Edge-AI för prediktering av mänskligt beteende i 6G-anpassade smarta byggnader
| Diarienummer | |
| Koordinator | RISE Research Institutes of Sweden AB - RISE AB - Digitala System |
| Bidrag från Vinnova | 99 946 kronor |
| Projektets löptid | februari 2026 - september 2026 |
| Status | Avslutat |
| Utlysning | 6G - Kompetensförsörjning |
| Ansökningsomgång | 6G - Handledning av examensarbete |
Viktiga resultat som projektet gav
Ja, målen uppfylldes. Vi utvecklade och utvärderade modeller för att förutsäga fotgängares avsikt att gå genom en dörr. Analysen visade att fyra enkla rörelsevariabler (avstånd, hastighet, vinkel) står för nästan hela den prediktiva signalen, medan kroppsställning (pose) gav försumbar förbättring. En kompakt GRU-modell tränades och uppnådde ca 87 % träffsäkerhet. Vid körning lokalt på en NVIDIA Jetson Orin Nano klarade hela systemet realtidskravet på 30 FPS med god marginal.
Långsiktiga effekter som förväntas
Projektet möjliggör smarta dörrar som endast öppnas när någon faktiskt tänker gå in. Detta minskar energiförluster i byggnader och slitage på mekaniken. Systemet validerar visionen för 6G Edge Computing: genom att köra inferens på distribuerad, lokal edge-infrastruktur uppnås de extremt låga fördröjningar som krävs för realtidsstyrning. Det bevarar även den personliga integriteten eftersom ingen video skickas till externa moln. Tekniken är därmed skalbar och i linje med hållbarhetsmålen.
Upplägg och genomförande
Projektet genomfördes som ett masterexamensarbete av Jesper Malmgren vid RISE i samarbete med ASSA ABLOY. Utifrån video från en takmonterad dörrkamera extraherades visuella särdrag (rörelsebana och kroppsställning). Dessa utvärderades systematiskt med bl.a. SHAP-analys. Därefter tränades och abladerades neurala nätverk (som GRU och 1D-CNN) för att hitta den bästa modellen. Slutligen mättes hela systemets prestanda och latens vid lokal körning på en NVIDIA Jetson Orin Nano.