基于公众参与的实时热舒适度监测:一种自适应机器人系统

《BUILDING AND ENVIRONMENT》:Real-time thermal comfort monitoring guided by public participation: An adaptive robot system

【字体: 大 中 小 】 时间:2026年07月22日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  摘要传统的热舒适度模型,如预测平均投票法(PMV),依赖于稳态、以群体为基准且仅考虑单个人的假设,这限制了它们在复杂的多人环境中对个体动态热感知的捕捉能力。为解决这一局限,本研究开发了一种自适应多体热舒适度感知机器人系统。该框架整合了五个自适应模块:一种抗干扰感知模块,可在装饰性

  

摘要

传统的热舒适度模型,如预测平均投票法(PMV),依赖于稳态、以群体为基准且仅考虑单个人的假设,这限制了它们在复杂的多人环境中对个体动态热感知的捕捉能力。为解决这一局限,本研究开发了一种自适应多体热舒适度感知机器人系统。该框架整合了五个自适应模块:一种抗干扰感知模块,可在装饰性干扰、反射性背景、不均匀照明以及密集人群遮挡的情况下仍实现准确的人体检测;一种多用户特征构建模块,用于生成具有身份一致性的多模态人体表征;一种基于大型语言模型(LLM)的语义推理模块,用于跨模态特征验证与反馈融合;一种算法自适应的热舒适度预测模块,具备个性化偏差学习、环境适应性调整、时间权重分配以及置信度估算功能;还有一种在线学习模块,可通过人类参与式的更新使模型持续自我进化。在深圳某大型购物中心进行的57天实地测试中,共收集了1557份有效的热感觉评分、39,181个环境样本以及超过1.05×10^7帧的处理后的视频画面。抗干扰框架在装饰性干扰和复合干扰场景下的mAP值分别达到了0.87和0.82,而LLM辅助的语义融合则将mAP值从0.75提升至0.84,同时还将身份切换次数从112次减少到32次。通过持续的自适应调整,在±0.5 TSV标准下,典型工作日条件下的预测准确率可达88.4%,而在更为复杂的周末高密度环境下这一数值可提升至89.8%。研究结果表明,该系统为动态公共建筑中的个性化环境控制提供了一种比传统静态热舒适度建模更为可靠且更具扩展性的解决方案。

