CN111950190A - 用于无线感测装置的部署方法和系统 - Google Patents
用于无线感测装置的部署方法和系统 Download PDFInfo
- Publication number
- CN111950190A CN111950190A CN201910405853.6A CN201910405853A CN111950190A CN 111950190 A CN111950190 A CN 111950190A CN 201910405853 A CN201910405853 A CN 201910405853A CN 111950190 A CN111950190 A CN 111950190A
- Authority
- CN
- China
- Prior art keywords
- wireless sensing
- sensing device
- neural network
- deployment
- network model
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Selective Calling Equipment (AREA)
Abstract
本申请提供用于无线感测装置的部署方法和系统。其中,该用于无线感测装置的部署方法包括下列步骤:S1:获取待部署区域的空间结构信息;S2:计算无线感测装置的布局;S3:根据布局计算信号强度,并判断信号强度是否符合需求;S4:通过无线感测装置接收到的信号,判断默认神经网络模型是否符合需求,如果不符合需求,则根据无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化;S5:将已优化的神经网络模型部署到所述无线感测装置中。通过采用本申请的用于无线感测装置的部署方法和系统,能够实现无线感测装置的快速部署和自动配置,有效地提高了部署效率并降低部署成本。
Description
技术领域
本申请涉及无线感测装置的部署和应用。更具体而言,本申请涉及一种用于无线感测装置的部署方法,其旨在通过迁移学习(transfer learning)来改善无线感测装置的部署效率。本申请还涉及一种用于无线感测装置的部署系统。
背景技术
随着智能建筑建造和运营技术的不断提高,越来越多的智能建筑系统需要实时感测建筑内的人的存在以及人的活动类型。一种典型的无线感测装置是通过室内无线网络信号或Wi-Fi信号的波动来感测某个感兴趣区域(Region-of-interest,缩写为ROI)中是否有人存在,并且能够通过无线网络信号的波动类型和特征来感测人的动作状态。该类型的无线感测装置可通过部署一个或多个信道状态信息(Channel State Information,缩写为CSI)发射器和传感器来感测无线信号。
然而,在现有的无线感测装置的部署期间,通常需要采用神经网络(NeuralNetwork)来学习感兴趣区域内的人活动与无线信号之间的关联性。神经网络所采用预训练的模型通常不能适应实际建筑中的复杂环境。为了使模型获得期望的性能,通常需要根据实际环境重新训练或优化(fine-tuned)模型。这需要收集大量的现场数据和长时间的训练。此外,部署、调试和调整发射器和传感器的操作需要耗费大量的工作时间。
因此,本领域中存在对改善的无线感测装置的部署方法和系统的持续需求,所期望的是新的解决方案能够缩短部署时间并提高部署的准确性。
发明内容
本申请一方面的目的在于提供一种用于无线感测装置的部署方法,其旨在提高无线感测装置的部署操作的效率和自动化程度。本申请另一方面的目的在于提供一种用于无线感测装置的部署系统。
本申请的目的是通过如下技术方案实现的:
一种用于无线感测装置的部署方法,包括下列步骤:
S1:获取待部署区域的空间结构信息;
S2:计算无线感测装置的布局;
S3:根据布局计算信号强度,并判断信号强度是否符合需求;
S4:通过无线感测装置接收到的信号,判断默认神经网络模型是否符合需求,如果不符合需求,则根据无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化;
S5:将已优化的神经网络模型部署到无线感测装置中。
在上述部署方法中,可选地,在步骤S1中,从BIM模型或建筑结构数据软件来获得待部署区域的空间结构信息。
在上述部署方法中,可选地,无线感测装置包括发射器和接收器,在步骤S2中,无线感测装置的布局包括:发射器的位置、接收器的位置和感兴趣区域的位置。
在上述部署方法中,可选地,在步骤S3中,根据计算模型以及发射器和接收器的位置来计算感兴趣区域中的无线信号强度。
在上述部署方法中,可选地,在步骤S4中,神经网络模型包括用于根据Wi-Fi信号来检测人活动的卷积神经网络模型,采用无线感测装置接收到的信号特征作为卷积神经网络模型的优化中的输入。
