功能)。在示例性实施例中，控制器154在生成占用估计时仅依靠占用者交通模型(即，没有利用传感器数据)。
如图8所示，计算机或控制器154生成被提供到显示或控制器装置160的占用估计。该占用估计可以包括这样的数据，所述数据包含位于区域中的占用者数量的估计、与每个可能占用水平相关联的概率、占用的变化、指示与占用估计相关联的可靠性或置信度的数据、以及其它与占用有关的有用数据。占用估计可以经由显示装置被简单地显示给一个或多个用户(例如，第一响应者)，或者可以被提供到基于所接收的占用估计而采取某种动作的控制器装置。例如，控制器装置可以是取暖、通风与空调(HVAC)系统、电梯控制系统、紧急出口控制器以及其它装置。可以经由任何数量的通信网络(包括电信网络、无线网络以及其它熟知的通信系统)来提供数据。
图9A-9C图解了用于估计占用的许多分布式系统162a、162b和162c。这与图8所示的集中系统152形成对比，在集中系统152中所有传感器数据被提供到单个计算机或控制器154，该单个计算机或控制器154然后为整个区域生成占用估计。为了简单起见，图9A-9C所示的示例仅包括四个子区域(标为节点171、172、173和174)，尽管这些示例中所图解的概念可以被扩展到具有任何数量的子区域的区域或建筑物。
在图9A所示的实施例中，分布式系统162a包括位于节点171和173的传感器装置，其中每个传感器装置(或相关硬件)包括处理由相关传感器装置提供的数据以及基于感测的数据和相关占用者交通模型(例如，单阶段模型或基于KM的模型)及传感器模型应用占用估计器算法的能力。在示例性实施例中，占用估计算法用扩展卡尔曼滤波器进行实施，所述扩展卡尔曼滤波器基于这些输入生成占用估计和协方差(以及任何其它有用的统计输出)。为了本描述，分布式占用估计系统162a包括传感器装置和用于生成占用估计的部件，所述部件可以包括用于对传感器数据应用占用估计算法的硬件和软件的组合，所述分布式占用估计系统162a将通常被称为占用估计器(OE)。在图9A所示的实施例中，在节点171处观测的传感器数据被提供到占用估计器OE1，该OE1分别生成与节点171和172对应的占用估计
Figure GPA00001138900500271
和在节点173处观测的传感器数据被提供到占用估计器OE2，该OE2分别生成与节点173和174对应的占用估计
Figure GPA00001138900500273
和
Figure GPA00001138900500274
在图9A所示的实施例中，占用估计器OE1和占用估计器OE2不共享关于相应节点的占用估计的信息。
在图9B所示的分布式系统162b中，传感器装置被再次定位在节点171和173处。然而在这个实施例中，由占用估计器OE3生成的占用估计
Figure GPA00001138900500275
被作为输入提供到占用估计器OE4。分布式系统160b的好处是占用估计器OE4使占用估计
Figure GPA00001138900500276
和部分地基于关于节点172的占用的知识的能力。例如，如果占用估计
Figure GPA00001138900500278
指示一个或多个占用者位于节点172，则占用估计器OE4可以预测在下一时间步长中位于节点172的占用者将从节点172移动到节点173(再次基于占用者向连接到节点174的出口移动的流出操作模式)，从而通过并入附加数据改善预测的占用估计。
在图9C所示的分布式系统162c中，传感器装置被再次定位在节点171和173处。然而在这个实施例中，由占用估计器OE5做出的占用估计
Figure GPA00001138900500281
被作为输入提供到占用估计器OE6，并且来自节点173的传感器数据和占用估计
Figure GPA00001138900500282
都被作为输入提供到占用估计器OE5。这个实施例图解了占用估计和传感器数据都被相关占用估计器共享的分布式应用。这种系统的好处是占用估计器OE5和OE6使占用估计基于可用的附加数据的能力，从而改善分布式系统160c的总体可靠性和性能。
占用估计器之间的占用估计的通信可以经由典型的通信网络(包括电信网络、局域网(LAN)连接)或者经由无线网络来提供。另外，在一些实施例中，通过仅共享相邻节点/区之间的占用估计以使得仅那些监视相邻区的占用估计器共享占用估计，来最小化通信成本。采用分布式系统来提供占用估计的好处是即使缺乏一个或多个分布式系统，分布式系统也可运行的能力。
尽管已参照优选实施例描述了本发明，但是本领域的技术人员会认识到可以在不偏离本发明的精神和范围的情况下进行形式和细节上的变化。例如，尽管包括处理器和存储器的计算机系统被描述用于实施占用估计算法，但是可以采用硬件和软件的任何数量的合适组合来执行由占用估计算法采用的数学函数。另外，计算机系统可以或可以不用来提供对所接收的传感器数据的数据处理。在一些实施例中，传感器数据可以在被作为输入提供到负责执行占用估计算法的计算机系统之前进行预处理。在其它实施例中，计算机系统可以包括合适的数据处理技术以内部地处理所提供的传感器数据。
而且，在整个说明书和权利要求书中，术语‘一’的使用不应当被解释为意指“仅一个”，而是应当被广义地解释为意指“一个或多个”。在整个公开中使用的顺序编号步骤的使用不意味着这些步骤必须被执行的次序。术语“或”的使用应当被解释为包括性的，除非另外指出。

