CN116796143A - 用于将rf信号与个体关联的系统和方法 - Google Patents

用于将rf信号与个体关联的系统和方法 Download PDF

Info

Publication number
CN116796143A
CN116796143A CN202310286707.2A CN202310286707A CN116796143A CN 116796143 A CN116796143 A CN 116796143A CN 202310286707 A CN202310286707 A CN 202310286707A CN 116796143 A CN116796143 A CN 116796143A
Authority
CN
China
Prior art keywords
user
signals
space
information related
instructions
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
Application number
CN202310286707.2A
Other languages
English (en)
Inventor
C·谢恩
Y·诺沃热涅茨
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.)
Carrier Corp
Original Assignee
Carrier 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 Carrier Corp filed Critical Carrier Corp
Publication of CN116796143A publication Critical patent/CN116796143A/zh
Pending legal-status Critical Current

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W64/00Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252Radio frequency fingerprinting
    • G01S5/02521Radio frequency fingerprinting using a radio-map
    • G01S5/02524Creating or updating the radio-map
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/04Systems determining presence of a target
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W64/00Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S2205/00Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/01Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
    • G01S2205/09Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications for tracking people

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Selective Calling Equipment (AREA)
  • Alarm Systems (AREA)

Abstract

用于确定占用的系统和方法。在一些实施例中,系统包括至少一个处理器和存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:获得与用户在空间内的存在相关的信息;获得与所述空间内的一个或多个RF信号相关的信息;基于与所述用户的存在相关的信息和与所述一个或多个RF信号相关的信息来将所述一个或多个RF信号与所述用户关联;以及基于所述用户与所述一个或多个RF信号的关联来确定所述用户的存在。

