論文の概要: Experimental study on surveillance video-based indoor occupancy measurement with occupant-centric control

• arxiv url: http://arxiv.org/abs/2603.26081v1
• Date: Fri, 27 Mar 2026 05:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.359839
• Title: Experimental study on surveillance video-based indoor occupancy measurement with occupant-centric control
• Title（参考訳）: 利用者中心制御による監視ビデオに基づく屋内要員測定に関する実験的研究
• Authors: Irfan Qaisar, Kailai Sun, Qingshan Jia, Qianchuan Zhao,
• Abstract要約: 本稿では,大規模言語モデル (LLM) を用いた視覚による室内占有率の測定実験を行った。 その結果,検出のみの測定よりも時間的安定性が向上することが示唆された。 LLMの改良により、さらに占有率測定性能が向上し、偽の未占有予測が低減される。
• 参考スコア（独自算出の注目度）: 19.349952628032213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate occupancy information is essential for closed-loop occupant-centric control (OCC) in smart buildings. However, existing vision-based occupancy measurement methods often struggle to provide stable and accurate measurements in real indoor environments, and their implications for downstream HVAC control remain insufficiently studied. To achieve Net Zero emissions by 2050, this paper presents an experimental study of large language models (LLMs)-enhanced vision-based indoor occupancy measurement and its impact on OCC-enabled HVAC operation. Detection-only, tracking-based, and LLM-based refinement pipelines are compared under identical conditions using real surveillance data collected from a research laboratory in China, with frame-level manual ground-truth annotations. Results show that tracking-based methods improve temporal stability over detection-only measurement, while LLM-based refinement further improves occupancy measurement performance and reduces false unoccupied prediction. The best-performing pipeline, YOLOv8+DeepSeek, achieves an accuracy of 0.8824 and an F1-score of 0.9320. This pipeline is then integrated into an HVAC supervisory model predictive control framework in OpenStudio-EnergyPlus. Experimental results demonstrate that the proposed framework can support more efficient OCC operation, achieving a substantial HVAC energy-saving potential of 17.94%. These findings provide an effective methodology and practical foundation for future research in AI-enhanced smart building operations.
• Abstract（参考訳）: スマートビルにおけるクローズドループ占有者中心制御(OCC)には,正確な占有情報が不可欠である。 しかし、既存の視覚ベースの占有率測定手法は、実際の屋内環境において安定かつ正確な測定を行うのに苦労することが多く、下流のHVAC制御に対する影響はいまだに十分に研究されていない。 2050年までにネットゼロエミッションを達成するために,大規模言語モデル(LLM)を用いた屋内占有率の測定とそのOCC対応HVAC操作への影響について実験的に検討した。 検出専用、追跡ベース、およびLDMベースの精錬パイプラインは、中国の研究機関が収集した実際の監視データとフレームレベルの手動地平線アノテーションを用いて、同一条件下で比較される。 その結果, 追従法は検出のみの測定よりも時間的安定性が向上する一方で, LLMによる改善により占有率測定性能が向上し, 誤占有予測の低減が図られた。 最も優れたパイプラインであるYOLOv8+DeepSeekは精度0.8824、F1スコア0.9320を達成している。 このパイプラインはOpenStudio-EnergyPlusのHVACスーパーバイザモデル予測制御フレームワークに統合される。 実験の結果,提案フレームワークはより効率的なOCC運転を支援することができ,HVACの省エネポテンシャルは17.94%に達した。 これらの知見は,AIを活用したスマートビルディングオペレーションの今後の研究に有効な方法論と実践的基盤を提供する。

関連論文リスト

• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
  トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。 従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。 本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-12-09T11:54:09Z)
• Data-driven operator learning for energy-efficient building control [2.3326951882644553]
  本稿では,CFDの物理精度と機械学習の計算効率を組み合わせ,エネルギー効率の高い建築換気制御を実現するためのデータ駆動型フレームワークを提案する。 我々は,高分解能CFDデータを用いて,制御動作から気流分布へのマッピングを学習するために,ニューラル演算子変換器を訓練する。 提案手法は, 地域平均CO2予測に基づく最大流量制御, ルールベース制御, およびデータ駆動制御と比較して, 大幅な省エネを実現していることを示す。
  論文  参考訳（メタデータ） (2025-04-30T00:45:49Z)
• Vision-based autonomous structural damage detection using data-driven methods [0.0]
  本研究は, 風力タービン構造物の効率, 高精度な損傷検出の必要性に対処するものである。 手動評価や非破壊検査(NDT)のような従来の検査手法は、しばしばコストがかかり、時間がかかり、人的ミスを起こしやすい。 これらの課題に対処するため,視覚に基づく構造的健康モニタリングのための高度なディープラーニングアルゴリズムについて検討した。
  論文  参考訳（メタデータ） (2025-01-28T02:52:04Z)
• Experimental evaluation of offline reinforcement learning for HVAC control in buildings [12.542463083734614]
  建物における動的HVAC制御のために, 強化学習(RL)技術がますます研究されている。 本稿では,最先端のオフラインRLアルゴリズムの長所と短所を包括的に評価する。
  論文  参考訳（メタデータ） (2024-08-15T07:25:52Z)
• Enhancing personalised thermal comfort models with Active Learning for improved HVAC controls [0.8192907805418583]
  本研究では,アクティブラーニング(AL)によって強化された熱的嗜好に基づくHVAC制御フレームワークを提案する。 予備的な結果から, AL対応OCCと従来のOCCとのラベリング効果は著しく低下するが, 省エネ効果はわずかであった。
  論文  参考訳（メタデータ） (2023-09-16T18:42:58Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Predictive Coding for Locally-Linear Control [92.35650774524399]
  高次元観測と未知のダイナミクスは、多くの実世界の意思決定タスクに最適な制御を適用する際に大きな課題である。 Learning Controllable Embedding (LCE)フレームワークは、観測結果を低次元の潜伏空間に埋め込むことによって、これらの課題に対処する。 理論的には、明示的な次観測予測を予測符号化に置き換えることが可能である。
  論文  参考訳（メタデータ） (2020-03-02T18:20:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。