Claims (13)

1.一种用于估计由多个区段定义的区域中的占用的系统，该系统包括：
用于执行算法的控制器，该算法在不使用传感器数据的情况下生成与所述多个区段的每个内的预测的占用者移动相关联的占用估计，其中该算法是基于动力运动的模型，该基于动力运动的模型基于在每个区段的阻塞部分和未阻塞部分之间所建模的区分来预测占用者移动；以及
输出，在工作中被连接到该控制器以传送由该算法生成的占用估计，
其中该算法基于疏散的流出模式定义预测的占用者移动，其中该算法是基于该区域内的占用者的初始分布而初始化的，以及其中该区域内的占用者的初始分布基于关于该区域内的占用者位置的统计、模拟或存储数据。
2.如权利要求1所述的系统，其中基于动力运动的模型基于先前占用估计和一个或多个状态方程来生成占用估计，所述状态方程把阻塞部分定义为具有与位于阻塞部分的占用者数量相关的长度的队列，并且定义响应于占用者离开阻塞部分和占用者从未阻塞部分或入口进入该队列的、空位经过该队列的传播。
3.如权利要求2所述的系统，其中所述状态方程预测位于队列中的占用者数量、位于区段的未阻塞部分中的占用者数量、以及进入区段的占用者数量，其中进入区段的占用者数量基于区段的入口是被建模为阻塞还是被建模为未阻塞，其中进入区段的阻塞部分的占用者数量与建模的空位经过队列的传播相关。
4.一种用于估计区域中的占用的系统，该系统包括：
输入，在工作中被连接以从一个或多个传感器装置接收传感器数据；
基于动力运动的模型，该模型预测在被划分成多个区段的区域内的占用者移动，其中基于动力运动的模型基于根据把每个区段建模为包括阻塞部分和未阻塞部分、在每个区段的阻塞部分和未阻塞部分之间建模的区分来预测占用者移动；
占用估计器，在工作中被连接到该输入，其中该占用估计器执行算法以基于所接收的传感器数据和由基于动力运动的模型生成的占用者移动的预测来生成该区域的校正占用估计；以及
输出，在工作中被连接到该占用估计器以传送由该占用估计器生成的占用估计。
5.如权利要求4所述的系统，其中基于动力运动的模型基于由占用估计器生成的先前校正估计和定义预测的占用者移动的一个或多个状态方程来生成状态预测。
6.如权利要求5所述的系统，其中所述一个或多个状态方程生成关于每个区段的阻塞部分中的占用者数量、每个区段的未阻塞部分中的占用者数量、以及相邻区段之间移动的占用者数量的状态预测。
7.如权利要求6所述的系统，其中与每个区段的未阻塞部分中的占用者数量有关的状态方程还定义位于在每个区段内定义的多个基本单元中的占用者数量，其中状态方程预测在定义的时间步长中到相邻基本单元的占用者移动。
8.如权利要求6所述的系统，其中与每个区段的阻塞部分中的占用者数量有关的状态方程进一步把阻塞部分定义为具有与队列中的占用者数量相关的长度的队列，并且定义响应于占用者离开阻塞部分的、空位经过该队列的传播。
9.如权利要求6所述的系统，其中与相邻区段之间移动的占用者数量有关的状态方程部分地基于区段的入口被建模为阻塞还是未阻塞，其中经过入口移动到区段的阻塞部分的占用者数量部分地基于建模的空位经过队列到入口的传播。
10.如权利要求6所述的系统，其中由占用估计器执行的算法是扩展卡尔曼滤波器，该扩展卡尔曼滤波器用由所述一个或多个传感器装置提供的传感器数据校正由基于动力运动的模型生成的状态估计。
11.如权利要求4所述的系统，其中基于动力运动的模型与所接收的传感器数据组合提供的占用估计与仅用所接收的传感器数据生成的占用估计相比每房间误差改进60％，其中所述传感器数据包括位于相邻区之间的五个视频照相机和位于出口处的三个视频照相机。
12.如权利要求4所述的系统，其中基于动力运动的模型与包括位于相邻区之间的五个视频照相机、位于出口处的三个视频照相机和位于每个房间中的运动检测传感器的传感器数据组合提供的占用估计与仅用只从视频照相机所接收的传感器数据生成的占用估计相比每房间误差改进76％。
13.如权利要求4所述的系统，其中校正占用估计是实时生成的，其中以一秒间隔提供更新。
CN200880116675.5A 2007-09-19 2008-02-26 用于占用估计的系统和方法 Expired - Fee Related CN101861607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410164316.4A CN103942624B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
PCT/US2007/020291 WO2009038558A1 (en) 2007-09-19 2007-09-19 System and method for occupancy estimation
USPCT/US2007/020291 2007-09-19
PCT/US2008/002528 WO2009038598A1 (en) 2007-09-19 2008-02-26 System and method for occupancy estimation

