A sequence generation algorithm for real time distance estimation in an indoor environment utilizing PIR sensors

Ambient Assisted Living (AAL, for short) is a field of research that aims to develop innovative ICT solutions to support the human population in various areas. One of the branches of AAL is called Human Activity Recognition (HAR), which aims to catalogue the activities performed by a person (or multiple people) using various sensing devices that capture the state of the analysis environment. \\The solution proposed in this thesis addresses the problem of calculating the distance travelled by an individual moving within a familiar environment by capturing their position in real time using passive infrared (PIR) sensors. The environment in which the individual moves is equipped with PIR sensors distributed throughout it and installed on the walls or ceiling at different angles. This ensures complete coverage of the environment under analysis, so the individual is never out of sight. Such sensors were chosen because of the multitude of applications found in the literature that are PIR-based and tackle different tasks. This allows the proposed solution to be used in a variety of environments on top of existing systems. Each PIR sensor transmits its status to a centralised data collection unit, which is responsible for sorting the received messages and feeding them to the algorithm. The algorithm processes each input in chronological order and generates sequences of movements that aim to explain the sensor activations. To do this, each sequence of events must take into account all the inputs received up to this point, plus the latest input available, along with all the possible causes that may have generated such an input. These causes comprehend inputs generated by a false detection, a missing input that was not received in time, or a correct input corresponding to a successful detection. When a new input is received, for each sequence currently deemed plausible, a variant of the starting sequence is created. Such a variant is assembled from the starting sequence and a new event that explains the current input under each of the possible scenarios in which it could have been generated. For each starting sequence, three variations are created, each representing an erroneous input generation, a missed activation that needs to be reconstructed, or a correct activation of the sensor. Once the three variants are generated, the starting sequence is deemed obsolete and discarded from future computation. Each new sequence needs to account for the type of input received, prompting the necessity of a "score" field to keep track of how likely the sequence of events corresponds to the actual circumstances that generated each input. To update the score, each variant inherits the score of the previous sequence and decreases the current score by a higher factor if the input was erroneously generated, by a smaller factor if an input was supposedly missed, and by the smallest factor if the input was deemed correct. This process ensures that after the respective variants have substituted all the sequences, the most likely sequence is the one with the highest score. Each sequence of events can now be associated with the distance travelled from one environment to another, until the last detected position. By taking into account travel times, the size of the environments, and the time spent within each environment, it is possible to calculate the distance travelled by the individual. This study also explores the possibility of adding as many sensors as possible to the analysis environment, so that the interference areas between sensors—the areas where their vision cones intersect—can be utilised as additional, distinct areas without the need for purchasing additional sensors. These areas, later referred to as "Grey Areas," will be crucial for achieving greater granularity of movements and enhanced accuracy in distance calculations. However, they highlight a greater need for inputs per second to correctly track the individual's entry and exit from these areas.

L’Ambient Assisted Living (AAL, in breve) è un campo di ricerca che mira a sviluppare soluzioni ICT innovative a supporto della popolazione umana in vari ambiti. Una delle branche dell’AAL è chiamata Human Activity Recognition (HAR, in breve), che mira a catalogare le attività svolte da una persona (o più persone) utilizzando vari dispositivi di rilevamento che catturano lo stato dell’ambiente di analisi. La soluzione proposta in questa tesi affronta il problema di calcolare la distanza percorsa da un individuo che si muove all’interno di un ambiente familiare, catturandone la posizione in tempo reale tramite sensori a infrarossi passivi (noti anche come PIR), i quali sono installati sulle pareti o sul soffitto con diverse angolazioni. Ciò garantisce una copertura pressoché completa dell’ambiente in analisi, in modo che l’individuo non venga mai perso di vista. Tali sensori sono stati scelti per la moltitudine di applicazioni presenti in letteratura che sfruttano le qualità dei PIR per affrontare compiti diversi tra loro, consentendo l’utilizzo della soluzione proposta in ambienti già dotati di tali dispositivi. Ogni sensore PIR trasmette il proprio stato a un’unità centralizzata di raccolta dati, che è responsabile