- Практический пример системы IoT: монитор энергопотребления в личном кабинете (POEM)(arXiv)
Автор : Милан Миленкович
Аннотация. В этом документе описывается разработка, реализация и оценка пользователями проекта Интернета вещей, направленного на мониторинг и управление комфортом пользователей и энергопотреблением в офисных зданиях. Цель состоит в том, чтобы изобразить поучительный вариант использования и проиллюстрировать опыт всех основных этапов проектирования и эксплуатации довольно сложной системы IoT. Часть дизайна включает в себя мотивацию и схему постановки проблемы, результирующее определение данных, которые необходимо собрать, внедрение системы и последующие изменения, вытекающие из дополнительных сведений, которые она предоставила. В части взаимодействия с пользователем описываются количественные данные, а также основные результаты обширного исследования человеческого фактора с участием более 70 офисных пользователей в двух крупных пилотных проектах во Франции и Японии. Первоначальная идея этого проекта исходила от группы компаний, изучающих проблемы проектирования и эксплуатации умных зданий с чистым положительным энергетическим балансом. В число участников вошли компании, занимающиеся проектированием и строительством интеллектуальных зданий, систем управления и автоматизации зданий, компьютерного дизайна, энергетических систем, а также офисной мебели и дизайна помещений. Одним из первых выводов было то, что максимальная энергоэффективность офисных зданий не может быть достигнута и поддерживаться без осведомленности и активного участия людей, находящихся в здании. Получившийся в результате проект изучил и оценил несколько способов привлечения и расширения возможностей пользователей таким образом, чтобы они приносили им пользу и делали их добровольными и активными участниками.
2.Системы мониторинга водителей в режиме реального времени с помощью модальности и анализа представлений(arXiv)
Автор: Йиминг Ма, Виктор Санчес, Судэх Никан, Девеш Упадхьяй, Бхушан Атоте, Таная Гуха.
Аннотация : известно, что отвлекающие факторы водителей являются основной причиной дорожно-транспортных происшествий. Хотя системы мониторинга могут обнаруживать действия, не связанные с вождением, и способствовать снижению рисков, они должны быть точными и эффективными, чтобы их можно было применять. К сожалению, современные методы отдают приоритет точности, игнорируя задержку, потому что они используют кросс-просмотр и мультимодальные видео, в которых последовательные кадры очень похожи. Таким образом, в этой статье мы преследуем эффективные по времени модели обнаружения, пренебрегая временной связью между видеокадрами, и исследуем важность каждой модальности восприятия в обнаружении действий побуждений. Эксперименты показывают, что 1) предложенные нами алгоритмы работают в режиме реального времени и могут достигать аналогичной производительности (97,5% AUC-PR) со значительно меньшим объемом вычислений по сравнению с моделями на основе видео; 2) вид сверху с инфракрасным каналом более информативен, чем любая другая одиночная модальность. Кроме того, мы улучшаем набор данных DAD, вручную аннотируя его тестовый набор, чтобы включить мультиклассификацию. Мы также тщательно анализируем влияние типов визуальных датчиков и их размещения на предсказание каждого класса. Код и новые лейблы будут выпущены
3.Smart Cup: система контроля потребления жидкости на основе измерения импеданса для классификации напитков и определения их свежести(arXiv)
Автор: Мэнси Лю, Сычжэнь Бянь, Бо Чжоу, Агнес Грюнербл, Пол Лукович
Аннотация: в этом документе представлена новая система мониторинга потребления напитков, которая может точно распознавать виды напитков и их свежесть. Установив угольные электроды на коммерческий стакан, система измеряет спектр электрохимического импеданса жидкости в стакане. Мы изучили частотную чувствительность спектра электрохимического импеданса в отношении различных напитков и важность таких характеристик, как амплитуда, фаза, а также действительные и мнимые компоненты для классификации напитков. Результаты показывают, что характеристики низкочастотной области (от 100 Гц до 1000 Гц) предоставляют более значимую информацию для классификации напитков, чем высокочастотная область. Двадцать напитков, включая газированные напитки и соки, были классифицированы с почти идеальной точностью с использованием подхода машинного обучения под наблюдением. Такая же производительность наблюдалась и при распознавании свежести, когда изучались четыре разных вида молока и фруктового сока.
