用于占用估计的系统和方法 【技术领域】
本发明涉及估计区域的占用 (occupancy)， 并且更具体地涉及基于占用者交通 (traffic) 模型估计该区域内人的占用。背景技术
关于特定区域的占用的知识可以用于各种应用中。例如， 建筑物内的占用的知识 可以用来改善建筑物的效率、 舒适性和便利性并且在紧急情形下通过提供关于占用者位置 的信息而改善第一响应者的搜寻和营救努力。典型地， 仅基于传感器提供的数据来确定建 筑物占用。 这些占用估计可能由于传感器数据的缺乏或者传感器数据误差随时间的累积而 导致生成误差。 发明内容
本文描述了一种用于估计区域中的占用的系统。该系统包括输入和占用估计器， 该输入在工作中被连接以从一个或多个传感器装置接收传感器数据。 至少一个传感器装置 是运动检测传感器， 该运动检测传感器提供指示在特定区域内没有检测到占用者的负输出 或者指示在特定区域内检测到一个或多个占用者的正输出。 占用估计器在工作中被连接到 该输入以接收传感器数据。该占用估计器执行算法， 该算法基于所接收的传感器数据和生 成基于模型的占用估计的占用者交通模型来生成占用估计， 其中该算法基于所提供的输出 的状态给由运动检测传感器提供的传感器数据分配可靠性。 输出在工作中被连接到占用估 计器以传送占用估计。
在另一个方面， 本文描述了一种用于估计区域中的占用的系统。该系统包括输入 和占用估计器， 其中该输入在工作中被连接以从一个或多个传感器装置接收传感器数据， 由传感器装置提供的输入提供关于在相邻区域之间流动的占用者数量的信息。 占用估计器 在工作中被连接到该输入以接收传感器数据。该占用估计器执行算法， 该算法基于所接收 的传感器数据和由占用者交通模型生成的基于模型的状态估计来生成状态估计， 其中状态 估计由包括每个区域的占用估计和与相邻区域之间流动的占用者数量相关联的流估计两 者的状态变量组成。输出在工作中被连接到该占用估计器以传送占用估计。
在另一个方面， 本文描述了一种用于估计区域中的占用的方法。该方法包括从一 个或多个传感器装置采集传感器数据， 其中至少一个传感器装置提供指示在区域之间移动 的占用者数量的数据。 该方法还包括基于占用者交通模型来计算状态变量的基于模型的估 计， 所述状态变量包括每个区域中的占用者数量以及相邻区域之间流动的占用者数量。该 方法还包括通过组合每个状态变量的基于模型的估计和所采集的传感器数据来生成与每 个状态变量相关联的校正的估计。
在另一个方面， 本文描述了一种用机器可读计算机程序代码编码的计算机可读存 储介质， 所述机器可读计算机程序代码用于生成区域的占用估计， 该计算机可读存储介质 包括用于使控制器实施方法的指令。该计算机程序包括用于从一个或多个传感器装置采集输入的指令， 其中至少一个传感器装置提供指示在相邻区域之间流动的占用者数量的数 据。 该计算机程序还包括用于基于占用者交通模型来计算状态变量的基于模型的估计的指 令， 所述状态变量包括每个区域中的占用者数量以及相邻区域之间流动的占用者数量。该 计算机程序还包括用于通过组合每个状态变量的基于模型的估计和所采集的传感器数据 来生成与每个状态变量相关联的校正的估计的指令， 其中该校正的估计包括与每个状态变 量相关联的平均值和协方差。 附图说明
图 1A 是被划分成许多区的建筑物的楼层的示意图。 图 1B 是对建筑物楼层的各区之间的连接进行建模的图示。 图 2 是图解基于传感器数据、 传感器模型和占用者交通模型计算占用估计的流程图。 图 3A 和 3B 是图解为计算占用估计而采用的扩展卡尔曼 (Kalman) 滤波器算法的 示例性实施例的流程图。
图 4A 和 4B 是图解其中与区域之间的占用者流相关联的状态变量受约束的实施例 之间的差别的曲线图。
图 5A 是建筑物的楼层的示意图。
图 5B 是图解如何解释建筑物的楼层平面以由基于动力运动的模型分析的图示。
图 6A 是图解使用基于 KM 的模型来建模单个房间中的占用者的图示。
图 6B 是图解使用基于 KM 的模型来建模单个房间中的占用者的图示， 包括建模房 间内的阻塞。
图 7A-7E 是图解扩展卡尔曼滤波器的实施例的估计准确性的曲线图。
图 8 是图解集中占用估计系统的框图。
图 9A-9C 是图解许多分布式占用估计系统的框图。
具体实施方式
本申请公开了一种与由 Robert Tomastik 于 2007 年 9 月 19 日提交的、 被指定 PCT 序列号 US07/20291 且题为 “System and Method forOccupancy Estimation” 的申请有关 的系统和方法。该申请公开了一种用于基于占用者交通模型估计占用的系统和方法。在一 个示例性实施例中， 仅基于占用者交通模型来估计占用。 在另一个示例性实施例中， 基于由 占用者交通模型生成的占用预测来估计占用， 基于所接收的传感器数据校正所述占用。本 申请对先前申请的范围进行了扩展， 公开了实施占用者估计的另外的实施例和方法。
占用者交通模型试图预测占用者将如何在整个区域中移动。在一个实施例中， 占 用者交通模型是单阶段 (single-phase) 占用者交通模型， 该单阶段占用者交通模型基于 占用者如何可以从一个区域流动到另一个区域的模型来预测占用者的移动。在另一个实 施例中， 占用者交通模型是基于动力运动 (kinetic motion， KM) 的模型， 该基于动力运动 (KM) 的模型使用两阶段法来建模占用者如何在相邻区域之间移动。具体而言， 该两阶段法 考虑交通阻塞如何影响占用者经过区域的移动。
在这两种情况下， 占用者交通模型是基于在整个区或区域中占用者的历史或预期交通模式并且可以考虑诸如区域或建筑物的布局之类的因素。例如， 建筑物布局可以包括 描述出口、 过道、 办公室的位置以及相关过道和办公室的占用限制的信息。另外， 占用者交 通模型可以是描述区域内占用者的预测移动或交通模式的数学模型、 统计模型或者计算机 模拟。
在示例性实施例中， 由占用者交通模型生成的估计与传感器数据结合采用以生成 占用估计。传感器数据可以由各种不同类型的传感器装置提供， 每个传感器装置提供不同 类型的传感器输出， 所述传感器输出被分析以检测在整个区或区域中的占用者移动或位 置。 为此， 本发明公开了一种占用估计器， 该占用估计器把传感器数据和占用者交通模型当 作输入， 并且执行算法以基于所提供的输入来生成对该区或区域的占用估计。基于传感器 数据和占用者交通模型的占用估计提供比仅基于传感器数据或仅基于模型的估计结果更 加准确的占用估计。除了提供对占用和移动与其变化的更加准确的估计的好处以外， 传感 器数据与占用者交通模型的组合允许连续估计建筑物占用， 即使缺乏来自一个或多个传感 器的数据或者暂停传输传感器数据也是如此。 在传感器可能被禁用或毁坏的紧急情形下这 可能尤其有益。
在另一个示例性实施例中， 占用者交通模型在估计占用中作为独立工具 ( 例如没 有传感器数据反馈 ) 进行操作。这个实施例尤其适合于可以预期占用者向所限定的出口移 动的流出操作模式。 图 1A 和 1B 图解了将在整个本描述中用来辅助描述占用估计算法的示例， 其中占 用估计是对建筑物的特定楼层做出的。关于本实施例所描述的概念可以应用于各种场景 或位置 ( 例如， 户外、 火车站、 飞机场等等 )。图 1A 图解了办公楼中的单个楼层的布局。在 这个实施例中， 楼层平面已被划分成五个单独区 ( 标为区 1、 2、 3、 4 和 5)。在另一个实施例 中， 楼层平面基于各个办公室和房间的位置进行进一步的细分 ( 即， 基于地点的细分 )。在 图 1A 和 1B 所图解的区模型中， 在每个出口处以及在每个相邻区 1-5 之间的边界包括用于 检测占用者从一个区到另一个区的移动的传感器 ( 未示出 )。 在其它实施例中， 为改善占用 估计的分辨率、 可靠性和 / 或准确性， 或者如果在边界处的传感器不存在或不在运行， 可以 在每个区中定位附加传感器。
图 1B 是图解图 1A 中定义的五个区的图示。 标为 1、 2、 3、 4 和 5 的大圆表示五个区， 而标为 6、 7、 8、 9 和 10 的较小圆表示建筑物中的出口。连接这些区的线指示存在连接相邻 区的通道或过道。在相邻区之间移动的占用者的数量由变量 yi，j(t) 表示。位于特定区中 的占用者的数量由变量 xi(t) 表示 ( 未示于图 1B 中 )。
