Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica# Visione artificiale e riconoscimento di modelli# Intelligenza artificiale

Sviluppi nella tecnologia di tracciamento del movimento indoor

Un nuovo sistema tiene traccia dei movimenti delle persone al chiuso garantendo la privacy.

― 6 leggere min


Sistema di TracciamentoSistema di TracciamentoIndoor Spiegatomovimenti proteggendo la privacy.Nuova tecnologia tiene traccia dei
Indice

Il tracciamento dei movimenti delle persone al chiuso sta diventando sempre più importante per vari motivi. Questa tecnologia può aiutare in luoghi come ospedali, uffici e centri commerciali. Può migliorare la sicurezza, aiutare nella gestione delle folle e migliorare l'assistenza sanitaria.

In questo articolo, parliamo di un sistema progettato per tracciare più persone all'interno di un edificio garantendo la loro privacy. Il sistema utilizza telecamere a basso costo posizionate nei soffitti delle stanze e elabora le immagini su potenti mini computer chiamati dispositivi edge. Questi dispositivi fanno il lavoro di tracciamento e analisi senza memorizzare immagini personali, rendendo tutto più sicuro per tutti.

Scopo del Sistema

L'obiettivo principale di questo sistema è tracciare le persone in un ampio spazio al chiuso, come un ospedale o un ufficio, raccogliendo dati sui loro movimenti e caratteristiche. Capendo come si muovono e interagiscono le persone, possiamo migliorare il design degli spazi per soddisfare meglio le loro esigenze, specialmente per chi ha sfide cognitive.

Come Funziona il Sistema

Configurazione delle Telecamere

Il sistema è composto da 38 piccole telecamere installate nel soffitto della struttura. Queste telecamere catturano immagini dell'area sottostante. Ogni telecamera è collegata a un mini computer che elabora il video in tempo reale. L'elaborazione avviene proprio dove vengono raccolti i dati, noto come edge computing. Questa configurazione aiuta a mantenere al sicuro i dati personali e riduce la quantità di informazioni che devono essere inviate su internet.

Elaborazione e Privacy

Quando le telecamere catturano immagini, usano algoritmi per identificare le posizioni e i movimenti delle persone. Invece di salvare immagini grezze, il sistema registra solo informazioni sulle posizioni delle persone, le direzioni in cui stanno guardando e i loro movimenti. Questo approccio preserva la privacy, poiché non vengono conservate informazioni identificabili.

Il sistema utilizza algoritmi progettati per rilevare i movimenti delle persone garantendo che le loro identità rimangano anonime. Una volta raccolti i dati, vengono elaborati in loco e solo le informazioni pertinenti vengono inviate a un server cloud per la memorizzazione e analisi a lungo termine.

Capacità del Sistema

Tracciamento al Chiuso

Il sistema può tracciare in modo affidabile dove si trovano le persone all'interno di un edificio. Utilizza metodi per stimare quanto sia precisa la posizione e monitora le attività di più persone contemporaneamente. I dati raccolti possono aiutare a capire come vengono utilizzati gli spazi, come le persone interagiscono tra loro e quanto tempo trascorrono in diverse posizioni.

Stima dell'Orientamento

Oltre a tracciare i movimenti, il sistema può anche determinare la direzione in cui una persona sta guardando. Questa informazione è importante per capire le interazioni sociali. Ad esempio, in un gruppo di persone, sapere chi guarda chi può offrire spunti sui loro livelli di coinvolgimento e relazioni.

Ricerca e Raccolta Dati

Il sistema è stato testato in un ampio spazio al chiuso di circa 1.700 metri quadrati, che includeva varie aree funzionali come una cucina, una palestra, una biblioteca e delle lounge. I ricercatori hanno allestito scenari con più persone che si muovevano. Hanno raccolto dati per valutare quanto bene il sistema tracciava i movimenti e stimava le orientazioni.

Metriche di Prestazione

Per valutare quanto bene funzionasse il sistema, i ricercatori hanno utilizzato diverse metriche di prestazione. Queste metriche includevano:

  • Precisione del Tracciamento: Quanto bene il sistema identificava i movimenti delle persone?
  • Errore di Orientamento Corporeo: Quanto accuratamente il sistema determinava la direzione in cui una persona stava guardando?
  • Errore di Localizzazione: Quanto erano vicine le posizioni stimate rispetto alle posizioni reali?

Il sistema mirava a mantenere gli errori entro limiti accettabili massimizzando il successo del tracciamento.

Metodi di Tracciamento

Telecamere Multiple

Utilizzare molte telecamere ha permesso al sistema di coprire una vasta area senza punti ciechi. Ha potuto catturare movimenti da vari angoli, rendendo più facile tracciare le persone in modo preciso anche quando erano molto vicine.

Filtro di Kalman per Ammorbidire

Il software ha utilizzato una tecnica chiamata filtro di Kalman, che aiuta a prevedere e correggere la stima della posizione di una persona nel tempo. Questo metodo è utile per attenuare le imprecisioni quando si tracciano individui in rapido movimento.

Integrazione dei Dati

Per garantire che tutti i dati provenienti da diverse telecamere venissero combinati in modo efficace, il sistema ha integrato informazioni da più angolazioni. Questo ha aiutato a risolvere eventuali sovrapposizioni e ha garantito che le persone fossero costantemente tracciate nello spazio.

