Невидимый выключатель света: Управление освещением, ориентированное на человека, на основе RGBD-изображений

1. Введение

Дизайн внутреннего освещения критически важен как для комфорта человека, так и для энергоэффективности. В таких средах, как офисы, освещение часто поддерживается на максимальном уровне, что приводит к значительному и неоправданному потреблению энергии. Исследования показывают, что освещение может составлять более 15% потребления электроэнергии зданием, достигая пика почти в 25%. Традиционные стратегии энергосбережения сосредоточены на использовании дневного света, локальном управлении и эффективных светильниках. В данной статье представлена система «Невидимый выключатель света» (Invisible Light Switch, ILS) — новая система, которая динамически регулирует освещение на основе конкретных потребностей и поля зрения отдельных пользователей, достигая существенной экономии энергии без заметного снижения качества освещения для них.

2. Система «Невидимый выключатель света» (ILS)

2.1 Основная концепция и мотивация

Основная идея ILS заключается в том, чтобы сделать энергосбережение «невидимым» для пользователя. Система приглушает или выключает светильники, которые не находятся в текущем поле зрения пользователя (пирамиде видимости, определяемой позой головы), сохраняя при этом достаточный уровень освещённости для области, которую пользователь активно использует. Это особенно эффективно в больших, редко занятых пространствах, таких как open-space офисы.

2.2 Обзор архитектуры системы

Архитектура ILS, как показано на Рисунке 2 в PDF, включает несколько ключевых этапов:

1. Получение входных данных: RGBD-данные (цвет и глубина) захватываются системой камер.
2. Анализ сцены: Восстанавливается 3D-геометрия и фотометрические свойства материалов помещения.
3. Анализ, ориентированный на человека: Обнаруживается присутствие человека и оценивается поза головы (направление взгляда).
4. Управление освещением: Результаты передаются в систему энергосбережения, которая управляет отдельными светильниками.

3. Техническая методология

3.1 Анализ сцены на основе RGBD-входных данных

Система использует RGBD-изображения для создания 3D-модели окружения. Это включает идентификацию поверхностей, их ориентации и приблизительной отражательной способности (альбедо), что критически важно для точного моделирования распространения света.

3.2 Детектирование человека и оценка позы головы

Применяются методы компьютерного зрения для обнаружения людей в сцене и оценки ориентации их головы. Это определяет пирамиду видимости — объём пространства, который человек может видеть, — что является центральным для логики ILS.

3.3 Оценка уровня освещённости на основе радиосити

ILS использует модель радиосити для моделирования распространения света в помещении. Эта модель глобального освещения учитывает прямой свет от источников и непрямой свет, отражённый от поверхностей. Она оценивает освещённость (в люксах) в позиции глаз человека, что служит приближением для воспринимаемого им уровня света.

4. Экспериментальная установка и результаты

4.1 Сбор датасета с использованием люксметров

Авторы собрали новый датасет, в котором участники носили на голове люксметры, выровненные по направлению взгляда, для измерения эталонной освещённости во время офисной деятельности.

4.2 Эффективность энергосбережения

В тестовой комнате с 8 светодиодными светильниками ILS снизила ежедневное потребление энергии с 18 585 ватт-часов до 7 766 ватт-часов (включая 1 560 Вт на работу системы). Это представляет собой резкое сокращение потребления энергии непосредственно на освещение.

4.3 Влияние на воспринимаемое освещение

Несмотря на значительную экономию энергии, падение измеренной освещённости на уровне глаз пользователя составило всего около 200 люкс. Когда базовый уровень освещённости высок (например, >1200 люкс, что типично для офисов), это снижение считается незначительным и, вероятно, незаметным, что подтверждает утверждение о «невидимости».

5. Ключевые выводы и обсуждение

• Ориентированность на человека vs. Только присутствие: ILS выходит за рамки простых датчиков присутствия, учитывая то, куда смотрит человек, что позволяет осуществлять более детализированное управление.
• Экономия с учётом восприятия: Система явно моделирует и сохраняет воспринимаемые уровни освещённости, устраняя ключевое препятствие для принятия пользователями автоматизированных систем управления освещением.
• Масштабируемость для больших пространств: Преимущество усиливается в больших open-space офисах, где традиционно для одного человека требовалось освещение огромной площади.
• Интеграция с системами зданий: ILS вписывается в более широкую пирамиду стратегий энергосбережения (Рис. 1), выступая в качестве интеллектуального слоя поверх эффективных светильников и систем использования дневного света.

6. Оригинальный анализ: Основная идея, логика, сильные и слабые стороны, практические выводы

Основная идея: Гениальность статьи заключается в её психологическом повороте: вместо того чтобы просить пользователей мириться с более тусклым светом ради экономии энергии (проигрышная стратегия), она умело использует ограничения человеческой зрительной системы. Свет за пределами нашего непосредственного поля зрения мало влияет на воспринимаемую яркость. ILS превращает этот визуальный пробел в резервуар для экономии энергии. Это согласуется с принципами человеко-компьютерного взаимодействия, где бесшовная, ненавязчивая автоматизация побеждает явные команды пользователя, подобно предиктивным алгоритмам, лежащим в основе Google Smart Compose или упреждающих предложений Apple Siri.

Логика: Аргументация экономически обоснована. Она начинается с неоспоримой стоимости освещения (ссылаясь на Краликову и Чжоу). Затем критикуются грубые решения, такие как датчики присутствия, которые выключают свет в пустых комнатах, но неэффективны в частично занятых пространствах. ILS позиционируется как следующий эволюционный шаг: детализированное, учитывающее восприятие управление. Техническая цепочка от RGBD-входных данных → 3D-сцена + поза человека → модель радиосити → управление светильниками логически последовательна, заимствуя устоявшиеся методы компьютерного зрения (такие как из семейства CycleGAN или Mask R-CNN для понимания изображений) и применяя их к новой задаче условной оптимизации в физическом пространстве.

Сильные и слабые стороны: Сильная сторона — это убедительное, подтверждённое на людях доказательство концепции. Цифра экономии энергии в 66% ошеломляет и привлечёт внимание любого руководителя объекта. Однако слабые стороны лежат в сферах масштабируемости и конфиденциальности. Зависимость от RGBD-камер для непрерывного отслеживания позы — это кошмар для конфиденциальности при внедрении на рабочих местах, вызывая опасения, аналогичные тем, что связаны с мониторингом на складах Amazon. Вычислительная стоимость радиосити в реальном времени для динамической сцены нетривиальна, что признаётся вызовом в исследованиях компьютерной графики в таких институтах, как CSAIL MIT. Прокси «люкс на уровне глаз», хотя и разумный, чрезмерно упрощает перцептивные метрики, такие как блики, предпочтения по цветовой температуре и влияние на циркадные ритмы, которые являются активными областями исследований в Lighting Research Center (LRC).

Практические выводы: Для компаний, занимающихся технологиями для зданий, немедленным шагом является пилотирование ILS в средах с низким риском для конфиденциальности и высокими потолками, таких как склады или аудитории. Исследовательскому сообществу следует сосредоточиться на разработке версий, сохраняющих конфиденциальность, с использованием низкоразрешающих тепловых или анонимных датчиков глубины, а также на интеграции более простых и быстрых моделей освещения, чем полная радиосити. Для органов по стандартизации эта работа подчёркивает настоятельную необходимость обновления строительных энергетических норм, чтобы поощрять системы, учитывающие восприятие, а не только световой поток. Игнорирование человеческого фактора в контуре управления оставляет огромную экономию энергии неиспользованной.

7. Технические детали и математическая формулировка

Метод радиосити является центральным для ILS. Он решает задачу равновесного распределения света в среде, состоящей из дискретных патчей. Фундаментальное уравнение радиосити для патча i выглядит следующим образом:

$$B_i = E_i + \rho_i \sum_{j=1}^{n} B_j F_{ji}$$

Где:

• $B_i$: Радиосити патча i (весь свет, покидающий патч).
• $E_i$: Собственное излучение патча i (ноль для не-источников света).
• $\rho_i$: Отражательная способность (альбедо) патча i.
• $F_{ji}$: Форм-фактор от патча j к патчу i, представляющий долю энергии, покидающей j, которая попадает на i. Это геометрический член, рассчитываемый на основе 3D-модели сцены.
• Сумма учитывает свет, приходящий со всех других патчей j.

ILS модифицирует это моделирование, рассматривая светильники как излучающие патчи. Решая эту систему уравнений, можно оценить освещённость в любой точке (например, в глазах пользователя), суммируя вклад от всех видимых патчей. Алгоритм управления затем приглушает светильники, чей прямой и значительный непрямой вклад находится за пределами пирамиды видимости пользователя.

8. Структура анализа: Пример кейса

Сценарий: Один сотрудник работает допоздна в большом open-space офисе с 20 потолочными светодиодными панелями.

Традиционная система: Датчики движения могут поддерживать включёнными все светильники в общей зоне (например, 15 панелей), потребляя ~15 000 Вт.

Применение подхода ILS:

1. Входные данные: RGBD-камера обнаруживает одного человека за столом, поза головы направлена на монитор и бумаги.
2. Расчёт пирамиды видимости: Система определяет пирамидальный объём видимости, исходящий из головы человека. Только 4 светодиодные панели находятся непосредственно внутри или значительно освещают этот объём.
3. Моделирование радиосити: Модель рассчитывает, что приглушение остальных 16 панелей снижает освещённость в позиции глаз всего на 180 люкс (с 1100 до 920 люкс).
4. Действие управления: ILS приглушает 16 несущественных панелей до 10% мощности, оставляя 4 существенные панели на 100%.
5. Результат: Потребление энергии падает до ~4 000 Вт. Сотрудник не замечает значительных изменений в яркости своего рабочего места, так как область его задач остаётся хорошо освещённой. Компания экономит энергию, не влияя на производительность или комфорт.

9. Будущие применения и направления исследований

• Оптимизация для нескольких пользователей: Расширение логики ILS для динамической оптимизации освещения для нескольких людей с потенциально конфликтующими пирамидами видимости, формулируя это как задачу многокритериальной оптимизации.
• Интеграция с циркадным освещением: Комбинирование энергосберегающего затемнения с динамической регулировкой цветовой температуры для поддержания здоровья и благополучия пользователей, следуя исследованиям таких институтов, как Well Living Lab.
• Сенсорика с защитой конфиденциальности: Замена детализированных RGBD-камер сверхнизкоразрешающими датчиками глубины или анонимными датчиками присутствия на основе RF (например, Wi-Fi или мм-волнового радара) для смягчения проблем конфиденциальности.
• Периферийный ИИ и более быстрые модели: Реализация алгоритмов компьютерного зрения и управления на чипах периферийного ИИ внутри самих светильников с использованием аппроксимированных или обученных машинным обучением прокси-моделей для радиосити для обеспечения работы в реальном времени.
• За пределами офисов: Применение в музеях (освещение только рассматриваемого произведения искусства), розничной торговле (подсветка продуктов, на которые смотрят покупатели) и промышленных условиях (обеспечение рабочего освещения для сборочных работ).

10. Список литературы

1. Tsesmelis, T., Hasan, I., Cristani, M., Del Bue, A., & Galasso, F. (2019). Human-centric light sensing and estimation from RGBD images: The invisible light switch. arXiv preprint arXiv:1901.10772.
2. International Association of Lighting Designers (IALD). (n.d.). What is Lighting Design?
3. Kralikova, R., & Wessely, E. (2012). Lighting energy savings in office buildings. Advanced Engineering.
4. Zhou, X., et al. (2016). Energy consumption of lighting in commercial buildings: A case study. Energy and Buildings.
5. Lighting Research Center (LRC), Rensselaer Polytechnic Institute. (n.d.). Human Health and Well-Being.
6. He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. IEEE International Conference on Computer Vision (ICCV).
7. Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).