TWI793581B

TWI793581B - 空間動態狀態之偵測方法及偵測系統

Info

Publication number: TWI793581B
Application number: TW110114638A
Authority: TW
Inventors: 陳翊安; 黃旺興; 鄭翠菊
Original assignee: 啟碁科技股份有限公司
Priority date: 2021-04-23
Filing date: 2021-04-23
Publication date: 2023-02-21
Also published as: TW202242807A; US20220343752A1; US11749099B2

Abstract

一種偵測方法，用來偵測一空間內的動態狀態，其中該空間內設置至少二無線通訊裝置，該至少二無線通訊裝置可進行通道狀態偵測以取得通道狀態資訊，該偵測方法包含有控制該至少二無線通訊裝置於一註冊階段進行通道狀態偵測，以取得複數個註冊階段通道狀態資訊；根據該複數個註冊階段通道狀態資訊，判斷該空間之一環境資料；控制該至少二無線通訊裝置於一偵測階段進行通道狀態偵測，以取得複數個偵測階段通道狀態資訊；以及根據該環境資料及該複數個偵測階段通道狀態資訊，判斷該空間的侵入情形。

Description

空間動態狀態之偵測方法及偵測系統

本發明係指一種空間動態狀態之偵測方法及偵測系統，尤指一種可進行全面化偵測，快速適用於不同環境，並可持續優化以適應環境真實情景的偵測方法及偵測系統。

為了提升居家安全、年長者照護、辦公室或廠房保全、邊境保防等，侵入偵測已被廣泛採用。為了偵測入侵者，習知技術通常透過設置偵測器來偵測環境資訊，進而判斷是否有異常訊號，例如，利用紅外線感測器偵測是否有熱源、利用麥克風偵測環境音、利用衝擊感測器偵測振動等。然而，這些偵測器除了偵測入侵者外，往往還會偵測到其他非入侵者產生的訊號，例如寵物叫聲、寵物移動產生的紅外線異常訊號、物品掉落產生的振動、掃地機器人的運作等，因而容易產生錯誤警報。

另一種習知侵入偵測技術則是使用影像擷取設備，例如透過安裝於特定位置的攝影機擷取照片或視訊，進而判斷是否有異常入侵者。然而，基於影像擷取技術的侵入偵測受限於環境光狀態，且有隱私外洩的疑慮，同時還需強大即時運算才可實時判斷入侵狀態。更重要的是，影像擷取設備僅能實現視距(line-of-sight)偵測，無法穿透牆體、傢俱、家電等以進行全面化偵測，故仍有其限制。

在此情形下，如何改善習知技術的缺點，就成為本領域所努力的目標之一。

因此，本發明之主要目的即在於提供一種空間動態狀態之偵測方法及偵測系統，以改善習知技術的缺點。

本發明實施例揭露一種偵測方法，用來偵測一空間內的動態狀態，其中該空間內設置至少二無線通訊裝置，該至少二無線通訊裝置可進行通道狀態偵測以取得通道狀態資訊，該偵測方法包含有控制該至少二無線通訊裝置於一註冊階段進行通道狀態偵測，以取得複數個註冊階段通道狀態資訊；根據該複數個註冊階段通道狀態資訊，判斷該空間之一環境資料；控制該至少二無線通訊裝置於一偵測階段進行通道狀態偵測，以取得複數個偵測階段通道狀態資訊；以及根據該環境資料及該複數個偵測階段通道狀態資訊，判斷該空間的侵入情形。

本發明實施例另揭露一種偵測系統，用來偵測一空間內的環境動態狀態，包含有至少二無線通訊裝置，設置於該空間內，該至少二無線通訊裝置可進行通道狀態偵測以取得通道狀態資訊；以及一運算裝置，包含有一處理單元，用來執行一程式碼；一儲存單元，連接該處理單元，用來儲存該程式碼，其中該程式碼指示該處理單元執行以下步驟：控制該至少二無線通訊裝置於一註冊階段進行通道狀態偵測，以取得複數個註冊階段通道狀態資訊；根據該複數個註冊階段通道狀態資訊，判斷該空間之一環境資料；控制該至少二無線通訊裝置於一偵測階段進行通道狀態偵測，以取得複數個偵測階段通道狀態資訊；以及根據該環境資料及該複數個偵測階段通道狀態資訊，判斷該空間的侵入情形。

10:偵測系統

100、102:無線通訊裝置

104:運算裝置

12:空間

1040:處理單元

1042:儲存單元

1044:通訊介面單元

14:程式碼

R_CSI_1~R_CSI_m、D_CSI_1~D_CSI_n:通道狀態資訊

R_PCA_1~R_PCA_s、D_PCA_1~D_PCA_t:主成分資料

EVM_data:環境資料

NN_EMB_1~NN_EMB_x:神經網路嵌入向量

20、400、50:流程

200~210、402~416、500~508:步驟

第1圖為本發明實施例之一偵測系統之示意圖。

第2圖為本發明實施例一流程的示意圖。

第3圖為本發明實施例一深度學習模型的示意圖。

第4圖為本發明實施例一通道狀態資訊預處理流程之示意圖。

第5圖為本發明實施例一註冊階段之流程的示意圖。

請參考第1圖，第1圖為本發明實施例之一偵測系統10之示意圖。偵測系統10包含二無線通訊裝置100、102及一運算裝置104，用以偵測一空間12內的動態狀態，例如是否有入侵者。空間12可以是住家、辦公室或廠房等，且不限於此。無線通訊裝置100、102為實現本發明之必要單元，即實現本發明之最低需求需包含至少二無線通訊裝置，當然，三個以上的無線通訊裝置必然可實現本發明，不另贅述。運算裝置104可為本地計算裝置或雲端裝置，並包含有一處理單元1040、一儲存單元1042以及一通訊介面單元1044。處理單元1040可為一微處理器或一特殊應用積體電路(application-specific integrated circuit，ASIC)。儲存單元1042可為任一種資料儲存裝置，用來儲存一程式碼14，並透過處理單元1040讀取及執行程式碼14。舉例來說，儲存單元1042可為唯讀式記憶體(read-only memory，ROM)、隨機存取記憶體(random-access memory，RAM)、光碟唯讀記憶體(CD-ROMs)、光學資料儲存裝置(optical data storage devices)等等，而不限於此。通訊介面單元1044可透過有線或無線通訊方式，與其他裝置(如無線通訊裝置100、102或外部裝置)交換訊號。

請參考第2圖，其為本發明實施例一流程20的示意圖。流程20用於第1圖所示的偵測系統10，用來偵測空間12內的動態狀態。流程20可編譯為程式碼14，並包含有以下步驟：

步驟200：開始。

步驟202：控制無線通訊裝置100、102於一註冊階段進行通道狀態偵測，以取得註冊階段通道狀態資訊R_CSI_1~R_CSI_m。

步驟204：根據註冊階段通道狀態資訊R_CSI_1~R_CSI_m，判斷空間12之一環境資料EVM_data。

步驟206：控制無線通訊裝置100、102於一偵測階段進行通道狀態偵測，以取得偵測階段通道狀態資訊D_CSI_1~D_CSI_n。

步驟208：根據環境資料EVM_data及偵測階段通道狀態資訊D_CSI_1~D_CSI_n，判斷空間12的侵入情形。

步驟210：結束。

根據流程20，偵測系統10於步驟202進入註冊階段，控制無線通訊裝置100、102進行通道狀態偵測，以取得註冊階段通道狀態資訊R_CSI_1~R_CSI_m。其中，於註冊階段中，需排除動態物件對無線通訊裝置100、102進行通道狀態偵測的影響，因而需將空間12內之動態物件移動至空間12外或停止動作；例如，若空間12為一住家，則應於註冊階段前命其中的人、寵物移動至空間12外，並將掃地機器人等自動設備暫停運作；若空間12為一廠房，則應於註冊階段前命其中的操作人員移動至空間12外，並將機台等設備暫停運作。如此一來，偵測系統10於註冊階段取得通道狀態資訊R_CSI_1~R_CSI_m可排除人員或設備的影響。據此，於步驟204，偵測系統10可根據註冊階段通道狀態資訊R_CSI_1~R_CSI_m，判斷空間12的環境資料EVM_data。接著，偵測系統10於步驟206進入偵測階段，控制無線通訊裝置100、102持續進行通道狀態偵測，以取得偵測階段通道狀態資訊D_CSI_1~D_CSI_n。藉由環境資料EVM_data與偵測階段通道狀態資訊D_CSI_1~D_CSI_n，偵測系統10於步驟208持續判斷空間12是否有入侵者，並可將偵測結果適時透過通訊介面單元1044輸出至外部警示裝置。

簡單來說，偵測系統10在進行侵入偵測前，需先進行註冊階段，以取得無人員影響的環境資料EVM_data；之後，於進入偵測階段時，環境資料EVM_data可做為標準來判斷是否有入侵者。因此，偵測系統10可適用於不同環境，正確地做出判斷，同時通道狀態偵測不受限於視距(line-of-sight)，而可進行全面化偵測。

需注意的是，註冊階段係用以排除人員影響，然而，住家、辦公室或廠房等除了人員影響，還存在許多動態環境變因，例如風吹造成的窗簾飄動、掃地機器人運作的移動或撞擊物品造成物品移動、寵物移動，這些動態環境變因雖然不是人員或入侵者，但也會影響通道狀態偵測，甚至判斷為入侵者。在此情形下，本發明實施例可進一步採用深度學習技術，如多層感知器(Multilayer Perceptron，MLP)、深度神經網路(Deep Neural Network，DNN)、卷積神經網(Convolutional Neural Network，CNN)、遞迴神經網路(Recurrent Neural Network，RNN)等，對所取得的通道狀態資訊進行分析、學習、分類，並持續訓練深度學習模型，以優化判斷準確性。

詳細來說，為了進行深度學習，如第3圖所示，本發明實施例可建構一深度學習模型300，用來根據環境資料EVM_data與偵測階段通道狀態資訊D_CSI_1~D_CSI_n，持續訓練並判斷空間12是否有入侵者。深度學習模型300可建構於運算裝置104中，例如編譯於程式碼14中，或是建立在外部運算裝置並透過通訊介面單元1044與偵測系統10通訊。

首先，輸入至深度學習模型300的資料應經過降維、去關聯並擷取內特徵，例如可採用主成分分析(Principal Component Analysis，PCA)方式，將具有代表性的通道狀態資訊轉換為主成分資料，此操作於後文稱為通道狀態資訊預處理流程400。請參考第4圖，其為通道狀態資訊預處理流程400之一實施例之示意圖。在第4圖之實施例中，偵測系統10(於步驟400)取得通道狀態資訊(如R_CSI_1~R_CSI_m、D_CSI_1~D_CSI_n)後，可先暫存通道狀態資訊(步驟404)；待收到預設資料量的通道狀態資訊(步驟406)後，可計算其對應的子載波振幅(步驟408)，並排除其中之異常值，例如排除子載波振幅超出一閾值之資料(步驟410)，以加強可信度。接著，可由所有子載波中選取一子集合(步驟412)，利用主成分分析方式，將通道狀態資訊降維並去雜訊(步驟414)以轉換為主成分資料(步驟416)。上述通道狀態資訊預處理流程係為深度學習之前置處理，屬本領域熟習技藝，且應對註冊階段及偵測階段通道狀態資訊R_CSI_1~R_CSI_m、D_CSI_1~D_CSI_n進行，而可分別得到註冊階段主成分資料R_PCA_1~R_PCA_s及偵測階段主成分資料D_PCA_1~D_PCA_t。

進行通道狀態資訊預處理流程之後，即可將主成分資料輸入至深度學習模型300，以完成註冊階段或於偵測階段進行侵入偵測，註冊階段可以第5圖之流程50表示。如第5圖所示，在收到(經過通道狀態資訊預處理流程400而得的)註冊階段主成分資料R_PCA_1~R_PCA_s後，深度學習模型300先計算註冊階段主成分資料R_PCA_1~R_PCA_s之標準差(步驟500)，接著將註冊階段主成分資料R_PCA_1~R_PCA_s中具有標準差小於一閾值之主成分資料轉換為神經網路嵌入向量NN_EMB_1~NN_EMB_x(步驟502)，其中x大於一預設值。在實際操作時，深度學習模型300可計算每一註冊階段主成分資料R_PCA_1~R_PCA_s之標準差，持續收集其中具有標準差小於一閾值之主成分資料，直到達到數量x後，再轉換為神經網路嵌入向量NN_EMB_1~NN_EMB_x；然而，只要能獲得特定數量之神經網路嵌入向量即可，不限於特定運作方式。接著，深度學習模型300可分別計算每一神經網路嵌入向量NN_EMB_1~NN_EMB_x相對於其他神經網路嵌入向量的平均類內程度(步驟504)，並選取其中具有最大平均類內程度之一神經網路嵌入向量所對應的註冊階段主成分資料(步驟506)為環境資料EVM_data(步驟508)。

另一方面，在偵測階段，偵測系統10可將偵測階段主成分資料D_PCA_1~D_PCA_t與環境資料EVM_data一併輸入至深度學習模型300，由深度學習模型300分析環境資料EVM_data及偵測階段主成分資料D_PCA_1~ D_PCA_t，以將空間12的環境狀態分為複數個類別，並於有一偵測階段主成分資料落於其中的侵入類別時，判斷空間12有至少一入侵者。其中，分析環境資料EVM_data及偵測階段主成分資料D_PCA_1~D_PCA_t主要目的在於區別有無入侵者下的主成分資料差異，除此之外，另可進一步區別無侵入者時的環境狀態，例如，無侵入者但環境雜訊為高、中、低等三種非侵入類別(以下簡稱為高雜訊、中雜訊及低雜訊非侵入類別)。舉例來說，若空間12為住家，高雜訊非侵入類別可對應於寵物奔跑、掃地機器人運作等情形，中雜訊非侵入類別可對應於有物品掉落、窗簾擺動等情形，而低雜訊非侵入類別可對應於無干擾物的情形。在此情形下，深度學習模型300除了可分別有入侵者的情形，另可分辨無侵入者的雜訊等級，如此有助於後續訓練深度學習模型300，進而提升深度學習模型300的強健度。

需注意的是，深度學習技術一般可分為兩大階段，一為「學習/訓練」階段，另一為「推論/預測」階段，前者需透過大量資料以歸納出判斷邏輯供後者使用。然而，偵測系統10的註冊階段及偵測階段不同於上述兩階段的定義方式。具體來說，本發明實施例的註冊階段完成後，偵測系統10可視為已完成無人環境的初步學習過程，此時深度學習模型300即可根據環境資料EVM_data，辨認有無入侵者。然而，由於環境中存在不同可變因子，其可能隨時間改變，也可能不定期改變，若僅以註冊階段獲得的環境資料EVM_data為基準，將無法適應環境的真實情景。在此情形下，本發明實施例可透過適當的訓練手段，將後續接收到的偵測階段通道狀態資訊用於訓練深度學習模型300。也就是說，藉由註冊階段，本發明實施例的深度學習模型300可省去冗長的學習及訓練階段，快速適應不同環境的偵測需求；而藉由偵測階段，深度學習模型300除可判斷侵入情形，同時可持續進行訓練，優化判斷正確性。

此外，前述將無侵入者時的環境狀態進一步分類不只是為了歸納無侵入者的環境情形，實際上也有助於判斷有侵入者的影響，其可搭配人的行為進行訓練，以強化深度學習模型300的強健度。另一方面，在註冊階段除了排除人員進行訓練外，在一實施例中，亦可加入人員、寵物等各種變因來進一步訓練。進一步地，本發明實施例在偵測階段除了判斷有無侵入者外，在適當訓練後，亦可判斷侵入者的行為，以加強準確性，例如當判斷有侵入者且正在走動，可發出警示，如此可降低誤判的發生。

此外，本發明實施例的深度學習模型300的訓練方式應根據不同需求而適當調整，常見的訓練方法如誤差反向傳播、隨機梯度下降、學習率(Learning Rate)衰減、隨機關閉(Dropout)、最大池化(Max Pooling)、批標準化(Batch Normalization)、長短期記憶(Long Short-Term Memory，LSTM)、遷移學習(Transfer Learning)等，且不限於此，本領域具通常知識者當可根據採用的神經網路、演算法等，採用適當的訓練方式。

需注意的是，前述實施例係用以說明本發明之概念，本領域具通常知識者當可據以做不同之修飾，而不限於此。舉例來說，在第1圖中，運算裝置104雖連結無線通訊裝置100、102，然而，運算裝置104可僅連結其中作為接收端之無線通訊裝置。此外，運算裝置104雖然繪示於空間12內，但不限於此，運算裝置104亦可以是外部裝置設置於空間12外，如雲端裝置。再者，如前所述，無線通訊裝置100、102僅表示實現本發明之最低需求，偵測系統10亦可包含三個以上的無線通訊裝置，並較佳地符合WiFi規範，操作於ISM頻帶(如5GHz)，亦可以是網狀(Mesh)網路的一部分或整體。

另一方面，在步驟204中，偵測系統10可根據註冊階段通道狀態資訊R_CSI_1~R_CSI_m，判斷空間12的環境資料EVM_data。然而，若運算裝置104無法正確計算或獲得環境資料EVM_data，在一實施例中，偵測系統10另可採用預設之環境資料EVM_data，例如可預先儲存對應於0~10平方公尺、10~20平方公尺、…等空間的環境資料EVM_data，供使用者根據空間12的大小選取適當的環境資料EVM_data。

此外，當深度學習模型300執行註冊階段及偵測階段前，另可先檢查深度學習模型300是否可正常運行，並於無法正常運行時發出警示。而深度學習模型300將環境狀態分類有助於強化深度學習模型300的強健度，其中分類的方式、類別的數量等皆未有所限，可根據環境所需而適當調整。

在習知技術中，為了偵測環境狀態，通常需裝設各種偵測器或是採用影像擷取設備，前者容易產生錯誤警報，後者受限於環境光、有隱私外洩疑慮、需強大即時運算，且僅能實現視距偵測。相較之下，本發明透過通道狀態偵測判斷環境狀態可不受限於視距，而可進行全面化偵測。此外，本發明利用註冊階段取得無人員影響的環境資料，因而可快速適用於不同環境。更進一步地，本發明可採用深度學習技術，對所取得的資料進行分析、學習、分類，並持續訓練深度學習模型，以優化判斷準確性，可適應環境的真實情景。

綜上所述，本發明之偵測方法及偵測系統不受限於視距，可進行全面化偵測，可快速適用於不同環境，並可持續優化以適應環境的真實情景。以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。