Description

用于将RF信号与个体关联的系统和方法
技术领域
本发明一般涉及确定占用(occupancy),并且更具体地涉及使用射频(RF)信号与个体的关联来确定占用。
背景技术
通常,可能需要多种感测方法来以一定程度的准确度评估空间内的占用。一种感测方法可能不能提供信息的足够的覆盖、保真度和/或分辨率。在一些情况下,专用传感器可用于确定占用和/或密度。然而,这些专用传感器可能是昂贵的,并且它们的覆盖可能缺乏准确度。
发明内容
本公开的方面涉及用于使用RF信号与个体的关联来确定占用的方法、设备和/或系统。
在一些实施例中,一种用于确定占用的系统包括至少一个处理器和存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:获得与用户在空间内的存在相关的信息;获得与所述空间内的一个或多个RF信号相关的信息;基于与所述用户的存在相关的信息和与所述一个或多个RF信号相关的信息来将所述一个或多个RF信号与所述用户关联;以及基于所述用户与所述一个或多个RF信号的关联来确定所述用户的存在。
在一些实施例中,将所述一个或多个RF信号与所述用户关联是基于空间的,并且其中所述指令在被执行时使系统将所述一个或多个RF信号与所述用户和所述空间关联。
在一些实施例中,所述指令在被执行时使系统基于检测到所述一个或多个RF信号来确定在给定时间所述用户在给定空间中的存在。
在一些实施例中,所述系统包括一个或多个传感器,其配置成输出传达与所述用户相关的信息的信号,并且其中所述指令在被执行时使所述系统:基于输出信号来检测所述用户在所述空间内的存在;以及基于检测到的存在来将所述一个或多个RF信号与所述用户关联。
在一些实施例中,所述一个或多个传感器配置成输出传达与所述空间内的RF信号相关的信息的信号,并且其中所述指令在被执行时使所述系统:基于所述输出信号来在所述空间内检测一个或多个RF信号;以及基于检测到的RF信号来将所述一个或多个RF信号与所述用户关联。
在一些实施例中,所述指令使系统响应于在所述空间内检测到所述用户而检测所述一个或多个RF信号。
在一些实施例中,所述RF信号由一个或多个用户装置发射。
在一些实施例中,所述指令使所述系统基于发射所述RF信号的所述用户装置的类型来将权重因子分配给所述RF信号;以及基于加权的RF信号来确定所述用户的存在。
在一些实施例中,一种用于确定占用的方法,所述方法在包括至少一个处理器和存储指令的存储器的计算系统中实现,所述方法包括:获得与用户在空间内的存在相关的信息;获得与所述空间内的一个或多个RF信号相关的信息;基于与所述用户的存在相关的信息和与所述一个或多个RF信号相关的信息来将所述一个或多个RF信号与所述用户关联;以及基于所述用户与所述一个或多个RF信号的关联来确定所述用户的存在。
在一些实施例中,一种用于确定占用的系统包括一个或多个传感器,其配置成输出传达与用户相关的信息和与第一空间内的一个或多个RF信号相关的信息的信号;至少一个处理器;以及存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:基于输出信号来检测所述用户在第一空间内的存在;基于所述输出信号来在第一空间内检测一个或多个RF信号;把来自检测到的一个或多个RF信号的RF信号与检测到的用户关联,所述RF信号由所述用户的用户装置发射;以及基于在第二空间中检测到RF信号来确定所述用户在所述第二空间中的存在。
通过随附于此的本发明的详细描述和附图,本发明的各种其他方面、特征和优点将变得明白。还要理解,前面的一般描述和下面的详细描述都是示例,而不是对本发明的范围的限制。
附图说明
在说明书的结尾处的权利要求书中特别指出并清楚地要求保护被视为本公开的主题。附图的以下描述不应视为以任何方式进行限制。参考附图,相似的元件被相似地编号:
图1-A示出根据一个或多个实施例的用于确定空间内的占用的系统的示例。
图1示出根据一个或多个实施例的用于使用RF信号与个体的机器学习辅助关联来确定占用的系统的示例。
图2示出根据一个或多个实施例的训练系统的示例。
图3示出根据一个或多个实施例的占用地图(occupancymap)的示例。
图4示出根据一个或多个实施例的图示用于确定空间内的占用的方法的示例的流程图。
图5示出可用来实现本文所述技术的方面的计算机系统的示例。
具体实施方式
在下面的描述中,出于解释的目的,阐述许多特定细节以便提供对本发明实施例的透彻理解。然而,本领域的技术人员将领会,本发明的实施例可以在没有这些特定细节的情况下或以等效布置来实践。在其他情况中,以框图形式示出众所周知的结构和装置,以避免不必要地模糊本发明的实施例。
本公开提供用于将无线信号(例如,RF信号)与个体关联的系统100。在一些实施例中,系统100可以配置成基于检测到的无线信号来确定空间内的占用。在一些实施例中,系统100可以配置成基于检测到的无线信号和个体之间的关联(例如,随时间)来确定个体的存在。确定空间内的存在可以帮助理解空间内的占用和密度,这又可以帮助优化空间内资源的利用(例如,用于空间的冷却、加热、照明、能量、安全性、刷洗(scrubbing)、工作空间分配、旅馆化(hoteling)和/或其他建筑物资源)。在一些实施例中,基于无线信号和个体的关联来确定的存在、占用和/或密度可用来自动调整建筑物管理系统的资源分配和/或控制参数。在一些情况下,确定占用可以帮助在紧急情况(例如火灾、生物危害或其他类型的紧急情况)下管理救援资源。
在一些实施例中,来自传感器、用户装置、访问装置、访问控制系统、边缘装置和/或系统100内或外的其他组件的信息可用来将检测到的无线信号与个体关联。无线信号和个体的关联又可用来确定空间内的存在和占用。这可能是有利的,因为它可以减少对专用密度和占用传感器的需要,所述专用密度和占用传感器可能是昂贵的并且在某些情况下缺乏准确度。相反,系统100利用现有组件(拍摄装置、无线信号读取器、用户装置、访问装置、访问控制系统、边缘装置等)来将无线信号和个人关联。这就是说,密度和/或占用传感器可以与系统100一起使用并且与本公开兼容。例如,在一些实施例中,在用户和/或无线信息不可用的情况下(例如,在其中不能检测到用户和/或无线信号的空间中),可以使用来自密度和/或占用传感器的信息。在一些实施例中,来自密度和/或占用传感器的信息可以用作关联过程中的反馈(例如,以确认使用检测到的无线信号确定的存在)。
在一些实施例中,系统100可以配置成训练关联模型以将无线信号与个体关联。训练的关联模型可用来基于检测到的信号来确定个体的存在。在一些实施例中,关联学习模型可以被自动训练(无监督学习)。系统100的关联学习模型可以配置成通过连续迭代和自学习来动态地适应和调整到不同的条件,而不必经历监督学习(这可能是耗时和昂贵的)。这可能是有益的,因为关联模型是不断自学习的并且不需要重新训练(例如,每当用户开始或停止使用用户装置时)。这就是说,并非所有实施例都必须提供这些益处中的所有益处,并且一些实施例可以提供其他明显的优点,这并不意味着在一些实施例中也可以不省略本文描述的任何其他特征。
图1示出根据一个或多个实施例的用于确定存在的系统100的示例。在一些实施例中,系统100可以包括占用系统110、一个或多个传感器102、用户装置104和/或其他组件。本领域普通技术人员已知的其他组件可以包括在系统100中以收集、处理、传送、接收、获取和提供结合所公开的实施例使用的信息。另外,系统100还可包括执行或帮助执行与所公开的实施例一致的一个或多个过程的其他组件。例如,本文描述的一个或多个实施例可以在配置用于提供对网络之间的数据流的控制的边缘装置中实现。图1-A示出配置用于执行本公开的一个或多个实施例的边缘装置10的示例。边缘装置可以配置成执行或帮助执行本文描述的一个或多个实施例(例如,接收、处理、存储或传送结合所公开的实施例使用的信息)。边缘装置可以包括其他组件(例如,系统100的一个或多个组件或其他组件),其用来帮助执行所公开的实施例。
在一些实施例中,传感器102可以配置成生成输出信号,所述输出信号传达与用户(例如,个体)、用户装置、空间、空间内的无线信号相关的信息和/或其他传感器信息。例如,在一些实施例中,传感器信息可用来z空间(例如,门、结构、建筑物、建筑物的一部分、车库、房间、交通工具等)内检测用户。在一些实施例中,由传感器102提供的传感器信息可用来检测一个或多个用户装置(例如,通过检测由用户装置发射的一个或多个信号)。在一些实施例中,传感器信息可用来训练机器学习模型以将用户与由用户装置发射的一个或多个信号关联。
在一些实施例中,传感器102可以包括配置成生成一个或多个图像数据的光学传感器。在一些实施例中,图像数据可用来检测个体。在一些实施例中,系统100可以使用由传感器获得的图像数据来将检测到的个体与从用户装置发射的信号关联。在一些实施例中,系统100可以使用由传感器获得的图像数据来训练关联模型,以将检测到的个体与从用户装置发射的信号关联。在一些实施例中,光学传感器可以包括图像或视频拍摄装置、热像传感器、深度传感器、扫描仪、LIDAR传感器、RADAR传感器、3D拍摄装置、红外光传感器、高光谱成像仪、多光谱成像仪和/或其他传感器中的一个或多个。在一些实施例中,从传感器102获得的传感器数据可以被处理(例如,使用本文参考图5描述的处理器510)以提取图像信息。在一些实施例中,可以使用计算机视觉技术来提取信息。在一些实施例中,处理器可以包括在传感器中。在一些实施例中,由传感器102获得的传感器数据可以包括图像、视频、多维深度图像、热图像、红外光测量、光反射时间测量、无线电波测量、范围、角度和/或其他传感器数据。在一些实施例中,可以组合来自传感器102的多个传感器的多个传感器数据以提取信息。例如,可以组合来自不同位置和角度的图像、多维深度图像、热图像、范围、角度和/或从传感器102获得的其他图像数据,以提供关于用户、用户装置、无线信号和/或空间的信息。
在一些实施例中,传感器102可以包括配置用于检测由一个或多个用户装置发射或传送的无线信号的无线信号读取器(例如,收发器)。例如,传感器102可配置成检测由一个或多个用户装置发射的射频(RF)信号(例如,蓝牙、BLE、Wi-Fi、Zigbee或其他RF信号)。在一些实施例中,由传感器102检测到的RF信号可以与用户关联以创建RF用户签名。
要理解,这里描述的传感器102不意图是限制性的,其他类型的传感器可以被使用并且与本公开一致。例如,在一些实施例中,传感器102可以包括加速度计、位置传感器、全球定位系统(GPS)传感器、方位传感器、计步器、运动检测器、音频传感器、气体传感器或用于提供用户、用户装置、无线信号或空间相关信息的其他传感器中的一个或多个。在一些实施例中,密度和/或占用传感器可用来提供存在信息。如上所述,在用户和/或无线信息不可用的情况下(例如,在其中不能检测到用户和/或无线信号的空间中),可以使用来自密度和/或占用传感器的信息。在一些实施例中,来自密度和/或占用传感器的信息可以用作关联学习过程中的反馈(例如,以确认使用检测到的无线信号确定的存在)。
此外,其他类型的信息可以从传感器102获得,并且可以用来将无线信号(例如,RF信号)与用户关联。例如,在一些实施例中,传感器的信息可包括可用来在空间内检测或标识用户的用户的行为信息。例如,行为信息可以包括用户的运动特性(例如,步态、协调、步行速度、所采取的步数、步速、方式和步行模式或其他移动特性);用户的一个或多个身体部分的运动、方位或取向(例如,姿势、面部表情、眼睛移动、头部方位等);或其他行为特性。在一些实施例中,传感器的信息可包括可用来在空间内检测(或标识)用户的生理信息(例如,体温、心率、脉搏、呼吸参数或其他生理参数)。在一些实施例中,传感器信息可包括可用来检测(或标识)用户的生物测定信息(例如,指纹、身高、头发、眼睛、身体、性别、种族、年龄、面部、语音特性、指纹或其他生物测定特性)。在一些实施例中,传感器的信息可包括可用来在空间内检测或标识用户的用户的标识信息(例如,用户名、ID、访问凭证、访问级别、密码、代码等)。
在一些实施例中,与用户、用户装置、无线信号和/或空间有关的信息可以从系统100内或外的其他组件获得。在一些实施例中,这些组件可以配置成向一个或多个传感器提供处理能力中的一些或全部处理能力和/或向占用系统110传递传感器数据。例如,在一些实施例中,系统100可以配置成从用于控制对所述空间的访问的一个或多个访问控制装置(例如,用于门、结构、建筑物、建筑物中的一部分、房间、交通工具等的访问控制装置)接收信息。在一些实施例中,一个或多个传感器102(本文描述)可以包括在访问控制装置中。例如,光传感器、RF读取器、生物测定读取器、接近传感器、运动传感器和/或其他传感器中的一个或多个可以包括在访问控制装置中。
在一些实施例中,系统100可以配置成从访问控制系统接收信息,所述访问控制系统用来提供管理功能以控制访问装置(例如,控制、编程、监测、认证、交换信息等)。在一些实施例中,访问控制系统可以配置成提供与用户相关的访问控制信息(例如,用户的访问凭证、标识或认证信息)。在一些实施例中,访问控制信息可以包括与访问事件相关的信息。例如,访问事件信息可以包括关于用户访问受控区域时的事件的细节(例如,时间、所使用的凭证、准予/拒绝访问等)。在一些实施例中,访问控制系统可以向占用系统110提供访问事件信息以确定个体与无线信号的关联。来自访问控制系统的信息可以用作对占用系统100的反馈(以确认用户和/或用户装置在空间中的存在)。这些和其他信息可用来确定存在、确认存在和/或改进空间内的占用的置信水平(例如,调度信息、访问级别、先前认证事件等)。在一些实施例中,占用系统110可以使用访问事件信息来使用其中用户访问空间的事件来训练机器学习关联模型。
用户装置104可包括能够发射或传送无线信号的任何装置(例如,RF、NFC、BLE、BTLE、Wi-Fi、超宽带(UWB)或其他无线通信技术)。在一些实施例中,用户装置104可以包括能够使用无线通信技术与系统100内或外的一个或多个组件通信的与用户相关联的任何装置(例如,移动电话、可穿戴计算装置、智能手表、耳机、平板、膝上型、智能访问卡等)。在一些实施例中,用户装置104可以包括(本文描述)传感器102中的一个或多个传感器102。例如,用户装置104可以包括加速度计、计步器、位置传感器、GPS、接近度、运动和/或其他传感器中的一个或多个。在一些实施例中,用户装置104可以配置成向一个或多个传感器提供处理能力中的一些或全部处理能力。在一些实施例中,用户装置104可以配置成将传感器数据传递到占用系统110或传递到系统100的其他组件。
在一些实施例中,占用系统110可以包括用户信息模块120、RF信息模块130、关联模块150、占用确定模块160和/或其他组件。在一些实施例中,占用系统110可以包括计算资源,诸如用于存储指令的处理器和存储器装置(例如,本文以下参考图5描述的计算系统500)。处理器可以配置成执行软件指令以执行系统100的各种操作。计算资源可包括用来执行模块120,130,150,160和/或系统110和100的其他组件的操作的软件指令。
用户信息模块120可以配置成获得(或确定)与一个或多个用户相关的信息。例如,在一些实施例中,用户信息模块120可以从传感器102获得用户信息。在其他实施例中,用户信息可以从用户装置、访问装置、访问控制系统、边缘装置和/或系统100内或外的其他组件获得。在一些实施例中,用户信息模块120可以配置成基于来自传感器102的指示用户存在的输出信号(例如,图像数据、加速度计、位置、GPS、方位、运动和/或其他传感器信息)来确定用户的存在。例如,在一些实施例中,用户信息模块120可以基于指示存在的图像数据(来自图像传感器102)来检测用户的存在。在一些实施例中,用户信息模块120可基于用户的生理、生物测定、行为或标识信息来确定用户的存在。
在一些实施例中,RF信息模块130可以配置成获得在空间内检测到的无线信号。在一些实施例中,无线信号可以包括由一个或多个用户装置发射或传送的RF信号。例如,RF信息模块130可以配置成获得由传感器102检测到的RF信号(例如,蓝牙、BLE、Wi-Fi、Zigbee或其他RF信号)。
在一些实施例中,关联模块150可以配置成将一个或多个检测到的RF信号与一个或多个检测到的用户关联。例如,如果在空间中检测到用户,则关联模块150可以将在空间内检测到的RF信号与用户关联。在这种情况下,如果在不同的位置中检测到RF信号中的一个或多个RF信号,则这可以指示用户可能出现在那个位置。在一些实施例中,关联模块150可以配置成向与用户相关联的不同无线信号分配不同的加权因子。例如,通过基于检测到的无线信号的类型和/或发射信号的用户装置的类型来应用加权因子。例如,关联模块150可以配置成向来自可穿戴装置(例如,智能手表、耳机等)的信号分配加权因子。来自移动装置(例如,电话)的信号可以被加权为低于来自可穿戴装置的信号,并且来自其他用户装置(例如,膝上型)的信号可以被加权为更低。
加权因子可用来增加或降低给定空间中用户存在的置信水平。换句话说,用户更可能处于其中检测到智能手表信号的位置,而不是处于其中膝上型所处的位置。确定置信水平的步骤可以由占用模块160或关联模块150来完成。在一些实施例中,关联模块150可以配置成响应于检测到的无线信号中的一个或多个达到加权因子阈值而将检测到的无线信号与检测到的用户关联。例如,只有来自可穿戴装置和移动装置的信号可以与用户关联(用于确定存在),因为它们被分配更高的加权因子。在这些情况下,其他检测到的无线信号不与检测到的用户关联,并且不依赖于确定用户的存在。在一些实施例中,关联模块150或占用确定模块160可以依赖于其他信息来增加或减少在给定时间内存在于给定空间中的用户的置信水平。例如,调度、认证、访问级别信息可用来增加或降低用户存在的置信水平。
在一些实施例中,关联模块150可以配置成随时间调整检测到的无线信号与检测到的用户的关联。在一些实施例中,调整可以基于相同空间内随时间的多个检测实例。在一些实施例中,调整可以基于不同空间内的多个检测实例。例如,在一些实施例中,关联模块150可以将多个信号与用户关联,以作为对在给定空间(例如,办公室)中检测到用户和信号的响应。关联模块150可以基于相同空间中(例如,随时间)的后续检测来调整(例如,增加或减少)与该用户关联的信号。在其他情况下,关联模块150可基于不同位置中的后续检测来调整(例如,增加或减少)与此用户关联的信号。
在一些实施例中,在连同多个无线信号一起检测到多个用户的情况下,关联模块150可配置成基于相同空间内或其他空间中的(信号和用户的)其他检测实例来将一个或多个信号与个体用户关联。换言之,在多个位置中与用户同时检测到的信号(或在不同时间在相同位置中)与那个用户相关联,并且滤除其他信号。
在一些实施例中,由用户信息模块120获得的用户信息和由RF信号模块130获得的无线信息可以被输入到关联模块150的机器学习系统中,该机器学习系统配置成训练一个或多个关联模型以将一个或多个RF信号与用户关联。在一些实施例中,可以(例如,由存在确定模块160)使用关联模型来基于检测到的信号来确定个体的存在。在一些实施例中,关联学习模型可以被自动训练(无监督学习)以基于来自传感器102的信息(例如,在给定空间中的用户和无线信号的检测)将一个或多个RF信号与用户关联。在一些实施例中,关联学习模型可以配置成通过连续迭代和自学习来动态调整,而不必经历监督学习(这可能是耗时且昂贵的)。例如,关联学习模型可以配置成动态地调整用户行为的改变(例如,用户开始携带更多或更少的用户装置)。
图2示出根据本公开的一个或多个实施例的训练系统的示例操作200。在一些实施例中,关联模块250可以包括配置成训练一个或多个关联模型以将一个或多个RF信号与用户关联的机器学习系统254(例如,深度学习模型)。在一些实施例中,机器学习系统254使用无监督学习算法来训练一个或多个关联模型。在一些实施例中,机器学习系统254的无监督学习算法可以配置成接收用户信息和无线信号信息作为输入。输入数据未被标记、分类或归类。在一些实施例中,机器学习系统254的无监督学习算法可以配置成标识输入数据中的类似性并且基于所标识的类似性的存在或不存在来对新数据进行分组。在一些实施例中,使用无监督的学习算法可能是有益的,因为它可以允许发现隐藏的趋势和模式,或者从输入数据中提取数据特征,如果使用其他技术,所述输入数据将是难以获得的。例如,训练的关联模型可以能够基于随时间或在不同位置的大量检测实例将信号与用户关联。
要理解,这里将机器学习系统描述为用于将一个或多个RF信号与用户关联的技术的示例。然而,本公开也考虑其他技术。因此,通过本公开考虑用于基于用户属性来标识用户的任何计算机实现的技术或机器学习技术。例如,机器学习系统254可以实现任何类型的机器学习技术以将无线信号与用户关联,如本文所述。机器学习系统254可以使用监督学习、半监督学习、无监督学习、强化学习和/或其他机器学习技术中的一种或多种。在一些实施例中,机器学习模型可以包括决策树、支持向量机、回归分析、贝叶斯网络、随机森林学习、降维算法、提升算法、人工神经网络(例如,全连接神经网络、深度卷积神经网络或递归神经网络)、深度学习和/或其他机器学习模型。
回到图1,占用确定模块160可以配置成基于检测到的无线信号来确定一个或多个个体(用户)的存在。在一些实施例中,占用确定模块160可以配置成在确定个体的存在(或空间的占用)时使用从关联模块150接收的关联信息。在一些实施例中,占用确定模块160可以配置成基于检测到的无线信号的加权因子来确定占用。在一些实施例中,存在确定模块160可以使用训练的关联模型来确定存在。图3示出根据一个或多个实施例的占用地图的示例。地图300示出基于从用户装置304发射的无线信号的一个或多个占用区域(例如,362,364,366)。如上所述,这可以帮助更好地管理从舒适到空气质量和环境健康的占用空间。确定占用还可以帮助优化整个建筑物资源的效率(例如,冷却、加热、照明、能量分配、刷洗、工作空间分配、旅馆化等)。在一些情况下,确定占用可以有助于在紧急情况(例如火灾,生物危害或其他类型的紧急情况)下更好地管理救援资源。
在一些实施例中,系统100的一个或多个组件可以直接通过一个或多个专用通信链路进行通信。在一些实施例中,系统100可以包括连接系统100的一个或多个组件的网络190。在一些实施例中,网络190可以是配置成提供系统100的组件之间的通信的任何类型的网络。例如,网络可以是提供通信、交换信息和/或促进信息交换的任何类型的有线或无线网络(包括基础设施),例如因特网、近场通信(NFC)、光码扫描仪、蜂窝网络、公共交换电话网络(“PSTN”)、文本消息传送系统(例如SMS,MMS)、频率(RF)链路、Wi-Fi、专用数据网络、虚拟专用网络、Wi-Fi网络、LAN或WAN网络或实现在系统100的组件之间发送和接收信息的其他合适的连接。将领会,这并非意图进行限制,并且本公开的范围包括其中客户端系统100的一个或多个组件经由一些其他通信介质操作地链接的实现。
应当领会,所图示的组件描绘为离散功能块,但实施例不限于其中本文所描述的功能性如所图示的那样来组织的系统。由组件中的每个组件提供的功能性可以由与当前描绘的不同地组织的软件或硬件模块来提供,例如,这样的软件或硬件可以被混合、结合、复制、分解、分布(例如,在数据中心内或地理上),或以其他方式不同地组织。本文描述的功能性可以由执行存储在有形的、非暂时的机器可读介质上的代码的一个或多个计算机的一个或多个处理器来提供。
图4图示根据本公开的一个或多个实施例的用于确定空间内的占用的方法400。下面提出的方法40的操作意图为说明性的。在一些实现中,方法400可以利用未描述的一个或多个附加操作和/或不利用所讨论的操作中的一个或多个操作来实现。另外,其中方法400的操作在图4中图示并且在下面描述的顺序不意图是限制性的。
在一些实施例中,所述方法可在一个或多个处理装置(例如,数字处理器、模拟处理器、经设计以处理信息的数字电路、经设计以处理信息的模拟电路、状态机和/或用于电子地处理信息的其他机构)中实现。处理装置可以包括响应于以电子方式存储在电子存储介质上的指令而执行所述方法的操作中的一些或全部操作的一个或多个装置。处理装置可以包括一个或多个装置,其通过硬件、固件和/或软件配置成专门设计用于执行所述方法的操作中的一个或多个操作。
在方法400的操作402处,可以获得与用户在空间内的存在有关的信息。在一些实施例中,操作402可以由与用户信息模块120(在图1中示出并且本文描述)相同或类似的用户信息模块来执行。
在方法400的操作404处,可以获得与空间内的一个或多个RF信号相关的信息。在一些实施例中,操作404可以由与RF信息模块130(在图1中示出并本文描述)相同或类似的RF信息模块来执行。
在方法400的操作406处,可以基于与用户的存在相关的信息和与一个或多个RF信号相关的信息来将一个或多个RF信号与用户关联。在一些实施例中,操作406可以由与关联模块150(在图1中示出并且本文描述)相同或类似的关联模块来执行。
在方法400的操作408处,可以基于用户与一个或多个RF信号的关联来确定用户的存在。在一些实施例中,操作408可以由与占用模块160(在图1中示出并且本文描述)相同或类似的占用模块来执行。
如本文所述的本公开的一种或多种技术的实施例可以在一个或多个计算机系统上执行,所述计算机系统可以与各种其他装置交互。由图5图示一个这样的计算机系统。图5示出可用来实现本文所述的技术的方面的计算机系统的示例。在不同实施例中,计算机系统500可包括可执行所指示功能的硬件或软件的任何组合,包括但不限于计算机、个人计算机系统、台式计算机、膝上型计算机、笔记本计算机或上网本计算机、大型计算机系统、手持式计算机、工作站、网络计算机、拍摄装置、机顶盒、移动装置、网络装置、因特网器具、PDA、无线电话、寻呼机、消费者装置、视频游戏控制台、手持式视频游戏装置、应用服务器、存储装置、诸如交换机、调制解调器、路由器之类的外围装置或其他类型的计算或电子装置。
在所图示的实施例中,计算机系统500包括经由输入/输出(I/O)接口530耦合到系统存储器520的一个或多个处理器510。计算机系统500还包括耦合到I/O接口530的网络接口540以及一个或多个输入/输出装置550,例如光标控制装置560、键盘570和(一个或多个)显示器580。在一些实施例中,预期可使用计算机系统500的单个实例来实现实施例,而在其他实施例中,多个这样的系统或组成计算机系统500的多个节点可配置成托管实施例的不同部分或实例。例如,在一个实施例中,一些元件可以经由计算机系统500的一个或多个节点来实现,所述节点不同于实现其他元件的那些节点。
在各种实施例中,计算机系统500可以是包括一个处理器510的单处理器系统,或包括若干处理器510(例如,两个、四个、八个或另一个合适的数量)的多处理器系统。处理器510可以是能够执行指令的任何合适的处理器。处理器可以包括(一个或多个)半导体和/或晶体管(例如,电子集成电路(IC))。在这样的上下文中,处理器可执行指令可以是电子可执行指令。例如,在各种实施例中,处理器510可以是实现诸如x86、PowerPC、SPARC或MIPS指令集体架构(ISA)或任何其他适当ISA之类的各种ISA中的任何的通用或嵌入式处理器。在多处理器系统中,处理器510中的每个可以共同地但不是必要地实现相同的ISA。
在一些实施例中,至少一个处理器510可以是图形处理单元。图形处理单元或GPU可视为用于个人计算机、工作站、游戏控制台或其他计算或电子装置的专用图形渲染装置。现代GPU在操纵和显示计算机图形方面可能是非常有效的,并且它们的高度并行的结构可以使它们比用于一系列复杂图形算法的典型CPU更有效。例如,图形处理器可以以使得执行图形基元操作比利用主机中央处理单元(CPU)直接绘制到屏幕快得多的方式来实现多个图形基元操作。在各种实施例中,本文所公开的图像处理方法可以至少部分地由配置用于在这样的GPU中的一个上执行或者在这样的GPU中的两个或更多个上并行执行的程序指令来实现。(一个或多个)GPU可以实现允许程序员调用(一个或多个)GPU的功能性的一个或多个应用程序接口(API)。合适的GPU可从诸如NVIDIA Corporation,ATI Technologies(AMD)等的供应商购得。在一些实施例中,一个或多个计算机可以包括并行操作的多个处理器。处理器可以是中央处理单元(CPU)或专用计算装置,例如图形处理单元(GPU)、集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑装置(CPLD)或专用集成电路。
系统存储器520可以配置成存储可由处理器510访问的程序指令和/或数据。在各种实施例中,系统存储器520可使用诸如下列之类的任何合适的存储器技术来实现:静态随机存取存储器(SRAM)、同步动态RAM(SDRAM)、非易失性/快闪型存储器或任何其他类型的存储器。在所图示的实施例中,实现预期功能(例如本公开中所描述的功能)的程序指令和数据被示为分别作为程序指令525和数据存储535存储在系统存储器520内。在其他实施例中,程序指令和/或数据可以在不同类型的计算机可访问介质上或在与系统存储器520或计算机系统500分开的类似介质上接收、发送或存储。一般而言,计算机可访问介质可以包括存储介质或存储器介质,例如磁或光介质,例如经由I/O接口530耦合到计算机系统500的盘或CD/DVD-RIM。经由计算机可访问介质存储的程序指令和数据可以通过传输介质或信号(例如电、电磁或数字信号)来传送,所述传输介质或信号可以经由通信介质(例如网络和/或无线链路)来传送,例如可以经由网络接口540来实现。
在一个实施例中,I/O接口530可以配置成协调处理器510、系统存储器520和装置中的任何外围装置之间的I/O流量,所述外围装置包括网络接口540或诸如输入/输出装置550之类的其他外围接口。在一些实施例中,I/O接口530可以执行任何必要的协议、定时或其他数据转换,以将来自一个组件(例如,系统存储器520)的数据信号转换为适合供由另一组件(例如,处理器510)使用的格式。在一些实施例中,I/O接口530可包括对通过各种类型的外围总线(例如比如外围组件互连(PCI)总线标准或通用串行总线(USB)标准的变体)附接的装置的支持。在一些实施例中,I/O接口530的功能可以被分成两个或更多个单独的组件,例如比如北桥和南桥。另外,在一些实施例中,I/O接口530(例如到系统存储器520的接口)的功能性中的一些或全部功能性可直接并入处理器510中。
网络接口540可以配置成允许在计算机系统500和附于网络的其他装置(例如其他计算机系统)之间或在计算机系统500的节点之间交换数据。在各种实施例中,网络接口540可以支持经由有线或无线通用数据网络(例如任何合适类型的以太网网络)的通信,例如经由电信/电话网络(例如模拟语音网络或数字光纤通信网络)的通信;经由诸如光纤通道SAN之类的存储区域网络的通信,或者经由任何其他合适类型的网络和/或协议的通信。
在一些实施例中,输入/输出装置550可以包括一个或多个显示终端、光标控制装置(例如,鼠标)、键盘、小键盘、触摸板、触摸屏、扫描装置、语音或光学识别装置或适于通过一个或多个计算机系统500输入或检索数据的任何其他装置。多个输入/输出装置550可以存在于计算机系统500中,或者可以分布在计算机系统500的各种节点上。在一些实施例中,类似的输入/输出装置可以与计算机系统500分离,并且可以通过有线或无线连接(例如通过网络接口540)与计算机系统500的一个或多个节点交互。
本领域技术人员将领会,计算机系统500仅是说明性的,并不意图限制本公开的范围。特别地,计算机系统500还可以连接到未图示的其他装置,或者相反可以作为独立系统来操作。另外,在一些实施例中,由所图示的组件提供的功能性可组合在较少组件中或分布在附加组件中。类似地,在一些实施例中,可以不提供所图示的组件中的一些所图示的组件的功能性和/或其他附加功能性可能是可得到的。
应当理解,本描述和附图不意图将本发明限于所公开的特定形式,而是相反,本发明将覆盖落入如由所附权利要求书所限定的本发明的精神和范围内的所有修改、等效物、和备选方案。鉴于本描述,本发明的各个方面的进一步修改和备选实施例对于本领域技术人员将是明白的。因此,本描述和附图将被解释为仅是说明性的,并且用于教导本领域技术人员实行本发明的一般方式的目的。将理解,本文示出并描述的本发明的形式将被视为实施例的示例。可以用元件和材料代替本文示出并描述的那些元件和材料,可以颠倒或省略部分和过程,并且可以独立地利用本发明的某些特征,全部如对于在受益于本发明的本描述后的本领域技术人员将是明白的。在不脱离如下面权利要求书中所描述的本发明的精神和范围的情况下,可以在本文所描述的元素中进行改变。本文所使用的标题仅出于组织目的,并不意味着被用于限制本描述的范围。
如贯穿本申请所使用的,词语“可以”以许可意义(即,意味着有可能)而不是强制意义(即,意味着必须)来使用。词语“包括(include、including、和includes)”等意味着包括但不限于。如贯穿本申请所使用的,单数形式“一(a、an)”和“该”包括复数的所指对象,除非内容另有明确指示。因此,例如,对“元件(an element或a element)”的提及包括两个或更多个元素的组合,尽管对于一个或多个元素使用其他术语和短语,例如“一个或多个”。术语“或”是非排它性的,即涵盖“和”和“或”两者,除非另有指示。描述条件关系的术语(例如“响应于X,进行Y”、“当X时,就进行Y”、“如果X,则进行Y”、“在X时,进行Y”等)涵盖因果关系,其中前项是必要性因果条件、前项是充分性因果条件、或者前项是结果的贡献性因果条件,例如“当条件Y获得时,就出现状态X”对于“仅当Y时,就出现X”和“当Y和Z时,就出现X”是通用的。这样的条件关系不限于立即在前项获得之后的结果,因为一些结果可能延迟,并且在条件陈述中,前项被连接到其结果,例如,前项与结果发生的可能性相关。此外,除非另有指示,否则一个值或动作“基于”另一条件或值的陈述涵盖其中条件或值是唯一因素的实例和其中条件或值是多个因素之中的一个因素的实例。除非另有指示,否则某一集合中的“每个”实例具有某一性质的陈述不应被读为排除更大集合中的一些另外相同或类似的成员不具有所述性质的情况,即,每个不一定意味着所有(each and every)。除非另外特定规定,否则如从讨论中明白,领会的是,贯穿说明书,利用诸如“处理”,“计算”,“运算”,“确定”等术语的讨论是指诸如专用计算机或类似专用电子处理/计算装置的特定设备的动作或过程。
虽然已经参照一个或多个示范性实施例描述本公开,但是本领域技术人员将理解,在不脱离本公开的范围的情况下,可以进行各种改变并且可以用等同物替换其元件。另外,在不脱离本公开的实质范围的情况下,可进行许多修改以使特定情况或材料适应本公开的教导。因此,意图的是本公开不限于作为预期用于执行本公开的最佳模式而公开的特定实施例,而是本公开将包括落入权利要求书的范围内的所有实施例。

