Ambient Intelligence Systeme. Technische Grundlagen und Praxisbeispiele

Contents

1. Einführung

2. Technische Grundlagen von Ambient Intelligence
2.1 Was ist Ambient Intelligence?
2.2 Hardware-Komponenten
2.3 Software & Algorhythmen

3. Praxisbeispiele

4. Zusammenfassung und Ausblick

Bibliografie

Abstract

Dieses Paper untersucht die Möglichkeiten zum Treffen von Entscheidungen und Planen von Aktionen in Ambient Intelligent Systemen. Dazu wird zunächst eine grobe Übersicht über das Thema Ambient Intelligence insgesamt gegeben. Darauf folgt eine Vertiefung im genannten Schwerpunkt. Schließlich werden noch einige Praxisbeispiele von Ambient Intelligence genannt.

1. Einführung

Ambient Intelligence (AmI) ist ein Technologiebereich der zunehmend an Relevanz gewinnt. Dies ist auf zwei Entwicklungen zurückzuführen: Die Weiterentwicklung der nötigen Hardware, wie Sensoren und Minielektronik, sowie die zunehmende Entwicklung der künstlichen Intelligenz, welche als Software für AmI-Systeme benötigt wird. Einige Autoren gehen hierbei sogar soweit AmI als "nächsten Schritt" der Entwicklung in KI zu sehen.[1] Während es sich bei KI-Weiterentwicklung vor allem um technische Fortschritte handelt, ist es bei der Hardwareentwicklung auch eine exponentielle Preisabnahme, die die Massenverbreitung von AmI ermöglicht.

Um einen Gesamtüberblick über AmI zu geben werden im Folgenden unterschiedliche Aspekte untersucht. Diese können zunächst aufgeteilt werden in Hardwareaspekte (Operational layer) und Softwareaspekte (Intelligent layer)[1](Siehe Grafik 1). Die Prozesse die beim Intelligent layer auftreten können wieder in Automatisch ablaufende Prozesse und solche, die als Reaktion auf Verhalten von Menschen entstehen unterteilt werden. Bei letzerem wird in diesem Paper ein besonderer Schwerpunkt gesetzt.

Schließlich soll das Paper auf die zentrale Fragestellung eingehen inwiefern im Intelligent layer Systeme gestaltet werden können die in der Lage sind optimale Entscheidungen zu treffen und auszuführen.

Abbildung in dieser Leseprobe nicht enthalten

Grafik 1 zeigt die Vision einer AmI Entwicklung aus KI-Sicht[1] 3

2. Technische Grundlagen von Ambient Intelligence

2.1 Was ist Ambient Intelligence?

Als Ambient Intelligence (AmI) wird eine in die Umgebung verbaute künstliche Intelligenz bezeichnet. Die Aufgabe dieser den Nutzer umgebenden Intelligenz ist es, diesen in seinem Alltag bestmöglich zu unterstützen. Ein Smart home könnte z.B. den Alltag einer Person vollständig regeln, indem es Heizung und Licht zu bestimmten Tageszeiten hoch- oder herunterfährt. Es kann außerdem den Kühlschrank überprüfen und den Bewohner des Hauses erinnern einzukaufen wenn dieser leerer wird oder sogar selbstständig Bestellungen aufgeben. Außerdem kann das Smart home auf gefährliche Situationen reagieren, indem es etwa Notfalldienste kontaktiert, den Bewohner warnt oder die Gefahr sogar eigenständig bekämpft. Dies wäre bei einem Feuer etwa durch Sprinkleranlagen oder die Verriegelung von Feuertüren möglich. Auch in Krankenhäusern wird AmI in Zukunft häufig Anwendung finden. Eine intelligente Umgebung ist besonders gut für Krankenhäuser geeignet, sie kann Patienten überwachen, ihren Gesundheitsstatus überprüfen, mit Ärzten kommunizieren und z.B. Demenzkranke in ihrem Tagesablauf unterstützen. Die Liste der möglichen Anwendungen lässt sich weit fortführen.[2]

Ambient Intelligence zeichnet sich durch verschiedene Eigenschaften aus: AmI Systeme sind "embedded, Context aware, personalized, adaptive, anticipatory."[2] embedded: Das system fügt sich in die Umgebung ein. Schnittstellen verschwinden nahezu vollständig.

Context aware: die Systeme sind sich des Kontext bewusst und verwenden die daraus hervorgehenden Informationen.

Personalized: Die Systeme sind individuell auf die Person abgestimmt die sie benutzt. Dies ist ein Bereich der derzeit noch nicht ausgereift ist. Er ist auch relevant für das Problem der Interaktion der AmI Systeme mit Menschen und wird hier daher besonders untersucht.

adaptive: AmI passt sich Veränderungen an, z.B. Sich verändernde Bedürfnisse oder wünsche des Benutzers

anticipatory: aus Erfahrung kann AmI bestimmte Situationen hervorsehen.

Ambient Intelligence

2.2 Hardware-Komponenten

Bevor auf den intelligent layer und Algorithmen zur Interaktion mit Menschen eingegangen wird, müssen zunächst die hardwaretechnischen Vorraussetzungen untersucht werden. Dies ist Grundvoraussetzung für ein funktionierendes AmI System. Die Sensoren stellen die Informationen bereit, die vom Intelligent layer für weitere Handlungen verwendet werden. Ohne physikalische Komponente zum Untersuchen und Eingreifen in die Umgebung würde sich der intelligent layer auf einige theoretische Algorithmen belaufen. [3]

Bei AmI haben besonders Sensoren eine hohe Relevanz. Die Sensoren in einer intelligenten Umgebung müssen z.B. Personen erfassen, Modelle des Raums bilden und Audiomaterial verarbeiten können. Hinzu kommen weitere Messgrößen wie Licht, Temperatur, Luftfeuchtigkeit, Geschwindigkeit, Druck, Radioaktivität, etc.[1][4][3]Ebenfalls wichtig ist Audioverarbeitung durch die Sensoreingaben bei AmI. Dies betrifft insbesondere Sprachverarbeitung, damit Nutzer auf einfache Weise mit dem System kommunizieren können.[1] Sensoren können in der Umgebung verbaut werden oder auf dem Körper des Nutzers platziert sein. Hier ist teils sogar die Imlantation von Sensoren unter der Haut möglich.[2] Es ist jedoch davon auszugehen, dass bei kommerziellen Standardlösungen wie Smart homes die Nutzer keine Sensoren auf oder im Körper tragen wollen. Daher müssen die Systeme hier mit Sensoren, die in der Umgebung verbaut sind funktionieren müssen. Diese Art von Sensoren, die sich in die Umgebung einfügen sollen sind in der Regel sehr klein.[3]

Die Sensoren selbst Bestehen in der Regel aus einem Messgerät, wie einer Kamera oder einem Mikrofon und einem Gerät zur Datenübermittlung(Siehe Tabelle). Hier können Standardlösungen wie Bluetooth/WLAN oder speziell für AmI angefertigte Lösungen verwendet werden.

Eine Möglichkeit zur Kommunikation durch Sensoren ist die Verwendung von wireles mesh sensor networks (WMSNs). Hier werden die Sensoren in die Umgebung und in Alltagsgegenstände verbaut. Jeder einzelne Sensor nimmt Daten auf und alle Sensoren kommunizieren untereinander um diese Daten auszutauschen. WMSNs zeichnen sich durch ihre Flexibiltät aus, sind aber auch fehleranfällig und Sensoren die in Möbel oder sogar Kleidungsstücke eingebaut sind müssen evtl. oft ausgetauscht werden.[2]

Abbildung in dieser Leseprobe nicht enthalten

Grafik 2: In Ambient Intelligence verwendete Sensoren[2]

2.3 Software & Algorithmen

Die von Sensoren gesammelten Daten müssen im nächsten Schritt von Algorithmen verarbeitet werden. In diesem Teil werden daher die Methoden erläutert, welche aufbauend auf den vorgestellten Hardware-Komponenten AmI-Systeme bilden.

2.3.1 Erfassung menschlicher Körper durch Videotechnik

Besonders wichtig für das AmI-System ist das erfassen und verfolgen menschlicher Körper. Um die Aktivitäten von Menschen in AmI-Umgebungen verfolgen zu können, müssen zunächst deren Körper erkannt werden. Hierbei treten jedoch eine Reihe von Problemen auf. Dies beinhaltet variierende Körpergröße und Form (Bild 1 von links), verdeckte Körperteile(Bild 2), Behinderung durch Kleidung beim Erkennen sich bewegender Körperteile (Bild 3), Schwierigkeiten den Körper vom Hintergrund abzugrenzen (Bild 4) und komplizierte Interaktionen zwischen Personen untereinander oder mit der Umgebung (Bild 5).[4]

Trotz anhaltender Forschung konnten diese Probleme nicht vollständig gelöst und funktionierende Systeme sind selten. Zwar gibt es einzelne Experimente, in denen dies zum Teil gelang, Universallösungen die mit geringer Fehlerquote in z.B. Smart homes eingesetzt werden können existieren aber nicht.[4]

Abbildung in dieser Leseprobe nicht enthalten

Grafik 3: Mögliche Probleme beim Erfassen menschlicher Körper[4]

2.3.2 Erkennung von Aktivitäten

Sind die Grundlagen für die Erfassung von Menschen und Kommunikation mit diesen gelegt, so muss sich die Software komplexere Probleme bearbeiten. Diese werden im folgenden unter Einbeziehung der Konzepte im vorherigen Kapitel untersucht. Das Ziel ist dabei den Nutzer mit Hilfe von Planungen, Entscheidungen und automatisch ausgeführten Aufgaben optimal zu unterstützen.

Um den Nutzer zu unterstützen müssen zunächst seine Verhaltensweisen untersucht werden. Die "Survey on Ambient Intelligence in Health Care" nennt hierfür folgende Forschungsbereiche: Grundlegend ist Verhaltenserkennung, also die Feststellung einer bestimmten Aktivität durch Daten, welche durch Sensoren gesammelt wurden. Darauf aufbauend geht es um die Untersuchung von wiederkehrenden Verhaltensmustern.[2]

Grundlage hiervon ist "activity recognition", dessen Ziel es ist Aktivitäten mit Hilfe der Daten von Sensoren zu erkennen, während diese geschehen.[2]

Eine Möglichkeit zum Erfassen von Aktivitäten ist sogenanntes "Dense Sensing-Based Activity Monitring".[5]Bei dieser Methode werden Sensoren an Alltagsgenstände angebaut um die Benutzung dieser Objekte zu messen. Solche Sensoren sind billig, verbrauchen wenig Energie und sind einfach herzustellen. Daher sind sie in AmI-Umgebungen leicht in großen Mengen zu verbauen. Sie können allerdings aufschlussreiche Daten über die Aktivitäten des Benutzers herstellen. So deutet etwa die Verwendung eines Bettes in Kombination mit ausgeschaltetem Licht auf schlafen hin. Ein eingeschalteter Herd lässt schlussfolgern das der Nutzer kocht, usw. Die Benutzung von Objekten verrät häufig auch die Position und Bewegung des Nutzers.

2.3.3 Planung & Entscheidung

Sämtliche diese vom AmI-System gesammelten und verarbeiteten Daten werden nun genutzt um Aktionen auszuführen und den Nutzer zu unterstützen. Hierfür ist decision making und das Planen & ausführen von Aufgaben eine zentrale Voraussetzung.

Pläne werden genutzt um einen Ziel-Zustand ausgehend von einem IstZustand zu erreichen. Der Plan legt mehrere Schritte aus um dieses Ziel zu erreichen.[2][6]“Scheduling” (Terminierung) ist mit Planung verwandt, aber kein Synonym. Bei scheduling muss eine vorhandene Aufgabe mit begrenzten zeitlichen Ressourcen fertiggestellt werden und die Software muss entscheiden wann die Aufgabe erledigt wird oder in welcher Reihenfolge Aufgaben erledigt werden.[6]Die Verwendung von Plänen in AmI-Umgebungen und passende Methoden werden von Richard Simpson er al. in „Plans and Planning in Smart homes” vorgestellt:

In der Einleitung wurden bereits mögliche Aufgaben von AmI-Umgebungen genannt. So können sie etwa Bewohner bei Aufgaben unterstützen, selbst Aufgaben erledigen oder auf Notfälle reagieren. Dies sind auch die drei möglichen Anwendungen von Plänen in Smart homes.[6]Simpson et al. unterteilen auch die Techniken zur Planung in drei Kategorien. Diese sind klassische Planungsmethoden, entscheidungstheoretische Methoden und hierarchische Planungsmethoden.

Laut Simpson et al. enthält die Kategorie "klassische Planungsmethoden" eine Reihne von Methoden, wie etwa Vorwärts- und Rückwärtssuche oder graphenbasierte Analyse. Beispielhaft für solche graphenbasierten Methoden ist graphplan.[7]Laut Autoren A. Blum und M. Furst setzt Graphlan bzw. graphenbasierte Analyse nicht auf sofortiges Durchsuchen der Möglichkeiten sondern baut zunächst eine Struktur basierend auf der Aufgabe bzw. dem Ziel. Diese Struktur ist der Graph, in dem Mögliche Zustände als Punkte und Aktionen um diese Zustände zu erreichen als Verbindungen dargestellt werden. Es wird dann überprüft, ob sich mindestens zwei Zielzustände gegenseitig ausschließen. Wenn dies der Fall ist, gibt es keine Lösung, wenn nicht wird der Graph so lange expandiert bis ein Lösungsweg gefunden wurde.[8]

Als charakterisische entscheidungstheoretische Methode gilt der "Markov decision proccess" (MDP) bzw. Markow-Entscheidungsproblem. Dieses wird in Artificial Intelligence a Modern Approach von Stuart, J. R. und Peter, N. vorgestellt. Bei dieser Methode gibt es eine Menge von Zuständen S mit einem Anfangszustand S0. Zu jedem Zustand s gibt es einen Folgezustand s', der durch eine Aktion a erreicht wird. Die Funktion R(s) ordnet jedem Zustand eine Belohnung zu, abhängig davon wie nah dieser Zustand dem Ziel kommt. Die KI wählt folglich immer die Aktion die zum Zustand mit der höchsten Belohnung führt. Vorteilhaft bei diesem Modell ist, dass keine Historie von Entscheidungen, sondern immer nur der aktuelle Zustand und die aktuellen Möglichkeiten berechnet werden müssen.[8]

Hierarchical Planning wird im gleichnamigen Paper von M. K. Liedström vorgestellt. Hierarchische Planungsmethoden werden mit Hilfe von „Hierarchical Task Networks“ (HTN) umgesetzt. Diese funktionieren nach dem Prinzip „teile und herrsche“. Der Übergang vom Ist-Zustand in den Ziel- Zustand wird hier als große Aufgabe, als Hauptaufgabe(HA) definiert. Diese HA wird dann in kleinere Teilaufgaben unterteilt, welche selbst wieder geteilt werden. Dies geschieht solange bis nur noch „primitive“ Aufgaben übrig sind. Primitive Aufgaben sind einzelne Aktionen wie das Einschalte einer Lampe.[9] Beispiele für hierarchische Planungsmethoden sind […] und O-Plan, ein Web basiertes KI-System, das im zivilen und militärischen Bereich etwa für Evakuierungen bei Naturkatasthtophen eingesetzt wird.[10]

Abbildung in dieser Leseprobe nicht enthalten

Grafik 4: Eine hierarchische Struktur. HLA steht für High Level Actions[9]

Diese Planungsmethoden sind in der Lage einen Startzustand und einen Zielzustand zu definieren, sowie den nötigen Weg bzw. die auszuführenden Schritte zu berechnen. Dies ist für komplexe Anwendungen in der echten Welt jedoch meist nicht ausreichend. In "Plans and Planning in Smart homes" werden daher weitere Methoden vorgestellt. Planung mit Ungewissheit dient etwa dazu Pläne in Situationen mit nicht-ditermnisitschen Zuständen oder stochastischen Situationen zu berechnen. Anytime planing ("jederzeit-Planung") beschäftigt sich mit Algorithmen die bereits Teilpläne produzieren können, ohne vollständig durchlaufen zu werden.