在上述部署方法中,可选地,在步骤S5中,还包括将已优化的神经网络模型存储到数据库中。
在上述部署方法中,可选地,各个步骤由以下平台之一来执行:服务器、无线感测装置的接收器和手持设备。
一种用于无线感测装置的部署系统,包括:
空间结构信息获取模块,其配置为获取待部署区域的空间结构信息;
无线感测装置计算模块,其配置为计算无线感测装置的布局;
信号强度规划模块,其配置为根据布局计算信号强度,并判断信号强度是否符合需求;
模型优化模块,其配置为通过无线感测装置接收到的信号,判断默认神经网络模型是否符合需求,如果不符合需求,则根据无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化;以及
部署模块,其配置为将已优化的神经网络模型部署到无线感测装置中。
在上述部署系统中,可选地,空间结构信息获取模块配置为从BIM模型或建筑结构数据软件来获得待部署区域的空间结构信息。
在上述部署系统中,可选地,无线感测装置包括发射器和接收器,计算无线感测装置的布局包括:设定和/或计算发射器的位置、感兴趣区域的位置和接收器的位置。
在上述部署系统中,可选地,计算信号强度包括根据计算模型以及发射器和接收器的位置来计算感兴趣区域中的无线信号强度。
在上述部署系统中,可选地,模型优化模块还配置为根据采用默认神经网络模型来测试来自无线感测装置的现场数据。
在上述部署系统中,可选地,神经网络模型包括根据Wi-Fi信号来检测人活动的卷积神经网络模型,采用无线感测装置接收到的信号特征作为卷积神经网络模型的优化中的输入。
在上述部署系统中,可选地,部署模块还配置为将已优化的神经网络模型存储到数据库中。
在上述部署系统中,可选地,空间结构信息获取模块、无线感测装置计算模块、信号强度规划模块、模型优化模块和部署模块部署在以下一个或多个上:服务器、无线感测装置的接收器和手持设备。
本申请的用于无线感测装置的部署方法和系统具有结构简单、使用方便、运行效率高等优点。通过采用本申请的用于无线感测装置的部署方法和系统,能够实现无线感测装置的快速部署和自动配置,有效地提高了部署效率并降低部署成本。
附图说明
以下将结合附图和优选实施例来对本申请进行进一步详细描述,但是本领域技术人员将领会的是,这些附图仅是出于解释优选实施例的目的而绘制的,并且因此不应当作为对本申请范围的限制。此外,除非特别指出,附图仅是意在概念性地表示所描述对象的组成或构造并可能包含夸张性显示,并且附图也并非一定按比例绘制。
图1是无线感测装置的结构示意图。
图2是根据本申请的用于无线感测装置的部署系统的一个实施例在与图1所示的无线感测装置结合使用时的结构示意图。
图3是本申请的用于无线感测装置的部署方法的一个实施例的流程图。
具体实施方式
以下将参考附图来详细描述本申请的优选实施例。本领域中的技术人员将领会的是,这些描述仅为描述性的、示例性的,并且不应被解释为限定了本申请的保护范围。
首先,需要说明的是,在本文中所提到的顶部、底部、朝上、朝下等方位用语是相对于各个附图中的方向来定义的,它们是相对的概念,并且因此能够根据其所处于的不同位置和不同的实用状态而变化。所以,不应将这些或其他方位用语理解为限制性用语。
此外,还应当指出的是,对于本文的实施例中描述或隐含的任意单个技术特征,或在附图中示出或隐含的任意单个技术特征,仍能够在这些技术特征(或其等同物)之间继续进行组合,从而获得未在本文中直接提及的本申请的其他实施例。
应当注意的是,在不同的附图中,相同的参考标号表示相同或大致相同的组件。
图1是无线感测装置的结构示意图。其中,图1图示了典型的无线感测装置100,其包括发射器110和接收器120。发射器110典型地用于发出无线信号,因此也称为CSI发射器。发射器110的一个实施例是市售的Wi-Fi发射装置,例如商用无线路由器、家用无线路由器、便携式路由器或无线网卡等。发射器110所发出的无线信号在建筑区域或感兴趣区域内传播,并且会随着信号传播区域的空间结构以及传播区域中的物体和人130的活动而发生不同的波动。在图1和图2中,发射器110周围的虚线椭圆代表了由发射器110所发出的无线信号。
无线信号可以由接收器120来接收。接收器120典型地是任何合适的CSI传感器,例如感测天线、专用传感天线、专用数据采集卡等。接收器120一方面采集无线信号,另一方面也会采集并记录无线信号由于其传播空间中的物体和人130的活动所产生的波动。
在图示的实施例中,接收器120通过网络150来与服务器140连通,并且能够将采集并记录到的信号和波动传送至服务器140进行处理。然而,容易理解的是,接收器120自身也可具备处理无线信号和波动的能力,并且在一些实施例中可不设置服务器140和网络150。
