Modeling Human Activities Using Behaviour Trees in Smart Homes
Notice bibliographique
Résumé
With the aging population, researchers around the world are investigating technological solutions to help seniors stay at home as long as possible. One of them is the concept of smart home, which is an intelligent house equipped with sensors and actuators. Aging people often suffers from physical and cognitive impairments, which limit their abilities to perform their Activities of Daily Living (ADL). Therefore, the smart home needs to be able to assist its resident in carrying out their ADL, when it is required. Recognising the ongoing ADL constitutes then a key challenge of the assistive services. Being able to simulate users' behaviour is also an important issue, as well as being able to find an assistive step-by-step solution when something goes wrong. However, all theses challenges need to rely on a knowledge base of activities' models. In the past, many researchers tried to make use of some logical encoding of the activities by exploiting, for instance, first order logic. These approaches work fine for the inferential process but they are very rigid, complex and time consuming. More recently, scientists in the field tried to represent the activities using stochastic models, such as Bayesian Networks or Markov Model. These probabilistic methods do not represent activities very naturally and are very static state-transition models. In this paper, we propose the use of Behaviour Trees (BT) as a means to represent the user's ADL in a smart home. BTs are mainly used in the video game industry as a powerful tool to model the behaviour of non-player characters. BTs allow the modelling of activities with a flexible, well-defined approach. We will present a first exploitation of the behaviour trees in a smart home simulator.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».