一种用于中小型建筑（SMOs）中基于占用情况的能源管理的基础性AI感知框架 陈玉桐（Yutong Chen）、 住吉大辅（Daisuke Sumiyoshi）、 王向宇（Xiangyu Wang）、 山本隆弘（Takahiro Yamamoto）、 上野隆弘（Takahiro Ueno） 以及吴珠媛（Jewon Oh）

《IoT》：A Foundational Edge-AI Sensing Framework for Occupancy-Driven Energy Management in SMOs Yutong Chen, Daisuke Sumiyoshi, Xiangyu Wang, Takahiro Yamamoto, Takahiro Ueno and Jewon Oh

本研究针对小型办公室HVAC和照明能耗监控难题，提出基于双核ESP32-S3的轻量级信道状态信息（CSI）框架。通过多阶段信号预处理压缩原始CSI流为紧凑统计特征矩阵，实现多级占用估计98.86%准确率。相较于DenseNet121等图像基线，数据量减少至24KB，参数量138K，传输量降低129倍，同时保障隐私保护与边缘部署可行性。

　　

摘要

占用者存在是办公环境中供暖、通风和空调（HVAC）系统以及照明能耗的主要驱动因素。现有的占用感测解决方案通常依赖于对隐私敏感的检测方式，或者需要昂贵的基础设施，这限制了它们在小型和中型办公室（SMOs）中的应用。为了解决这些限制，本研究提出了一种基于轻量级信道状态信息（CSI）的占用感测框架，该框架采用双核ESP32-S3架构，能够同时处理CSI数据、进行环境感知和云通信。一个多阶段的信号预处理流程将原始CSI数据流压缩成一个紧凑的统计特征矩阵，该矩阵在多级占用估计任务中的分类准确率达到98.86%。与基于图像的基线方法（如DenseNet121）相比，所提出的方法将输入数据大小减少到24 kB，模型参数减少到138 K，从而在不牺牲性能的情况下将传输数据量减少了129倍以上。这些结果表明，所提出的框架为小型和中型办公室中的占用感知型能源管理提供了一个实用、保护隐私且可在边缘设备上部署的解决方案。