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201410164316.4A Division CN103942624B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法

Publications (2)

Publication Number Publication Date
CN101861607A CN101861607A (zh) 2010-10-13
CN101861607B true CN101861607B (zh) 2014-05-28

Family

ID=40468176

Family Applications (4)

Application Number Title Priority Date Filing Date
CN200780101602.4A Expired - Fee Related CN101861594B (zh) 2007-09-19 2007-09-19 用于占用估计的系统和方法
CN201410164316.4A Expired - Fee Related CN103942624B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法
CN200880116553.6A Expired - Fee Related CN101861606B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法
CN200880116675.5A Expired - Fee Related CN101861607B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法

Family Applications Before (3)

Application Number Title Priority Date Filing Date
CN200780101602.4A Expired - Fee Related CN101861594B (zh) 2007-09-19 2007-09-19 用于占用估计的系统和方法
CN201410164316.4A Expired - Fee Related CN103942624B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法
CN200880116553.6A Expired - Fee Related CN101861606B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法

Country Status (4)

Country Link
US (1) US8775359B2 (zh)
CN (4) CN101861594B (zh)
CA (3) CA2700342A1 (zh)
WO (3) WO2009038558A1 (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100299116A1 (en) * 2007-09-19 2010-11-25 United Technologies Corporation System and method for occupancy estimation
WO2009038561A1 (en) * 2007-09-19 2009-03-26 United Technologies Corporation System and method for threat propagation estimation
WO2011027452A1 (ja) * 2009-09-03 2011-03-10 株式会社 東芝 存在人数推定装置
US9572228B2 (en) 2010-02-18 2017-02-14 Redwood Systems, Inc. Commissioning lighting systems
US8981913B2 (en) * 2010-02-18 2015-03-17 Redwood Systems, Inc. Commissioning lighting systems
US8706271B2 (en) * 2010-02-18 2014-04-22 Redwood Systems, Inc. Integration of computing device and lighting system
US20130268230A1 (en) * 2010-12-16 2013-10-10 Bae Systems Plc Processing distributions
EP2466526A1 (en) * 2010-12-16 2012-06-20 BAE Systems PLC Predicting population distributions using measured values
US8756007B2 (en) 2011-01-28 2014-06-17 Honeywell International Inc. Providing a location of an individual
US9176485B2 (en) 2011-06-02 2015-11-03 Microsoft Technology Licensing, Llc Occupancy prediction using historical occupancy patterns
US8843345B2 (en) * 2011-06-20 2014-09-23 Invensense, Inc. Motion determination
WO2013013079A2 (en) * 2011-07-19 2013-01-24 Utah State University Research Foundation Systems, devices, and methods for monitoring and controlling a controlled space
US9171345B2 (en) * 2013-02-15 2015-10-27 Norfolk Southern Corporation System and method for terminal capacity management
US20150177716A1 (en) * 2013-12-20 2015-06-25 Enlighted, Inc. Occupancy detection
US9671121B2 (en) * 2014-02-19 2017-06-06 Enlighted, Inc. Motion tracking
WO2016028420A1 (en) * 2014-08-21 2016-02-25 Invensense, Inc. System and method for drop detection
CN108460864B (zh) * 2017-02-22 2022-09-02 开利公司 人流量估测系统及用于其的故障处理方法
CN108537089B (zh) 2017-03-01 2024-03-15 开利公司 人流量估测系统及人流量估测方法
US10395124B2 (en) * 2017-03-31 2019-08-27 Osram Sylvania Inc. Thermal image occupant detection
WO2018210630A1 (en) * 2017-05-15 2018-11-22 Philips Lighting Holding B.V. Workspace occupancy estimation
CN111052199A (zh) * 2017-07-18 2020-04-21 罗伯特·博世有限公司 用于预测街道区段的停放区域可用性的方法
US11860268B2 (en) * 2018-03-02 2024-01-02 Signify Holding B.V. Systems and methods using multiple modalities for occupancy sensing
CN110634209B (zh) * 2018-06-25 2023-03-14 罗伯特·博世有限公司 监管服务管理的占用感测系统
EP3832556B1 (en) * 2018-07-27 2023-12-13 Nippon Telegraph And Telephone Corporation Action optimization device, method and program
FR3087405B1 (fr) * 2018-10-19 2023-04-28 Psa Automobiles Sa Procede de determination d’une valeur courante d’un parametre d’occupation relatif a une portion d’un espace situe a proximite d’un vehicule terrestre a moteur
WO2020201415A1 (en) * 2019-04-03 2020-10-08 Signify Holding B.V. Autodetection of changes in a building based on occupancy sensor signals
US11193683B2 (en) * 2019-12-31 2021-12-07 Lennox Industries Inc. Error correction for predictive schedules for a thermostat
CN111652161A (zh) * 2020-06-08 2020-09-11 上海商汤智能科技有限公司 人群过密预测方法、装置、电子设备及存储介质
US11379765B2 (en) 2020-11-25 2022-07-05 Bank Of America Corporation Occupancy prediction using real-time information
WO2022212617A1 (en) * 2021-03-31 2022-10-06 Mazur Clinton Smart occupancy sensor
CN117113211B (zh) * 2023-01-16 2024-03-12 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1710961A (zh) * 2005-06-22 2005-12-21 浙江大学 面向移动设备的视频压缩方法
CN1328910C (zh) * 2005-03-10 2007-07-25 北京中星微电子有限公司 一种应用硬件实现运动估计时的搜索窗数据读取方法
CN101029823A (zh) * 2006-02-28 2007-09-05 沈阳东软软件股份有限公司 基于车辆状态分类的车辆跟踪方法和装置