Risultati

Il sistema ha mostrato risultati promettenti in termini di precisione del tracciamento e stima dell'orientamento corporeo. In vari scenari, è riuscito a mantenere bassi errori di localizzazione, indicando che poteva monitorare efficacemente i movimenti delle persone.

Prestazione di Tracciamento

Negli scenari in cui quattro persone camminavano, il sistema ha raggiunto una precisione di tracciamento di circa il 62,9%. In aree più affollate con più telecamere, questa precisione è aumentata fino all'88,6%. Questo indica che avere più telecamere può migliorare notevolmente le prestazioni.

Stima dell'Orientamento

Quando si misurava quanto bene il sistema potesse determinare l'orientamento corporeo, ha ottenuto un errore medio assoluto di circa 28,97 gradi. Questo livello di precisione consente spunti utili sulle interazioni sociali e sui comportamenti di gruppo.

Importanza della Posizione delle Telecamere

La posizione delle telecamere ha giocato un ruolo vitale nell'efficacia del sistema.

Distanza dai Soggetti

Più le telecamere erano vicine alle persone, meglio funzionavano. Le telecamere installate a distanze appropriate catturavano informazioni più dettagliate, riducendo gli errori nel tracciamento e nell'orientamento.

Direzione di Sguardo

Anche la direzione in cui le persone guardavano ha impattato i risultati. Il sistema funzionava meglio quando gli individui guardavano verso le telecamere piuttosto che lontano da esse.

Visioni Sovrapposte

Avere telecamere con campi visivi sovrapposti ha aiutato a catturare i movimenti in modo più efficace. Questo design ha garantito che anche se alcune telecamere erano bloccate o avevano visioni ostruite, altre coprissero comunque le aree necessarie per un tracciamento preciso.

Applicazioni Future

La tecnologia sviluppata ha diverse potenziali applicazioni:

Monitoraggio Sanitario

Negli ambienti sanitari, essere in grado di tracciare e analizzare i movimenti dei pazienti può fornire spunti preziosi. Può aiutare nella rilevazione precoce di compromissioni cognitive, monitorare le attività dei pazienti e garantire la loro sicurezza.

Progettazione di Spazi Migliori

I dati raccolti possono informare architetti e designer nella creazione di spazi che promuovono le interazioni sociali e migliorano il benessere. Capendo come le persone utilizzano diverse aree, è possibile apportare modifiche per migliorare i layout e l'accessibilità.

Analisi del Posto di Lavoro

Nel mondo degli affari, questo sistema può aiutare a capire come i dipendenti interagiscono e si muovono all'interno del loro spazio di lavoro. I dati raccolti possono influenzare le decisioni di design, migliorando la produttività e la collaborazione negli ambienti d'ufficio.

Conclusione

Il sistema di tracciamento al chiuso proposto, utilizzando telecamere a basso costo e edge computing, rappresenta un significativo passo avanti nel modo in cui monitoriamo e comprendiamo i movimenti umani. La sua capacità di rispettare la privacy mentre fornisce dati cruciali crea una base per molte applicazioni future. Con il continuo miglioramento della tecnologia, questo sistema può ulteriormente migliorare il benessere degli individui e il design degli spazi in vari contesti. Siamo all'avanguardia dell'innovazione nel tracciamento e nell'analisi dei dati, e il suo potenziale impatto è vasto.

Fonte originale

Titolo: A Feasibility Study on Indoor Localization and Multi-person Tracking Using Sparsely Distributed Camera Network with Edge Computing

Estratto: Camera-based activity monitoring systems are becoming an attractive solution for smart building applications with the advances in computer vision and edge computing technologies. In this paper, we present a feasibility study and systematic analysis of a camera-based indoor localization and multi-person tracking system implemented on edge computing devices within a large indoor space. To this end, we deployed an end-to-end edge computing pipeline that utilizes multiple cameras to achieve localization, body orientation estimation and tracking of multiple individuals within a large therapeutic space spanning $1700m^2$, all while maintaining a strong focus on preserving privacy. Our pipeline consists of 39 edge computing camera systems equipped with Tensor Processing Units (TPUs) placed in the indoor space's ceiling. To ensure the privacy of individuals, a real-time multi-person pose estimation algorithm runs on the TPU of the computing camera system. This algorithm extracts poses and bounding boxes, which are utilized for indoor localization, body orientation estimation, and multi-person tracking. Our pipeline demonstrated an average localization error of 1.41 meters, a multiple-object tracking accuracy score of 88.6\%, and a mean absolute body orientation error of 29\degree. These results shows that localization and tracking of individuals in a large indoor space is feasible even with the privacy constrains.

Autori: Hyeokhyen Kwon, Chaitra Hegde, Yashar Kiarashi, Venkata Siva Krishna Madala, Ratan Singh, ArjunSinh Nakum, Robert Tweedy, Leandro Miletto Tonetto, Craig M. Zimring, Matthew Doiron, Amy D. Rodriguez, Allan I. Levey, Gari D. Clifford

Ultimo aggiornamento: 2023-11-29 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2305.05062

Fonte PDF: https://arxiv.org/pdf/2305.05062

Licenza: https://creativecommons.org/licenses/by-nc-sa/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili