中原大學全人關懷獎簡報

survey paper

論文名稱:
Extracting Places and Activities from GPS Traces Using Hierarchical Conditional Random Fields
此篇作者是Lin Liao, Dieter Fox, Henry Kautz
發表處:The International Journal of Robotics Research, Vol. 26, No. 1, 119-134 (2007)
論文中主要是利用GPS資料來作為分析和探討人的行為和此使用者所去的地方的關連，譬如去餐廳可能的行為就是用餐，或者是買飲料，等，本篇論文以階層式的行為架構為基礎，以隱藏式的馬可夫模型為方法去實行這個研究，他們的研究成果可以透過收集其他人的行為資料來預測某位使用者的下個動作和想去的地方。
此篇文章所使用的方法:ourapproach uses one consistent framework for both low-levelinference and the extraction of a person’s significant places.This is done by iteratively constructing a hierarchical conditionalrandom field, where the upper level is generated basedon MAP inference on the lower level. Once a complete modelis constructed, we perform joint inference in the completeCRF. Discriminative learning using pseudo-likelihood and inferenceusing loopy belief propagation can be performed extremelyefficiently in our model: The analysis of a GPS tracecollected over a week takes approximately one minute on astandard desktop PC.

研究的目的:Our experiments based on traces of GPS data showthat oursystem significantly outperforms existing approaches. In additionto being able to learn a person’s significant locations, it can infer low-level activities such as walking, working, or gettinginto a bus.We demonstrate that the model can be trained from a group of persons and then applied successfully to a different person, achieving more than 85% accuracy in determininglow-level activities and above 90% accuracy in detectingand labeling significant places. Our model achievesvirtually identical accuracy both with and without a streetmap. The output of our system can also be used to generatetextual summaries of a person’s daily activities.
我覺得這篇研究貢獻最大的地方就是可以透過學習一開始的使用者的模式，來提供接下來的使用者使用。

論文名稱Building Personal Maps from GPS Data
作者:Lin Liao, Donald J. Patterson, Dieter Fox, Henry Kautz
發表處:Volume 1093 Progress in Convergence: Technologies for Human Wellbeing Page 249-265, December 2006
此篇論文主要在利用GPS原始的資料，系統將這些收集來的資料學習起來之後，根據這些統計好的資料繪製成一個地圖，並訂做給每一個使用者，以提供他每天該做的事和行為，在這個任務中這個系統使用的模型有辨別能力的和有生產力。此研究利用馬可夫網路可辨別關係的能力來將收集到的地點資訊，辨別出哪些位置對此位使用者來說是有意義的地點，且將這些地點標記下來。一個有生產力的辨識網路被用作學習日常交通的習慣,，並提供目的地和使用者在第一時間可能會發生的淺在的錯誤。在這篇論文中，我們著重在模型的基礎的架構和清楚的討論影響和學習技巧。實驗結果呈現我們的系統可以正確的得到和標記地點，預測使用者的目標,，並辨別使用者在什麼情況發生錯誤。(e.g., taking a wrong bus)

論文名稱:Bayesian models of human action understanding
作者:Chris L. Baker, Joshua B. Tenenbaum & Rebecca R. Saxe
發表處:Advances in Neural Information Processing Systems, 2006
此篇論文內容是使用貝氏定理來理解人的行為，並預測使用者的動作的目的的原因，根據可觀測到的行為。 理解行為是一種問題在在轉化的機率有生產力的模型，這個假設趨向於行動合理爲了達到目標在他們的環境中給約束。在這個詭異的空間，我們呈現此模型如何根據原因提供目標並預測這個動機會如何行動在新奇的情況或是當環境強制改變。這個模型提供一個質的利益在很多推理的方式在動前兒童(嬰兒) 表現出來的行為上, 並且實驗關於成人突然昏厥的量化預測，在一個新的實驗中可獲得的.

(4)論文名稱:Hierarchical conditional random fields for GPS-based activity recognition (2007)
作者:Lin Liao, Dieter Fox, and Henry KautzUniversity of Washington, Department of Computer Science & Engineering, Seattle, WA
發表處:The International Journal of Robotics Research, Vol. 26, No. 1, 119-134 (2007)
此篇論文內容同第一篇，差別在於內容的增刪，第一篇論文20頁，此篇論文長度十七頁

(5)論文名稱:Predestination: Inferring Destinations from Partial Trajectories
作者:John Krumm and Eric Horvitz
出處:UbiComp 2006: The Eighth International Conference on Ubiquitous Computing,
September 17-21, Orange County, CA, USA September 17-21, Orange County, CA, USA
我們描述一個方法稱作"Predestination"(事先預測終點) 是使用駕駛人的終點的歷史，隨著的是駕駛習慣的資料，去預測哪裡有一個駕駛人會當作一個旅程而前往。駕駛的習慣包含終點的形式，駕駛的效率，旅程的時間。根據考慮之前參觀過的終點，Predestination 手段變成熟在一個打開世界的模擬方法，考慮使用者之前參觀的位置資訊無法取得的可能性 還要考慮地點背景的特性。這允許我們的演算法可流暢的運作在“out of the box”之間在沒有測試資料或是在沒有增加獲得更完整的資料數時。在分析上多樣的組成的成分利用貝氏定理來推斷並產生一個關於終點機率的地圖。我們的演算法被測試和試驗在給予的資料上 是根據資料庫中在駕駛時所獲取的GPS的資料來畫出的，這些資料是收集169個不同的人，他們有超過7,335不同的旅程。

目前工作進展

目前完成工作:(1)國科會計畫中的LBS服務已規劃完成，(2)全人關懷獎項的簡報已經完成，(3)走失偵測的架構已經開始書寫。

6/17~6/22:完成走失偵測完整架構，並閱讀完Using GPS to learn significantlocations and predict movement across multiple users此篇論文，和閱讀(Hierarchical Conditional Random Fields forGPSbasedActivity Recognition)此篇論文中的理論和介紹，增加相關的知識。
6/23~6/30:將走失偵測的論文以中文完稿，並持續書寫相關程式。
7/1~7/13:將走失偵測的論文改成英文，並學習如何評估線上討論版。
7/14~7/21:將TANET論文完稿。

A Pyroelectric Infrared Sensor-based Indoor Location-Aware System for the Smart Home

現在智慧型空間都趨向於提供各式各樣的智慧的服務藉由辨別居民的生活型態和感受。其中一個重要的議題就在討論要如何偵測居民的位置。現在研究的成果多著重在兩個方法:有終端機和沒有終端機的方法。使用終端機的這個方法使用的裝置是必須被居民所攜帶著的，而沒有終端機的方法則是不需要。這篇論文提供一個新奇的且不需使用終端機方法，而是使用一系列的有焦電特性的紅外線感測器(pyroeletric infrared sensors)，簡稱PIR sensors，用這些感測器可以感測到居民，而這系統的可能性目前還在臨床實驗。

爲了要提高居民的便利性和安全性，而必須將所使用的裝置則像家具，多功能的器具，還有網路的器具透過家庭的網路系統連結在一起。就像paper的圖1中所示，而且這些器具必須透過television或是PDA(personal digital assistant)來控制和監控。
現在的研究專注在地理定位服務(location based service, LBS)上，認為這是一種提供高品質的智慧型服務的方法，因為當要考慮給人使用要考慮的因素包括此人的生活，健康，和現在的心情，假如智慧型空間可以去偵測此未居住者的生活，健康或是心情，就可以去預期此居住者未來的需要，就可以更自動的提供適當的且有智慧的服務，譬如:在一個被動式的環境中，使用者控制環境中的HAVC(暖的，通風的，冷氣機)系統的運作，但是在智慧型空間就可以依據使用者的狀況來調整溫度和濕度。
各式各樣的室內位置感知系統(Location-Aware Systems根據使用者位置給予適當資訊，結合Mobile device定位技術，如：PDA with WLAN(802.11b) card and bluetooth module；與Infrastructure，如WLAN access points or bluetooth access points、computing and data server，資料來自行政院)已經被發展並可以辨識居住者的位置，在智慧型空間或是智慧型辦公室中。一般來說，室內位置辨識的系統根據測量的工具可分為三類，(1)三角測量，(2)事件分析(scene analysis)，還有(3)proximity method(鄰近的方法)。三角測量是利用多個已知的點的距離來判斷，出處有Active Badges，Active Bats，and Easy Living，這些研究分別使用紅外線感測器，超音波感測器，和影像感測器；而在事件分析方法調查從特殊有利的位置出發。典型的關於這類研究的分析方法是MotionStar，此研究使用直流並帶有磁性追蹤；另外一個研究是RADAR，使用802.11無線位置區域網路(LAN)。最後鄰近的方法，是去測量到一已知接近或是鄰近區域位置的多個點的時間和距離，其中一個範例是Smart Floor，是使用壓力感測器。
二選一的，室內位置辨識系統可以根據是否有無使用終端機來分類，以使用終端機為基礎的方法，就像Active Bats，沒有直接辨別使用者的位置，但是去感知使用者手持裝置的位置，就像是紅外線傳輸(infrared transceiver)或是射頻識別標籤(radio frequency identification tag)，如果居住者沒有攜帶這些裝置就無法辨別使用者的位置。而不使用終端機的方法，就像是 Easy Living，Smart Floor，就可以不用這些裝置而可以感測到使用者的位置。然而，Easy Living被認為是侵入使用者的隱私，而Smart Floor在擴充性和持續性上則是發生困難。
這篇論文是提供一個不使用終端機的位置辨識系統是使用一系列的焦電特性的紅外線感測器，這些感測器是裝在天花板上偵測面前的居住者的位置並列出，這樣偵測的區域就會重疊，然後結合這些多重的PIR感測器，此系統就可以去確認此位居民的位置在一個誤差合理的範圍下，而且此系統並不會牽涉到隱私，也不會有擴充性和持續性上的問題，為了示範此系統的效益，我們設計了ㄧ個實驗，而且我們所提出的系統也被評估和實驗在各種的實驗環境中。
這篇論文的組織有四個部份，包含介紹，第二部份就會呈現以PIR感測的位置辨識系統的架構(PILAS)，還有位置辨識的方法。第三部份則是描述透過PIR感測器偵測一個居住者的位置的方法，並且評估此系統在各種情況的臨床實驗的表現，最後，做一個摘要和結論。
A.smart home的架構
室內位置辨識的系統必須符合以下的要求:
(1)花費必須相當少，因為使用的sensor數目很多，(2)sensor的安裝必須有彈性，每個房間的外形不同，也會有不同的障礙物，像家具或是其他裝備設施，(3)室內辨識系統必須可抗干擾，且不會被環境中的其他裝置干擾，因為智慧型空間中會安裝多種的無線傳輸方式，就像是無線區域網路和射頻，會有電磁干擾，或是在燈光或是溫度的轉換也有可能會影響sensor的表現。(4)準確度會隨著房間的形式而改變。
PIR sensor目前還沒吸引很多目光，此sensor目前已被運用，當感測到有人在走動時就打開燈光，也比很多種sensor便宜。而此sensor的波長是在9.4~10.4μm之間，因此對於溫度溼度和其他的干擾有抵抗能力。此系統可以透過調整PIR sensor的半徑來調整正確性，而且此系統可以輕鬆的安裝在天花板，而不會被其他裝置或是障礙物影響。
圖二是PILAS在一個智慧型空間的架構，此架構提供位置定位的智慧型服務給居住者，根據這個架構，各式的裝備透過家庭網路系統會互相連結，包含PIR sensor，房間的終端機，智慧型空間的伺服器，家中的設備，每個房間都被視為一個cell，然後每個cell會安裝適合的數量的sensor，然後安裝在天花板上。每隔一段時間sensor就會感測居住者的位置，並透過家庭網路系統把資料傳送到房間的終端機上，所以房間的終端機判別居住者的位置是整合所有在這個cell的sensor的資訊，然後將這些資訊傳送到智慧型空間的伺服器上，然後控制這個房間中的其他設備，以提供給此位居住者位置定位的智慧型服務。
從這個架構來看，智慧型空間的伺服器有以下的方程式，(1)虛擬地圖的產生器會產生智慧型空間的虛擬地圖，並把居住者的位置畫在上面，根據這個資訊畫出居住者移動的軌跡(追蹤使用者的活動)，(2)這個家的裝置控制傳輸器透過家庭網路系統控制對於家庭裝備的回應，去提供智慧型的服務給居住者，(3)這種以移動的形式的預測儲存居住者現在移動的軌跡，還有現在家裡的裝備如何運作，並反映這個房間的其他參數，像是時間，溫度，溼度，和照明。在儲存足夠的資訊之後，這個系統有可能提供居住者的位置的智慧型服務，此空間的裝置可以自發地提供服務去滿足人的需要。舉例來說，如果此空間的伺服器"知道"此居住者一般起床的時間是早上7:00，並且洗澡，這個系統就有可能打開燈光和音樂，此外，水的溫度可以自動調整到居住者需要的溫度。
B.Location-recognition algorithm
爲了決定居住者在一個房間的位置，一系列的PIR sensor的使用在圖三有說明，再此範例中有三個sensor，每個sensor可以畫一個圓的範圍，且sensor的範圍有可能會重疊，有可能會有兩個或兩個以上的sensor的範圍重疊，當使用者踏進這個房間之後，會透過蒐集所有此房間內的PIR sensor的資訊來確認此居住者的位置。

產業實習期末報告

Learning and Inferring Transportation Routines摘要

此篇論文主軸在於利用GPS的資訊，以非監控的方式，去建構一個關於使用者日常生活的機率的模型。而此篇論文所建置的模型是使用hierarchical Markov model(等級制的馬可夫模型)，此模型透過社會大眾去學習和推測使用者日常的活動。
此篇論文作者使用多層的抽象過程，爲了解決有限制的GPS感測器的量測和高難度的資訊(像是使用者交通的基本模式或是她的目的地)，作者應用Rao-Blackwellised particle filters在有效的推理上，在低等級或是高難度的等級都可以使用，此模型並且以動態的Bayesian網路呈現。有意義的位置就像是目的地或是指定的地區，對於那些地方使用者經常更換他們的交通模式都會經由GPS資訊而紀錄，不需要要求標記在手冊上。在此篇論文中也會秀出如何去偵測不正常的行為(搭錯巴士)，是透過立即的追蹤此使用者的一連串的行為，和先前的模型，研究結果顯示出此作者的模型可以正確地預測使用者的目的地和辨識狀況，當使用者做出ㄧ些不知道的行為時，而階層式的馬可夫模型是由其他人所提出，此篇作者主要的工作和貢獻在於，(一)將階層式的模型和會學習剛好的交通的模型組合在一起，(二)他們可以在使用者選擇模型時就可去偵測一開始發生的原因在推測使用者在例行工作上的錯誤和誤差。
此模型可允許的功能有:

• 推測使用者平常目的地的位置，像是家或是工作地點。
• 推測使用者交通的基本模式，像是走路或是搭乘汽車，或是巴士，並預測在什麼時候或是在哪個位置這位使用者會轉換他的行為模式。
• 預測使用者未來的行動，不論是在比較短的距離(譬如:下個路口會不會左轉)或是長的距離(譬如:會不會去工作地點)
• 推測當使用者沒有依照他日常的例行工作去行動時，表示他有可能已經出錯，譬如:他沒有搭上他平常會搭的那班公車回家。
• 就算是在失去全部的GPS資訊和其他雜訊的干擾，仍可以追蹤和預測。

此篇論文跟其他的研究相比之下，他們可以從使用者移動的GPS資訊(從一個有意義的地點到另一個有意義的地點)中推測你的目的地，此外，粗糙的表現也無法去偵測到使用者潛在的錯誤。在此作者之前的研究中他們使用一個"flat"的模型，這個模型對於有意義的位置沒有任何概念，所以也無法預測高難度的使用者的目的地。所以他們重新去研究，而這個等級式的模型就可以學習更多人類特殊意義的動作，有些還可以偵測到使用者的錯誤。

精神障礙就業輔導體系與科技相遇的感想

北投的黃小昭:
...雖然不像當哈利遇上莎莉^^"但
身障就輔與科技的緊密結合...應該也可以成為創舉吧^_^...
台北市仁愛院區就輔組:
...老師與研究生教學粉認真ㄝ真是受益良多感恩囉...
專題生vein的心得:
...因為做了這個部落格之後，開始有點了解這個專題的精神所在，就是要讓那些辛苦的就輔員能事半功倍吧！善用一些現今熱門的技術，減輕甚至解決就輔員的問題是我們做這個專題的最高指導原則吧！
專題生wendell和推甄上的學弟sky的心得:
wendell:...雖然不管在知識方面還是一些做事情的方法我都學到蠻多的，但是在接觸精障者就業輔導系統更讓我學習如何站在就輔員的角色瞭解學員們需要什麼，要替他們考慮到更遠以後的問題，然後提出解決方案。這種做事情的處理方法讓我更有心得。

sky:感覺要用科技幫忙他們 又更具挑戰性了 就輔員和雇主的愛心是科技比不上的今天去幫院長的老婆(她是奧地利人) 修電腦 看得出來她對電腦很不熟悉 直問我說 『是不是她做錯了什麼步驟 害他的電腦當機 不聽話』我很直覺得反應 回答說 『不 是電腦太笨了 工程師把他設計的太不人性化了 』...
專題生小印的心得:
現今在台灣有將近三十萬的精神障礙者，但是並不是全部的患者都沒有謀生的能力，有些較輕微的患者也是可以有工作能力的，可以融入這個社會的，並不是一定要待在庇護工廠，有了工作能力可以讓他們活得更有自信，更深刻的覺得自己存在的必要，增加這個社會的互動。一開始也沒想到說在台灣會有這麼多的精神障礙者，接觸之後才發現這是一件多麼有意義的工作，可以幫助到他們就業和在這個社會的存在感。...
專題生cheng的心得:
能夠參與精障就輔有關的計畫，能夠出一份力我覺得已經很有意義，因為這也是一種服務，幫助一些被需要的機構能夠去利用。其實參與後實際去做，會想如果完成後使用的人覺得很便利，能夠帶給他們在使用上實際的幫助，這樣子的感覺就很舒服了。...

最近一個月工作排程

6/9~6/16先將LBS service的架構釐清，並作完整構思，將Learning and Inferring Transportation Routines此篇論文閱讀完畢，並開始製作中原全人關懷獎的投影片。
6/17~6/25思考要如何判定走失，並將LBS service架構結合。
6/26~7/1撰寫ACM比賽資料，和TANET論文。
7/2~7/9 ACM資料彙整，將TANET論文完成至少一半的進度。

近期研讀的論文

最近會研讀的paper為:"A Pyroelectric Infrared Sensor-based Indoor Location-Aware Systemfor the Smart Home"和"Smart Home Care Network using Sensor Fusion andDistributed Vision-based Reasoning"都是關於smart home的文章，主要是在說明sensor如何使用。
爲了思考如何判斷精障者已經走失，我先研讀了"Learning and Inferring Transportation Routines"。

平日整理資料的好處

最近在書寫全人關懷獎項的文件時，發現平日有把資料做好整理，要使用時非常容易找尋，雖然此次參加中原關懷獎項文件的數量很龐大，所須整理的資料是經過很長的時間所累積，仍可以提前在交稿日期前完成，如果沒有平時就把這些相關資料整理起來放好，在投稿截止日之前可能只完成半數；另外，就像老師說的，機會是給有準備的人，如果有養成資料整理的習慣，不管比賽是多匆促，仍有辦法完成，或許一個人的成功一生就是只有這一次的機會了，有遇到這類的事情真的會有很深的感觸，有一種"老師說的沒錯"得感覺，多聽聽過來人的經驗，並照著他們建議的方向走，少走了很多冤枉路，對自己是非常的有幫助。