引言

在现代社会,人们约有80%的时间都在室内度过,因此热舒适度成为影响健康、工作效率以及建筑能源性能的关键因素[[1], [2], [3]]。然而,由于局部热源、气流分布以及人员流动的差异,室内环境存在显著的空间和时间变化性。因此,基于点位的测量往往无法真实反映实际使用者的热状态,从而导致预测结果与实际感受之间存在偏差[4,5]。
计算机视觉和多模态传感技术的最新进展为无干扰、以人为中心的热舒适度监测提供了可能。热成像技术可用于估算皮肤温度,而RGB-D传感器则能用来获取与衣物隔热性能、姿势以及活动相关的特征[[6], [7], [8]]。结合行为信息和环境数据的数据驱动方法进一步提升了对个体热偏好特征的描述精度[9]。不过,这类技术的大规模应用仍受到安装成本高、维护复杂、隐私问题以及可扩展性有限等制约。
移动机器人平台为室内环境监测提供了一种灵活且成本较低的替代方案,相较于固定式传感设备,它具备更强的空间覆盖能力和动态数据采集功能。以往的研究已证明了其在热图绘制和环境监测方面的有效性[[10], [11], [12], [13], [14]],而机器人移动能力与环境传感技术的结合也为实际建筑中的自适应暖通空调控制带来了可能性[9]。然而,在真实的公共室内环境中,要实现可靠的机器人感知仍然面临诸多挑战,比如光照变化、反射表面、类似人类的装饰物以及密集人群遮挡等因素,这些都可能降低人体检测、跟踪以及行为识别的准确性,从而导致误检、身份混淆以及特征表示不稳定等问题[3,7]。
与此同时,传统的热舒适度模型,例如预测平均投票法(PMV),依赖于稳态假设以及群体平均水平特征,这限制了它们在真实使用环境中对动态且个性化的热感知的捕捉能力[15]。尽管近年来基于人工智能的多模态方法通过整合行为、视觉以及环境信息,提升了以使用者为中心的热舒适度预测精度[6,14],但现有的大多数模型仍然依赖短期或静态数据集,难以捕捉个体热偏好的长期演变趋势。
自适应学习技术和大型语言模型(LLMs)的最新进展为解决这些局限提供了新的契机。LLMs具备高级语义推理能力以及多模态信息整合功能,有助于对使用者的反馈、行为背景以及人机交互进行结构化解读[[16], [17], [18], [19], [20], [21], [22]]。不过,现有的多模态热舒适度研究仍受限于静态数据收集以及不足的长期自适应能力[[23], [24], [25], [26], [27], [28], [29], [30]]。
为应对这些挑战,本研究提出了一种算法自适应的个性化舒适度模型——AAPCM,该模型将抗干扰感知、多模态人体特征融合、LLM辅助的语义反馈对齐以及自适应热舒适度预测功能整合在一个统一的在线学习框架之中。通过结合强大的感知能力与跨模态语义推理,该系统能够降低视觉干扰和短暂感知错误带来的不确定性,同时提升视觉观察结果与用户反馈之间的一致性。此外,本研究还开发了一种基于自适应XGBoost的热舒适度预测模型[31],该模型融入了个性化学习、环境权重调整、时间适应性以及在线增量更新功能,旨在为动态室内环境提供稳定的长期预测能力。本研究的科学贡献不仅在于实现了机器人感知或计算机视觉技术的应用,更在于构建了一种算法自适应的个性化舒适度预测框架,它将传统的个性化舒适度模型从基于有限使用者特征的单次、静态、孤立式预测,发展为一种适用于公共多人数室内环境的、具有长期性、反馈驱动、多模态信息支持以及动态更新能力的舒适度评估体系。
在该框架中,机器人感知功能用于实时获取使用者层面及环境相关的输入数据,而其核心的建筑科学价值则体现在能够在动态的公共室内环境中实现持续的个性化舒适度预测。本研究的主要贡献如下:
  • •
    开发了一种算法自适应的个性化舒适度模型(AAPCM),通过个性化偏差学习、时间权重分配、滑动窗口更新、在线反馈修正以及置信度估算等功能,实现长期的热感觉预测。
  • •
    建立了一种基于公众参与的在线学习机制,能够持续将使用者的热感觉评分纳入模型更新过程中。
  • •
    整合了一种多模态使用者特征构建框架,可为舒适度预测提供具有身份一致性的人体语言、服装、空间位置以及互动行为相关的数据输入。
  • •
    通过大规模的实地应用实验,验证了该系统的稳定性、适应性以及工程实现的可行性。
本文的其余部分结构如下:第2节介绍研究方法与系统架构;第3节阐述实验设计及结果;第4节分析研究所得结论;最后,第5节对本研究进行总结,并指出未来的研究方向。

章节摘录

方法框架

本研究提出了AAPCM模型,该模型整合了多模态感知、语义推理以及自适应学习功能,旨在为动态室内环境中的热舒适度评估提供稳定且连续的解决方案。该框架由五个相互关联的模块组成,形成一个闭环的感知-预测-自适应调整流程,便于长期应用(见图1)。
  • (1). 抗干扰感知模块
在大型公共室内环境中,视觉感知常常会受到光照变化、反射面

实验

为评估所提出框架的部署可行性、运行稳定性以及交互易用性,基于Walking-2移动平台的AAPCM系统被部署在真实的公共室内环境中,作为一个闭环的感知-交互-学习系统,用于实现自适应热舒适度监测。实验在深圳MixC World商业综合体的首层进行,该场所具有装饰性干扰严重、行人流量大以及照明不均匀等特点

级联干扰下的感知稳定性

在大型公共室内环境中,诸如类似人类的装饰物、反射表面、光照变化以及人群遮挡等相互关联的视觉干扰因素,可能会在整个传感流程中引发误差,从而导致以人为中心的特征表现不稳定,进而使热舒适度预测出现偏差。为应对这一挑战,所提出的闭环框架整合了抗干扰感知、身份匹配、语义特征融合以及自适应在线学习功能,以实现长期稳定的

结论

本研究提出了一种基于移动机器人平台的自适应多体热舒适度感知与预测框架,并通过在该大型公共室内环境中的57天应用实验验证了其性能。主要结论如下。
  • •
    开发了一种自适应抗干扰感知框架,能够在装饰性干扰、反射表面、不均匀照明以及密集人群遮挡等条件下,实现准确的人体感知数据采集。所提出的AIT-A

CRediT作者贡献说明

Chia-Yi Lin:研究调查、方法设计、可视化处理、论文初稿撰写。Yi Zhang:资金筹措、结果验证、论文初稿撰写以及审稿与编辑工作。
Chia-Yi Lin|Yi Zhang
清华大学深圳国际研究生院未来人类居住环境研究所,中国广东省深圳市
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号