《Developments in the Built Environment》：Risk-aware robotic infection control: Integrating computer vision and physics-informed decision-making for resilient ventilation in offices
编辑推荐：
为解决传统空调系统在动态办公环境中难以有效降低空气传播感染风险的问题，本研究提出了一种风险感知的机器人个性化通风（RRPV）框架。该框架集成了基于计算机视觉的实时人员感知、基于物理知识的感染风险预测代理模型以及不确定感染源下的自适应决策规划。结果显示，该方法在盲测场景下平均绝对误差仅为0.77%，相比静态基准策略，可将平均感染风险降低35.5%，在最坏暴露场景下降低高达74%，为动态室内环境提供了高效、低延时的智能感染控制方案。
办公室、会议室等人员密集的室内空间不仅是人们工作的场所，也可能成为呼吸道病原体传播的“隐形通道”。人们超过80%的时间在室内度过，而现代建筑为了节能，其围护结构气密性越来越好，这使得供暖、通风和空调（HVAC）系统成为维持健康室内环境的关键。然而，一个普遍的困境是：标准设计的HVAC系统在正常工况下尚可应对，但在高风险场景中，例如当室内存在潜在感染者时，其通风效率往往不足以有效稀释气溶胶中的病原体。传统的混合通风（MV）系统基于空气完全混合的假设，通风效率偏低，为了达到感染控制目的，往往需要输送远超设计容量的新风，导致能耗剧增，保护效果却依然有限。后疫情时代，世界卫生组织等机构建议大幅提高通风换气率，但这对于许多现有建筑而言，从工程改造成本和运行能耗上都难以实现。
另一方面，针对个人的个性化通风（PV）技术，通过将过滤后的空气直接送达人的呼吸区，有望大幅提升局部通风效率，以较低的能耗显著降低感染风险，是传统整体通风方案的有力补充。但在实际应用中，PV技术面临着“水土不服”的挑战：它通常依赖于安装在办公桌或座椅上的固定出风口，需要复杂的管道布置和精准的朝向调整，改造和维护成本高昂。更重要的是，真实办公环境的动态性让基于固定设备的PV系统束手无策——座位空置率、人员布局随时在变，而感染源的身份通常是未知的。研究证据甚至表明，如果PV的送风射流不当地对准了感染者，反而可能加速其呼出气溶胶的扩散，增加直接暴露风险。与此同时，便携式空气净化器作为辅助设备被广泛应用，但其摆放位置往往很随意，不当的放置可能导致气流“短路”或污染物滞留区，削弱甚至恶化净化效果。
如何为这些普遍存在的、动态变化的办公空间，设计一种既智能灵活又科学可靠的感染控制方案？这正是香港城市大学建筑与土木工程系任志浩（Zhihao Ren）、李欣（Xin Li）、马世辉（Shihui Ma）、金正仁（Jung In Kim）等研究人员致力于解决的问题。他们的研究成果提出了一种名为“风险感知机器人个性化通风”的创新框架，旨在将机器人技术与精准的室内空气动力学模型相结合，为动态环境提供自适应的感染控制。
研究人员在一个真实存在的大学会议室里构建并验证了他们的系统原型。该框架的核心工作流程可分为三个紧密衔接的层次：感知、建模和规划。首先，感知层通过部署在天花板的摄像头和经过优化的YOLOv11模型，每分钟对室内进行一次“扫描”，实时、匿名地识别出哪些座位有人员就坐，并生成一张座位级别的占用掩码图。这解决了“人在哪里”的问题。
其次，建模层的任务是在已知人员布局和候选净化器位置的情况下，快速预测出每个座位的感染概率。如果对每一种可能的“感染源组合-净化器位置”场景都进行高保真的计算流体动力学（CFD）模拟，计算成本将是天文数字。为了解决这一瓶颈，研究人员创造性地采用了一种物理信息混合代理模型。其核心思想基于被动标量输运的线性叠加原理：先通过CFD模拟一组稀疏的“基函数”场景（例如，单个感染者坐在不同座位时的污染物扩散场），然后训练一个随机森林模型来学习任意“源座位-目标座位-净化器位置”三者之间的感染概率影响函数。对于任意复杂的多人就坐、未知感染源的情况，房间的整体感染风险可以通过将每个潜在感染源对应的基函数进行线性叠加来重构。这种方法巧妙地融合了物理定律的严谨性和机器学习的高效性，使其在仅有32个单源CFD训练样本的情况下，在包含20个多源场景的盲测集上达到了0.77%的平均绝对误差（MAE），显著优于需要更大训练集的标准黑盒机器学习模型。
最后，规划层利用代理模型的预测能力，在感染源不确定的情况下做出最优决策。系统能检测到有人就坐，但无法知晓其中谁是感染者。因此，规划器会评估每一个候选净化器位置，计算在所有可能的感染源组合（即所有可能的感染者和易感者组合）下的风险分布。基于此，系统实现了两种可切换的自适应控制策略：一种是风险中性策略，目标是最小化所有可能情况下的平均感染风险，追求整体清洁效率；另一种是风险规避策略，目标是严格限制任何单个人员可能面临的最坏暴露风险，追求安全公平性。系统根据实时检测到的人员布局，动态选择执行哪种策略，并瞬间将移动净化器部署到最优位置。
研究人员在香港城市大学学术楼内的一间无窗会议室进行了全面评估。该房间面积为3.36米 × 5.82米，内设八个座位（标记为A至H），由三个天花板方形散流器送风，两个回风口回风。移动净化器有十个候选摆放位置。通过对所有255种可能的就坐配置进行分析，结果显示，最优的净化器位置高度依赖于具体的人员密度和空间分布，没有一个静态位置能普遍适用。总体而言，在人员稀疏时，风险中性策略倾向于将净化器放置在房间中央区域（如位置5）；而在人员密集或特定布局下，风险规避策略会选择能最大限度保护“最脆弱”个体的位置（如位置7）。与将净化器固定放置在墙角或墙边的静态基线策略相比，所提出的自适应机器人策略能够将平均感染风险降低35.5%，在最坏暴露情况下，风险降低幅度更高达74%。现场原型试验也证实了该解决方案的可扩展性和低延迟性，为现有建筑的室内安全升级提供了一条可行路径。
主要技术方法概要：
本研究采用模块化系统架构，集成基于YOLOv11模型的计算机视觉实时座位占用感知。通过高保真计算流体动力学（CFD）模拟，使用雷诺平均Navier-Stokes框架和RNG k-ε湍流模型，并结合16点法模拟散流器，构建了室内气流与CO2（作为病原体代理）输运的物理模型。基于线性叠加原理，利用随机森林算法构建了物理信息混合代理模型，用于快速预测任意座位布局下的感染风险。针对感染源不确定性，规划器采用风险中性与风险规避两种自适应控制策略，通过遍历所有可能的感染源组合来决策移动净化器的最优部署位置。
研究结果：
- •
CFD模型验证与网格独立性分析：通过现场实测与模拟结果对比，验证了CFD模型在预测室内空气流速和温度方面的准确性，平均误差分别为0.13 m/s和0.3 °C。网格独立性分析确认了中等密度网格（约347万网格）在计算效率与精度间的良好平衡。
- •
物理信息代理模型的预测性能：在由20个多源场景组成的盲测集上，所提出的代理模型取得了0.77%的全局平均绝对误差（MAE），表现优异。与仅使用基础训练集（32个单源场景）的标准机器学习模型（如支持向量回归SVR、随机森林RF、K近邻KNN等）相比，本模型的精度显著更高。即使为黑盒模型增加多源训练数据，其最佳表现（梯度提升机GBM，MAE 0.78%）仍略逊于本模型，凸显了融入物理先验知识的优势。
- •
不确定性感知规划器与自适应控制的性能：CFD流场可视化表明，净化器位置通过改变局部气流模式，直接影响污染物的传播路径，这为代理模型预测的风险值提供了物理解释。以六人就坐场景为例的风险分布分析显示，不同净化器位置在平均风险和风险波动性（稳健性）上存在显著差异，证明了考虑感染源不确定性的必要性。对全部255种就坐配置的全局评估揭示，最优净化器位置随人员密度和分布动态变化，自适应策略能有效识别并响应这种变化，在追求整体效率（风险中性）或个体公平（风险规避）之间实现优化。
结论与讨论：
本研究成功开发并验证了一个集成了实时感知、高效物理建模和智能决策的风险感知机器人个性化通风（RRPV）框架。该框架的核心贡献在于：1）通过基于线性叠加原理的物理信息代理模型，实现了对复杂多源感染风险场的快速、准确预测，克服了传统CFD模拟计算成本高昂的瓶颈；2）设计了不确定性感知的自适应规划器，能够在无法辨别感染者身份的现实条件下，根据不同的风险容忍度政策（中性或规避）做出最优的净化器部署决策，平衡了整体清洁效率与个体安全公平。
研究结果表明，与静态的净化器放置方案相比，这种自适应机器人策略能够显著降低室内空气传播感染风险，在平均和最坏情况下分别实现了35.5%和高达74%的风险削减。这不仅为在动态办公环境中实施有效的感染控制提供了科学依据和技术方案，也为将机器人技术、人工智能与建筑环境工程相结合，构建更具韧性的健康建筑开辟了新途径。未来工作可进一步探索该框架在不同建筑类型、更复杂气流条件以及结合更多实时传感器数据（如CO2浓度）下的应用与优化。