此外,因为传播区域中的物体和人130的活动而发生信号的波动与人130的出现和动作之间存在已知的关联性。也就是说,当人130出现在信号传播区域中时,接收器120所接收到的无线信号会发生特定的波动,而当人130在信号传播区域中做出不同的动作(例如,站立、坐下、走动等)时,接收器120所接收到的无线信号也会产生不同的波动。通过分析这些波动,有可能判断出信号传播区域中是否有人出现,以及人在进行什么样的动作。这些信息对于智能建筑来说是至关重要的。例如,可以通过人的出现判断该信号传播区域出现了非期望的进入者,或者根据该信号传播区域的人的出现及其动作来判断在该信号传播区域提供进一步的操作,例如打开照明装置、播放特定的声音等。
出于清楚的缘故,图1中仅示出了单个发射器110和单个接收器120。然而,容易理解的是,无线感测装置可包括若干个发射器110和若干个接收器120,并且这些发射器和接收器部署在传播区域中的不同位置处,因此能够形成不同的空间结构和拓扑结构。
图2是根据本申请的用于无线感测装置的部署系统的一个实施例在与图1所示的无线感测装置结合使用时的结构示意图。其中,接收器120通过网络150来连接到服务器140上。根据本申请的用于无线感测装置100的部署系统包括:空间结构信息获取模块1401、无线感测装置计算模块1402、信号强度规划模块1403、模型优化模块1404和部署模块1405。
其中,空间结构信息获取模块1401配置为获取待部署区域的空间结构信息。在图示的实施例中,空间结构信息获取模块1401与空间结构信息数据库1410连通。空间结构信息数据库1410典型地可为BIM模型或建筑结构数据软件(例如,可商业地获得的MagicPlan软件)。获取待部署区域的空间结构信息可为任何已知的数据结构或通用的结构格式文件,并且获取待部署区域的空间结构信息典型地包括建筑的内部结构的信息。此外,根据本申请的用于无线感测装置的部署系统还可根据待部署区域的空间结构信息来选择用于其他模块的计算模型和神经网络数据模型。
本文中所称的“待部署区域”指的是发射器110所发出的无线信号所覆盖的区域,也即接收器120所位于的区域。此外,下文中所提及的“感兴趣区域”通常与待部署区域重合或属于待部署区域的一部分。
无线感测装置计算模块1402配置为计算无线感测装置的布局。计算无线感测装置的布局包括:设定和/或计算发射器110、感兴趣区域(ROI)和接收器120的位置。无线感测装置计算模块1402可配置为自动进行计算,或根据待部署区域的空间结构信息来进行发射器110、接收器120以及感兴趣区域的布局,或在已知的布局方案中选择与待部署区域的空间结构信息最接近或最相似的布局方案,或可配置为由用户手动设置发射器110、接收器120和/或感兴趣区域中的一个或多个。在最后一种情况下,无线感测装置计算模块1402还可连接到输入装置和显示输出装置上,以便由用户进行输入并且向用户展示计算结果。
信号强度规划模块1403配置为计算信号强度并判断信号强度是否符合需求。例如,信号强度规划模块1403可配置为根据计算模型以及发射器110和接收器120的位置来计算感兴趣区域中的无线信号强度。信号强度规划模块1403可以与计算模型数据库1420连通来存储数据。无线信号强度的计算方法是已知的,并且本文中不再对其具体算法和细节进行详细描述。信号强度规划模块1403的目标在于确保感兴趣区域中的无线信号强度超过预定的阈值,这样才能够保证检测结果的准确性。
在一个实施例中,如果信号强度规划模块1403的计算结果显示感兴趣区域中的无线信号强度达不到预定的阈值,则需要重新考虑发射器110、接收器120和/或感兴趣区域的位置。在此情况下,有可能再次使用无线感测装置计算模块1402来配置或计算发射器110、接收器120和/或感兴趣区域中的一个或多个,或选择其他布局方案,或者由用户在现场调整发射器110、接收器120和/或感兴趣区域中的一个或多个的位置,并且输入新的位置。
模型优化模块1404配置为根据无线感测装置的现场数据来通过迁移学习对预训练的神经网络模型进行优化。例如,现场数据包括由接收器120所接收到的感兴趣区域中的无线信号及其波动,而神经网络模型包括根据Wi-Fi信号来检测人活动的神经网络模型。预训练的神经网络模型典型地是已经根据特定使用环境训练过的神经网络模型,并且存储在神经网络模型数据库1430中。模型优化模块1404与神经网络模型数据库1430连通来存取数据。类似地,模型优化模块1404也根据上文所提及的待部署区域的空间结构信息来选择相对应的神经网络模型,或选择在结构和特征上最接近的神经网络模型。
在一个实施例中,神经网络模型是基于卷积神经网络(CNN)的神经网络模型或其改进模型。模型优化模块1404可采用现有的卷积神经网络模型来对特定感兴趣区域的现场模型进行初始化,如采用卷积神经网络模型的卷积层、池化层和/或输出层的分类器的参数,例如,网络层数、子载波个数、卷积核等。此外,模型优化模块1404对无线感测装置的现场数据的信号提取特征,并且将特征作为现场优化的输入,从而快速训练或优化适合特定感兴趣区域的卷积神经网络模型。此外,优化操作也可在本领域中已知或待开发的其他人工智能模型上进行,并且不限于上文所描述的具体操作细节。
