AI Agent在智能鞋柜中的除臭除湿控制方案

1. AI Agent在智能鞋柜中的除臭除湿控制方案解析

最近在折腾一个智能家居项目，把AI Agent技术整合到传统鞋柜里实现自动除臭除湿。这个方案比普通智能鞋柜多了环境感知和决策能力，特别适合南方潮湿地区。下面把我这半年来的开发过程和踩坑经验完整分享出来。

传统智能鞋柜的痛点很明显：定时工作模式太死板，传感器触发又容易误判。比如刚放进去的运动鞋和闲置一周的皮鞋，需要的处理强度完全不同。AI Agent正好能解决这个动态调节的问题——它能学习家庭成员的使用习惯，结合实时环境数据做出最优决策。

2. 系统架构设计

2.1 硬件组成方案

核心硬件我选用了这些组件：

• 主控：ESP32-C3（带蓝牙/WiFi双模）
• 气体传感器：SGP40（VOC检测）+ BME680（温湿度/气压）
• 执行机构：12V PTC加热片 + 5015离心风扇
• 杀菌模块：UVC LED灯珠（275nm波长）

特别注意：BME680需要定期校准，建议每月用标准温湿度计比对一次。我最初没做校准，导致除湿判断误差达到±15%。

2.2 软件架构设计

系统采用分层架构：

python复制└─AI Agent层
   ├─感知模块（传感器数据融合）
   ├─决策模块（LSTM时序预测）
   └─控制模块（PID算法调节）
└─边缘计算层
   └─Rule Engine（基础安全规则）
└─设备驱动层
   └─硬件抽象接口

决策模块的关键参数配置：

json复制{
  "odor_threshold": {
    "fresh": 150,    // VOC值(ppb)
    "moderate": 400,
    "strong": 800
  },
  "humidity_control": {
    "target": 55%,   // 目标湿度
    "hysteresis": 5% // 迟滞区间
  }
}

3. AI Agent核心算法实现

3.1 异味识别模型

采用迁移学习方案，基于ResNet18改造：

1. 用公开的ENOSE数据集预训练
2. 本地采集200组鞋柜VOC数据微调
3. 输出三级分类（新鲜/中等/强烈）

训练时发现的问题：

• 新鞋的包装袋