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US535180A (en) * 1895-03-05 Coach pad
EP0476562A3 (en) * 1990-09-19 1993-02-10 Hitachi, Ltd. Method and apparatus for controlling moving body and facilities
US5790019A (en) * 1996-03-15 1998-08-04 Edwin; Luke Emergency alarm system
US6078253A (en) * 1997-02-04 2000-06-20 Mytech Corporation Occupancy sensor and method of operating same
US6073262A (en) * 1997-05-30 2000-06-06 United Technologies Corporation Method and apparatus for estimating an actual magnitude of a physical parameter on the basis of three or more redundant signals
US6314204B1 (en) * 1998-11-03 2001-11-06 Compaq Computer Corporation Multiple mode probability density estimation with application to multiple hypothesis tracking
US6499025B1 (en) * 1999-06-01 2002-12-24 Microsoft Corporation System and method for tracking objects by fusing results of multiple sensing modalities
US6615175B1 (en) * 1999-06-10 2003-09-02 Robert F. Gazdzinski “Smart” elevator system and method
US7068599B1 (en) * 2000-07-26 2006-06-27 At&T Corp. Wireless network having link-condition based proxies for QoS management
US7139409B2 (en) * 2000-09-06 2006-11-21 Siemens Corporate Research, Inc. Real-time crowd density estimation from video
US7233781B2 (en) * 2001-10-10 2007-06-19 Ochoa Optics Llc System and method for emergency notification content delivery
US7280696B2 (en) * 2002-05-20 2007-10-09 Simmonds Precision Products, Inc. Video detection/verification system
US6873256B2 (en) * 2002-06-21 2005-03-29 Dorothy Lemelson Intelligent building alarm
US7203338B2 (en) * 2002-12-11 2007-04-10 Nielsen Media Research, Inc. Methods and apparatus to count people appearing in an image
US20050190053A1 (en) * 2003-01-24 2005-09-01 Diegane Dione Managing an occupant of a structure during an emergency event
US6882959B2 (en) * 2003-05-02 2005-04-19 Microsoft Corporation System and process for tracking an object state using a particle filter sensor fusion technique
US7177776B2 (en) * 2003-05-27 2007-02-13 Siemens Building Technologies, Inc. System and method for developing and processing building system control solutions
US7109685B2 (en) * 2003-09-17 2006-09-19 General Motors Corporation Method for estimating states and parameters of an electrochemical cell
US7346187B2 (en) * 2003-10-10 2008-03-18 Intellivid Corporation Method of counting objects in a monitored environment and apparatus for the same
US7026947B2 (en) * 2003-12-12 2006-04-11 Honeywell International, Inc. Building emergency path finding systems and method
US20050201591A1 (en) * 2004-03-10 2005-09-15 Kiselewich Stephen J. Method and apparatus for recognizing the position of an occupant in a vehicle
US7630336B2 (en) * 2004-10-27 2009-12-08 Honeywell International Inc. Event-based formalism for data management in a wireless sensor network
US7602944B2 (en) * 2005-04-06 2009-10-13 March Networks Corporation Method and system for counting moving objects in a digital video stream
US20060241856A1 (en) 2005-04-25 2006-10-26 The Boeing Company Geo-infosphere as applied to dynamic routing system
US7596241B2 (en) * 2005-06-30 2009-09-29 General Electric Company System and method for automatic person counting and detection of specific events
WO2007012198A1 (en) * 2005-07-26 2007-02-01 Macdonald, Dettwiler & Associates Inc. Guidance, navigation, and control system for a vehicle
US20070096896A1 (en) * 2005-10-28 2007-05-03 Zingelewicz Virginia A System and method for securing an infrastructure