因此,根据本申请的一个实施例的模型优化模块1404通过采用迁移学习的途径来实现卷积神经网络模型的快速训练。上述迁移学习的原理在于:由神经网络模型的最初的若干层所抽象出的CSI信号特征在很大程度上是与所学习的问题相独立的。
此外,模型优化模块1404还可配置为根据采用默认神经网络模型来测试来自无线感测装置的现场数据。如果默认神经网络模型能够满足感兴趣区域的感测要求,则无需进行上文所描述的新模型的训练过程,而是直接部署默认神经网络模型。
部署模块1405配置为将已针对特定感兴趣区域进行优化的神经网络模型部署到无线感测装置中。例如,可将优化后的神经网络模型部署到服务器140上,或直接部署到接收器120上。此外,部署模块1405还可将优化后的神经网络模型存储到神经网络模型数据库1430中,以便优化后的神经网络模型能够在后续其他无线感测装置的部署操作中使用,能够减少后续部署操作的潜在计算需求,从而提高了部署效率并降低成本。
尽管在图示的实施例中,空间结构信息数据库1410、计算模型数据库1420和神经网络模型数据库1430显示为服务器140的一部分,但容易理解的是,空间结构信息数据库1410、计算模型数据库1420和神经网络模型数据库1430也可设置为远程服务器,或其他任何合适的数据来源。
尽管在图示的实施例中,空间结构信息获取模块1401、无线感测装置计算模块1402、信号强度规划模块1403、模型优化模块1404和部署模块1405部署在服务器140上。然而,根据实际需要,上述各个模块也可分别部署在不同的装置上,例如在无线感测装置的接收器或手持设备上进行计算。因此,无线感测装置的接收器和/或手持设备可具备相应的处理器、输入装置和显示装置等。在一个实施例中,手持设备可为安装有特定应用程序的智能手机或平板电脑,以便用户进行现场操作。
在图示的实施例中,服务器140作为云服务器来运行。因此,当用户在不同区域中部署无线感测装置时,都可以通过任何合适的无线网络或有线网络来连接服务器140,并且由服务器140在云端进行参数选择、模型选择、模型训练,从而实现无线感测系统的方便快速部署,减少了现场计算和操作的需求。
图3是本申请的用于无线感测装置的部署方法的一个实施例的流程图。根据本申请的一个实施例的用于无线感测装置的部署方法包括下列步骤:
S1:获取待部署区域的空间结构信息;
S2:计算无线感测装置的布局;
S3:计算信号强度并判断信号强度是否符合需求;
S4:根据无线感测装置的现场数据来通过迁移学习对预训练的神经网络模型进行优化;以及
S5:将已优化的神经网络模型部署到无线感测装置中。
具体而言,在步骤S1中,从BIM模型或建筑结构数据软件(例如,可商业地获得的MagicPlan软件)来获得待部署区域的空间结构信息。此外,待部署区域的空间结构信息还可在后续步骤中用于选择计算模型和神经网络数据模型。
在步骤S2中,无线感测装置的布局包括:发射器、接收器和感兴趣区域的位置。上述各个部件和区域的位置可以由用户手动设置位置。此外,也可根据待部署区域的空间结构信息来在现有的布局方案中选择最合适或最接近的布局方案。具体方案的选择可以由服务器做出,也可由用户进行手动选择。在由用户手动选择的情况下,可以通过输入装置来进行数据的输入,并且将选择的结果在显示装置上进行显示。
在步骤S3中,根据计算模型以及上述步骤中所确定的发射器和接收器的位置来计算感兴趣区域中的无线信号强度。如果计算出的无线信号强度未能达到预定的阈值,则返回至之前的步骤,重新计算或安排发射器、接收器和感兴趣区域的位置。重新安排的操作可以由用户在现场来进行并输入,重新计算的操作可以由服务器选择新的布局方案。
在步骤S4中,服务器可与存储有一系列神经网络模型的数据库进行通信,其中,数据库存储有通用的神经网络模型和/或已经优化的神经网络模型。服务器可根据待部署区域的空间结构信息在步骤S1中确定的待部署区域的空间结构信息以及在步骤S2中确定的发射器、接收器和感兴趣区域的位置来选择最合适或最接近的神经网络模型。
神经网络模型包括用于根据Wi-Fi信号来检测人活动的神经网络模型。
可选地,在步骤S4中,可首先根据默认神经网络模型来测试来自无线感测装置的现场数据。默认神经网络模型通常是通用模型,并且在一些情况下,默认神经网络模型可能适合感兴趣区域的感测需求。这时将不需要进行进一步的优化操作。在另一些情况下,默认神经网络模型无法满足特定感兴趣区域的感测需求,这时将需要进行下文中描述的优化操作。
