Concept of a robust & training-free probabilistic system for real-time intention analysis in teams [Elektronische Ressource] / vorgelegt von Martin Giersich
210 Pages
English
Downloading requires you to have access to the YouScribe library
Learn all about the services we offer

Concept of a robust & training-free probabilistic system for real-time intention analysis in teams [Elektronische Ressource] / vorgelegt von Martin Giersich

Downloading requires you to have access to the YouScribe library
Learn all about the services we offer
210 Pages
English

Description

Concept of a Robust & Training-free Probabilistic Systemfor Real-time Intention Analysis in TeamsDissertation zur Erlangung des akademischen GradesDoktor-Ingenieur (Dr.-Ing.)der Fakultät für Informatik und Elektrotechnik der Universität Rostockvorgelegt vonDipl.-Inf. Martin Giersichgeboren am 11. März 1974 in Rostockwohnhaft in RostockRostock, 3. Dezember 2009urn:nbn:de:gbv:28-diss2009-0211-6First Reviewer: Prof. Dr.-Ing. Thomas Kirste, University of Rostock, GermanySecond Reviewer: Prof. Dr.-Ing. habil. Peter Forbrig, University of Rostock, GermanyExtern R Prof Dr sc nat Christopher Lueg, of Tasmania, AustraliaDay of Defense: 9. Oktober 2009Copyrightc 2009 by Martin GiersichAll rights reserved. No part of the material protected by this copyright notice may be reprodu-ced or utilized in any form or by any means, electronic or mechanical, including photocopying,recording or by any information storage and retrieval system, without the prior permission ofthe author.AbstractPresent-day mobility and ubiquity of computing devices make information technology accessi-ble for user activities that are temporally and, especially, spatially distributed. Besides mobilesystems this enables ubiquitous computing that – as Weiser phrased it – “enhances computeruse by making many computers available throughout the physical environment, while makingthem effectively invisible to the user” (Weiser, 1993, pg. 75).

Subjects

Informations

Published by
Published 01 January 2009
Reads 11
Language English
Document size 7 MB