Claims (18)

1.一种用于确定空间内的占用的系统,所述系统包括:
至少一个处理器;以及
存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:
获得与用户在空间内的存在相关的信息;
获得与所述空间内的一个或多个RF信号相关的信息;
基于与所述用户的存在相关的信息和与所述一个或多个RF信号相关的信息来将所述一个或多个RF信号与所述用户关联;以及
基于所述用户与所述一个或多个RF信号的关联来确定所述用户的存在。
2.如权利要求1所述的系统,其中
将所述一个或多个RF信号与所述用户关联是基于所述空间的,并且其中所述指令在被执行时使所述系统将所述一个或多个RF信号与所述用户和所述空间关联。
3.如权利要求2所述的系统,其中,所述指令在被执行时使所述系统:
基于检测到所述一个或多个RF信号来确定在给定时间所述用户在给定空间中的存在。
4.如权利要求1所述的系统,还包括:
一个或多个传感器,其配置成输出传达与所述用户相关的信息的信号,并且其中所述指令在被执行时使所述系统:
基于输出信号来检测所述用户在所述空间内的存在;以及
基于检测到的存在来将所述一个或多个RF信号与所述用户关联。
5.如权利要求4所述的系统,其中
所述一个或多个传感器配置成输出传达与所述空间内的RF信号相关的信息的信号,并且其中所述指令在被执行时使所述系统:
基于所述输出信号来检测所述空间内的一个或多个RF信号;以及
基于检测到的RF信号来将所述一个或多个RF信号与所述用户关联。
6.如权利要求5所述的系统,其中,所述指令在被执行时使所述系统:
响应于在所述空间内检测到所述用户而检测所述一个或多个RF信号。
7.如权利要求1所述的系统,其中
所述RF信号由一个或多个用户装置发射。
8.如权利要求7所述的系统,其中,所述指令在被执行时使所述系统:
基于发射所述RF信号的所述用户装置的类型来向所述RF信号分配权重因子;以及
基于加权的RF信号来确定所述用户的存在。
9.一种用于确定空间内的占用的方法,所述方法在包括至少一个处理器和存储指令的存储器的计算系统中实现,所述方法包括:
获得与用户在空间内的存在相关的信息;
获得与所述空间内的一个或多个RF信号相关的信息;
基于与所述用户的存在相关的信息和与所述一个或多个RF信号相关的信息来将所述一个或多个RF信号与所述用户关联;以及
基于所述用户与所述一个或多个RF信号的关联来确定所述用户的存在。
10.如权利要求9的方法,其中:
将所述一个或多个RF信号与所述用户关联是基于所述空间的,并且其中所述指令在被执行时使所述系统将所述一个或多个RF信号与所述用户和所述空间关联。
11.如权利要求10所述的方法,还包括:
基于所述一个或多个RF信号来确定在给定时间所述用户在给定空间中的存在。
12.如权利要求9所述的方法,其中,所述计算系统还包括一个或多个传感器,所述方法还包括:
基于来自所述一个或多个传感器的输出信号来检测所述用户在所述空间内的存在;以及
基于检测的存在来将所述一个或多个RF信号与所述用户关联。
13.如权利要求12所述的方法,还包括:
基于来自所述一个或多个传感器的输出信号来检测所述空间内的一个或多个RF信号;以及
基于检测到的RF信号来将所述一个或多个RF信号与所述用户关联。
14.如权利要求13所述的方法,还包括:
响应于在所述空间内检测到所述用户而检测所述一个或多个RF信号。
15.如权利要求9所述的方法,其中,所述RF信号由一个或多个用户装置发射。
16.如权利要求15所述的方法,还包括:
基于发射所述RF信号的所述用户装置的类型来向所述RF信号分配权重因子;以及
基于加权的RF信号来确定所述用户的存在。
17.一种用于确定空间内的占用的系统,所述系统包括:
一个或多个传感器,其配置成输出传达与用户相关的信息和与第一空间内的一个或多个RF信号相关的信息的信号;
至少一个处理器;以及
存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:
基于输出信号来检测所述用户在所述第一空间内的存在;
基于所述输出信号来检测所述第一空间内的多个RF信号;
把来自检测到的多个RF信号的一个或多个RF信号与检测到的用户关联,所述一个或多个RF信号由所述用户的一个或多个用户装置发射;以及
基于在第二空间中检测到所述RF信号来确定所述用户在所述第二空间中的存在。
18.如权利要求17所述的系统,其中,所述指令在被执行时使所述系统:
基于发射所述一个或多个RF信号的所述用户装置的类型来将权重因子分配给所述一个或多个RF信号;以及
基于加权的RF信号来确定所述用户在所述第二空间中的存在。
CN202310286707.2A 2022-03-22 2023-03-22 用于将rf信号与个体关联的系统和方法 Pending CN116796143A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202263269715P 2022-03-22 2022-03-22
US63/269715 2022-03-22