神经网络模型的优化操作可采用迁移学习的方式进行。具体而言,采用所选择的神经网络模型中的参数来对待优化模型进行初始化。例如,神经网络模型包可括卷积神经网络(CNN)模型及其改进模型。卷积神经网络模型的卷积层、池化层和/或输出层的分类器的参数,例如,网络层数、子载波个数、卷积核等可用于待优化模型的初始化。无线感测装置的现场数据的信号特征可在提取之后作为卷积神经网络模型的优化中的输入,从而进行优化操作。此外,优化操作也可采用本领域中已知的或待开发的其他方法或途径来进行,或在本领域中已知或待开发的其他人工智能模型上进行,并且不限于上文所描述的具体操作细节。
步骤S5可选地还包括将已优化的神经网络模型存储到数据库中,以便将该神经网络模型用于后续其他无线感测装置的部署操作,从而有效地提高了神经网络模型的复用性,减少重复训练神经网络模型的可能性。
上述各个步骤可分别由以下平台之一来执行:服务器、无线感测装置的接收器和手持设备。在图示的实施例中,各个步骤均在位于云端的服务器上执行。然而,容易理解的是,上述各个步骤中的一个或多个也可以在其他平台上执行,包括但不限于无线感测装置的接收器和用户的手持设备等。因此,无线感测装置的接收器和/或手持设备可具备相应的处理器、输入装置和显示装置等。
此外,根据本申请的无线感测装置的部署方法和系统还可包括用户登录的功能,并且可以将优化后的神经网络模型存储在特定用户的名下,从而确保用户隐私。在此情况下,服务器140还可提供用户注册、用户登录和用户登出等服务,并且包括相应的用户数据库。
根据本申请的无线感测装置的部署方法和系统还可包括将接收器120接入发射器110的无线网络的操作以及对应的无线网络接入模块。并且以此,服务器、无线感测装置的接收器和/或手持设备可提供相应的网络接入功能。
根据本申请的用于无线感测装置的部署方法和系统可用于在建筑内部快速部署基于Wi-Fi的人感测系统,从而感测建筑内部的感兴趣区域中是否有人的出现,并潜在地具体划分人的动作。这些信息可用于建筑其他管理和控制系统的决策。例如,在感兴趣区域中出现非授权入侵的人的情况下,安防系统可能会得到出现入侵者的警告。又例如,在感兴趣区域中出现人或没有出现人的情况下,空调系统、照明系统等装置可能会相应地进行启动或关闭的操作,从而提高建筑内部的人的用户体验。
此外,通过采用本申请的用于无线感测装置的部署方法和系统,可以提高无线感测系统的部署效率,减少现场的调试和优化操作。
本说明书参考附图来公开本申请,并且还使本领域中的技术人员能够实施本申请,包括制造和使用任何装置或系统、选用合适的材料以及使用任何结合的方法。本申请的范围由请求保护的技术方案限定,并且包含本领域中的技术人员想到的其他实例。只要此类其他实例包括并非不同于请求保护的技术方案字面语言的结构元件,或此类其他实例包含与请求保护的技术方案的字面语言没有实质性区别的等价结构元件,则此类其他实例应当被认为处于由本申请请求保护的技术方案所确定的保护范围内。
Claims (12)
1.一种用于无线感测装置的部署方法,其特征在于,包括下列步骤:
S1:获取待部署区域的空间结构信息;
S2:计算无线感测装置的布局;
S3:根据所述布局计算信号强度,并判断信号强度是否符合需求;
S4:通过所述无线感测装置接收到的信号,判断默认神经网络模型是否符合需求,如果不符合需求,则根据所述无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化;
S5:将已优化的神经网络模型部署到所述无线感测装置中。
2.根据权利要求1所述的部署方法,其特征在于,在步骤S1中,从BIM模型或建筑结构数据软件来获得待部署区域的空间结构信息。
3.根据权利要求1所述的部署方法,其特征在于,所述无线感测装置包括发射器和接收器,在步骤S2中,无线感测装置的布局包括:发射器的位置、接收器的位置和感兴趣区域的位置。
4.根据权利要求3所述的部署方法,其特征在于,在步骤S3中,根据计算模型以及所述发射器和所述接收器的位置来计算所述感兴趣区域中的无线信号强度。
5.根据权利要求1所述的部署方法,其特征在于,在步骤S4中,所述神经网络模型包括用于根据Wi-Fi信号来检测人活动的卷积神经网络模型,采用所述无线感测装置接收到的信号特征作为卷积神经网络模型的优化中的输入。
6.根据权利要求1所述的部署方法,其特征在于,各个步骤由以下平台之一来执行:服务器、所述无线感测装置的接收器和手持设备。
7.一种用于无线感测装置的部署系统,其特征在于,包括:
空间结构信息获取模块,其配置为获取待部署区域的空间结构信息;
无线感测装置计算模块,其配置为计算无线感测装置的布局;
信号强度规划模块,其配置为根据所述布局计算信号强度,并判断信号强度是否符合需求;
模型优化模块,其配置为通过所述无线感测装置接收到的信号,判断默认神经网络模型是否符合需求,如果不符合需求,则根据所述无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化;以及
部署模块,其配置为将已优化的神经网络模型部署到所述无线感测装置中。