Exrait

Concept of a Robust & Training-free Probabilistic System
for Real-time Intention Analysis in Teams
Dissertation zur Erlangung des akademischen Grades
Doktor-Ingenieur (Dr.-Ing.)
der Fakultät für Informatik und Elektrotechnik der Universität Rostock
vorgelegt von
Dipl.-Inf. Martin Giersich
geboren am 11. März 1974 in Rostock
wohnhaft in Rostock
Rostock, 3. Dezember 2009
urn:nbn:de:gbv:28-diss2009-0211-6First Reviewer: Prof. Dr.-Ing. Thomas Kirste, University of Rostock, Germany
Second Reviewer: Prof. Dr.-Ing. habil. Peter Forbrig, University of Rostock, Germany
Extern R Prof Dr sc nat Christopher Lueg, of Tasmania, Australia
Day of Defense: 9. Oktober 2009
Copyrightc 2009 by Martin Giersich
All rights reserved. No part of the material protected by this copyright notice may be reprodu-
ced or utilized in any form or by any means, electronic or mechanical, including photocopying,
recording or by any information storage and retrieval system, without the prior permission of
the author.Abstract
Present-day mobility and ubiquity of computing devices make information technology accessi-
ble for user activities that are temporally and, especially, spatially distributed. Besides mobile
systems this enables ubiquitous computing that – as Weiser phrased it – “enhances computer
use by making many computers available throughout the physical environment, while making
them effectively invisible to the user” (Weiser, 1993, pg. 75). Mobile and ubiquitous systems
aim for autonomous and proactive assistance and therefore their infrastructure needs to be
able to identify the users’ needs. This has two important consequences:
1. The set of devices available for interaction may change over time. This raises the chal-
lenge of adaptivity: on different devices the same abstract human-computer interaction
such as entering a phone number has to be rendered differently in order to make opti-
mal use of the specific device’s interaction mechanisms.
2. The structure of a user task becomes accessible to the computing system. This creates
the opportunity of proactive assistance: if the devices in the user’s environment are able to
infer her current activity, they are able to trigger actions such as providing information
without explicit user interaction.
In order to enable adaptivity and to use proactive assistance a concept investigated in cur-
rent research on mobile and ubiquitous systems is to provide computing systems with explicit
models of the user’s behavior or tasks. Even though for both fields (adaptivity and proactive
assistance) any aspects of the user’s behavior or activities can be derived from psychological
research on human cognition and social groups, both are seen as separate issues in system
development and are addressed by different modeling concepts. This work reviews research
areas of social psychology, cognitive psychology, and signal processing to collect sensible de-
scriptions of human behavior in both group situations and problem solving situations that
iiiAbstract
might be helpful to map cooperative task accomplishment in a group to a model. It examines
how recent smart environments projects model the user’s activities, and provides a catalogue
of criteria for a team intention model. Then this work presents the concept of a robust and
training-free probabilistic system for intention analysis and prediction in teams, and yields
the experimental evaluation of the concept by applying simulation and in situ experiments.
The experiments prove the validity of the presented concept and the viability of a model-based
approach for the indented scenario.
The fundamental statement this work makes is that developing and incorporating explicit mo-
dels of user tasks is an important aspect of mobile and ubiquitous software development me-
thodology. Furthermore, this work contributes to recent technology and research by 1.) pro-
viding an in-depth interdisciplinary recherche of the several different aspects in team behavior
recognition, 2.) providing a concept for modeling intention analysis and prediction for teams
of users in environments of mobile and ubiquitous computing devices, by 3.) providing an
experimental infrastructure for simulation and in situ experiment on the proposed and other
concepts, and by 4.) providing ideas for the automated creation of agenda-driven team inten-
tion models that allow to recognize team objectives from observable actions of the individual
team members.
Strictly speaking, the proposed approach addresses inferring the intention of a team of users
within a smart meeting environment that is equipped with sensors and has access to meeting
information. The key challenge is to derive and select intended team activities from the ob-
servation of multiple users by noisy heterogeneous sensors. Therefore a team intention model
based on a hierarchical dynamic Bayesian network (DBN) is introduced for inferring the cur-
rent task and activity of a team of users real-time. Sparse, intermittent sensor readings of the
team members’ positions within a meeting room are used to analyze and predict the team’s
current objective.
The inference tool implementation is utilizing particle filters for inference. Evaluation ex-
periments demonstrate how knowledge about the meeting agenda can improve prediction
accuracy and speed, and how reliability of agenda knowledge can influence the prediction of
team behavior. Learning approaches are determined to tune prediction quality, and finally an
approach is outlined that uses annotated hierarchical task trees for synthesizing models from
a common basic description.
ivGerman Abstract
Die heutige Mobilität und Omnipräsenz von Computern macht Informationstechnologie für
Nutzeraktivitäten zugänglich, die zeitlich und besonders räumlich verteilt sind. Neben mobi-
len Systemen ermöglichen sie “Ubiquitous Computing”, das – wie Weiser (1993) es sinngemäß
formulierte – die Nutzbarkeit von Computern durch die Verfügbarkeit vieler gleichzeitig für
den Nutzer unsichtbarer Computer in der physikalischen Umgebung verbessert. Mobile und
allgegenwärtige Systeme zielen auf autonome und proaktive Assistenz hin, und deshalb muss
deren Infrastruktur in der Lage sein, die Bedürfnisse der Nutzer zu identifizieren. Das hat zwei
wichtige Konsequenzen:
1. Die Menge der Geräte, die für die Interaktion zur Verfügung stehen, kann sich im Laufe
der Zeit ändern. Daraus ergibt sich die Herausforderung der Adaptivität: auf zwei un-
terschiedlichen Geräten muss die gleiche abstrakte Mensch-Maschine Interaktion, wie
die Eingabe einer Telefonnummer, unterschiedlich realisiert werden, um eine optimale
Nutzung der spezifischen Geräteinteraktionsmechanismen zu schaffen.
2. Die Struktur einer Nutzeraufgabe wird für das Computersystem greifbar. Das schafft die
Gelegenheit zur proaktiven Assistenz: wenn die Geräte in der Umgebung eines Nutzers
in der Lage sind, dessen derzeitige Aktivität zu inferieren, können sie Aktionen wie das
Anbieten von Informationen ohne explizite Nutzerinteraktion triggern.
Ein Konzept, das die derzeitige Forschung zu mobilen und ubiquitären Systemen untersucht,
um Adaptivität zu ermöglichen und proaktive Assistenz zu nutzen, ist, Computersysteme mit
expliziten Modellen des Verhaltens oder der Aufgaben eines Nutzers zu versorgen. Auch wenn
für beide Gebiete (Adaptivität und proaktive Assistenz) beliebige Aspekte des Verhaltens oder
der Aktivitäten eines Nutzers aus der psychologischen Forschung zu menschlicher Kognition
und sozialen Gruppen abgeleitet werden können, werden beide bei der Systementwicklung
vGerman Abstract
als separate Probleme wahrgenommen und mit unterschiedlichen Modellierungskonzepten
angegangen. Diese Arbeit rezensiert die Forschungsgebiete Sozialpsychologie, Kognitionspsy-
chologie und Signalverarbeitung, um Beschreibungen von menschlichem Verhalten sowohl
in Gruppensituationen als auch Problemlösungssituationen zu sammeln, die hilfreich für die
modelhafte Abbildung der kooperativen Aufgabenbewältigung innerhalb einer Gruppe sein
könnten. Sie untersucht, wie jüngste “Smart Environment”-Projekte die Aktivitäten eines Nut-
zers modellieren, und liefert einen Kriterienkatalog für ein Teamintentionsmodell. Dann legt
diese Arbeit die Konzeption eines robusten und trainingsfreien, probabilistischen Systems für
die Intentionsanalyse und -prädiktion in Teams vor und liefert mit der Durchführung von
Simulations- und “In Situ”-Experimenten die experimentelle Evaluation des Konzepts. Die Ex-
perimente zeigen die Tauglichkeiten des präsentieren Konzept und die Realisierbarkeit des
modellbasierten Ansatzes bezüglich des vorgesehenen Szenarios.
Die fundamentale Aussage der Arbeit ist, dass die Entwicklung und Integration expliziter Mo-
delle von Nutzeraufgaben ein wichtiger Aspekt für die Methodik der Entwicklung mobiler
und ubiquitärer Softwaresysteme ist. Darüberhinaus leistet diese Arbeit Beiträge zu jüngsten
Technologien und jüngster Forschung durch 1.) die Lieferung einer gründlichen interdizipli-
nären Recherche der zahlreichen verschiedenen Aspekte bei der Erkennung von Teamverhal-
ten, 2.) die Lieferung eines Konzepts zur Modellierung von Intentionsanalyse und -prädiktion
für ein Team von Nutzern in Umgebungen mit mobilen und ubiquitären Computern, durch
3.) die Lieferung einer Experimentalinfrastruktur für Simulations- und “In Situ”-Experimente
mit dem vorgeschlagenen oder anderen Konzepten und durch 4.) die Lieferung von Ideen für
die automatisierte Erstellung Agenda-gesteuerter Teamintentionsmodelle, die die Erkennung
von Teamzielen aus beobachtbaren Aktionen einzelner Teammitglieder zulassen.
Genaugenommen befasst sich der vorgeschlagene Ansatz mit der Inferenz von Intentionen
eines Teams von Nutzern in einem “Smart Meeting Environment”, das mit einigen Sensoren
ausgestattet ist und Zugriff auf Meetinginformationen hat. Die zentrale Herausforderung ist
die Ableitung und Auswahl der geplanten Teamaktivitäten mittels der Beobachtung mehre-
rer Nutzer durch verrauschte und heterogene Sensoren. Dazu wird ein Teamintentionsmodell
basierend auf hierarchischen dynamischen Bayes’schen Netzen vorgestellt, das das Inferie-
ren der aktuellen Aufgaben und Aktivitäten eines Teams von Nutzern in Echtzeit ermöglicht.
Spärliche, intermittierende Sensormessungen von Teammitgliederpositionen in einem Bespre-
chungsraum werden genutzt, um das derzeitige Ziel des Teams vorherzusagen.
viDie Implementierung des Inferenztools nutzt Partikelfilter für das Schließen. Evaluationsexpe-
rimente demonstrieren, wie Wissen über die Meeting-Agenda die Vorhersagegenauigkeit und
-geschwindigkeit verbessern kann und wie Verlässlichkeit des Agenda-Wissens die Vorhersage
des Teamverhaltens beeinflussen kann. Lernansätze werden untersucht, um die Vorhersage-
qualität zu tunen, und schließlich wird ein Ansatz umrissen, der annotierte hierarchische
Task-Trees für die Erzeugung des Teamintentionsmodells aus einer gemeinsamen Grundbe-
schreibung nutzt.
viiviiiTheses
1. Situations are distinguished decisively by the behavior of the user that acts in it. Com-
puting device states can indicate the dedicated circumstances a user has to handle.
2. The user’s behavior is led by process-driven or task-driven intentions. In cooperative
multi-user situations the social “nature of groups” causes the evolution of a group goal
that can be interpreted as team intention.
3. The number of high-level team intentions is denumerable in a closed application domain
like a “smart meeting room” as long as a group of users shows a cooperative behavior.
4. Roles that team members adopt with respect to a team intention can be modeled inde-
pendently from the interdependencies and structures in groups.
5. The team member’s behavior is goal oriented at least in the productive performing stage
of the group life cycle, which is assumed for the application domain of this work.
6. Many teams act in meetings on a-priori context information like agendas and schedules,
but these are just prior compiled evidences and not reliable sources for the course of a
meeting, because several teams deviate from such a-priori plans during the meetings.
7. Preliminary context information like a-priori agendas that are unreliable with respect to
the schedules and courses of meetings are preferable over no context information about
meetings, because the unreliable but additional information improves the recognition
accuracy significantly.
8. Probabilistic task models like Markov models are suitable for the purpose of modeling
the situation in a “smart meeting room” with its inherent uncertainty factors.
9. Approximative Bayesian inference methods especially particle filters are an appropriate
approach for robust reasoning on unreliable context information and sparse sensor data.
ixx