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1328910C (zh) * 2005-03-10 2007-07-25 北京中星微电子有限公司 一种应用硬件实现运动估计时的搜索窗数据读取方法
CN1710961A (zh) * 2005-06-22 2005-12-21 浙江大学 面向移动设备的视频压缩方法
CN101029823A (zh) * 2006-02-28 2007-09-05 沈阳东软软件股份有限公司 基于车辆状态分类的车辆跟踪方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FLEURET et al..multi-camera people tracking with a probabilistic occupancy map.《http://cvlab.epfl.ch/publications/2007/FleuretBLF07.PDF》.2007, *

Also Published As

Publication number Publication date
CN101861606B (zh) 2015-01-28
CA2700342A1 (en) 2009-03-26
WO2009038598A1 (en) 2009-03-26
CN103942624B (zh) 2017-06-23
CN103942624A (zh) 2014-07-23
CA2705614A1 (en) 2009-03-26
WO2009038597A1 (en) 2009-03-26
CN101861594B (zh) 2014-06-25
CN101861607A (zh) 2010-10-13
US8775359B2 (en) 2014-07-08
CN101861606A (zh) 2010-10-13
CN101861594A (zh) 2010-10-13
CA2705613A1 (en) 2009-03-26
US20100250481A1 (en) 2010-09-30
WO2009038558A1 (en) 2009-03-26

Similar Documents

Publication Publication Date Title
CN101861607B (zh) 用于占用估计的系统和方法
US8428918B2 (en) System and method for occupancy estimation
US20100299116A1 (en) System and method for occupancy estimation
CN101868798B (zh) 基于模型的流出支持系统
CN101868811B (zh) 用于威胁传播估计的系统和方法
US20110213588A1 (en) System and method for occupancy estimation and monitoring
Rajabi et al. MODES: M ulti-sensor o ccupancy d ata-driven e stimation s ystem for smart buildings
EP2660756A1 (en) Method, apparatus and computer program product for simulating the movement of entities in an area
Cortés et al. Hybrid adaptive predictive control for a dynamic pickup and delivery problem including traffic congestion
Liu et al. A multi-objective detector location optimization approach
KR20200140184A (ko) 무선 신호세기 기반의 파티클 필터를 이용한 실내 위치추적 방법 및 장치
Crociani et al. Learning Obervables of a Multi-scale Simulation System of Urban Traffic.
Piché et al. A method to enforce map constraints in a particle filter's position estimate
CN113961016B (zh) 基于a*算法的无人机动态目标航迹规划方法及系统
Garcia-Valverde et al. Improving RFID's location based services by means of hidden markov models
Berman et al. Stochastic analysis in location research
Gu et al. Rényi entropy based target tracking in mobile sensor networks
Punčochář et al. Neural Network Based Active Fault Diagnosis with a Statistical Test
Axelrod et al. Efficient Motion Planning Under Obstacle Uncertainty with Local Dependencies
Vahabian et al. Optimal design of the variable structure IMM tracking filters using genetic algorithms
Wang et al. Simultaneous multi-information fusion and parameter estimation for robust 3-D indoor positioning systems
Núñez et al. Hybrid predictive control for a dial-a-ride system
Spassov et al. Bayesian Approach for Indoor Pedestrian Localisation
Parodi et al. Simultaneous probabilistic localization and learning: A new algorithm for online learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140528

Termination date: 20190226

CF01 Termination of patent right due to non-payment of annual fee