8.根据权利要求7所述的部署系统,其特征在于,所述空间结构信息获取模块配置为从BIM模型或建筑结构数据软件来获得待部署区域的空间结构信息。
9.根据权利要求7所述的部署系统,其特征在于,所述无线感测装置包括发射器和接收器,计算无线感测装置的布局包括:设定和/或计算发射器的位置、感兴趣区域的位置和接收器的位置。
10.根据权利要求9所述的部署系统,其特征在于,计算信号强度包括根据计算模型以及所述发射器和所述接收器的位置来计算所述感兴趣区域中的无线信号强度。
11.根据权利要求7所述的部署系统,其特征在于,所述神经网络模型包括根据Wi-Fi信号来检测人活动的卷积神经网络模型,采用所述无线感测装置接收到的信号特征作为卷积神经网络模型的优化中的输入。
12.根据权利要求7所述的部署系统,其特征在于,所述空间结构信息获取模块、所述无线感测装置计算模块、所述信号强度规划模块、所述模型优化模块和所述部署模块部署在以下一个或多个上:服务器、所述无线感测装置的接收器和手持设备。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405853.6A CN111950190A (zh) | 2019-05-16 | 2019-05-16 | 用于无线感测装置的部署方法和系统 |
EP20729406.7A EP3970393A1 (en) | 2019-05-16 | 2020-05-08 | Deployment method and system for wireless sensing apparatus |
US17/251,983 US20220060910A1 (en) | 2019-05-16 | 2020-05-08 | Deployment method and system for wireless sensing apparatus |
PCT/US2020/032030 WO2020231782A1 (en) | 2019-05-16 | 2020-05-08 | Deployment method and system for wireless sensing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405853.6A CN111950190A (zh) | 2019-05-16 | 2019-05-16 | 用于无线感测装置的部署方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950190A true CN111950190A (zh) | 2020-11-17 |
Family
ID=70919097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910405853.6A Pending CN111950190A (zh) | 2019-05-16 | 2019-05-16 | 用于无线感测装置的部署方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220060910A1 (zh) |
EP (1) | EP3970393A1 (zh) |
CN (1) | CN111950190A (zh) |
WO (1) | WO2020231782A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266012B (zh) * | 2021-12-21 | 2022-10-04 | 浙江大学 | 基于WiFi的非接触式博物馆多区域观众计数方法 |
CN115002791B (zh) * | 2022-08-01 | 2022-11-29 | 中家院(北京)检测认证有限公司 | 基于无线信号强度分布预测智能家居空间部署方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006073120A1 (ja) * | 2005-01-05 | 2006-07-13 | Matsushita Electric Works, Ltd. | 光検出器、同光検出器を用いた空間情報検出装置、および光検出方法 |
US10080146B2 (en) * | 2014-03-12 | 2018-09-18 | Telefonaktiebolaget Lm Ericsson (Publ) | Antenna beam control |
WO2018080124A2 (ko) * | 2016-10-24 | 2018-05-03 | 엘지전자 주식회사 | 딥 러닝 신경망 기반의 보안 시스템 및 그 제어 방법 |
-
2019
- 2019-05-16 CN CN201910405853.6A patent/CN111950190A/zh active Pending
