FH Bielefeld
University of
Applied Sciences

Maschinelle Intelligenz für das Prädiktion von Interaktion anhand von Bewegungsinformationen (itsowl-TP-MIPIB)

Smart Home, Künstliche Intelligenz, Maschinelles Lernen, Episoden, Anomalieerkennung, Prädiktive Assistenz, Gebäudeautomation

 

Fachhochschule Bielefeld

Fachbereich Ingenieurwissenschaften und Mathematik
Interaktion 1
33619 Bielefeld

 

Projektbeteiligung
Steinel GmbH

 

Laufzeit
16.08.2021 – 30.09.2022


Projektförderung

Transferpilot im Rahmen des Spitzenclusters it's OWL                                  

 

Logo des Ministeriums für Wirtschaft, Innovation, Digitalisierung und Energie des Landes Nordrhein-Westfalen

 

Kurzbeschreibung

Die Digitalisierung dringt in immer weitere Lebensbereiche vor, und die damit verbundene Vernetzung von vielfältigen Komponenten des täglichen Umfelds führt zu einer Situation, in der ein stetig höherer Anspruch an die alltägliche Technik gestellt wird. Die Systeme sollen smarter werden, automatisiert und eigenständig handeln. Im Idealfall antizipiert die Technik die Bedürfnisse des Menschen und eine Korrektur durch diesen ist nicht mehr nötig. Voraussetzung für eine intuitive Interaktion ist daher zuallererst die sichere Erkennung des Nutzungskontextes, d.h. wo befindet sich der Nutzer und welche Handlung führt er gerade durch. Das Wissen über regelmäßig auftretende Interaktionsmuster ermöglicht es dem System zukünftige Interaktionen vorherzusagen und Assistenzfunktionen prädiktiv zu steuern.

Ziel von itsowl-TP-MIPIB ist die Entwicklung einer modularen, flexiblen und skalierbaren System-architektur, die basierend auf einem heterogenen Setup von Bewegungs- und Präsenzsensoren das Lernen von Verhaltensmustern ermöglicht, und daraus zukünftige Interaktion abschätzt bzw. Anomalien erkennt.

Hierzu sind die folgenden Handlungsfelder zu bearbeiten:

Die Abstraktion der Sensorinformationen: Die Detektion von Bewegung kann durch passive oder aktive Bewegungsmelder (z.B. PIR oder Ultraschall/HF/Mikrowellen) erfolgen. Um aus diesen heterogenen Sensorinformationen das Nutzungsverhaltens zu lernen, müssen die Informationen zuerst abstrahiert und in eine einheitliche Beschreibung überführt werden.

Um die Skalierbarkeit und Erweiterung auf Komponenten unterschiedlicher Hersteller zu ermöglichen, sollen offene Schnittstellen (z.B. MQTT) und eine OpenHAB als Open-Source-Middleware zur Aufnahme, Aggregation und Persistierung der Sensordaten verwendet werden.

Die aufgenommenen Ereignisse müssen in einer geeigneten Repräsentation der Informationen im Sinne eines Gedächtnisses gespeichert werden. Die Ereignisse werden dabei zu zusammenhängenden Sequenzen zusammengefasst. Aus den gespeicherten Ereignissequenzen wird mithilfe Maschineller Lernverfahren das gewohnte Nutzungsverhalten gelernt.

Aufbauend auf dem gelernten Nutzungsverhalten können nun das zukünftige Nutzungsverhalten vorausgesagt werden (Prädiktion) oder Abweichungen von dem erwarteten Nutzungsverhalten erkannt werden (Anomalieerkennung).