隐形光开关：基于RGBD图像的人本照明控制系统

1. 引言

室内照明设计对于人体舒适度和能源效率都至关重要。在办公室等环境中，照明通常保持在最高水平，导致大量不必要的能源消耗。研究表明，照明可占建筑物用电量的15%以上，峰值时接近25%。传统的节能策略侧重于日光利用、局部控制和高效灯具。本文介绍隐形光开关 (ILS)，这是一种新颖的系统，可根据个体使用者的具体需求和视野动态调节照明，在显著节能的同时，不会明显降低其感知到的照明质量。

2. 隐形光开关 (ILS) 系统

2.1 核心理念与动机

ILS的核心理念是让节能对用户“隐形”。它会调暗或关闭不在用户当前视野（头部姿态视锥体）内的灯具，同时为用户正在积极使用的区域维持充足的光照水平。这在大型、人员稀疏的空间（如开放式办公室）中尤其有效。

2.2 系统流程概述

如PDF中图2所示，ILS流程涉及几个关键步骤：

1. 输入获取：从相机系统捕获RGBD（颜色和深度）数据。
2. 场景分析：重建房间的3D几何结构和光度材质属性。
3. 人本分析：检测人员存在，并估计头部姿态（视线方向）。
4. 照明控制：输出信息驱动一个节能框架，该框架控制各个灯具。

3. 技术方法

3.1 基于RGBD输入的场景分析

系统使用RGBD图像创建环境的3D模型。这包括识别表面、其方向和近似反射率（反照率），这些对于精确的光线传输模拟至关重要。

3.2 人体检测与头部姿态估计

采用计算机视觉技术来检测场景中的人员并估计其头部方向。这定义了一个视锥体——该人员可以看到的空间范围——这是ILS逻辑的核心。

3.3 基于辐射度的光照水平估计

ILS利用辐射度模型来模拟房间内的光线传播。这种全局光照模型考虑了来自光源的直接光和来自表面的间接反射光。它估计人员眼睛位置处的照度（以勒克斯为单位），以此作为其感知光照水平的代理指标。

4. 实验设置与结果

4.1 使用照度计的数据集收集

作者收集了一个新颖的数据集，参与者佩戴与视线对齐的照度计设备，以测量办公室活动期间的真实照度。

4.2 节能性能

在一个配备8个LED灯具的测试房间中，ILS将每日能耗从18,585瓦时降低到7,766瓦时（包括1,560瓦时的系统运行能耗）。这代表了纯照明能源的急剧减少。

4.3 感知光照影响

尽管节能效果显著，但用户眼睛处测得的照度下降仅约200勒克斯。当基线照度较高时（例如，>1200勒克斯，办公室典型值），这种减少被认为是微不足道的，很可能无法察觉，从而验证了“隐形”的说法。

5. 核心见解与讨论

• 人本控制 vs. 仅存在感应： ILS超越了简单的存在传感器，通过考虑人正在看哪里，实现了更精细的控制。
• 感知感知型节能： 该系统明确建模并维持感知光照水平，解决了用户接受自动照明控制的一个关键障碍。
• 大型空间的可扩展性： 在大型开放式办公室中，效益会放大，因为传统上单个使用者需要照亮大片区域。
• 与建筑系统的集成： ILS契合更广泛的节能策略金字塔（图1），作为高效灯具和日光利用之上的智能层。

6. 原创分析：核心洞察、逻辑脉络、优势与不足、可行建议

核心洞察： 本文的巧妙之处在于其心理学转向：它没有要求用户为了节能而忍受更暗的光线（一个难以接受的提议），而是巧妙地利用了人类视觉系统的局限性。我们即时视野之外的光线对我们感知的亮度贡献甚微。ILS将这一视觉盲区武器化，将其转化为能源储备。这与人机交互的原则一致，即无缝、非侵入式的自动化胜过明确的用户指令，类似于谷歌智能撰写或苹果主动式Siri建议背后的预测算法。

逻辑脉络： 论证在经济上是合理的。它从照明无可否认的成本开始（引用Kralikova & Zhou）。然后批评了像存在传感器这样生硬的解决方案，这些方案在空房间关灯，但在部分有人空间失效。ILS被定位为下一个进化步骤：细粒度、感知感知型控制。从RGBD输入 → 3D场景 + 人体姿态 → 辐射度模型 → 灯具控制的技术流程在逻辑上是连贯的，借鉴了成熟的计算机视觉技术（如来自CycleGAN或Mask R-CNN谱系的图像理解技术），并将其应用于物理空间中的一个新颖的、受约束的优化问题。

优势与不足： 其优势在于其引人注目、经过人体验证的概念验证。66%的节能数字令人震惊，足以吸引任何设施管理者的注意。然而，不足之处在于可扩展性和隐私领域。依赖RGBD摄像头进行连续姿态跟踪对于工作场所实施来说是隐私噩梦，引发了类似于围绕亚马逊仓库监控的担忧。对动态场景进行实时辐射度计算的计算成本不容小觑，这是麻省理工学院CSAIL等机构图形研究中公认的挑战。“眼睛处的勒克斯”代理指标虽然合理，但过度简化了诸如眩光、色温偏好和昼夜节律影响等感知指标，这些是照明研究中心 (LRC) 的活跃研究领域。

可行建议： 对于建筑科技公司，当务之急是在低隐私风险、高天花板环境中试点ILS，如仓库或礼堂。研究界应专注于开发使用低分辨率热成像或匿名深度传感器的隐私保护版本，并集成比完整辐射度模型更简单、更快的照明模型。对于标准制定机构，这项工作强调了迫切需要更新建筑能源规范，以奖励感知感知型系统，而不仅仅是流明输出。在控制回路中忽视人为因素，意味着错失了巨大的节能潜力。

7. 技术细节与数学公式

辐射度方法是ILS的核心。它求解由离散面片组成的环境中的平衡光分布。对于面片i的基本辐射度方程为：

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

其中：

• $B_i$：面片i的辐射度（离开该面片的总光能）。
• $E_i$：自发射辐射度（对于非光源为零）。
• $\rho_i$：面片i的反射率（反照率）。
• $F_{ji}$：从面片j到面片i的形状因子，表示离开j的能量中到达i的比例。这是一个根据3D场景模型计算的几何项。
• 求和项考虑了来自所有其他面片j的光线。

ILS通过将灯具视为发射面片来修改此模拟。通过求解这个方程组，它可以通过累加所有可见面片的贡献来估计任何点（如用户眼睛）的照度。然后，控制算法调暗那些直接和重要的间接贡献落在用户视锥体之外的灯具。

8. 分析框架：示例案例研究

场景： 一名员工在配备20个天花板LED面板的大型开放式办公室加班。

传统系统： 运动传感器可能保持该区域所有灯亮（例如，15个面板），消耗约15,000瓦。

ILS框架应用：

1. 输入： RGBD摄像头检测到一个人在办公桌前，头部姿态朝向显示器和文件。
2. 视锥体计算： 系统定义从该人员头部延伸出的金字塔形视域。只有4个LED面板直接位于此视域内或显著照亮此视域。
3. 辐射度模拟： 模型计算得出，调暗其他16个面板仅使眼睛位置的照度降低180勒克斯（从1100勒克斯降至920勒克斯）。
4. 控制动作： ILS将16个非必要面板调暗至10%功率，保持4个必要面板为100%。
5. 结果： 能耗降至约4,000瓦。员工未注意到其工作空间亮度有显著变化，因为其任务区域仍然照明良好。公司在不影响生产力或舒适度的情况下节省了能源。

9. 未来应用与研究展望

• 多使用者优化： 将ILS逻辑扩展到为多个使用者动态优化照明，这些使用者的视锥体可能存在冲突，将其表述为多目标优化问题。
• 与昼夜节律照明集成： 将节能调光与动态色温调节相结合，以支持使用者的健康和福祉，遵循Well Living Lab等机构的研究。
• 隐私优先设计传感： 用超低分辨率深度传感器或基于匿名射频的存在感应（例如，Wi-Fi或毫米波雷达）替代详细的RGBD摄像头，以缓解隐私担忧。
• 边缘AI与更快模型： 在灯具内部的边缘AI芯片上实现视觉和控制算法，使用近似或机器学习的辐射度代理模型以实现实时操作。
• 超越办公室： 应用于博物馆（仅照亮正在观看的艺术品）、零售（突出显示顾客观看的产品）和工业环境（为装配工作提供任务照明）。

10. 参考文献

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. 国际照明设计师协会 (IALD). (n.d.). 什么是照明设计？
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. 照明研究中心 (LRC), 伦斯勒理工学院. (n.d.). 人类健康与福祉.
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).