-
2020
- 2020-05-08 EP EP20729406.7A patent/EP3970393A1/en active Pending
- 2020-05-08 WO PCT/US2020/032030 patent/WO2020231782A1/en active Application Filing
- 2020-05-08 US US17/251,983 patent/US20220060910A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
WO2020231782A1 (en) | 2020-11-19 |
EP3970393A1 (en) | 2022-03-23 |
US20220060910A1 (en) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10986789B1 (en) | System and method for sensor-assisted indoor gardening | |
US9618918B2 (en) | System and method for estimating the number of people in a smart building | |
JP7495944B2 (ja) | 動き検出システムにおいて新しい動きゾーンを検出するためのオフラインチューニングシステム | |
US11637716B1 (en) | Connected automation controls using robotic devices | |
US20220351598A1 (en) | Enhanced audiovisual analytics | |
US8428310B2 (en) | Pattern classification system and method for collective learning | |
US11736555B2 (en) | IOT interaction system | |
US11531082B2 (en) | Device location network | |
CN107643509A (zh) | 定位方法、定位系统及终端设备 | |
US20220212793A1 (en) | Drone wireless communication diagnosis and correction | |
KR20230169969A (ko) | 라디오 주파수 감지 라벨들에 의한 수동 포지셔닝 | |
US11967139B2 (en) | Adversarial masks for false detection removal | |
US20220060910A1 (en) | Deployment method and system for wireless sensing apparatus | |
US11495122B2 (en) | Automated bulk location-based actions | |
Hillyard et al. | Never use labels: Signal strength-based Bayesian device-free localization in changing environments | |
US20240005648A1 (en) | Selective knowledge distillation | |
Sansano-Sansano et al. | Multimodal Sensor Data Integration for Indoor Positioning in Ambient‐Assisted Living Environments | |
US12015939B2 (en) | Mesh network connection quality | |
WO2023026750A1 (ja) | 遠隔監視システム、異常検知システム、遠隔監視方法およびプログラム | |
Sansano-Sansano et al. | Research Article Multimodal Sensor Data Integration for Indoor Positioning in Ambient-Assisted Living Environments | |
WO2024113050A1 (en) | Configuring a motion sensing system for operation in an environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |