Presence detection for lighting control with ML models using RADAR data in an indoor environment

There is an ever-rising demand for presence detection in intelligent buildings for reliable and real-time lighting control. RGB cameras have proven to be accurate for detecting human presence. However, RGB cameras pose privacy concerns and therefore cannot be used for indoor environments like offices. The solution which is commonly used in the lighting industry is thermal sensing using Passive Infrared sensors (PIR). PIRs are low-cost sensors and they have low power requirements and simple installation procedures. However, PIRs cannot detect stationary people and their output is bursty. Additionally, PIRs are prone to significant false positives which often leads to power wastage. Even though they are a sustainable solution for lighting control, there is still a high scope for improvement. This thesis is concerned with lighting control using Frequency Modulated Continuous Wave (FMCW) RADAR, which tracks the human presence in the architectural premise. Unlike PIR, the range of the RADAR is long, and one RADAR acts as an alternative to numerous PIRs. Moreover, the RADAR data is large in volume, thus more reliable. The objective of this thesis is to measure true presence using RADARs. Deep Learning classification models are trained using RADAR data to make the machine understand the human presence. This thesis includes data collection from the RADAR, data labeling for the classification models, data visualization and exploratory analysis, and eventually data modeling using Deep Learning. The aim is to develop a generalized model for presence detection using RADAR data for lighting control. The proposed method achieves an accuracy of 98.6% when predicting the presence. These results improve over the state-of-the-art accuracy in presence detection.

Negli ultimi anni è diventata sempre più fondamentale la capacità di identificare la presenza di persone nel contesto degli edifici intelligenti per ottenere sistemi affidabili e reattivi nell’accensione e spegnimento automatici delle luci. Le videocamere RGB si sono dimostrate molto accurate nel rilevamento della presenza umana, ma questa tecnologia pone preoccupazioni dal punto di vista della privacy, e per questo motivo non è adatta ad essere utilizzata in ambienti indoor come gli uffici. La soluzione comunemente utilizzata al momento è il rilevamento della temperatura utilizzando sensori a infrarossi passivi (PIR). I PIR sono sensori a basso costo che consumano poco e si possono installare semplicemente. Tuttavia, i PIR non sono in grado di rilevare la presenza di persone ferme, e il loro output è molto rumoroso. In più questa tecnologia si è dimostrata soggetta a molti falsi positivi, che spesso conducono a sprechi d’energia. Pur essendo una soluzione sostenibile per il controllo dell’illuminazione, c’è ancora ampio spazio per il miglioramento in quest’attività. In questa tesi viene trattato il tema del controllo dell’illuminazione attraverso l’utilizzo di RADAR a onda continua modulata in frequenza (Frequency Modulated Continous Wave - FMCW), che rilevano la presenza umana nell’ edificio. A differenza dei PIR, i RADAR han un più lungo raggio d’azione, rendendo un solo RADAR una valida alternativa a numerosi PIR. In più, i dati RADAR sono più voluminosi, e quindi più affidabili. L’obbiettivo di questa tesi è rilevare la presenza reale usando i RADAR. Dei modelli di deep learning di classificazione sono stati allenati utilizzando i dati radar. Questa tesi include inoltre una parte di raccolta Dati, una di etichettatura per i modelli di classificazione, di visualizzazione e di esplorazione dei dati, e infine di modelizzazione attraverso tecniche deep. Il modello proposto raggiunge un’accuratezza del 98.6% nella rilevazione della presenza umana. Questi risultati superano l’attuale stato dell’arte nella rilevazione di presenze per l’illuminazione.