Publications (1)

Publication Number Publication Date
CN116796143A true CN116796143A (zh) 2023-09-22

Family

ID=88045264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310286707.2A Pending CN116796143A (zh) 2022-03-22 2023-03-22 用于将rf信号与个体关联的系统和方法

Country Status (2)

Country Link
US (1) US20230305097A1 (zh)
CN (1) CN116796143A (zh)

Also Published As

Publication number Publication date
US20230305097A1 (en) 2023-09-28

Similar Documents

Publication Publication Date Title
WO2020199926A1 (zh) 一种图像识别网络模型训练方法、图像识别方法及装置
US11880509B2 (en) Hand pose estimation from stereo cameras
KR102142232B1 (ko) 얼굴 라이브니스 검출 방법 및 장치, 그리고 전자 디바이스
US20200250461A1 (en) Target detection method, apparatus, and system
US9992641B2 (en) Electronic device, server, and method for outputting voice
US9781106B1 (en) Method for modeling user possession of mobile device for user authentication framework
US11270565B2 (en) Electronic device and control method therefor
EP4131186A1 (en) Machine learning assisted intent determination using access control information
AU2023222967A1 (en) Methods and systems for determining user liveness and verifying user identities
US20210150192A1 (en) Electronic apparatus and control method thereof
US20190294954A1 (en) Artificial intelligence server
KR20210067605A (ko) 인공 지능을 이용한 상업용 세탁기의 제어 방법 및 그 시스템
JP2022120775A (ja) オンデバイスでの活動認識
US11482039B2 (en) Anti-spoofing method and apparatus for biometric recognition
WO2024046473A1 (zh) 一种数据处理方法及其装置
US20200356647A1 (en) Electronic device and control method therefor
CN116796143A (zh) 用于将rf信号与个体关联的系统和方法
KR102251076B1 (ko) 실내 이미지를 사용하여 설계도면을 추정하는 방법
US20230064150A1 (en) Machine learning assisted identification based on learned user attributes
CN112381064A (zh) 一种基于时空图卷积网络的人脸检测方法及装置
CN114237861A (zh) 一种数据处理方法及其设备
US20230069278A1 (en) Systems and methods for facilitating interface with an access control system
EP4174693A1 (en) Systems and methods for managing access points authentication requirements
US20240197246A1 (en) Classifying User Activity Using Multiple Sensors
US20230401491A1 (en) Generation and Explanation of Transformer Computation Graph Using Graph Attention Model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication