摘要

本文介绍了一种基于大型语言模型（LLM）的零样本日常活动识别系统ADL-LLM。该系统通过将传感器数据转换为文本表示，利用LLM进行零样本识别，无需大量标注数据。此外，当有少量标注数据可用时，ADL-LLM还能通过少样本提示机制进一步提高识别准确率。研究在两个公开数据集上验证了ADL-LLM的有效性，展示了其在日常活动识别领域的应用前景。

原理

ADL-LLM的核心工作原理是将原始传感器数据转换为自然语言描述，然后利用预训练的大型语言模型（LLM）进行活动识别。具体步骤包括：

1. 传感器数据转换：将传感器数据转换为描述性的文本形式，例如“电视在客厅从12:34到13:02是开启的”。
2. LLM处理：LLM接收这些文本描述，并利用其内置的常识知识来推断最可能的日常活动。
3. 零样本识别：LLM能够在没有特定活动训练数据的情况下进行识别，这得益于其广泛的知识库和强大的推理能力。
4. 少样本提示：当有少量标注数据可用时，ADL-LLM可以通过选择与当前窗口语义相似的样本来增强系统提示，从而提高识别准确率。

流程

ADL-LLM的工作流程如下：

1. 传感器状态生成：从智能家居环境中收集传感器数据，并生成传感器状态的连续流。
2. 分段：将传感器状态流分割成固定时间窗口，每个窗口包含一定时间内的传感器状态。
3. 窗口到文本转换：将每个时间窗口的传感器状态转换为自然语言描述。
4. 系统提示和用户提示构建：构建系统提示（定义任务）和用户提示（包含当前窗口的文本描述和额外指令）。
5. LLM识别和活动标签提取：LLM处理输入提示并生成活动识别结果，然后提取最可能的活动标签。
6. 少样本提示机制：如果有少量标注数据，通过语义选择机制选择相似样本，增强系统提示以提高识别准确率。

应用

ADL-LLM在智能家居环境中具有广泛的应用前景，特别是在能源管理、安全监控、健康护理等领域。其零样本识别能力使其能够快速部署在新的环境中，无需大量标注数据，适用于快速变化和多样化的应用场景。此外，随着技术的进一步发展，ADL-LLM有望在更多领域实现个性化和精细化的活动识别。