16、通用Web事件（GWEs）范式的实现与应用

通用Web事件（GWEs）范式的实现与应用

1. 人类跟踪技术进展与传感器数据融合

在人类跟踪领域，近年来有显著的技术进步。如今市场上出现了基于RGB - D（红、绿、蓝 + 深度）相机和飞行时间传感器的商用系统，如Kinect、SoftKinetic和Leap Motion等，它们支持先进的手势、面部和语音识别。

然而，这些新方法各有局限。例如，Kinect能跟踪全身运动，但精度低且无法可靠跟踪手部；Leap Motion精度较高，但只能跟踪指尖。在GWEs场景中，我们会将不同传感器的输出进行融合，还会结合红外（IR）接近传感器、压力传感器和门开关等简单分布式传感器返回的人体定位粗略数据，为后续处理提供更完整的原始数据。不同传感器的输出将作为状态空间形式的动态系统的输入，使用扩展卡尔曼滤波器来估计不可观测的状态变量。

2. 不确定性问题及处理策略

在实际复杂场景中，传感器/执行器层无法提供完美且完整的信息，只能提供一组关于位置、压力等的低级别部分不准确信息，并带有相关的置信度或概率分布。这些信息可以使用贝叶斯网络和Dempster - Shafer方法等统计工具进行处理，同时推迟使用高级推理技术做出最终决策。

卡尔曼滤波器（也称为线性二次估计技术）在物联网相关应用中被广泛用于处理不确定性，如信号处理中的时间序列分析、机器人中的运动规划与控制以及轨迹优化等。

在GWEs/IoT场景中，可以采用最少承诺策略。即尽可能推迟对输入实体的最终识别，同时维持关于传入实体类型、位置、状态等的不同且可能相互矛盾的假设。当假设得到足够的传感器数据支持时就会被确立，这可以看作是传感器的投票过程，不需要所有传感器数据达成共识。可以使用粒