3. Praxisbeispiele

In einem Smart Home werden alle elektronischen

Verbraucher(Heizung,Fenster, Jalousien, Licht,...) durch eine Busleitung gesteuert. Dir elektrischen Befehle können von eingebundenen Schaltern, Sensoren oder dem zentralrechner kommen. Sie werden über die Busleitung zum Aktor geschickt. Dieser führt den Befehl aus. Hierfür muss im Haus eine sternenförmige Verkabelung stattfinden. Die Aktoren, welche in der Zentralelektrik sitzen, können so nach der Installation leicht ausgetauscht werden. In Deutschland werden meist EIB- oder KNX- Systeme verwendet.

Abbildung in dieser Leseprobe nicht enthalten

Grafik 5: Das Layout eines Smart Home[11]

4. Zusammenfassung und Ausblick

In diesem Paper wurde zunächst der Begriff Ambient Intelligence und die grundlegenden Eigenschaften erläutert. Im technisch-theoretischen Teil wurde auf die Grundlagen der aktuell verwendeten Hardware und Algorithmen eingegangen. Das Thema des decision making sowie das Planen und ausführen wurde vertieft. Danach wurden noch einige praktische Beispiele von AmI in Anwendung vorgestellt.

Als Fazit lässt sich ziehen das viele der verwendeten Technologien noch in der Entwicklung sind. Dies gilt sowohl für die verwendeten Sensoren, als auch die üblichen Algorithmen, sei es im Erkennen von Personen durch Videos, dem Wiedererkennen klassischer Aktivitäten oder der Reaktion der AmI-Systeme auf bestimmte Situationen. Obwohl all diese Probleme bereits stark untersucht wurden funktioniert keiner der Bereiche perfekt und es gibt keine alltagstaugliche oder kommerziell weit verbreitete Lösung.

Bibliografie

[1] C. Ramos, J. C. Augusto, and D. Shapiro, “Ambient Intelligence the Next Step for Artificial Intelligence,” IEEE Intell. Syst., vol. 23, no. 2, pp. 15-18, 2008.

[2] G. Acampora, D. J. Cook, P. Rashidi, and A. V Vasilakos, “A Survey on Ambient Intelligence in Health Care.,” Proc. IEEE. Inst. Electr. Electron. Eng., vol. 101, no. 12, pp. 2470-2494, 2013.

[3] D. J. Cook, J. C. Augusto, and V. R. Jakkula, “Ambient intelligence: Technologies, applications, and opportunities,” Pervasive Mob. Comput., vol. 5, no. 4, pp. 277-298, 2009.

[4]H. Nakashima, H. Aghajan, and J. C. Augusto, Handbook of Ambient Intelligence and Smart Environments. 2009.

[5]L. Chen, J. Hoey, C. D. Nugent, D. J. Cook, Z. Yu, and S. Member, “Sensor-Based Activity Recognition,” vol. 42, no. 6, pp. 790-808, 2012.

[6] J. C. Augusto and C. D. Nugent, Designing smart homes: the role of artificial intelligence, vol. 4008. 2006.

[7] A. Blum and M. Furst, “Fast planning through planning graph analysis,” Artif. Intell., vol. 90, no. 1-2, pp. 281-300, 1997.

[8]J. R. Stuart and N. Peter, Artificial Intelligence a Modern Approach, vol. 72, no. 1-2. 2003.

[9]M. K. Liedström, “Hierarchical Planning,” 2011.

[10]A. Tate, J. Dalton, and J. Levine, “O-Plan: a Web-based AI Planning Agent Pacifica Non-combatant Evacuation,” Assoc. Adv. Artif. Intell., 2000.

[11] J. Augusto and P. Mccullagh, “Ambient Intelligence: Concepts and applications,” Comput. Sci. Inf. Syst., vol. 4, pp. 1-27, 2007.