CN114127647A - 一种基于传感器信号数据来执行操作的方法和设备 - Google Patents
一种基于传感器信号数据来执行操作的方法和设备 Download PDFInfo
- Publication number
- CN114127647A CN114127647A CN202080053043.XA CN202080053043A CN114127647A CN 114127647 A CN114127647 A CN 114127647A CN 202080053043 A CN202080053043 A CN 202080053043A CN 114127647 A CN114127647 A CN 114127647A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor signal
- signal data
- processor
- feature
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/115—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/175—Controlling the light source by remote control
- H05B47/19—Controlling the light source by remote control via wireless transmission
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Selective Calling Equipment (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
- Testing Of Balance (AREA)
- Telephonic Communication Services (AREA)
Abstract
一种基于从至少一个传感器获得的传感器信号数据执行操作的方法(10)和设备(50)。由设备(50)的处理器(54)从传感器信号数据生成与预定特征轮廓集合匹配(12)的特征轮廓。如果生成的特征轮廓与预定特征轮廓集合中的至少一个匹配,则由设备(50)基于传感器信号数据执行(13)该操作,并且如果生成的特征轮廓与预定特征轮廓集合中的至少一个不匹配,则由设备(50)基于传感器信号数据(40)的远程处理(40)来执行(14)该操作。利用所公开的方法,实现了设备(50)的处理能力、处理时间和可靠操作的平衡,而不带来升级设备(50)的额外成本。
Description
技术领域
本公开总体上涉及通过启用传感器的设备来控制操作,并且特别涉及基于传感器信号数据执行操作的处理器控制的方法,以及处理器控制的设备、系统和计算机程序产品。
背景技术
传感器技术方面的推进发展允许越来越多的设备基于从一个或多个传感器获得的传感器信号数据来执行适配于特定事件的自动化操作,所述一个或多个传感器被布置成用于提供但不限于运动数据、声音数据、图像数据、视频数据、温度数据、湿度数据、压力数据、亮度数据、化学成分或物质数据、嗅觉数据和触觉数据中的至少一种。
这些传感器通常布置在相应的设备中,但是也可以外部连接到相应的设备。获得的传感器信号数据通常由处理装备处理,诸如由该设备包括的适当编程的通用处理器或专用集成电路。
作为示例,运动检测传感器可以用于检测和测量加速力和旋转力,以便检测移动物体,从而响应于特定类型的运动由设备来执行操作。例如,如果该设备是或包括照明器材,则该操作可以包括在检测到有人接近该设备时通过照明器材点燃照明,并且基于检测到的附近挥舞的树的运动等等来避免照明。
作为另一个示例,所谓的环境传感器可以用于测量各种环境参数,诸如环境空气温度和压力、照明和湿度,用于例如在处理如此获得的传感器信号数据指示紧急情况时触发警报。
在单个设备中使用多个不同的传感器,用于在要从传感器信号数据中检测的特定事件发生时改进设备的预期和/或自动化操作,这不可避免地意味着不同类型的原始传感器信号数据将由设备的处理装备处理,在与单个类型的传感器信号数据相比时,该传感器信号数据本质上可能是异质的,并且可能包括相当大量的要处理的数据。
例如,与仅根据运动检测传感器的传感器信号数据在夜间检测博物馆中的入侵者相比,在下雨和刮风的条件下,通过处理来自运动传感器、湿度传感器和温度传感器的数据,在花园中存在大量树木和灌木丛的情况下可靠地检测移动的人提供了相当复杂和详尽的数据处理任务。
实际上,就可用的和/或可以用于处理收集的传感器信号数据的硬件和软件资源而言,许多配备有传感器的网络和/或用户设备或终端的能力有限。
例如,传感器信号数据量及其处理的复杂性两者的增加不仅在当前可用的启用传感器的设备中对其在实现中造成困难,而且还可能显著增加未来设备的成本。
与嵌入用户或网络设备中用于处理传感器信号数据的处理装备相比,所获得的传感器信号数据可以被传送到远程计算系统,该系统具有包括大量处理能力和/或更精细(sophisticated)的处理算法的计算设备,诸如台式计算机、工作站或网络服务器。然而,由于几个原因,这样的解决方案在其应用方面受到限制。
设备或终端与远程计算设备连续交换传感器信号数据需要相对强大的信令资源,导致设备功耗增加,并且需要广泛使用设备和远程计算设备需要连接到的中间电信网络。
此外,由设备执行的大多数操作必须被及时递送,有时以实时或接近实时的方式递送,当远程计算或处理设备参与感测数据的处理时,这难以实现和/或实现的代价很高。这使得远程过程收集的传感器信号数据甚至更具挑战性。
因此,在现有的和新的处理器控制的设备中,针对高效地使用和部署设备中的处理资源,由启用传感器的设备基于增加的(异构的)传感器信号数据量对传感器信号数据进行响应、准确和及时的处理,以可靠地检测用于由设备执行一个或多个预期操作的特定事件,成为一个具有挑战性的目标。
发明内容
在本公开的第一方面中,通过一种由包括处理器的设备基于从至少一个传感器获得的传感器信号数据来执行操作的方法来实现上述目的和其他目的,该方法包括以下步骤:
-由处理器从传感器信号数据生成特征轮廓(feature profile);
-由处理器将生成的特征轮廓与处理器可用的预定特征轮廓集合进行匹配;
-如果所生成的特征轮廓与该预定特征轮廓集合中的至少一个匹配,则由设备基于传感器信号数据在处理器的控制下执行操作,以及
-如果生成的特征轮廓与预定特征轮廓集合中的至少一个不匹配,则由设备基于传感器信号数据的远程处理在处理器的控制下执行操作。
本公开基于处理可用传感器信号数据的混合方式,包括本地传感器信号数据评估模式和远程传感器信号数据评估模式。设备基于相应的传感器信号数据评估模式执行操作取决于设备本地可用的处理资源是否可以可靠地确定或检测特定事件。
为此,在第一步骤中,根据由一个或多个传感器获得的传感器信号数据,设备的处理器生成所谓的特征轮廓。出于本申请的目的,特征是表示由传感器信号包括、或隐藏在传感器信号中的有用和主导信息的独特技术特征或参数。特征轮廓包括至少一个特征。然而,在实践中,特征轮廓将包括几个特征和/或特征之间的关系。特征可以通过根据处理器可用的特定特征处理算法处理传感器信号数据来获得。
