此篇是由franson所查找到的
在introduction的部份:
主要在介紹關於他們所提供的服務種類和對象，
在服務種類方面:
Remote Control Service:開門，呼叫電梯的按鈕，使交通號誌紅燈的按鈕，...
Navigation Assistance Service:可在行走到目標，可在室內行走...
Informantion Service:巴士到站時間表...
Security Service:可緊急的呼叫，可在很遠的地方就可提供協助...
他們稱此服務為:"Assistive Service"
對服務對象:physical/cognitive restriction or the elderly。
內容上:
此篇比較了三種提供服務的模式
第一種:Internet service(internet-based service)
第二種:Ad-hoc service(interacts with a single node or another user, like Bluetooth)
第三種:local access service(interacting with an environment, like hospital, mall,...)
從內容中可看出，此篇論文的重點在於如何利用網路來提供使用者資訊，但是此篇論文雖然偶提供個案，但是可感受出沒有實際針對要提供服務的使用者去思考，很多部分仍屬概念性的想法，但是這些概念性的想法可讓我的觀念更加清析，有很大的收穫。
第一:此篇文字所描述的內容與我們國科會所描述的內容相近，是可以作為寫相關論文的參考範本之ㄧ。
第二:在網路服務方面，提供完整性的架構，與我們所思考的模式相近，譬如如何傳檔案，接收檔案，等等，讓我知道該如何去表達我們要使用的技術名稱。
第三:知道自己的優缺點在哪，
缺點:
在此篇，雖然提供服務眾多，但是目前仍是在概念性，這也是我該擔憂之處，另外，我在概念處的地方也該補強，思考哪些方面是他們沒有提供的服務，而我們需要去做的。
優點:
他們只假設狀況，無實際去探討physical/cognitive restriction or the elderly他們的問題，相較之下，我們針對精神障礙者下去做服務，探討問題並針對問題開發，所做的服務更加深入，這是此篇論文比較可惜之處，不過此篇仍是一篇不錯的論文。
星期四, 6月 28, 2007
星期一, 6月 25, 2007
星期五, 6月 22, 2007
星期三, 6月 20, 2007
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。
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。
星期日, 6月 17, 2007
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。
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。
星期四, 6月 14, 2007
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。
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。
星期日, 6月 10, 2007
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:
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。
訂閱：
文章 (Atom)