Ovládání chytré domácnosti pomocí gest detekovanými radary

Abstract

Tato bakalářská práce se zabývá vývojem a implementací systému pro ovládání chytré domácnosti pomocí gest detekovaných radarem, což reaguje na potřebu zjednodušení interakce mezi člověkem a technologiemi. V teoretické části se práce věnuje analýze problematiky chytrých domácností a radarových technologií pro bezkontaktní detekci gest. Ve vývoji systému byla využita kombinace zpracování a vyhodnocení dat ve formátu TLV 1051 a integrace s KNX systémem pro komunikaci s chytrou domácností. Radarový modul IWR6843 od společnosti Texas Instruments byl aplikován pro ovládání domácích zařízení, jako jsou osvětlení a klimatizace. Všechny programové komponenty byly realizovány v jazyce Python, přičemž byla vyvinuta aplikace s grafickým uživatelským rozhraním v knihovnách Tkinter a customTkinter, která je navíc spustitelná přes exe soubor, což usnadňuje její použití. Kvantitativní metody byly aplikovány pro stanovení pravděpodobnostní prahové hodnoty pro úspěšnou detekci gest, a byla doporučena nejspolehlivější gesta pro ovládání. Tato práce přináší zlepšení kvality života nejen pro osoby se zdravotními omezeními, ale je také vhodná pro prostředí, kde je preferován minimální fyzický kontakt, jako jsou zdravotnická zařízení či laboratoře. Přestože byly dosaženy úspěchy v rozpoznávání gest, stále existuje prostor pro zlepšení. Pro budoucí výzkum se doporučuje rozšíření systému o natrénování vlastní robustnější neuronové sítě pro zvýšení přesnosti a spolehlivosti rozpoznávání gest.

This bachelor thesis deals with the development and implementation of a system for controlling a smart home using radar-detected gestures, responding to the need to simplify the interaction between humans and technology. In the theoretical part, the thesis analyses the issue of smart homes and radar technologies for contactless gesture detection. In the development of the system, a combination of data processing and evaluation in TLV 1051 format and integration with KNX system for communication with smart home was used. The IWR6843 radar module from Texas Instruments was applied to control home devices such as lighting and air conditioning. All the software components were implemented in Python, and an application with a graphical user interface was developed in the Tkinter and customTkinter libraries, which is also executable via an exe file, making it easy to use. Quantitative methods were applied to determine a probabilistic threshold for successful gesture detection, and the most reliable gestures for control were recommended. This work not only provides significant improvements in quality of life for people with health limitations, but is also suitable for environments where minimal physical contact is preferred, such as medical facilities or laboratories. Although successes have been made in gesture recognition, there is still room for improvement. For future research, it is recommended to extend the system to train its own more robust neural network to increase the accuracy and reliability of gestures.