CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek Dr. Vajda Ferenc Egyetemi docens

Átírás

1 CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi Egyetem

2 Cél Probléma Elöregedő társadalom Felügyelet egyre kevésbé megoldható Feladatok Németország Biztonság növelése (Biztonságérzet!) Szokatlan, veszélyes helyzetek felismerése! személyzet értesítése Segítségnyújtás Életminőség növelése... Férfiak Nők 2060 ezer ezer 2/15

3 Humán kérdések (BME ERG) Szükségesség Milyen kritikus szituációk voltak eddig Mi volt ezek kimenetele Milyen tevékenységekhez lenne szükség segítségre Milyen mértékű segítségre van szükség Etikai és egyéb kérdések Mennyire lehet látható az eszköz a szobában Mennyire tartja elfogadhatónak új kábelezés kiépítését Elfogadhatónak tartanak-e egy kamerát a lakótérben Mekkora költséget tudnak áldozni a rendszerre (egyszeri, rendszeres) 3/15

4 Esésdetektálás (BME IIT)

5 Az esésdetektálás problémái Mit az esés? Nem triviális nem adható egzakt definíció Gyakorlatilag lehetetlen algoritmust adni a felismerésére Mi az érzékelés módszere? Testre helyezett mérőrendszerek Odometrikus méréstechnológia Inerciális méréstechnológia Külső érzékelési megoldások Akusztikai mérési elvek (pl. ultrahang) Látó rendszerek Emberi esésérzékelés? Tanult folyamat, látvány alapján CARE 5/15

6 Látás Kamera Nagy adatmennyiség sok felesleges Sokszor kevés időbeli felbontás Nagy sebességű optikai érzékelő Speciális kialakítás CMOS integrált áramkör Pixelenként fotodetektor és kiegészítő áramkör Tulajdonságok A nem változó részekről nem érkezik információ A változás lehet sötétedés/világosodás Változás pozíciója és időpontja 6/15

7 ATC érzékelő 7/15

8 Kép -feldolgozás Kiindulási adathalmaz Kép TAE (időbélyeggel és címmel ellátott események) Hagyományos képfeldolgozás módszereit el kell felejteni Eredmény Tulajdonságvektorok (megtanulható értékek és változások) Jelfeldolgozás menete Érzékelő 2D Előfeldolgozás 3D rekonstrukció 3D Előfeldolgozás Szegmentálás Tulajdonságkiemelés 8/15

9 Előfeldolgozás szűrés μs μs px px Nyers adat Medián Eseménytér szűrő 9/15

10 Tulajdonságtér Legmagasabb pont Sebesség Pontfelhő Tömegközéppont Határoló téglatest Határoló henger Szűrés Gyorsulás Sebesség Gyorsulás Arány Arány 10/15

11 Tulajdonságtér 11/15

12 Tanuló rendszerek Döntési fa Asszociációs szabályok elvére épülő tanulás Mesterséges neurális hálózatok Genetikus programozás Induktív logikai programozás SVM (Support Vector Machine) Klaszterezési technikák Bayes hálózatok Megerősítéses tanulás... 12/15

13 Mesterséges Neurális hálózatok Bemeneti Rejtett Kimeneti 13/15

14 Esésfelismerés Legmagasabb pont Sebesség Pontfelhő Tömegközéppont Határoló téglatest Határoló henger Szűrés Gyorsulás Sebesség Gyorsulás Arány Arány Esés Nem esés 14/15

15 Megoldandó, megoldott problémák Pára, köd (fürdőszobai alkalmazás) Speciális dobozkialakítás Felületkezelés Aktív nedvességmentesítés Látószög mélységérzékelés Sztereo érzékelők megfelelő bázistávolsága Optika kiválasztása Hibás riasztások (pl. szobában állatok) Hitelesség-ellenőrzés (pl. szabályos aktivitás van utána) Felhasználó érvényteleníti a riasztást (pl. karján egy gombbal) 15/15