术语 ‘区域’ 在整个描述中用来指代区域以及该区域的各个分部。例如， 在图 1A 和 1B 所示的示例性实施例中， 术语 ‘区域’ 总体上指代楼层平面以及指代各个子区域或区 1-5。因此， 生成该区域的占用估计将包括生成每个单独区的占用估计。
另外， 术语 ‘占用估计’ 被用于整个描述中并且通常指代与占用有关的输出。 因此， 对区域的占用估计可以包括这样的数据， 所述数据诸如区域内占用者的数量的平均估计、 与和占用的区域变化相关联的所有可能占用水平相关联的概率、 指示与占用的估计相关联 的置信可靠性的数据 ( 例如， 协方差 )、 以及其它与占用有关的类似有用数据。因此， 在图 1A 和 1B 所示的示例中， 为区域生成的占用估计将包括为区 1-5 每个生成的任一上面列出的 数据。
图 2 是图解被提供到占用估计算法 20 的输入的示例性实施例的高级框图。被提 供到占用估计算法 20 的输入包括传感器数据 z( 由一个或多个传感器装置提供 )、 传感器模 型 h、 以及占用者交通模型 f。占用估计算法 20 基于传感器数据 z、 传感器模型 h、 以及占用 者交通模型 f 导出占用估计 例如， 在图 1A 和 1B 所示的示例性实施例中， 占用估计算法 20 在其它实施例中， 对特定楼层平面中的每个房间做出估 为五个区中的每个生成占用估计尽管在其它示例性实施 计。在示例性实施例中， 传感器数据 z 和占用估计 被表示为向量， 例中可以以其它合适格式提供传感器数据。占用者交通模型 f 是用于预测在整个区域中占 用者的预期交通模式的数学、 计算机模拟或统计模型， 其中这样的模型可以使用该区域中 占用的先前估计。例如， 占用者交通模型 f 可以应用于建筑物的每个区中的占用的先前估 计以生成建筑物的每个区中的占用的预测估计或基于模型的估计。
然后由占用估计算法 20 将通过应用占用者交通模型 f( 例如， 单阶段模型或基于 KM 的模型 ) 而生成的基于模型的占用估计与传感器数据 z( 如果可用的话 ) 进行组合。占 用估计算法 20 将由占用者交通模型 f 提供的基于模型的占用估计与传感器数据 z 进行组 合， 这是通过基于每个输入的预测可靠性给相应输入分配权重实现的。 例如， 如果传感器数 据 z 被确定为是高度可靠的， 则占用估计算法 20 给传感器数据 z 分配较高权重并且对应的 占用估计 在很大程度上基于所提供的传感器数据 z。反之， 如果传感器数据 z 被确定为是 高度不可靠的， 则更多权重被给予由占用者交通模型 f 提供的基于模型的占用估计。
根据基于模型的占用估计、 传感器数据 z 以及与这两个输入相关联的加权， 占用 估计算法 20 为区域生成占用估计 例如， 关于图 1A 和 1B 所示的楼层平面， 为区域生成占 用估计 可以包括为五个区 1-5 的每个生成占用估计。另外， 占用估计 可以包括这样的数 据， 所述数据诸如与五个区的每个区相关联的平均占用估计、 与五个区的每个区的每个可 能占用水平相关联的概率、 与五个区的每个区内或之间的占用者移动有关的数据、 以及与 五个区的每个区的上述估计相关联的可靠性 ( 例如协方差值 )。
另外， 作为部分占用估计 生成的数据可以彼此相互关联。例如， 区域中的占用概 率可以由概率分布函数 (PDF) 描述为概率分布， 该概率分布函数 (PDF) 定义与每个可能状 态或占用水平相关联的可能性。曲线的峰值将表示与该区相关联的最可能占用估计， 但另 外， 曲线的形状 ( 例如， 与曲线相关联的标准差 ) 将提供与占用估计相关联的置信度或可靠 性的指示。在其它实施例中， 占用估计 可以包括与估计相关联的置信区间、 与占用估计相 关联的协方差、 或者其它指示与占用估计 相关联的置信度或可靠性的可靠性计算。
在示例性实施例中， 由占用估计算法 20 生成的占用估计 是实时生成的， 这允许 占用估计用于实时应用 ( 例如， 作为第一响应者的输入 )。在示例性实施例中， 占用估计 可以用于建筑物内的占用的预见性或事后估计。 在又一个示例性实施例中， 占用估计 可以 用来预测不久将来的占用估计。不久将来的占用估计可能在控制应用 ( 诸如基于建筑物内 占用者的预期的不久将来的移动的电梯呼叫 ) 中有用。不久将来的占用估计也可能对第一 响应者有用以提供不仅关于占用者的当前位置而且关于建筑物占用者的可能将来位置的 数据。
在示例性实施例中， 占用估计算法 20 是扩展卡尔曼滤波器 (EKF)， EKF 是用于基于 观测和模型生成系统的状态估计的熟知算法。EKF 的好处是基于所接收的传感器数据 z 和 占用者交通模型 f 实时提供计算的能力。 在示例性实施例中， EKF 采用占用者交通模型 f 以基于当前或目前占用估计来生成预测的或基于模型的占用估计。
EKF 可以利用单阶段占用者交通模型或基于动力运动 (KM) 的占用者交通模型。 在 其它实施例中， 可以采用其它类型的能够组合传感器数据和基于模型的估计的滤波器 ( 例 如， 传统卡尔曼滤波器 )。 将首先讨论单阶段占用者交通模型， 包括占用估计算法 20 如何结 合单阶段占用者交通模型以生成占用估计 关于图 5A-6B 讨论基于 KM 的占用者交通模型。
在示例性实施例中， 扩展卡尔曼滤波器 ( 以单阶段模型或基于 KM 的模型为基础 ) 占用估计的一般方程由以下方程定义 ：
x(t+1) ＝ f(t， x(t))+v(t) 方程 1
其中 x(t) 表示在时间 t 时在区域中 ( 例如图 1A 和 1B 所示的示例中的每个区中 ) 的占用， f( 例如， 单阶段占用者交通模型 ) 是时间 t 和状态 x(t) 的某个非线性函数， 并且 v(t) 是过程噪声， 表示占用者在区域中如何移动的不确定性。非线性函数 f 的结构与区域 相关。因而， 在与建筑物中的占用估计有关的示例中， 函数 f 的精确形式将根据建筑物的布 局 ( 以及别的因素 ) 而改变。另外， 因为 f 的结构描述区域内占用者的预期交通模式， 所以 函数 f 的形式也可能基于区域的 ‘模式’ 而改变。模式定义区域的操作状态。例如， 在火灾 或类似的紧急情况期间， 建筑物将处于流出模式 ( 即疏散模式 )， 其中所有占用者被建模成 向可用的出口移动。其它模式可以专用于时刻 ( 例如， 上午活动的建筑物模式相对下午活 动的建筑物模式 ) 或其它因素。
为了简单起见， 以下示例假设流出模式， 这是通过基于图 1A 和 1B 所图解的楼层平 面的示例进行描述的。因此， 以下方程描述区域 ( 例如， 图 1A 和 1B 所示的楼层平面的区 ) 的单阶段占用者交通模型 f ：
x1(t+1) ＝ x1(t)+y21(t)+y31(t)-y16(t) 方程 2
其中 x1(t+1) 表示在时间 t+1 时在区 1 中的状态 ( 例如， 占用者的数量 )， x1(t) 表 示在时间 t 时在区 1 中的占用者的先前状态， y21(t) 表示在时间 t 时从区 2 移动到区 1 的 占用者的数量， y31(t) 表示在时间 t 时从区 3 移动到区 1 的占用者的数量， 并且 y61(t) 表示 在时间 t 时经由出口 6 从区 1 移动 ( 离开 ) 的占用者的数量。该模型对于未命令占用者向 出口移动的非流出模式而言将有所不同。例如， 占用者的移动将不受限于从区 2 移动到区 1， 而是还将包括从区 1 移动到区 2。占用者交通模型 f 的结构因此部分依赖于建筑物的布 局并且可以在区域之间有所不同。在基于上面示例的示例性实施例中， 有关从区 1 到出口 6 的占用者流的函数被建模为 ：
y16(t) ＝ min[x1(t)， α*C16] 方程 3
其中 C16 表示从区 1 到出口 6 的链路的流量容力并且基于从区 1 到出口 6 的通道 的物理特性进行选择， 并且参数 α 是对特定设计所特有的调整参数。
在基于这个示例的实施例中， 有关从区 2 到区 1 的占用者流的函数被建模为 ：
y21(t) ＝ min[a21x2(t)*β/C2*(C1-x1(t))/C1， C21] 方程 4