dell’ordinamento dei messaggi ricevuti e del loro invio all’algoritmo. Quest’ultimo analizza l’input in ordine cronologico e crea sequenze di movimenti che mirano a spiegare le attivazioni dei sensori ricevute. A tal fine, ogni sequenza di eventi deve tenere conto di tutti gli input ricevuti finora e di tutte le possibili cause che potrebbero aver generato l’ultimo input ricevuto. Queste cause includono falsi rilevamenti, mancati rivelamenti, input fuori ordine o un input corretto corrispondente a un rilevamento riuscito. Quando un unovo input è disponibile, per ogni sequenza attualmente ritenuta plausibile viene creata una variante della sequenza iniziale. Tale variante viene assemblata a partire dalla sequenza iniziale e da un nuovo evento che spiega l’input corrente in ciascuno dei possibili scenari descritti prima che possano averlo generato. Per ogni sequenza iniziale vengono generate delle varianti corrispondenti ai modi in cui l’input può essere stato generato, quindi una falsa attivazione, un’attivazione mancata che deve essere ricostruita, e un’attivazione corretta del sensore. Questa informazione viene aggiunta ad ogni sequenza variante, che rende in ultimo la sequenza iniziale obsoleta, escludendola dai prossimi step computazionali. Ogni nuova sequenza deve tenere conto del tipo di input ricevuto, il che rende necessario un campo "punteggio" per tenere traccia della probabilità che la sequenza di eventi corrisponda alle circostanze effettive che hanno generato ciascun input. Per aggiornare il punteggio, ogni variante eredita il punteggio della sequenza precedente e diminuisce il punteggio corrente di un fattore maggiore se l’input è stato generato erroneamente, di un fattore minore se un input è stato presumibilmente omesso e del fattore minimo se l’input è stato ritenuto corretto. Questo processo garantisce che, dopo che le rispettive varianti hanno sostituito tutte le sequenze di partenza, la più probabile sia quella con il "punteggio" più alto. Ogni sequenza di eventi può ora essere associata a una distanza percorsa da un ambiente all’altro, tracciando gli spostamenti rivevati fino all’ultima posizione conosciuta. Tenendo conto dei tempi di percorrenza, delle dimensioni degli ambienti e del tempo trascorso all’interno di ciascun ambiente, è ora possibile calcolare la distanza percorsa dall’individuo nell’arco della rilevazione. Questo studio esplora anche la possibilità di aggiungere ulteriori sensori PIR all’ambiente di analisi, in modo che le aree di interferenza tra i sensori – le aree in cui i coni visivi si intersecano, nominate in seguito come "Zone Grigie" – possano essere utilizzate per identificare aree aggiuntive distinte, ottenendo una maggiore granularità e precisione nella delimitazione degli ambienti. Tuttavia, questo esperimento evidenzierà un maggior numero di input al secondo per tracciare correttamente l’ingresso e l’uscita dell’individuo da queste aree.Quando un nuovo input è disponibile, per ogni sequenza attualmente ritenuta plausibile viene creata una variante della sequenza iniziale. Tale variante viene assemblata a partire dalla sequenza iniziale e da un nuovo evento che spiega l'input corrente in ciascuno dei possibili scenari descritti prima che possano averlo generato. Per ogni sequenza iniziale vengono generate delle varianti corrispondenti ai modi in cui l'input può essere stato generato, quindi una falsa attivazione, un'attivazione mancata che deve essere ricostruita, e un'attivazione corretta del sensore. Questa informazione viene aggiunta ad ogni sequenza variante, che rende in ultimo la sequenza iniziale obsoleta, escludendola dai prossimi step computazionali. Ogni nuova sequenza deve tenere conto del tipo di input ricevuto, il che rende necessario un campo "punteggio" per tenere traccia della probabilità che la sequenza di eventi corrisponda alle circostanze effettive che hanno generato ciascun input. Per aggiornare il punteggio, ogni variante eredita il punteggio della sequenza precedente e diminuisce il punteggio corrente di un fattore maggiore se l'input è stato generato erroneamente, di un fattore minore se un input è stato presumibilmente omesso e del fattore minimo se l'input è stato ritenuto corretto. Questo processo garantisce che, dopo che le rispettive varianti hanno sostituito tutte le sequenze di partenza, la più probabile sia quella con il "punteggio" più alto. Ogni sequenza di eventi può ora essere associata a una distanza percorsa da un ambiente all'altro, tracciando gli spostamenti rivevati fino all'ultima posizione conosciuta. Tenendo conto dei tempi di percorrenza, delle dimensioni degli ambienti e del tempo trascorso all'interno di ciascun ambiente, è ora possibile calcolare la distanza percorsa dall'individuo nell'arco della rilevazione. Questo studio esplora anche la possibilità di aggiungere ulteriori sensori PIR all'ambiente di analisi, in modo che le aree di interferenza tra i sensori – le aree in cui i coni visivi si intersecano, nominate in seguito come "Zone Grigie" – possano essere utilizzate per identificare aree aggiuntive distinte, ottenendo una maggiore granularità e precisione nella delimitazione degli ambienti. Tuttavia, questo esperimento evidenzierà un maggior numero di input al secondo per tracciare correttamente l'ingresso e l'uscita dell'individuo da queste aree.