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。