强化学习+多模态感知，个性化热舒适新方案，告别静态设定点！
From Thermal Preference Prediction to Adaptive Thermal Intervention: A Reinforcement Learning Approach Using Physiological and Environmental Sensing
📖 AI 总结
该研究提出了一种两阶段个性化热舒适方法，将多模态生理与环境传感数据与强化学习决策相结合，以解决传统暖通空调系统依赖静态设定点和群体舒适模型、忽视个体生理差异的问题。研究核心在于从预测个体热偏好出发，进一步实现自适应的热干预调节。该方法通过实时感知生理信号和环境参数，利用强化学习动态优化控制策略，从而为每位 occupants 提供定制化的热舒适体验。这一研究的意义在于推动建筑控制策略从“一刀切”向个性化、响应式方向转变，有望提升居住者舒适度与建筑能效，为智能建筑和以人为本的环境控制提供了新的技术路径。
🔑 关键词速览
| Personalised Thermal Comfort | 个性化热舒适，指根据个体差异定制热环境以满足个人舒适需求。 |
| Reinforcement Learning | 强化学习，一种机器学习方法，通过与环境交互试错来学习最优决策策略。 |
| Multimodal Sensing | 多模态感知，指同时使用多种传感器（如生理和环境传感器）采集数据。 |
| HVAC | 供暖、通风与空调系统，用于调节建筑室内环境的设备系统。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