其中 a21 是区 2 中的把区 1 中的出口作为最近出口的占用者的百分比， 项 β/C2 表 示占用者移动穿过区 2 的延迟， C2 是区 2 的最大占用 ( 即， C2 与对应于区 2 的面积成比例 )， 项 (C1-x1(t))/C1 表示减慢占用者移动到该区内的区 1 中的拥塞， C21 是是从区 2 到 1 的链 路容量， 并且最后 β 是调整参数。区 3 和区 1 之间的流动将以用于建模区 2 和区 1 之间的 流动的相同方式进行建模。以此方式， 单阶段占用者交通模型 f 基于关于每个区中的占用的当前信息来做出关于特定区中的占用的预测。在其它实施例中， 可以采用附加建模参数 来建模通过区域的移动的另外方面。
用来计算基于模型的占用估计的方程 ( 即方程 1) 的第二分量是由项 v(t) 表示 的过程噪声。过程噪声项 v(t) 计及占用者如何在各区之间移动的不确定性。用于建模 过程噪声 v(t) 的直接简单办法是假设方程 1 中的过程噪声 v(t) 是零平均值的高斯型 (Gaussian)， 其方差与状态 x(t) 成比例且在各区之间独立。在采用扩展卡尔曼滤波器的实 施例中， 过程噪声的协方差矩阵被设定为等于具有与当前估计的状态方差对应的元素的对 角矩阵。
在示例性实施例中， 占用估计算法 ( 例如， 扩展卡尔曼滤波器 ) 还利用由以下方程 描述的传感器模型 h ：
z(t) ＝ h(t， x(t))+w(t) 方程 5
其中输出向量 z(t) 表示在时间 t 时五个区的每个区中的占用测量， 函数 h 是传感 器模型并且是时间和占用估计 x(t) 的函数， 并且 w(t) 是传感器噪声。例如， 在图 1A 和 1B 所示的实施例中， 传感器装置被定位在相邻区之间的每个边界上以及在每个出口处。在示 例性实施例中， 针对图 1A 和 1B 所示的示例所得到的传感器模型 ( 与区 1 有关 ) 被表达为 ： z1(t) ＝ z1(t-1)+φ21(t)+φ31(t)-φ16(t) 方程 6
其中 z1(t-1) 表示区 1 中的占用者的 ( 基于传感器输入的 ) 先前测量， 表示 指示从区 2 到区 1 的占用者移动的传感器输出， 表示指示从区 3 到区 1 的占用者移动 的传感器输出， 并且 表示指示从区 1 到出口 6 的占用者移动的传感器输出。由传感器 装置提供的传感器读数可能是错误的， 并且方程 6 中定义的 z1(t) 因此可能基于传感器读 数的误差而随时间累积误差。 然而， 在采用扩展卡尔曼滤波器的实施例中， 传感器噪声 w(t) 被建模为零平均值的白噪声， 其中方差等于仅传感器估计器 ( 即， 如果占用估计仅基于传 感器输入而没有基于占用者交通模型 ) 的估计方差。在示例性实施例中， 通过对由传感器 装置提供的输出 ( 例如， ) 应用传感器模型 h 来分析传感器数据 z(t)。在另一个示例 性实施例中， 对传感器数据 z(t) 执行预处理以使得被提供到占用估计算法 20 的传感器数 据反映基于所接收的传感器数据的区占用估计 ( 如关于图 3A 和 3B 更详细描述的 )。
图 3A 和 3B 是流程图， 每个图解了占用估计算法 20 如何操作以组合传感器数据 z(t)、 传感器模型 h 和占用者交通模型 f(t) 来生成占用估计的示例性实施例。这两个实施 例采用扩展卡尔曼滤波器， 其中基于模型的估计或状态预测用传感器数据进行校正以提供 利用占用者交通模型和传感器数据两者的输出 ( 被称为状态估计 )。 图 3A 所示的实施例和 图 3B 所示的实施例之间的主要差别在于对状态变量的处理。在图 3A 中， 仅占用估计 ( 即特定区域中人数估计 ) 被视为状态变量。结果， 仅占用估计 用传感器数据进行校
正。在图 3B 所示的实施例中， 占用估计和相邻区域之间的占用者流两者被包括作为状态变量， 意味着两者都由可用的传感器数据 z(t) 校正。另外， 图 3B 所示的实施例描 述了如何还可以把约束并入状态估计的计算中 ( 而不管是否占用和流两者被定义为状态 变量 )。
关于图 3A， 流程图的左侧图解了为更新占用的状态估计 而采用的算法步骤， 而图 3A 的右侧图解了为生成协方差估计 P(t|t) 而采用的算法。 协方差估计 P(t|t) 是与占 用估计 相关联的不确定性的度量。在图 3A 所示的示例性实施例中， 传感器数据 z(t)与占用估计
都为向量， 尽管在其它示例性实施例中一者或两者可以是标量。在这个实施例中， 计算或更新占用估计 始于 ( 由扩展卡尔曼滤波器算 法或由某种初始化程序在先前迭代中生成的 ) 当前占用估计 如在步骤 30 所示。占 用估计 的符号表示这是基于来自时间 t 的观测 ( 即， 模型输出和传感器更新两者的组 也就是说， 基于当前状态估计和占用 合 ) 的、 对于时间 t 的占用估计。在步骤 32， 占用者交通模型 f(t) 被应用于当前占用估计 以生成占用预测或基于模型的占用估计 者交通模型 f(t) 来预测下一状态的占用。符号 表示这是基于在时间 t 做出的观测 的、 对于时间 t+1 的状态预测 ( 即， 该更新不是基于最近观测的事件 )。在步骤 34， 传感器 模型 h 被应用于基于模型的占用估计 示以基于模型的占用预测 以生成测量预测 测量预测 表 为基础的预期传感器测量。 例如， 如果基于模型的占用预 测 预测占用者添加到区 1( 在这种情况下是从区 2)， 则测量预测 z21(t+1|t) 将指示 一个占用者被检测到从区 2 进入区 1 的预测传感器测量或观测。
在步骤 36， 测量预测 与实际传感器数据 z(t+1) 进行比较以生成由修正 (innovation) 变量 u(t+1) 表示的差信号。在这个实施例中， 传感器数据 z(t+1) 已被预处 理以提供表示在区之间移动的所检测到的占用者的值。在其它实施例中， 传感器模型 h 或 某个其它函数将需要被应用于输入的传感器数据以便解释该数据以使得 z(t+1) 表示所检 之间的比较， 确定 测到的区之间占用者移动。基于传感器数据 z(t+1) 和测量预测 修正 u(t+1)。在示例性实施例中， 修正 u(t+1) 指示 ( 在步骤 34 计算的 ) 预期传感器输 出和实际观测的传感器输出之间的差。例如， 使用上面描述的示例， 基于模型的占用估计 x1(t+1|t) 预测一个占用者从区 2 进入区 1， 导致 z21(t+1|t) 的对应测量预测等于一。如果 传感器数据 z21(t+1) 改为等于零， 则修正 u21(t+1) 将指示预测值和实际传感器值之间的差 或误差 ( 在这种情况下误差为一 )。
在步骤 38， 基于占用预测 修正 u(t+1) 以及关于协方差计算更详细讨 论的加权系数 W(t+1)， 更新占用估计 如由这个方程所指示的， 所更新的占用估计 是以基于模型的占用估计 和观测的传感器数据 z(t+1) 为基础的， 所述 占用估计 是基于占用者交通模型 f(t) 生成的。更新的状态估计 变成下 一迭代中的当前状态估计 作为占用者交通模型 f(t) 和传感器数据 z(t+1) 两者的结 果生成状态估计的好处是即使缺乏传感器数据但还生成指示占用的状态估计的能力。 在这 种情况下， 预测测量 和传感器数据 z(t+1) 之间的误差将增大， 但是仍可以基于部 分传感器数据 z(t+1) 和占用者交通模型 f(t) 或者如果没有传感器数据可用的话全部基于 占用者交通模型 f(t)， 来生成占用估计
在图 3A 所示的实施例中， 协方差估计 P(t|t) 连同状态估计 一起被生成为输 出。状态估计 指示占用的最佳猜测或估计， 而协方差指示与占用估计相关联的置信水 平。状态估计 和协方差 P(t|t) 一起定义可以用来描述状态估计和与该估计相关联的 置信度的概率分布函数 (PDF)。 如上面所讨论的， 术语占用估计广义上不仅指代关于区域中 的实际占用者数量的估计而且指代诸如与占用者估计 ( 例如， ) 的实际数量结合计算的协方差估计 P(t|t) 的数据。
计算或更新协方差估计 P(t+1|t+1) 始于当前协方差估计 P(t|t)， 如在步骤 40 所 示。在步骤 42， 基于先前的占用估计来评价占用者交通模型 f(t) 以生成表示为 F(t) 的雅可比矩阵。在步骤 44， 雅可比矩阵 F(t)、 初始协方差估计 P(t|t) 和与占用者交通模型相关 联的不确定性值 Q(t) 用来生成预测协方差 P(t+1|t)。在步骤 45， 基于先前估计来评价传 感器模型 h(t) 以生成表示为 H(t) 的雅可比矩阵。在步骤 46， 雅可比评价 H(t) 和与传感 器模型相关联的不确定性 R(t) 被应用于预测协方差 P(t+1|t) 以生成修正协方差 S(t+1)。 在步骤 48， 修正协方差的逆 S(t+1)-1 用来生成加权参数 W(t+1)， 该加权参数 W(t+1) 表示在 步骤 38 被应用于传感器数据的加权。
如通过协方差计算所示的加权参数 W(t+1)， 基于传感器模型和占用者交通模型对 待应用于传感器数据的置信水平进行加权， 以使得更新的状态估计 反映哪个输 入是最可靠的确定。也就是说， 如果与传感器数据 z(t) 相关联的置信水平高 ( 或者基于 模型的占用估计 中的置信度低 )， 则在步骤 38 应用于修正 u(t+1) 的滤波器增益值 W(t+1) 导致对传感器数据 z(t) 比对由占用者交通模型 f(t) 生成的占用预测 的结 果提供更大权重的占用估计。同样， 如果滤波器增益值 W(t+1) 指示与传感器数据 z(t+1) 相关联的低置信度 ( 或者基于模型的占用估计中的置信度高 )， 则所更新的状态估计将更 多地受基于模型的占用估计 受对状态估计
的结果影响而更少地受相关传感器数据 z(t) 影响。 例如， 在传感器被烟或火损坏的情形下， 则降低其输出的相关置信度以使得占用估计更多地 应用占用者交通模型 f(t) 的结果影响。 传感器数据 z(t) 的加权还可以计及与用于提供传感器数据 z(t) 的传感器装置类 型相关联的可靠性。一些传感器比其他传感器固有地更加可靠， 而其他传感器可能在一些 情况下是可靠的而在其他情况下是不可靠的。类似于占用者交通模型 f 计及建筑物的布局 所用的方式， 传感器模型 h 可以用来计及传感器装置类型的变化。例如， 运动检测传感器装 置可以用来检测房间是否被占用， 但是不提供关于房间中的占用者数量的信息 ( 即， 二进 制输出 )。在这种情形下， 来自运动检测传感器的指示房间未被占用的数据 ( 即， 特定房间 的传感器数据 z 房间 (t+1) ＝ 0) 可以被认为是高度可靠的。然而， 来自运动检测传感器的指 示房间被占用的数据 ( 即， 特定房间的传感器数据 z 房间 (t+1) ＝ 1) 可以被认为是不大可靠 的， 因为该数据未计及另外的占用者可能存在于该房间中的可能性。 在一个实施例中， 传感 器模型 h 计及传感器类型， 并且基于房间的大小 ( 或者某个其他变量 ) 分配位于房间中的 预期占用者数量。另外， 与特定传感器装置提供的数据相关联的可靠性可以基于传感器装 置的类型以及从传感器装置接收的输入进行选择性的修改。
在步骤 50， 基于滤波器增益值 W(t+1)、 修正协方差 S(t+1) 和预测协方差 P(t+1|t) 来更新状态协方差 P(t|t) 以生成更新的协方差值 P(t+1|t+1)。这个值反映了占用估计值 中的置信水平。
在图 3A 所示的实施例中， 占用估计算法 20 组合传感器数据 z(t) 和基于模型的占 用估计 所述基于模型的占用估计 是基于先前占用估计和占用者交通模型 f(t) 生成的。具体而言， 这种方法对传感器数据 z(t) 和占用者交通模型 f(t) 两者应用扩 展卡尔曼滤波器技术以生成把这些输入的可靠性考虑在内的占用估计 该结果 是高度可靠的占用估计 以及提供对所提供占用估计的相关可靠性的指示的协 方差估计 P(t+1|t+1)。
图 3B 是图解如何用扩展卡尔曼滤波器实施 ( 如图 2 所示的 ) 占用估计算法 20 的 另一个示例性实施例的流程图， 该扩展卡尔曼滤波器组合传感器数据 z(t)、 传感器模型 h和占用者交通模型 f(t) 来生成占用估计。如上面所讨论的， 术语占用估计被广义地用来描 述占用估计器滤波器 20 的输出， 该输出在这个示例性实施例中包括平均估计 ( 在图 3B 的 左侧进行计算且被称为状态变量 ) 和与每个平均估计相关联的协方差 ( 在图 3B 的右 作为状态变量的 表 和流估计 二者作为状态变量。项 侧计算的协方差且被称为 P(t|t))。与图 3A 所示的仅采用占用估计 实施例相比， 这个实施例包括占用估计 示这两个估计都是状态变量， 每个被提供为占用估计算法 20 的输出。
方程 7 项 将通常被称为状态估计， 但是如方程 7 所示的那样包括反映在时间 t 时在 以及反映从一个区域流动到另一个区域的人数的占用 描述在给定的时间步长从区 2 移动到区域 1 例如， 如图 1B 所图解的，区域中的人数估计的占用估计 者流估计的占用者的数量。这与图 3A 所示的实施例形成对比， 在图 3A 所示的实施例中在相邻区域 之间移动的占用者的数量由占用者交通模型 f(t) 来建模， 但未被作为状态变量包括进来。
关于图 3B， 流程图的左侧再次图解了为更新状态估计 而采用的算法步骤， 而 图 3B 的右侧图解了为生成协方差估计 P(t|t) 而采用的算法。再次， 协方差估计为包括占 用者估计 状态估计 和流估计 两者的每个状态变量生成协方差值。 协方差估计 P(t|t) 是与 两 相关联的不确定性的度量。再次， 可以基于每个状态估计和对应的协方差来生成概率分布函数。在图 3B 所示的示例性实施例中， 传感器数据 z(t) 与状态估计者都为向量 ( 尽管为简单起见它们没有被如此描绘 )， 尽管在示例性实施例中一者或两者 可以是标量。
一般而言， 图 3B 所示的扩展卡尔曼滤波器以与图 3A 所示的扩展卡尔曼滤波器相 同的方式进行操作。 在步骤 62， 占用者交通模型 f(t) 基于 ( 在先前迭代中由扩展卡尔曼滤 波器算法或由某种初始化程序所生成的 ) 先前状态估计 次， 状态估计 模型输出和传感器更新两者的组合 )。符号
来生成状态预测再的符号表示这是基于来自时间 t 的观测的、 对于时间 t 的状态估计 ( 即， 表示这是基于在时间 t 时做出的观测 以生成测量预测的、 对于时间 t+1 的状态预测 ( 即， 该更新不是基于最近观测的传感器数据 )。 在步骤 64， 传感器模型 h 被应用于基于模型的状态估计 测量预测 表示以基于模型的状态预测 为基础的预期传感器测量。 这应用于预期在特定区域内检测的占用者数量以及预期被检测到从一个区流动到另一个 区的占用者数量。例如， 如果基于模型的流估计预测 预测一个占用者从区 2 流动 到区 1， 则测量预测 z21(t+1|t) 将指示一个占用者被检测到从区 2 进入区 1 的预测传感器 测量或观测。
在步骤 66， 测量预测 与实际传感器数据 z(t+1) 进行比较以生成由修正变 量 u(t+1) 表示的差信号。 再次， 修正 u(t+1) 指示 ( 在步骤 64 计算的 ) 预期传感器输出和实 际观测的传感器输出之间的差。例如， 使用上面描述的示例， 基于模型的流估计 预测一个占用者从区 2 进入区 1， 导致 z21(t+1|t) 对应测量预测等于一。如果传感器数据 z21(t+1) 改为等于零， 则修正 u21(t+1) 将指示预测值和实际传感器值之间的差或误差 ( 在 这种情况下误差为一 )。在步骤 68， 基于状态预测修正 u(t+1)、 关于协方差计算更详细讨论的 这个步骤的形式类似于图加权系数 W(t+1)、 以及一个或多个约束， 来更新状态估计3A 所图解的步骤 38， 除了这个步骤图解了如何采用一个或多个约束来把更新的状态估计 投影到允许的或可行的范围。这个步骤也可以被用于图 3A 所示的实施例中， 但在 此示出以图解这两个实施例之间的差别。
一般而言， EKF 未被设计成考虑这样的约束， 诸如非负占用估计、 占用的上限、 以及 与相邻区域之间的占用者流相关联的有限速率。可以通过为每个状态变量 ( 例如， 凸区域 ( 标为
或者) 定义该状态变量到凸区域上的投影来考虑这样的 ‘硬’ 约束， 已知状态过程演变到该 )， 如以下方程所示。 方程 8具体而言， 这是 以加权欧几里得 (Euclidean) 范数表示的到 的投影， 其中加权 矩阵由协方差矩阵 P(t|t) 的逆指定。
更新的状态估计然后由以下方程定义。
方程 9如所示， 方程 8 的形式类似于图 3A 的步骤 38 中图解的方程， 除了方程 8 把状态变 量投影到由 定义的可行范围。对于关于状态变量到允许的或可行范围内的投影的附加细 节， 参见 “T.-L.Chia， ParameterIdentification and State Estimation of Constrained Systems， 博士论文， Case WesternReserve University， Cleveland， OH 1985” 。 在诸如图 3A 所示的实施例的示例性实施例中， 所更新的状态估计 变成 然而， 在图 3 所示的实施例中， 在步骤 69， 基于一个或多 例如， 在这个步骤所采用的约束可以包括
下一迭代中的当前状态估计个约束进一步处理所更新的状态估计被建模为物理上能够占用特定房间的占用者数量或者在特定时间步长中能够在相邻房间 或区域之间流动的占用者数量。例如， 被建模为存在于特定房间中的占用者数量不应当小 于零， 但必须小于 ( 基于房间大小而定义的 ) 某个大的数。基于这些约束中的一个或多个， 在步骤 68 生成的状态估计被投影到可能结果的范围内。在这个实施例中， 所投影的状态估 计
将变成当前状态估计 在这个实施例中， 扩展卡尔曼滤波器算法对位于每个区域中的占用者数量 进行建模并且用传感器数据校正每个预测。 一起被生成为输出并且指示与状态估计相 和流以及在每个区域之间流动的占用者数量
这种系统的好处是即使缺乏传感器数据也可生成估计的能力。 协方差估计 P(t|t) 连同状态估计 ) 有关的项。 关联的置信水平。因此协方差估计 P(t|t) 将包括与这两个状态变量 ( 占用估计 量估计
计算或更新协方差估计 P(t+1|t+1) 始于当前协方差估计 P(t|t)， 如在步骤 70 所 示。在步骤 72， 基于先前的占用估计来评价占用者交通模型 f(t) 以生成表示为 F(t) 的雅 可比矩阵。在步骤 74， 雅可比矩阵 F(t)、 初始协方差估计 P(t|t) 和与占用者交通模型相关 联的不确定性值 Q(t) 用来生成预测协方差 P(t+1|t)。
在这个实施例， 预测协方差 P(t+1|t) 具有涉及每个区域的占用估计和每个区域之间的占用者流估计的项。如上所述， 区域之间 ( 在这个示例中， 区 2 和区 1 之间 ) 的占用者流由以下方程描述。
y21(t) ＝ min[a21x2(t)*β/C2*(C1-x1(t))/C1， C21] 方程 10
如所示， 项 min[a， b] 的功能是选择所计算的两个项中的最小值 ( 即， 项 ‘a’ 和项 ‘b’ 之间的最小值 )。第一项 a21x2(t)*β/C2*(C1-x1(t))/C1 表示基于诸如下列因素在区域 之间的预期占用者流 ： 从区 2 移动到区 1 的占用者的预期百分比 (a21)， 区 2 中的占用者数 量 (x2(t))， 以及可能影响占用者从区 2 到区 1 的流动的、 区 1 中的占用者阻塞。项 C21 是流 约束值， 该流约束值在这个方程中设置在给定的时间步长中可以从区 2 流到区 1 的占用者 数量的最大值。因而， 如果方程 8 的左边项超过流约束值 C21， 则方程 8 把预期的流估计 y21 限制为等于流约束值 C21。
在图 3A 所示的实施例中， 占用者流未被视为状态变量， 因此在计算与占用估计相关联的协方差时没有机会利用流约束。在图 3B 所示的实施例中， 占用者流被视为状态 变量， 这允许在方程 4 中引入的 ( 且在方程 10 中再现的 ) 流约束项用来改善协方差计算 ( 即， 减小与状态估计 相关联的不确定性 )。在图 3B 中图解的流程图的步骤 76， 预测 的协方差 P(t+1|t) 被修改以考虑流约束值。
图 4A 和 4B 图解了如何可以基于流约束值来修改概率分布函数 (PDF)， 该 PDF 是 基于状态变量的预测平均估计和与状态变量相关联的协方差来生成的。图 4A 图解在没有 考虑流约束的情况下与估计占用者流 y21 相关联的 PDF( 由线 88 图解 )。因此， 未经修改的 PDF 允许许多占用者在任何给定时间从一个区移动到另一个区的可能性具有不同的概率。 图 4B 图解与估计占用者流 y21 相关联的 PDF( 由线 90 图解 )， 其中采用流约束来修改与在 所定义的流约束阈值之上存在的流估计相关联的概率。因而， 在流约束阈值之上存在的所 有概率被合并到表示流约束阈值 ( 例如 C21) 的值上。例如， 如果流约束阈值 C21 等于三个占 用者， 则与在这些区之间流动的三个以上占用者相关联所有概率被移除并且合并到该阈值 上。结果， 与流约束阈值 ( 例如 C21) 相关联的概率被分配为等于在阈值之上存在的概率之 和的概率。这具有减小与流估计相关联的不确定性的效果， 并因此改善与占用流估计 相关联的协方差 P(t|t)。
在步骤 80， 基于先前估计来评价传感器模型 h(t) 以生成表示为 H(t) 的雅可比矩 阵。在步骤 82， 雅可比评价 H(t) 和与传感器模型相关联的不确定性 R(t) 被应用于修改的 预测协方差 P 修改 (t+1|t) 以生成修正协方差 S(t+1)。在步骤 84， 修正协方差的逆 S(t+1)-1 用来生成加权参数 W(t+1)， 该加权参数 W(t+1) 表示在步骤 68 被应用于传感器数据的加权。
通过协方差计算所示的加权参数 W(t+1) 基于传感器模型和占用者交通模型对待 应用于传感器数据的置信水平进行加权， 以使得更新的状态估计 型的状态估计 反映哪个输入 是最可靠的确定。也就是说， 如果与传感器数据 z(t) 相关联的置信水平高 ( 或者基于模 中的置信度低 )， 则在步骤 68 应用于修正 u(t+1) 的滤波器增益值 的结 W(t+1) 导致对传感器数据 z(t) 比对由占用者交通模型 f(t) 生成的状态预测果提供更大权重的更新状态估计 (t+1|t+1)。同样， 如果滤波器增益值 W(t+1) 指示与传感 器数据 z(t+1) 相关联的低置信度 ( 或者基于模型的占用估计中的置信高 )， 则所更新的状 态估计 (t+1|t) 将更多地受基于模型的状态估计 使得占用估计更多地受对先前状态估计 的结果影响而更少地受相关传感 器数据 z(t) 影响。例如， 在传感器被烟或火损坏的情形下， 则降低其输出的相关置信度以 应用占用者交通模型 f(t) 的结果影响。如关于图 3A 所讨论的， 传感器数据 z(t) 的加权还可以考虑与用于提供传感器数 据 z(t) 的传感器装置类型相关联的可靠性。这包括基于运动检测传感器提供的输入 ( 即 占用或未占用 ) 来解释由运动检测传感器提供的数据所用的方法。如上面所讨论的， 运动 传感器提供的数据的相关性取决于运动传感器提供的数据的状态。 指示房间未被占用的数 据 ( 即， 特定房间的传感器数据 z 房间 (t+1) ＝ 0) 可以被认为是高度可靠的。然而， 来自运 动检测传感器的指示房间被占用的数据 ( 即， 特定房间的传感器数据 z 房间 (t+1) ＝ 1) 可以 被认为是不大可靠的， 因为该数据未计及附加占用者可能存在于该房间中的可能性。 因而， 在运动传感器检测到房间被占用的情形下， 占用估计算法 20 将把传感器提供的数据解释 为高度有噪的， 并因而不可靠。 在运动传感器检测到房间未被占用的情形下， 占用估计算法 20 把数据建模为高度可靠的。
在步骤 86， 基于滤波器增益值 W(t+1)、 修正协方差 S(t+1) 和修改的预测协方差 P 修改 (t+1|t) 来更新状态协方差 P(t|t) 以生成更新的协方差值 P(t+1|t+1)。这个值反映了 占用估计值
中的置信水平。 和流估计 ( 在图 3B 中被统称为 ) 以生成与状态变量因而， 图 3B 所示的实施例图解了占用估计算法 20 组合传感器数据 z(t) 和基于模型的占用估计相关联的协方差和平均估计的方式。另外， 这个实施例描述了与相邻区之间的占用者流相 关联的约束如何可以用来改善与占用者流估计 相关联的协方差估计 ( 即， 减小与 估计相关联的不确定性 )。图 3B 还描述了约束 ( 包括但不限于流约束 ) 如何可以用来把状 态估计 ( 涉及占用、 流， 或涉及两者 ) 投影到允许的状态。关于图 3B 所描述的若干改善可 以根据应用而被单独地或者彼此结合地采用。
图 3A 和图 3B 图解了其中占用估计 ( 以及占用者流估计 ) 基于单阶段占用模型来 生成并且由扩展卡尔曼滤波器校正的示例性实施例。 对单阶段占用模型的可选方案是关于 图 5A-7B 描述的基于动力运动 (KM) 的模型。基于 KM 的模型预测占用者的预期移动， 但是 与单阶段占用模式不同， 其提供不同的办法来建模区域之间的阻塞。采用基于 KM 的模型的 好处之一是在房间级建模占用者移动的能力， 因为基于 KM 的模型更好地计及阻塞将如何 影响单独地点之间的占用者流。
图 5A 是建筑物的一部分的示意图， 而图 5B 是图形上图解如何解释图 5A 所示的示 意图以由基于 KM 的模型分析的图示。
图 5A 所示的楼层平面包括房间 100、 101、 102、 104、 106、 108 和 110、 门 112、 114、 116、 118、 120 和 122、 以及出口 124。 为了在房间或地点级建模占用者的移动， 在确定相邻房 间之间的占用者流中的关键因素是房间的几何结构以及连接相邻房间的门的宽度。 房间的 几何结构以及特别是入口和出口之间的距离用来建模占用者横越区段要花费的时间。 还采 用门的宽度来建模占用者可能离开区段的速率。
图 5B 图解了图 5A 所示的楼层平面如何可以被建模为许多区段的示例性实施例。 图 5B 包括所建模的区段 100a’ 、 100b’ ， 101’ 、 102’ 、 104’ 、 106’ 、 108’ 和 110’ 、 所建模的门道 111’ 、 112’ 、 114’ 、 116’ 、 118’ 、 120’ 和 122’ 、 以及所建模的出口 124’ 。在这个实施例中， 所 有房间都被建模为简单的矩形区段。对于那些形状上已经是矩形的房间， 所建模的区段共 享相同的形状和尺寸。对于形状上不是矩形的房间， 该房间可以被建模为两个或更多个矩 形区段的组合。例如， 房间 100 在形状上是非矩形的。这个房间在图 5B 中被建模为区段100a’ 和 100b’ 的组合。所建模的区段 100a’ 和 100b’ 之间的 ‘门道’ 由门道 111’ 建模。 如图 5B 所示， 所建模的门道 111’ 的宽度等于所建模的区段 100a’ 和 100b’ 之间的开口的 长度。 以此方式， 尽管单个房间已被划分成两个， 但是由门道引起的阻塞效应在模型中被门 道的宽度最小化。
以类似的方式建模其余门道， 其中所建模门道的位置和宽度紧密跟踪实际门道的 物理位置和宽度。房间的建模还包括记录门道之间的距离。例如， 在这个实施例中， 该模型 将记录门道 114’ 和出口之间的距离， 以允许该模型考虑到占用者横越房间 102’ 将花费的 时间。
图 6A 和 6B 是图解基于 KM 的模型如何预测特定区域内占用者的移动的图示。用 于描述占用者在这个区域内的移动的相同分析将被应用于每个房间以预测所建模建筑物 的每个房间中的总体占用水平以及占用者的移动。 图 6A 和 6B 两者图解了特定区段 130， 该 特定区段 130 包括三个入口 132、 134 和 136 以及出口 138。区段 130 的几何结构由长度 d0 和宽度 L 定义。每个入口 132、 134 和 136 分别由宽度 w1、 w2 和 w3 定义， 而出口 138 由宽度 w0 定义。每个入口 (132、 134 和 136) 和出口 138 之间的距离分别由距离 d1、 d2 和 d3 定义。
图 6A 图解了处于未阻塞状态的区段 130， 而图 6B 图解了处于部分阻塞状态的区 段 130。 图 6B 所示的阻塞状态被表征为队列， 其中接近阻塞状态的占用者被添加到该队列。 当占用者被添加到该队列时， 队列的长度被增加， 如由以下方程所定义。
方程 11项 A 表示单个占用者平均所占用的面积。 项 q 定义当前在该队列内的人数， 而(如 上面所定义的 ) 项 L 与区段 130 的宽度对应。因而， 当把人添加到队列时， 队列长度 dq 或 阻塞区被进一步延伸到区段 130 内。相反， 当占用者经由出口 138 离开时， 长度 dq 的长度 将下降。
区段 130 进一步被细分成如由围绕出口 138 的多个圆线所指示的多个基本单元。 由于区段 130 的长度， 基本单元也可以被定义为横跨区段宽度 L 的矩形。位于每个基本单 元中的占用者数量被表示为 n1、 n 2、 n3...nm， 其中存在 m 个基本单元。位于区段 130 的未阻 塞部分中的占用者数量被表示为位于每个单元中的占用者之和。
方程 12项 τq 表示未被建模为队列部分的第一基本单元。因而， 方程 12 定义区段 130 的 未阻塞部分中的占用者数量。位于区段中的总占用者数量 因此可以被表示为队列中的 总占用者数量 ( 被定义为 q) 与位于未阻塞部分中的占用者数量 ntot 之和。
方程 13占用者从入口行进到出口所花费的时间由以下方程定义，
τi ＝ di/V0 方程 14
其中 di 是从特定入口到出口的距离， 而 V0 是预期占用者行进的速度。定义每个基 本单元的宽度以使得占用者可以被建模为在每个时间步长更靠近出口地前进一个基本单 元， 其中假设占用者正在移动经过未阻塞的区域。因此， 如图 6A 所示， 如果占用者通过入口 则在下一时间步长占用者将被建模为已经进入到基 132 进入并因此与基本单元 n3 相关联，本单元 n2。在下一时间步长中， 占用者将被建模为已经进入到基本单元 n1。因此可以预期 占用者大约在通过入口 132 进入区段 130 后的三个时间步长到达出口 138。
因而， 在每个基本单元中的占用者数量可以由以下方程建模。
方程 15在时间 k+1 时位于特定单元 i 中的占用者数量等于在先前时间步长 k 中位于相邻 单元中的占用者数量与被建模为通过进入区段 130 的入口而进入单元 i 的占用者数量之 和。因此方程 15 建模在区段 130 的未阻塞区域内的占用者的移动。
队列由以下方程维持。
方程 16在时间 k+1’ 时在队列中的占用者数量等于在先前时间步长 k 时在队列中的占用 者数量与处于位于队列末端的基本单元中的占用者数量 之和、 减去经由出口 138 离开队 列的占用者数量。 在到达队列后， 占用者不再被建模为在每个时间步长移动经过基本单元。 相反， 阻塞区被建模为队列， 其中 ( 如方程 11 中定义的 ) 队列的长度仅基于队列中的占用 者数量， 并且队列中的占用者数量是基于进入队列和离开队列的占用者数量来建模的。 方程 11-16 定义占用者经过区段的移动。具体而言， 这些方程区分阻塞区域和未 阻塞区域。如下面更详细讨论的， 这种区分确定占用者如何被建模为流入和流出该区段。
在示例性实施例中， 基于 KM 的模型作为不要求基于传感器数据校正占用估计的 独立工具进行操作。例如， 采用基于 KM 的模型而不利用传感器数据可能在诸如可以预期占 用者朝出口移动的流出建模之类的应用中尤其实用。在这个实施例中， 占用估计将仅基于 上面关于基于 KM 的模型所描述的方程。( 例如， 在表示流出操作模式的火警发出后 ) 基于 KM 的模型将被应用到的初始状态 ( 例如初始占用估计 ) 可以基于关于占用者位置的统计占 用数据、 模拟占用数据或存储数据进行建模。 例如， 统计数据可以包括基于描述占用者的可 能位置的简单分布 ( 例如， 高斯分布 ) 的分配来定义初始占用者位置。模拟占用数据可以 是基于关于占用者的可能位置的历史或观测数据 ( 例如， 教室可以被建模为根据时刻包含 特定数量的占用者 )。 另外， 任何其它存储数据 ( 诸如关于预定会议时间的知识 ) 可以用来 初始化该初始占用状态。然后采用基于 KM 的滤波器来生成占用估计， 所述占用估计考虑到 操作期间建模的阻塞来对占用者移动进行建模。
在另一个示例性实施例中， 基于 KM 的模型与传感器数据结合使用以生成校正的 占用估计。如同上面描述的单阶段模型， 基于 KM 的模型的目标是生成关于在给定时间时多 少占用者位于特定区段中的预测。在单阶段模型中， 这是基于先前位于区域中的占用者数 量、 进入该区域的占用者数量和离开区域的占用者数量。 因而， 相关状态变量是特定区域中 的占用者数量以及在一些实施例中在区域之间流动的占用者数量。在基于 KM 的模型中， 存
在若干组织与滤波器 ( 例如， 关于图 3A 和 3B 描述的扩展卡尔曼滤波器 ) 结合使用的模型 的方式。
在一个实施例中， 关于位于每个基本单元中的占用者数量 ( 例如， 参见方程 15)、 队列中的占用者数量 ( 例如， 参见方程 16) 以及相邻房间之间的占用者流来定义状态变量。 这些状态变量将如关于图 3A 和 3B 所描述的那样用传感器数据进行校正以生成状态估计和 相关协方差。在期望生成特定区或区域的估计的实施例中， 关于队列中的占用者数量以及每个基本单元中的占用者数量的状态估计可以如方程 13 中所描述的那样进行组合以生成 关于房间或区域中的总占用者数量的估计。
在另一个示例性实施例中， 关于队列的状态 ( 即， 队列中的占用者数量 )、 每个区 段的未阻塞部分中的总占用者数量以及相邻区域之间的占用者流来定义状态变量。再次， 可以基于这些状态变量导出特定区段或区域中的总占用者数量的估计。
在这两个实施例中， 对占用者流的建模取决于每个区段的状态 ( 即， 阻塞 )。具体 而言， 建模到特定区段中的占用者流部分取决于区段的入口是被建模为阻塞的还是未阻塞 的。区段的入口可以被分类为三个状态之一。在示例性实施例中， 特定区段中的阻塞的影 响以及其对作为区段入口的门的影响由以下标记建模。
方程 17因此， 标记在入口朝向未阻塞区的情况下被设定为 ‘0’ ， 在入口朝向阻塞区的情况 下被设定为 ‘1’ ， 而在特定区段的所有入口朝向阻塞区 ( 即， 该区段被完全阻塞 ) 的情况下 因为所 被设定为 ‘2’ 。例如， 在图 6A 中， 所有入口 132、 134 和 136 将被分配为状态 fi ＝ 0， 有入口朝向未阻塞区域。在图 6B 中， 入口 132 将被分配标记 f1 ＝ 1， 因为队列被识别为延 伸超过入口 132 的位置。入口 134 和 136 将被分配标记 f2、 f3 ＝ 0， 因为每个入口朝向区段 130 的未阻塞部分。在整个区段被识别为阻塞的情形下， 则每个入口被分配标记 fi ＝ 2。与 每个入口相关联的标记确定如何建模到区段中的占用者流， 如以下方程所示。
方程 18对于入口朝向未阻塞或低密度区域的条件 - 如由该入口的标记被设定为零所 指示， 第一行被应用于建模多少占用者流入该区段。项 ‘V0’描述预期占用者移动的速 度并且 wi 建模占用者正尝试经过的入口的宽度。占用者的速度被定义成对所有占用者 是恒定的值。因此， 对于较大的门宽度， 建模为流动经过特定门的占用者数量增大。下
一项表示占用者正企图进入的特定基本单元中的动作者 (agent) 密度如何影响进入的可能性。例如， 在图 6B 中， 如果基本单元 n5 被建模为包含许多占用者， 则当确定占用者如何流动经过入口 134 时， 将考虑该单元内的占用者密度。要进入的 基本单元中的占用者密度越大， 占用者将越不可能被允许经过特定入口进入。下一项 描述如何部分地基于相邻区段中的队列的大小 qi、 以及入口的宽度 wi 和假设的占用者速度 V0 来定义经过特定入口的占用者流。
方程 18 的第二行建模在入口朝向阻塞区的情形下占用者如何流入区段 130。例如， 如图 6B 所示， 将采用这个方程来建模经过入口 132 的占用者流。这个方程的一般形式 几乎等同于方程 16 中所示的方程的第一行， 除了添加项 Pk， 该项 Pk 表示基于空位传播经过 队列的可能性、 占用者能够进入区段的概率。因为阻塞区 ( 即队列 ) 被建模为实体， 所以占 用者试图经过阻塞区进入区段可以被建模为填充空位， 所述空位在占用者离开队列时传播 经过该实体。 这些空位被建模为瞬时行进经过队列， 以使得占用者一离开队列， 空位就传播 以允许来自相邻区段的用户进入阻塞区 ( 即队列 )。项 Pk 由以下方程描述。
其中，方程 19项 x 表示阶跃函数， 该阶跃函数在其要被应用的项小于零时返回 ‘0’ 值而在其要 被应用的项大于零时返回 ‘1’ 值。项 pk 定义通过入口的传播空位将进入 ( 即， 将允许占用 者占据队列中的空位位置 ) 的可能性， 并且与门的宽度相关， 其中较宽的门增大空位进入 的可能性。项 表示空位到达特定入口的可能性。因而， 项 Pk 定义空位被传播到特定入口中的概率， 其中概率指示更靠近出口的入口将更可能捕获传播空位并因 此增大占用者进入区段的机率。关于方程 19 定义的概率与方程 18 结合使用以定义当入口 朝向阻塞或高密度区时占用者如何进入区段。
方程 18 中的第三项表明如果整个区段被建模为阻塞， 则没有占用者将被建模为 进入该区段。
基于上面定义的方程和区段内的占用者的建模， 基于 KM 的模型提供到特定区段 中的占用者流的准确建模。由基于 KM 的模型生成的输出因此将包括被建模为在每个区段 的每个入口和出口之间流动的占用者数量、 以及每个基本单元中的占用者数量或者阻塞区 相对未阻塞区中的占用者数量。尽管基于不同的原理， 基于 KM 的模型和单阶段模型两者都 提供对特定区域中的占用者数量以及区域之间的占用者流进行估计的输出。以此方式， 基 于 KM 的模型可以被用作关于图 3A 和 3B 描述的扩展卡尔曼滤波器的一部分以提供状态预 测。 EKF 然后将使用所接收的传感器数据来校正由单阶段模型或基于 KM 的模型所提供的估 计。
图 7A-7E 图解了将基于 KM 的模型用作 EKF 的输入而运行的流出模拟的结果。该 模拟建模九个视频传感器来检测在图 1A 和 1B 所示的每个区之间以及经过三个出口的每个 移动的占用者。另外， 该模拟把每个房间中的占用初始化为平均等于 1.4 个占用者， 其中整 个模拟持续大约 100 秒。视频照相机在检测在相邻区之间和经过出口移动的占用者方面的 模拟准确性被建模为 98％。另外， 图 1A 和 1B 所示的每个房间 ( 总共 96 个 ) 配有用于以 80％的估计准确性检测房间是被占用还是未被占用的运动传感器。 所模拟的传感器输出被 提供为基于 KM 的估计器的输入。 关于位于每个区中的占用者数量的估计与各区之间模拟的实际占用者移动进行 比较。每个区的结果分别示于图 7A-7E 中。实线表示在不同时间点在每个区中模拟的实际 占用者计数， 而虚线指示通过组合由基于 KM 的模型生成的基于模型的估计与由视频传感 器提供的传感器数据而生成的估计。如所示， 每个区中的估计占用遵循位于每个区中的实 际占用者数量。
另外， 为了量化与本发明的实施例相关联的改进， 运行其中基于不同方法生成估 计的附加模拟。 然后把这些结果与其中与由九个视频传感器和多个运动检测器所提供的传 感器数据和 EKF 结合采用基于 KM 的模型的上述模拟进行比较。在一个模拟中， 仅基于传感 器数据生成估计。在另一个模拟中， 基于来自视频照相机 ( 但没有运动检测器传感器 ) 的 传感器数据和具有基于 KM 的模型的扩展卡尔曼滤波器， 生成估计。这些估计的结果与采用 所有传感器数据 ( 包括运动传感器数据 ) 以及采用基于 KM 的模型的 EKF 的模拟进行比较
在一百次模拟上且对于各种疏散时间进行平均， 为每种方法生成以下结果。
每房间平均误差 仅传感器办法 EKF w/ 视频照相机 ( 没有运动检测 器) EKF w/ 视频照相机和运动检测器两 者
0.35 0.140.09表1
如所示， 采用具有基于 KM 的占用者模型的 EKF 提供比仅传感器办法改进很多的结 果。采用运动传感器 ( 尽管其可靠性有限 ) 的使用进一步减小了每房间平均误差。结果， 扩展卡尔曼滤波器的使用把与仅传感器办法相关联的误差减小了 74％， 其中在扩展卡尔曼 滤波器中将基于 KM 的占用者模型生成的基于模型的估计与包括运动检测传感器的传感器 数据组合。 另外， 尽管运动传感器比其它检测装置更不可靠， 但是在每个房间中使用运动检 测器具有把平均误差进一步减小另外 36％的效果。
本文描述的系统的另一个好处是实时执行计算的能力。本文描述的所有实施例 中， 每五秒或更短提供更新。
图 8 图解用于为区域 ( 例如， 如图 1A 和 1B 所示的建筑物的每个区或者如如图 5A 和 5B 所示的楼层平面的每个房间 ) 提供占用估计的集中系统 152 的示例性实施例。 集中系 统 152 包括计算机或控制器 154、 计算机可读介质 156、 多个传感器装置 158a、 158b、 ...158N 以及显示或控制器装置 160。 传感器装置 158a-158N 被遍及特定区域分布， 并且可以包括各 种不同类型的传感器， 包括视频检测器、 无源红外运动传感器、 访问控制装置、 电梯负荷测 量、 IT 相关技术诸如计算机按键的检测、 以及其他相关传感器装置。另外， 许多占用者携带 有源装置， 诸如有源或无源射频识别 (RFID) 卡、 蜂窝电话或者其他可以被检测以提供传感 器数据的装置。
传感器数据被传送到计算机或控制器 154。根据所采用的传感器的类型以及传感 器是否包括任何处理所捕获数据的能力， 计算机 154 可以提供对所提供的传感器数据的初 始处理。例如， 由视频照相机感测装置捕获的视频数据可能要求某种视频数据分析预处理 以确定视频数据是否示出占用者从一个区横越到另一个区。另外， 由处理器 154 执行的这 种处理可以包括把指示所检测的占用者在各区之间移动的传感器数据存储为阵列或向量以使其能够被作为输入供应到占用估计算法 ( 例如， 扩展卡尔曼滤波器 )。
在图 8 所示的实施例中， 计算机 154 执行处理步骤以生成占用估计。例如， 在示例 性实施例中， 这可以包括执行关于图 3A 和 3B 所描述的功能和操作、 以及与单阶段模型或基 于 KM 的模型相关联的计算。因而， 所公开的发明可以以计算机或控制器实施的处理和用于 实行那些处理的设备的形式来实现。 本发明还可以以包含指令的计算机程序代码的形式来 实现， 所述指令被实现在计算机可读介质 156( 诸如软盘、 CD-ROM、 硬盘驱动器或者任何其 他计算机可读存储介质 ) 中， 其中当计算机程序代码被加载到计算机 154 中并由计算机 154 执行时， 计算机变成用于实行本发明的设备。本发明还可以以例如像数据信号的计算机程 序代码的形式来实现， 无论存储在存储介质 156 中、 加载到计算机或控制器 154 和 / 或由计 算机或控制器 154 执行， 或通过某种传输介质 ( 诸如通过电布线或电缆、 经过光纤或者经由 电磁辐射 ) 进行传输， 其中当计算机程序代码被加载到计算机中并由计算机执行时， 计算 机变成用于实行本发明的设备。当被实施在通用微处理器上时， 计算机程序代码段配置微 处理器以创建特定逻辑电路。
例如， 在图 8 所示的实施例中， 计算机可读存储介质 156 可以存储描述占用者交通 模型 f( 单阶段模型或基于 KM 的模型 )、 传感器模型 h 和占用估计算法 ( 例如， 扩展卡尔曼 滤波器 ) 的程序代码或指令。计算机程序代码被传送到计算机或控制器 154， 该计算机或 控制器 154 执行程序代码以实施关于本发明所描述的处理和功能 ( 例如， 执行关于图 3A 和 3B 所描述的那些功能 )。在示例性实施例中， 控制器 154 在生成占用估计时仅依靠占用者 交通模型 ( 即， 没有利用传感器数据 )。 如图 8 所示， 计算机或控制器 154 生成被提供到显示或控制器装置 160 的占用估 计。 该占用估计可以包括这样的数据， 所述数据包含位于区域中的占用者数量的估计、 与每 个可能占用水平相关联的概率、 占用的变化、 指示与占用估计相关联的可靠性或置信度的 数据、 以及其它与占用有关的有用数据。占用估计可以经由显示装置被简单地显示给一个 或多个用户 ( 例如， 第一响应者 )， 或者可以被提供到基于所接收的占用估计而采取某种动 作的控制器装置。例如， 控制器装置可以是取暖、 通风与空调 (HVAC) 系统、 电梯控制系统、 紧急出口控制器以及其它装置。可以经由任何数量的通信网络 ( 包括电信网络、 无线网络 以及其它熟知的通信系统 ) 来提供数据。
图 9A-9C 图解了用于估计占用的许多分布式系统 162a、 162b 和 162c。这与图 8 所示的集中系统 152 形成对比， 在集中系统 152 中所有传感器数据被提供到单个计算机或 控制器 154， 该单个计算机或控制器 154 然后为整个区域生成占用估计。为了简单起见， 图 172、 173 和 174)， 尽管这些示例中所 9A-9C 所示的示例仅包括四个子区域 ( 标为节点 171、 图解的概念可以被扩展到具有任何数量的子区域的区域或建筑物。
在图 9A 所示的实施例中， 分布式系统 162a 包括位于节点 171 和 173 的传感器装 置， 其中每个传感器装置 ( 或相关硬件 ) 包括处理由相关传感器装置提供的数据以及基于 感测的数据和相关占用者交通模型 ( 例如， 单阶段模型或基于 KM 的模型 ) 及传感器模型应 用占用估计器算法的能力。在示例性实施例中， 占用估计算法用扩展卡尔曼滤波器进行实 施， 所述扩展卡尔曼滤波器基于这些输入生成占用估计和协方差 ( 以及任何其它有用的统 计输出 )。为了本描述， 分布式占用估计系统 162a 包括传感器装置和用于生成占用估计的 部件， 所述部件可以包括用于对传感器数据应用占用估计算法的硬件和软件的组合， 所述
分布式占用估计系统 162a 将通常被称为占用估计器 (OE)。在图 9A 所示的实施例中， 在节 点 171 处观测的传感器数据被提供到占用估计器 OE1， 该 OE1 分别生成与节点 171 和 172 对 应的占用估计 和 在节点 173 处观测的传感器数据被提供到占用估计器 OE2， 和 在图 9A 所示的实施例 该 OE2 分别生成与节点 173 和 174 对应的占用估计
中， 占用估计器 OE1 和占用估计器 OE2 不共享关于相应节点的占用估计的信息。 在图 9B 所示的分布式系统 162b 中， 传感器装置被再次定位在节点 171 和 173 处。 被作为输入提供到占用估 和 部分地基 指示一个或多个占用者 然而在这个实施例中， 由占用估计器 OE3 生成的占用估计 于关于节点 172 的占用的知识的能力。例如， 如果占用估计计器 OE4。分布式系统 160b 的好处是占用估计器 OE4 使占用估计位于节点 172， 则占用估计器 OE4 可以预测在下一时间步长中位于节点 172 的占用者将从节 点 172 移动到节点 173( 再次基于占用者向连接到节点 174 的出口移动的流出操作模式 )， 从而通过并入附加数据改善预测的占用估计。
在图 9C 所示的分布式系统 162c 中， 传感器装置被再次定位在节点 171 和 173 处。 然而在这个实施例中， 由占用估计器 OE5 做出的占用估计 计器 OE6， 并且来自节点 173 的传感器数据和占用估计 彼作为输入提供到占用估 都被作为输入提供到占用估计器 OE5。 这个实施例图解了占用估计和传感器数据都被相关占用估计器共享的分布式应用。 这种系统的好处是占用估计器 OE5 和 OE6 使占用估计基于可用的附加数据的能力， 从而改 善分布式系统 160c 的总体可靠性和性能。 占用估计器之间的占用估计的通信可以经由典型的通信网络 ( 包括电信网络、 局 域网 (LAN) 连接 ) 或者经由无线网络来提供。另外， 在一些实施例中， 通过仅共享相邻节点 / 区之间的占用估计以使得仅那些监视相邻区的占用估计器共享占用估计， 来最小化通信 成本。采用分布式系统来提供占用估计的好处是即使缺乏一个或多个分布式系统， 分布式 系统也可运行的能力。
尽管已参照优选实施例描述了本发明， 但是本领域的技术人员会认识到可以在不 偏离本发明的精神和范围的情况下进行形式和细节上的变化。例如， 尽管包括处理器和存 储器的计算机系统被描述用于实施占用估计算法， 但是可以采用硬件和软件的任何数量的 合适组合来执行由占用估计算法采用的数学函数。另外， 计算机系统可以或可以不用来提 供对所接收的传感器数据的数据处理。在一些实施例中， 传感器数据可以在被作为输入提 供到负责执行占用估计算法的计算机系统之前进行预处理。在其它实施例中， 计算机系统 可以包括合适的数据处理技术以内部地处理所提供的传感器数据。
而且， 在整个说明书和权利要求书中， 术语 ‘一’ 的使用不应当被解释为意指 “仅一 个” ， 而是应当被广义地解释为意指 “一个或多个” 。 在整个公开中使用的顺序编号步骤的使 用不意味着这些步骤必须被执行的次序。术语 “或” 的使用应当被解释为包括性的， 除非另 外指出。