在下一步骤中,如此生成的特征轮廓与处理器本地可用的预定特征轮廓集合相匹配。这些预定特征轮廓均表示可以由处理资源(即,处理器和特征处理算法)从传感器信号数据中可靠地检测到的信息,该处理资源在设备处是本地可用的。
在匹配的情况下,即当生成的特征轮廓与预定特征轮廓集合中的至少一个特征轮廓一一对应、或在一定程度上对应时,由设备基于传感器信号数据、在处理器的控制下执行一个或多个预期操作。
然而,如果生成的特征轮廓与该预定特征轮廓集合中的任何特征轮廓不匹配,则设备的操作取决于传感器信号数据的远程处理的结果。也就是说,获得的传感器信号数据被传送到远程计算系统,与设备本地可用的处理资源相比,该远程计算系统具有包括更大量处理能力和/或更精细的特征处理算法的计算设备,诸如台式计算机、工作站或网络服务器。
利用本解决方案,所获得的传感器信号数据经受其复杂性或难度水平的评估,也叫做对手评估(adversary evaluation),用于可靠地检测或确定由至少一个传感器感测的事件。
通常,基于由设备处或设备中本地可用的处理资源计算的评估结果来执行设备的特定操作,除非本地处理结果示出本地可用的处理资源不足以确定是否执行预期操作。
也就是说,在生成的特征轮廓与预定特征轮廓集合相匹配的情况下,传感器信号数据被认为相对容易被设备本地可用的有限或稀缺的处理资源评估,即,被认为是(qualify)容易的对手,并且设备可以直接基于传感器信号数据来执行操作。
否则,如果所生成的特征轮廓和预定特征轮廓集合之间不匹配,则传感器信号数据的评估被认为是困难和复杂的,即,被认为是困难的对手。在这种情况下,设备本地可用的有限处理资源被认为不足以评估传感器信号数据,使得需要由远离设备的更强大的处理资源来处理传感器信号数据。
可以设想,启用传感器的设备将被设计成使得设备要执行的大多数操作和任务、比如日常常规和例行操作应该基于设备本地可用的处理资源来处理和控制。仅在特殊情况下,即,导致更复杂和更广泛的感测数据的事件中,才使用用于处理传感器信号数据的强大后端设备的计算能力。
以这种方式,设备的操作在处理和数据传输效率、操作准确度、成本和响应性方面以平衡的方式执行。
在本公开的实施例中,生成步骤包括:通过使用包括变换算法和特征提取算法之一的预定义数据分析算法来生成特征轮廓,所述特征提取算法包括统计数据分析算法。
可以使用相应的特征提取算法有利地处理和评估直接对应于由相应传感器感测的量的特征或主导信息,该感测的量诸如是测量的最大温度、测量温度的平均值和标准偏差等等。对隐藏在传感器信号数据中的信息的评估可能需要使用数据变换算法,例如诸如将传感器信号数据从时域变换到频域。出于本公开的目的,可以应用不同的特征提取和/或已知的数据变换算法。
因此,根据本公开的特征轮廓可以依赖于从传感器信号数据直接提取的各种特征,或者在传感器信号数据的变换版本中可用的特征,诸如在不同于感测传感器信号数据的域中可用的特征。
如上所述,传感器信号数据的对手评估由位于启用传感器的设备处或在启用传感器的设备中的有限或稀缺的处理资源来执行。然而,在本地计算和存储资源有限的情况下,运行需要相当高计算工作量的变换算法是不可行的。
为了实现性能的满足与资源的经济性之间的最佳平衡,根据本公开的另一个实施例,设备的本地处理器应用快速傅立叶变换(FFT)特征处理算法,其中,生成的特征轮廓是频率或频谱特征轮廓,其包括幅度超过预定阈值的频率分量集合,并且其中,该预定特征轮廓集合包括由超过阈值的频率分量的数量和频率定义的频谱特征轮廓。
就处理和存储能力两方面的计算资源需求而言,FFT被认为是相对简单的数据结构,其表示用于评估所获得的传感器信号数据和发现预定事件的有用物理信息。
根据本公开的实施例,在匹配步骤中,将生成的特征轮廓与处理器可用的预定特征轮廓集合进行比较。
对轮廓进行比较是一种相对简单的匹配形式,不需要大量的处理能力,并且因此适用于通过有限的处理资源进行应用。预定特征轮廓集合可以例如从对历史传感器信号数据集合执行的多个测试中获得,该历史传感器信号数据集合与一个或多个特定事件相关,无论启用传感器的设备是否要对该一个或多个特定事件执行预期操作。
预定特征轮廓可以区分开与设备要对其执行操作的目标事件相关的轮廓和不表示设备要对其执行操作的事件的背景事件。
特征轮廓可以依赖于各种特征,或者是直接从传感器信号数据中提取的特征,和/或在不同域中的传感器数据的变换版本中可用的特征。因此,对特征轮廓进行比较可以设计将生成的特征轮廓的各种特征与预定特征轮廓集合中的每个特征轮廓的对应特征进行比较。
当生成的特征轮廓与预定特征轮廓集合中的至少一个特征轮廓一一对应或在一定程度上对应时,可以判定匹配。
匹配步骤可以针对不同的特征采用不同的标准。例如,当生成的和预定的频谱特征轮廓两者中的频率分量处于相同的频率值时,频域中的匹配可以被限定(qualify)为正,而当一个幅度高于另一个幅度或在另一个幅度的特定范围或百分比内时,幅度之间的匹配被限定为正。
为了支持对特征轮廓的匹配进行判定,在本公开的另外的实施例中,匹配步骤包括确定生成的特征轮廓是否在预定时间段内重复。
例如,生成的特征轮廓最终可能不被判定为正匹配,对于该生成的特征轮廓,启用传感器的设备将执行操作(即匹配),但是该特征轮廓重复超过长达相应事件的持续时间的时间段。
利用这个附加的标准,例如,目标事件甚至可以更可靠地与背景事件区分开来。
在本公开中,为了在启用传感器的设备处尽可能多地节省稀缺或有限的处理资源,由设备直接基于匹配步骤的成果(outcome)或结果来执行特定操作是有利的。在正匹配的情况下,这与匹配特征轮廓一致。在这种情况下,预定特征轮廓直接对应于设备需要执行特定操作的发生时的一个或多个特定事件。
如果生成的特征轮廓与预定特征轮廓集合不匹配,则可以区分两种不同的情景。
在第一情景中,原始传感器信号数据被远程预处理,并且由设备的本地处理器进一步评估,用于通过从预处理中生成特征轮廓并将其与预定特征轮廓集合相匹配来检测或确定设备执行操作的特定事件,如上面公开的那样。
在第二情景中,传感器信号数据的远程处理可以直接导致检测到执行设备的操作的特定事件的可能发生。
在这两种情景中,预期的一个或多个操作由设备在处理器的控制下执行。
在本公开的实施例中,由设备使用传感器信号数据执行操作的步骤进一步包括:将操作算法应用于传感器信号数据。
操作算法的一相对简单的示例是测量由空调调节的房间或空间中的湿度水平,用于在空调开始操作之前在空调处进行适当的设置,该开始操作由房间温度高于设定水平的事件触发,并且例如根据基于房间温度测量结果的特征轮廓来确定。
注意到,操作算法可以对相比于用于匹配步骤的更多的或其他传感器信号数据进行操作,或者例如相反。为了节省稀缺资源,可以将用于生成特征轮廓的操作算法和数据分析算法组合成单个数据处理算法。
为了在远程或外部传感器信号数据评估模式下操作,当传感器信号数据被认为是困难的对手时,在基于传感器信号数据的远程处理来执行设备的操作之前,设备的收发器执行以下步骤:
-将传感器信号数据传输到远程计算设备,以及
-从远程计算设备接收通过由远程计算设备对所传输的传感器信号数据应用至少一种处理算法而获得的经处理的传感器信号数据。
出于本公开的目的,接收经处理的传感器信号数据的步骤包括:接收经处理的或预处理的传感器信号数据和/或接收来自传感器信号数据的远程处理的一个或多个结果。
与设备本身的处理器所应用的操作算法相比,远程计算设备所应用的至少一个处理算法可能更精细。在处理复杂的传感器信号数据方面,该数据诸如是在强噪声条件下或受到干扰时获得的,更精细的算法将优于简单的算法。此外,可以使用多个精细的操作算法来处理复杂的传感器信号数据,并且最终结果可以基于来自几个算法的投票,诸如多数票。
因此,该方法允许远程处理由于各种原因而变得复杂的传感器信号数据,诸如是从多个相互不同的传感器获得的混合数据,和/或在极端大气或天气条件下获得的不规则数据,以便通过利用设备本身不可用的更强的处理能力来产生更可靠的结果。
收发器传输或传送传感器信号数据可以取决于收发器的可用通信资源。因此,在本公开的实施例中,由收发器传输传感器信号数据包括将传感器信号数据的表示传输到远程计算设备。
也就是说,在某个时间窗口中获得的所有原始传感器信号数据或数据样本可以被传输到远程或后端计算设备,特别是在对数据传输速率没有限制的情况下。
然而,原始传感器数据样本可以由设备中本地可用的处理器下采样,以形成表示原始传感器信号数据的新数据样本,使得这些新数据样本的传输将不超过对数据传输速率的限制。例如,在接收到新数据样本时,一个远程或后端计算设备/多个远程或后端计算设备需要通过经典的信号重建技术来重建原先的数据样本。
在设备的处理器的能力允许计算数据压缩的情况下,原始数据样本被压缩以形成表示原始传感器信号数据的新数据样本,例如,使得新数据样本的传输将不超过对通过经典的数据解压缩技术重建原先的数据样本的需求的限制。
本公开的方法可以用于操作设备、或者由启用传感器的设备基于但不限于以下各项中的至少一项来执行一个或多个操作:包括运动数据、声音数据、图像数据、视频数据、温度数据、湿度数据、压力数据、亮度数据、化学成分或物质数据、嗅觉数据和触觉数据中的至少一个的传感器信号数据。取决于传感器和从传感器可用的数据,设备可以执行不同的操作。
在本公开的特定实施例中,该设备包括照明器材,该照明器材包括至少一个照明模块,特别是发光二极管(LED)、照明模块,并且其中,由该设备执行操作包括由至少一个照明模块控制照明。
照明器材可以具有连接到其上或者甚至与其集成的不同传感器,这些传感器可以测量各种条件或参数,诸如环境声音、移动、温度、发光等等。如上面解释的,无论是否应用操作算法,都可以基于测量的传感器数据来控制照明设备的照明。
在本公开的第二方面中,提供了一种用于基于从至少一个传感器获得的传感器信号数据来执行操作的设备,该设备包括处理器和收发器,其中,处理器和收发器被布置成用于根据上述本公开的第一方面的方法来执行由处理器控制的操作。
该设备可以包括至少一个传感器,该至少一个传感器被布置成用于提供以下各项中的至少一项:运动数据、声音数据、图像数据、视频数据、温度数据、湿度数据、压力数据、亮度数据、化学成分或物质数据、嗅觉数据和触觉数据。
在本公开的特定实施例中,该设备包括至少一个照明模块,特别是发光二极管(LED),其中,由处理器控制的、由设备执行操作包括由至少一个照明模块控制照明。
由照明模块控制照明可以涉及改变或设置光强度、颜色、发射光的地理方向、特定的操作模式,诸如闪烁等。
本领域技术人员将领会到,该设备还可以包括一个或多个相机、声音警报器等,以基于获得的传感器信号数据进行操作。
在本公开的第三方面中,提供了一种系统,包括根据本公开第二方面的设备和远程或后端计算设备,其中,根据本公开第一方面的远程后端计算设备被布置成用于:
-从设备,即启用传感器的设备接收传感器信号数据;
-通过应用至少一个预处理算法预处理接收到的传感器信号数据,以及
-将经预处理的传感器信号数据传输到设备。
在本公开的第四方面中,提供了一种包括存储在计算机可读介质上的程序代码的计算机程序产品,该程序代码被布置成用于当程序代码由至少一个处理器执行时,执行本公开的第一方面中描述的方法。
参考下文描述的(一个或多个)非限制性示例实施例,本公开的上述和其他方面将变得清楚并得以阐明。
附图说明
图1在流程图类型图中图示了根据本公开的基于从至少一个传感器获得的传感器信号数据由设备执行操作的方法。
图2在示意图中图示了根据本公开的实施例的用于生成频谱特征轮廓的快速傅立叶变换(FFT)传感器信号数据处理算法的步骤。
图3a和图3b图示了根据本公开的实施例的运动检测中的两个典型的容易的对手,这两个对手是从通过对运动传感器信号数据应用FFT而生成的频谱特征轮廓而获得的。
图4a、图4b和图4c图示了根据本公开的实施例的运动检测中的三个困难对手,所述三个困难对手是从由应用于运动传感器信号数据的FFT所生成的频谱特征轮廓获得的。
图5在示意图中图示了根据本公开的实施例的使用多种算法在后端计算设备处理传感器信号数据的方法的实施例。
图6在示意图中图示了根据本公开的实施例的微波运动检测系统,该系统包括末端或节点设备和后端计算设备。
图7以图形表示的方式图示了根据本公开的实施例的表示容易的对手的运动传感器信号数据的处理。
图8以图形表示的方式图示了根据本公开的实施例的呈现困难的对手的运动传感器信号数据的处理。
图9以图形表示的方式图示了根据本公开的实施例的呈现一种类型的困难的对手的运动传感器信号数据的处理。
具体实施方式
下面参考由运动检测设备执行操作的方法、以及运动检测设备和包括运动检测设备和远程或后端计算设备的系统来详细描述本公开,该运动检测设备是获得运动传感器信号数据的设备。本领域技术人员将领会到,本公开不限于基于运动检测传感器信号数据的操作,而是同样适用于由各种各样启用传感器的设备进行的操作,如发明内容部分中所指示的那样。
遍及本说明书,术语“传感器信号数据”、“传感器数据”和“信号”可互换使用。
典型的主流运动检测设备目前包括合并成单个运动检测设备的一个或多个微波运动检测传感器和微控制器单元(MCU)、数据处理单元。传感器被布置成通过感测设备周围环境中的运动来收集原始传感器信号数据。有线或无线地收集原始数据,用于由在MCU上运行的一个或多个数据处理算法进行处理和评估,由此确定或发现检测结果或事件,用于由设备执行预期操作。
预期质量良好的运动检测设备(例如,用于室外使用的)将产生正确的检测结果,并且响应于运动检测而执行的任何操作即使在不利或极端条件——诸如在雨天和/或存在由例如由于风引起的移动物体引起的干扰或噪声——下也不受到负面影响。
图1在流程图类型图中图示了根据本公开的由诸如运动检测设备之类的设备基于从诸如运动传感器之类的至少一个传感器获得的传感器信号数据来执行操作的方法10。
在步骤11处,“从传感器信号数据生成特征轮廓”,设备的处理器(诸如MCU或微处理器)从收集于至少一个传感器的传感器信号数据生成特征轮廓。
使用预定义的数据分析算法,诸如统计特征提取算法或传感器信号数据变换算法来生成特征轮廓,该算法将传感器信号数据从一个域变换到另一个域,例如诸如从时域变换到频域或频谱域。
快速傅立叶变换(FFT)算法可以被认为是从运动检测传感器信号数据生成频谱特征轮廓的首要选择,实现了处理资源的性能与经济性之间的最佳平衡,这在终端设备中可能是稀缺的或有限的。
FFT频谱为理解待检测事件与传感器信号数据之间的关系提供了明确的物理意义。FFT的相对简单的数据结构也适用于要由处理器执行的后续处理中的计算,诸如分类算法和操作算法,用于传感器信号数据的进一步处理。
使用FFT的频谱生成对于本领域技术人员来说是公知的,并且在图2中示意性图示出。FFT算法15包括:将传感器信号数据切割成具有固定长度的帧16,从帧数据17中去除偏移或DC分量,对数据帧18应用或添加窗口函数,以及然后对数据帧19执行FFT。此外,在信号处理或统计中,可以使用窗口函数来减轻频谱泄漏效应。窗口功能可以包括矩形窗口、Hamming窗口、Parzen窗口、Blackman窗口等之一。
对传感器信号数据的新样本或集合重复步骤16 - 19。
该步骤对传感器数据进行所谓的对手评估或难度评估,以建立在MCU上运行的算法的难度程度,从而通过处理传感器信号数据来提供正确的检测结果或事件,诸如在雨天检测到夜间在花园中移动的人。如果设备的处理资源足以提供正确的输出,则存在容易的对手,否则存在困难的对手。出于此目的,生成的特征轮廓与该预定特征轮廓集合相匹配。
该预定特征轮廓集合表示可以从传感器信号数据中可靠地检测到的信息或参数,该传感器信号数据由设备的处理器使用频谱特征处理算法(即FFT操作15)获得,该算法对处理器本地可用,即处理器能够运行。
可以通过分析历史传感器数据来获得该预定频谱特征轮廓集合,以得出背景特征/频谱和目标特征/频谱之间的差异。
对于运动检测传感器,主要人们可以区分开两种类型的事件。即,要作为目标的一个或多个运动事件,以及一个或多个背景事件。例如,运动或目标事件是传感器信号数据携带用于检测相应运动物体的可区分信息或特征的事件或发生的事。背景事件或发生的事的特征在于在要检测的移动物体处未得出的特征,例如在随后的传感器信号数据样本或数据帧中连续呈现的信息。
本领域技术人员将领会到,用于检测或确定涉及稳态或伪稳态情况的背景事件的检测工作量可能不同于用于根据传感器信号数据检测或确定目标事件所需的检测工作量,这取决于通常指示目标事件的特征是否将从分析或评估传感器信号数据中变得明显可用。
图3a和图3b分别以图形方式图示了运动检测中两个典型的容易的对手的示例,它们使用FFT作为特征分析算法。在图3a和图3b中、以及在图4a、图4b和图4c中,横轴表示以Hz为单位的频率,并且纵轴表示频谱分量的归一化振幅值或量值。
图3a是通过对在特定时间段内收集的传感器信号数据执行FFT而生成的典型背景频谱特征轮廓,并且图3b是从传感器信号数据生成的典型运动频谱特征轮廓,表示目标事件,即要检测的运动物体。
在图3a的示例性背景频谱中,该频谱包括三个频率分量21、22和23,以下称为峰值,每个频率分量的量值明显高于其他频谱分量。峰值位于大约25 Hz - 80 Hz的频率范围内,包括25 Hz、55 Hz和80 Hz左右的背景频谱的所谓的背景频率分箱(bin)。相比之下,在图3b的运动频谱中,在大约20 Hz的频率处只有一个主导峰值24,其量值是压倒性的,即明显超过其他频谱分量的量值。峰值24位于这些背景频率分箱之外。
如图3a和图3b中图示的,从传感器信号数据中生成的、匹配由两个频谱所包括的任何预定特征轮廓的任何特征轮廓(例如,以下预定特征轮廓,其包括分别在25 Hz、55 Hz或80 Hz左右的用于推断背景事件的总共三个峰值,以及在20 Hz左右的用于确定目标事件的峰值)对于辨别目标运动事件而言是相对容易处理的。
然而,可能出现频谱/特征轮廓,根据这些频谱/特征轮廓更难判定是否存在目标事件。图4a、图4b和图4c表示三个困难的对手的示例。
在图4a中所示的运动频谱特征轮廓中,与图2a的背景频谱特征轮廓相比,在背景频率分箱上有三个具有相似量值关系的主导峰值31、32和33,但是与图2b的频谱特征轮廓相比,在10 Hz左右处也有另一个主导峰值34,其超出了背景频率分箱,并且其峰值量值不是压倒性的,即没有很大程度地超出频谱中的其他频谱分量。
许多测试的基础真值结果示出,难以指示图4a的频谱是否表示目标事件。示出的是,背景事件与由这样的频谱表示的运动或目标事件之间的比率约为4:6。因此,使用图3a和图3b的特征轮廓作为预定特征轮廓集合来匹配图4a的特征轮廓,将不容易给出正确或可靠的输出。
图4b中所示的频谱特征轮廓只有一个主导峰值35,其量值是压倒性的,但是位于背景频率分箱之一上,即55 Hz左右。许多试验的基础真值结果示出,背景事件与具有这种频谱的目标或运动事件之间的比率约为5:5。根据多普勒效应,特定的运动速度有可能触发55 Hz左右的峰值,这与图3a的背景频率分箱之一一致。因此,如果算法在匹配步骤中在满足该频谱时输出背景事件,则很有可能得到错误的结果。
图4c中示出了表示来自运动传感器数据的困难的对手的另一个类型的频率分布频谱。测试是在恶劣的天气条件下进行的,即强风和雨滴往原始传感器数据中添加了严重干扰。在这种情况下,在大约10 Hz处只有一个主导峰值36,其量值是压倒性的,即其值明显超越了其他频谱分量的值,并且该峰值不在任何背景频率分箱的附近。
使用从图3a和图3b中推导出的预定特征轮廓匹配该特征将非常可能导致错误的输出,即可能的目标事件,因为峰值36不位于背景事件分箱中。事实上,测试的基础真值结果示出,此频谱只是来自暴雨天气的背景频谱。然而,仍然有可能校正算法输出,因为图4c的特征轮廓的持续出现可能导致检测到持续时间异常长(例如,范围从几分钟到几小时)的事件,这很可能不是运动目标事件,例如诸如窃贼或经过灯柱的人。
从上面的示例可以设想到,预定的特征轮廓集合,例如包括如图3a和图3b中图示的频谱,或者所示的任何其他轮廓,可以用于相对简单的评估算法。诸如匹配步骤,其中,将生成的FFT频谱特征轮廓的峰值的数量、位置或频率与预定频谱特征轮廓的峰值的数量、位置或频率(即频率分箱)进行比较,以确定目标事件,所述预定频谱特征轮廓可用于并使用设备处本地存在的处理资源。
往回参考图1,如果步骤12确定生成的特征轮廓与该预定特征轮廓集合相匹配,即结果“是(Y)”,则设备在步骤13处执行操作“使用传感器信号数据执行操作”。例如,基于检测到移动的人来打开安全照明或灯柱。注意到,在本说明书和权利要求书的上下文中,不打开安全照明或灯柱也被认为是要由设备执行的操作。
因此,产生传感器信号数据的特征轮廓的处理或评估首先由设备本地完成,诸如通过应用在MCU上运行的相对简单的算法。该算法旨在通过轻量级计算和简单的逻辑分析来检测事件。如上面说明的,这种算法可以基于对基础真值事件与对应数据特征之间的关系的经验研究来设计。
根据上面的示例,利用作为表示频谱特征轮廓而生成的FFT频谱,具有主导值的频谱分量的数量,即峰值的数量、峰值的频率分箱,以及可选的主导峰值的相互相对量值,可以被用作分类规则,以将生成的轮廓的每个特征与对应的阈值进行比较,并且通过组合所有的比较结果来做出最终决策。之后,由设备基于最终决策来执行操作。
然而,当图1中的步骤12的结果是否定的,即步骤12的结果为“否(N)”时,在步骤14处,“使用经远程预处理的传感器数据执行操作”,传感器数据首先在远离终端设备的计算设备处被处理,因为根据上面的示例,在本地处理传感器数据对于设备来说可能是一项具有挑战性的任务,因为对传感器信号数据进行正确解释需要比终端设备在本地可用的更多的处理能力。此后,该操作由设备依靠由远程计算设备处理的传感器数据来执行。
远程计算设备可以是与本地设备处理器相比具有更高计算能力、速度和更大存储空间的后端机器。有可能在后端机器上运行大量算法,以给出比通过在MCU上运行的简单算法所可能的评估输出更可信的评估输出。
可以理解,任何单一算法都难以在所有问题上胜过其他算法。运行在远程后端机器上的强算法主要提供两个功能。一种是用大量的数据样本生成多样且互补的特征,另一种是使用多种精细的分类算法对最终决策进行投票。
图5在示意图中图示了在后端计算设备处使用多种算法来处理传感器数据的方法的实施例。该示例图示了对运动检测器收集的数据的处理。
当考虑特征时,数据帧41是要评估的基本数据单元。可以用于评估传感器信号数据的一些代表性特征是,例如:
- 数据帧上各个特征值的算术平均值;
- 数据帧上各个特征值的标准偏差;
- 数据帧中的中值,例如,通过以升序对各个特征值进行排序,并且返回中间的一个;
- 数据帧中的最大值,例如,通过以升序对各个特征值进行排序,并且返回最后的一个;
- 数据帧上的信号量值区域,即,以升序对各个特征值进行排序,并且返回第一个特征值;
- 数据帧上各个特征幅度平方的平均和;
- 数据帧上相应特征量值分布的熵;
- 四分位数范围;
- 四阶Burg自回归系数;
- 最大频谱分量;
- 频谱信号加权平均;
- 连续小波变换所生成的谱图。
上面列出的数据特征的数量可以通过几个标准工具处理,该工具包括但不限于支持向量机(SVM)、神经网络、自适应增强(AdaBoost)和随机森林,用于独立选择特征组合42以供处理。该处理可以包括例如通过相应的分类算法43对特征的特征进行分类。每个分类算法43可以在训练阶段之后提供一个分类。例如,在相应算法的决策阶段,对于相同的数据帧,如果每个处理算法判定存在目标事件,则输出“1”,否则它输出“0”。然后,通过加权每个分类算法的投票做出最终决策44。
最终决策44可以被传输到终端设备以相应地执行对应的操作。
代替由远程计算设备直接提供决策,原始传感器信号数据可以由远程计算设备预处理,并且由设备的本地处理器进一步评估,用于检测或确定用于由设备执行操作的特定事件。
也就是说,如上面公开的,本地处理器MCU可以根据经预处理的数据生成特征轮廓,并且将其与预定特征轮廓集合相匹配。
本领域技术人员将领会到,传感器信号数据可以以不同的方式从终端设备传输到后端远程计算设备,使得可以执行对传感器信号数据的上述处理或预处理。
在第一种方式或模式中,所有原始传感器数据样本被发送到后端计算设备,例如如果对数据传输速率没有限制的话。后端计算设备因此可以直接获得完整的原始数据样本,而无需任何其他处理。
在第二种方式或模式中,原始传感器数据样本被下采样以形成新的数据样本,使得新数据样本的传输将不超过对数据传输速率的限制。例如,在接收到新的数据样本时,后端计算设备可以通过经典的信号重建技术来重建原始数据样本。
在第三种方式或模式中,如果数据压缩的计算复杂度对于MCU是可接受的,则原始数据样本被MCU压缩以形成新数据样本,使得新数据样本到远程计算设备的传输将不超过对数据传输速率的限制。例如,在接收到新数据样本时,后端计算设备可以通过经典数据解压缩技术重建原始数据样本。
注意到,设备进行的操作可以直接基于匹配步骤的结果,即图1中的步骤12,或者远程计算设备所提供的结果,即步骤14,或者该操作基于将由设备的处理器或MCU对原始传感器信号数据或经远程预处理的传感器信号数据应用的附加操作算法的结果。
为了节省处理资源,可以将用于生成特征轮廓的操作算法和数据分析算法组合成单个数据处理算法。
图6示意性地图示了包括终端设备或网络节点50和后端计算设备或服务器60的运动检测系统80。后端计算设备60被布置成远离终端设备50。本领域技术人员将领会到,运动检测系统80还可以包括多个终端设备或网络节点以及多个后端计算设备。
终端设备50和后端计算设备60包括收发器Tx/Rx单元51、61,分别被布置成用于无线52、62和/或有线53、63数据交换。终端设备50和后端计算设备60通过Tx/Rx单元51、61可操作地、通信地连接,或者直接地和/或经由网络90,如分别由双箭头66、91指示的,用于在终端设备50与后端计算设备60之间交换数据,诸如传感器信号数据。
与终端设备50的通信可以例如通过中间网络网关设备(未示出)运行。
终端设备50进一步包括至少一个处理器54,诸如微处理器μP或MCU,其经由内部数据通信和控制总线58可操作地、通信地与收发器51交互并且控制收发器51。
至少一个处理器54可以包括特征轮廓生成模块55,其被配置成用于从由至少一个传感器75收集74并存储73在本地数据存储装置59中的传感器信号数据生成特征轮廓,诸如频率或频谱特征轮廓,该传感器可以是终端设备50的一部分或外部可操作地连接到终端设备50。至少一个处理器54进一步包括特征轮廓匹配模块56,诸如频率或频谱特征轮廓匹配模块,其被配置成用于基于存储在终端设备50的本地数据存储装置59中的预定特征轮廓76来执行对手评估,以便基于处理器54单独对传感器信号数据的评估来判定终端设备50进行的操作是否可以被执行。该至少一个处理器54还可以可选地包括操作模块57,该操作模块57被配置成用于由终端设备50直接基于传感器数据、或者基于由远程计算设备60处理的传感器数据来执行操作。
终端设备50可以是照明设备70的一部分、或可操作地连接到照明设备70,该照明设备70包括照明模块71,优选地是LED照明模块,例如,其操作由至少一个处理器54从网络网关或通过网络网关或由远程控制设备(未示出)控制。
后端计算设备60进一步包括至少一个处理器64和存储装置65,被布置成用于通过使用一种或多种算法67(诸如结合图4公开的那些算法)来处理和存储从终端设备50接收的传感器信号数据。远程后端计算设备60的处理结果经由后端计算设备60的Tx/Rx模块61被转发到终端设备50。
在照明设备70连接到72或作为终端设备50的一部分的情况下,设备50的操作可以包括取决于对由传感器75获得的传感器信号数据的评估,通过照明设备控制照明,诸如打开/关闭、调光、改变照明模块71的颜色等。
下面详细描述了具体示例,以说明如何使用本公开的方法来处理传感器数据,使得可以生成准确的检测结果。
当从诸如运动检测传感器之类的传感器接收到传感器数据时,由设备的处理器进行的对手评估过程如下逐步执行:
步骤1:以约1 kHz的采样率对传感器数据进行采样,以生成数据样本。为了提供数据帧,滑动窗口被判定为具有1024个样本点的长度,并且挑选100个样本点的滑动步长。
步骤2:设置100 Hz、200 Hz和300 Hz作为背景分箱。对于从数据样本生成的频谱,如果正好有三个主导峰值,并且它们都在背景分箱上,则该频谱被分类为背景频谱。如果只有一个主导峰值,并且该峰值位于背景分箱之外,则该频谱被分类为运动频谱。任何其他频谱模式都被评估并分类为困难的对手。
步骤3:对滑动窗口中的数据样本执行FFT,从而达到512点频谱。
步骤4:找到频谱的最高量值值,让它成为最大的主导峰值。
步骤5:如果可能的话,找到频谱中的其他主导峰值。特征标准分别是,可能峰值的高度必须不小于最大峰值的40%,两个相邻峰值之间的距离至少为10 Hz,并且在可能峰值的附近内没有具有相似高度的其他峰值。
步骤6:统计主导峰值的数量,并且检查主导峰值是否位于背景分箱处。
下面将结合三个示例性传感器数据的评估来解释上述步骤,其中背景信号和运动信号两者都被处理。本领域技术人员将领会到,例如,在上述步骤1与步骤2之间,可选地,处理器可以对原始传感器信号数据执行一种类型的预处理,以去除噪声、干扰和伪像,从而获得干净数据以供进一步处理。
图7图示了在良好天气条件下测量的运动检测传感器的传感器数据的处理,并且表示容易的对手。图8和图9图示了运动传感器数据的处理,这呈现了困难的对手。在所有三个附图中,上面的标绘图或曲线图表示由微波传感器在时域t(s)中收集的一段原始传感器信号数据,中间的标绘图表示频域f(Hz)中的FFT背景频谱,并且下面的标绘图表示运动频谱f(Hz)。在背景频谱和运动频谱的每一个中,沿着垂直轴线绘制的峰值的振幅M被归一化为最高峰值。为了清晰起见,沿着上面的标绘图中的原始传感器信号数据的垂直轴线,指示了信号强度S的任意单位。
在图7中,原始传感器信号的持续时间为大约两分钟。根据基础真值记录,框101中的信号是背景信号,并且框102中的信号是目标运动信号。分别在中间和下面的标绘图中示出的背景和运动频谱通过上述步骤3输出。
在中间的标绘图中示出的背景频谱中,步骤4的输出示出了最大峰值104在200 Hz上,并且其高度或量值为1.0。步骤5的输出示出了另外两个主导峰值103和105分别在100Hz和300 Hz上,具有的高度为0.47和0.77。步骤6的输出示出了,背景分箱上正好有三个主导峰值。
在下面的标绘图中所示的运动频谱中,步骤4的输出示出了最大峰值106在10 Hz上,并且其高度或振幅为1.0。步骤5的输出示出了没有其他主要峰值。步骤6的输出示出了只有一个主导峰值106,并且它不在任何背景分箱上。因此,图7中图示的情景属于容易的对手。
图8的困难的对手是指代良好天气条件的对手。上面的标绘图中的微波传感器所收集的原始传感器信号的持续时间为大约3分钟。根据基础真值记录,框111中的信号是背景信号,并且框112中的信号是运动信号。图8的中间和下面的标绘图中所示出的背景和运动频谱是通过上述步骤3输出的。
在中间的标绘图中所示的背景频谱中,步骤4的输出示出了最大峰值115在300 Hz上,并且其高度或量值为1.0。步骤5的输出示出了分别在100 Hz和200 Hz上的另外两个主导峰值113和114,其振幅为0.97和0.98。步骤6的输出示出了,背景分箱上正好有三个主导峰值。
在下面的标绘图中所示的运动频谱中,步骤4的输出示出了最大峰值116在55 Hz上,并且其高度为1.0。步骤5的输出示出了还有其他五个主导峰值117、118、119、120和121,它们分别在16 Hz、100 Hz、128 Hz、200 Hz和300 Hz上,它们的高度分别为0.88、0.68、0.93、0.91、0.85。下面的标绘图中的步骤6的输出示出了有六个主导峰值,并且他们中的三个,即118、120和121在背景分箱上。
根据如上所述的对手评估,难以基于图8的下面的标绘图中所示的运动频谱来判定是否存在运动目标事件。因此,传感器数据将需要在终端设备(即运动检测器)根据后端计算设备提供的运动检测结果来执行操作之前,在后端计算设备或机器处进行处理。
图9的困难的对手是在雨天条件下获得的。上面的标绘图中的微波传感器所收集的原始信号的持续时间为200秒。根据基础真值记录,框131中的信号是背景信号,并且框132中的信号是雨滴信号。图9的中间和下面的标绘图中所示的背景和运动频谱通过上述步骤3输出。
在中间的标绘图中,步骤4的输出示出了最大峰值134在200 HZ上,并且其高度或量值为1.0。步骤5的输出示出了其他两个主导峰值133和135,分别在100 Hz和300 Hz上,其具有的高度为0.65和0.87。中间的标绘图中的步骤6的输出示出了,背景分箱上正好有三个主导峰值。
在下面的标绘图中,步骤4的输出示出了最大峰值136在3 Hz上,并且其高度为1.0。步骤5的输出示出了另外三个主导峰值137、138和139,它们分别在100 Hz、200 Hz和300 Hz上,它们的高度分别为0.81、0.96、0.71。下面的标绘图中的步骤6的输出示出了存在四个主要峰值,并且它们中的三个137、138、139在背景分箱上。
根据如上所述的对手评估,难以基于下面的标绘图中所示的频谱来判定是否存在运动事件。因此,传感器数据将在终端设备(即运动检测器)根据从后端计算设备获得的运动检测结果执行操作之前,在后端计算设备处被进一步处理。
通过对每个传感器数据执行对手评估,可以在平衡准确性、效率和响应性的同时执行设备进行的操作。
应当理解到,本公开的实施例也可以是从属权利要求和/或上述实施例以及各自独立权利要求的任何组合。
通过研究附图、公开内容和所附权利要求,本领域技术人员在实践所要求保护的公开内容时可以理解和实现对所公开示例的其他变化。在权利要求中,词语“包括”不排除其他元件或步骤,并且不定冠词“一”或“一个”不排除多个。单个处理器或收发器或其他单元可以实现权利要求中列举的几个项目的功能。在相互不同的从属权利要求中引用某些措施的仅有事实不指示这些措施的组合不能被有利地使用。计算机程序可以存储/分布在合适的介质上,诸如与硬件一起或作为硬件的一部分提供的光存储介质或固态介质,但是也可以以其他形式分布,诸如经由互联网或者其他有线或无线电信系统。权利要求中的任何附图标记不应被解释为限制其范围。
Claims (15)
1.一种由包括处理器(54)的设备(50)基于从至少一个传感器(75)获得的传感器信号数据(73)来执行操作的方法(10),所述方法包括以下步骤:
-由所述处理器(54)从所述传感器信号数据(73)生成(11)特征轮廓;
-由所述处理器(54)将所述生成的特征轮廓与所述处理器(54)可用的预定特征轮廓集合(76)进行匹配(12);
-如果所述生成的特征轮廓与所述预定特征轮廓集合(76)中的至少一个匹配,则由所述设备(50)基于所述传感器信号数据(73)在所述处理器(54)的控制下执行所述操作(13),以及
-如果所述生成的特征轮廓与所述预定特征轮廓集合(76)中的至少一个不匹配,则由所述设备(50)基于所述传感器信号数据的远程处理(40)在所述处理器(54)的控制下执行所述操作(14)。
2.根据权利要求1所述的方法,其中,所述生成步骤(11)包括:通过使用包括变换算法和特征提取算法之一的预定义数据分析算法来生成所述特征轮廓。
3.根据权利要求2所述的方法,其中,所述变换算法是快速傅立叶变换(FFT)算法(15),并且所述生成的特征轮廓是频谱特征轮廓,其包括幅度超过预定阈值的频率分量集合,其中,所述预定特征轮廓集合包括由超过所述阈值的频率分量的数量和频率定义的预定频谱特征轮廓。
4.根据前述权利要求中任一项所述的方法,其中,所述匹配步骤(12)包括:将所述生成的特征轮廓与所述处理器(54)可用的预定特征轮廓集合(76)进行比较。
5.根据前述权利要求中任一项所述的方法,其中,所述匹配步骤(12)包括:确定生成的特征轮廓是否在预定时间段内重复。
6.根据前述权利要求中任一项所述的方法,其中,由所述设备(50)使用所述传感器信号数据(73)执行所述操作(13;14)的所述步骤包括:将操作算法应用于所述传感器信号数据(73),特别地,其中,所述操作算法包括用于生成所述特征轮廓的数据分析算法。
7. 根据前述权利要求中任一项所述的方法,其中,所述设备(50)进一步包括收发器(51),并且所述方法包括在基于所述传感器信号数据(73)的远程处理来执行所述操作(14)之前的以下步骤:
-由所述收发器(51)向所述远程计算设备(60)传输所述传感器信号数据,以及
-由所述收发器(51)从所述远程计算设备(60)接收通过由所述远程计算设备(60)对所述传输的传感器信号数据应用至少一个处理算法(40)而获得的所述经处理的传感器信号数据。
8.根据权利要求7所述的方法,其中,由所述收发器(51)传输所述传感器信号数据包括:向所述远程计算设备(60)传输所述传感器信号数据的表示。
9.根据前述权利要求中任一项所述的方法,其中,所述传感器信号数据包括以下各项中的至少一种:运动数据、声音数据、图像数据、视频数据、温度数据、湿度数据、压力数据、亮度数据、化学成分或物质数据、嗅觉数据和触觉数据。
10.根据前述权利要求中任一项所述的方法,其中,所述设备(50)包括照明器材(70),所述照明器材包括至少一个照明模块(71),特别是发光二极管(LED)、照明模块,并且其中,由所述设备(50)执行所述操作(13;14)包括通过所述至少一个照明模块(71)控制照明。
11.一种用于基于从至少一个传感器(75)获得的传感器信号数据执行操作的设备(50),所述设备包括处理器(54)和收发器(51),其中,所述处理器(54)和收发器(51)被布置成用于根据前述权利要求中任一项所述的方法、在所述处理器(54)的控制下执行所述操作。
12.根据权利要求11所述的设备(50),包括至少一个照明模块(71),特别是发光二极管(LED),其中,由所述设备(50)在所述处理器(54)的控制下执行所述操作包括由所述至少一个照明模块(71)控制照明。
13.根据权利要求11或12所述的设备(50),包括至少一个传感器(75),所述至少一个传感器(75)被布置成用于提供以下各项中的至少一个:运动数据、声音数据、图像数据、视频数据、温度数据、湿度数据、压力数据、亮度数据、化学成分或物质数据、嗅觉数据和触觉数据。
14.一种系统(80),包括根据权利要求11、12或13中任一项所述的设备(50)、以及远程后端计算设备(60),其中,所述远程后端计算设备(60)被布置成用于:
-从所述设备(50)接收传感器信号数据(73);
-通过应用至少一个处理算法(40)来处理接收到的传感器信号数据,以及
-将所述经处理的传感器信号数据传输到所述设备(50)。
15.一种计算机程序产品,包括存储在计算机可读介质上的程序代码,当所述程序代码由至少一个处理器执行时,所述程序代码被布置成用于执行根据权利要求1至10中任一项所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2019/097154 | 2019-07-22 | ||
CN2019097154 | 2019-07-22 | ||
EP19193236.7 | 2019-08-23 | ||
EP19193236 | 2019-08-23 | ||
PCT/EP2020/068963 WO2021013514A1 (en) | 2019-07-22 | 2020-07-06 | Method and device for performing an operation based on sensor signal data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114127647A true CN114127647A (zh) | 2022-03-01 |
Family
ID=71266695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080053043.XA Pending CN114127647A (zh) | 2019-07-22 | 2020-07-06 | 一种基于传感器信号数据来执行操作的方法和设备 |
Country Status (9)
Country | Link |
---|---|
US (1) | US20220404784A1 (zh) |
EP (1) | EP4004655B1 (zh) |
JP (1) | JP7126632B2 (zh) |
CN (1) | CN114127647A (zh) |
DK (1) | DK4004655T3 (zh) |
ES (1) | ES2964119T3 (zh) |
FI (1) | FI4004655T3 (zh) |
PL (1) | PL4004655T3 (zh) |
WO (1) | WO2021013514A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116848425A (zh) | 2021-01-20 | 2023-10-03 | 昕诺飞控股有限公司 | 用于处理由第一电子感测设备检测到的干扰的方法、电子感测设备和系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9298575B2 (en) * | 2011-10-12 | 2016-03-29 | Lytx, Inc. | Drive event capturing based on geolocation |
GB2510836A (en) * | 2013-02-14 | 2014-08-20 | Isensol Ltd | A detector |
JP6359828B2 (ja) | 2013-12-20 | 2018-07-18 | 株式会社メガチップス | 照明システム及び制御装置 |
US10453460B1 (en) * | 2016-02-02 | 2019-10-22 | Amazon Technologies, Inc. | Post-speech recognition request surplus detection and prevention |
JP6755002B2 (ja) | 2016-05-26 | 2020-09-16 | パナソニックIpマネジメント株式会社 | センサ装置及び照明装置 |
US10091545B1 (en) * | 2016-06-27 | 2018-10-02 | Amazon Technologies, Inc. | Methods and systems for detecting audio output of associated device |
US9728188B1 (en) * | 2016-06-28 | 2017-08-08 | Amazon Technologies, Inc. | Methods and devices for ignoring similar audio being received by a system |
EP3367062B1 (en) * | 2017-02-23 | 2020-11-18 | Tata Consultancy Services Limited | System and method for driver profiling corresponding to an automobile trip |
US10170137B2 (en) * | 2017-05-18 | 2019-01-01 | International Business Machines Corporation | Voice signal component forecaster |
US11125910B2 (en) * | 2017-11-09 | 2021-09-21 | Redzone Robotics, Inc. | Underground infrastructure sensing using unmanned aerial vehicle (UAV) |
US10885912B2 (en) * | 2018-11-13 | 2021-01-05 | Motorola Solutions, Inc. | Methods and systems for providing a corrected voice command |
-
2020
- 2020-07-06 EP EP20735211.3A patent/EP4004655B1/en active Active
- 2020-07-06 PL PL20735211.3T patent/PL4004655T3/pl unknown
- 2020-07-06 WO PCT/EP2020/068963 patent/WO2021013514A1/en unknown
- 2020-07-06 US US17/628,340 patent/US20220404784A1/en active Pending
- 2020-07-06 CN CN202080053043.XA patent/CN114127647A/zh active Pending
- 2020-07-06 JP JP2022504080A patent/JP7126632B2/ja active Active
- 2020-07-06 ES ES20735211T patent/ES2964119T3/es active Active
- 2020-07-06 DK DK20735211.3T patent/DK4004655T3/da active
- 2020-07-06 FI FIEP20735211.3T patent/FI4004655T3/fi active
Also Published As
Publication number | Publication date |
---|---|
WO2021013514A1 (en) | 2021-01-28 |
ES2964119T3 (es) | 2024-04-04 |
PL4004655T3 (pl) | 2024-02-26 |
JP7126632B2 (ja) | 2022-08-26 |
FI4004655T3 (fi) | 2023-11-01 |
EP4004655A1 (en) | 2022-06-01 |
DK4004655T3 (da) | 2023-11-06 |
EP4004655B1 (en) | 2023-09-06 |
JP2022532449A (ja) | 2022-07-14 |
US20220404784A1 (en) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020265650B2 (en) | Machine learning motion sensing with auxiliary sensors | |
US11299371B2 (en) | System and method for detecting elevator maintenance behavior in elevator hoistway | |
US20160307418A1 (en) | Selective intrusion detection systems | |
Dedeoglu et al. | Real-time fire and flame detection in video | |
US11631394B2 (en) | System and method for determining occupancy | |
JP6167368B2 (ja) | 信号処理装置 | |
US11164435B1 (en) | Audio/video recording and communication doorbell devices with supercapacitors | |
EP2000998B1 (en) | Flame detecting method and device | |
CN107843287A (zh) | 集成传感器装置及基于其的环境事件识别方法 | |
CN114127647A (zh) | 一种基于传感器信号数据来执行操作的方法和设备 | |
WO2020115456A1 (en) | Method and system for monitoring a remote system | |
CN116847521B (zh) | 一种智能太阳能路灯控制方法及系统 | |
US11423762B1 (en) | Providing device power-level notifications | |
JP2014013229A (ja) | 信号処理装置 | |
KR101340287B1 (ko) | 스마트 홈에서 마이닝 기반의 패턴 분석을 이용한 침입탐지 시스템 | |
US20220360632A1 (en) | Systems and methods for compressing sensor data using clustering and shape matching in edge nodes of distributed computing networks | |
TWI793581B (zh) | 空間動態狀態之偵測方法及偵測系統 | |
CN112232329A (zh) | 入侵信号识别的多核svm训练、报警方法、装置及系统 | |
WO2020030488A1 (en) | Compressive sensing systems and methods using edge nodes of distributed computing networks | |
CN112686221A (zh) | 行人进出监测方法、装置、设备及计算机存储介质 | |
CN102867182A (zh) | 一种货车车辆水堵丢失故障的检测方法和系统 | |
CN117970846A (zh) | 家居设备用电状态的监测方法及装置 | |
CN116416754A (zh) | 独居群体的室内人员活动实时监测与预警系统及方法 |
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 |