1. 项目背景与核心价值
去年帮朋友改造儿童书桌照明时，发现传统调光台灯存在几个痛点：手动调节亮度色温麻烦、环境光变化时容易过曝或过暗、久坐忘记休息导致视觉疲劳。这促使我开始探索如何用AI技术让台灯真正"懂"用户需求。
AI Agent与智能照明的结合，本质上是通过环境感知、用户行为学习和动态策略调整，实现"无感化"的光环境管理。这种方案相比传统智能灯具的进步在于：
- 从"被动响应指令"升级为"主动预判需求"（例如检测到用户持续阅读45分钟自动调暗亮度提醒休息）
- 从"单一参数调节"发展为"多维度协同优化"（同时考量环境光照、用户姿态、用眼时长等变量）
- 从"标准化场景"进化到"个性化适应"（通过持续学习建立用户专属的照明偏好模型）
2. 系统架构设计
2.1 硬件组成方案
实际测试中采用了模块化设计，核心组件包括：
- 主控单元：ESP32-C3（兼顾Wi-Fi/BLE连接与本地计算能力）
- 环境感知：TSL2591高精度光传感器（0-40,000 Lux范围）+ OV2640摄像头（用于用户姿态检测）
- 光源模块：双通道LED驱动（PWM精度12bit）+ 3000K-6000K可调色温灯珠
- 交互界面：旋钮编码器（保留手动微调能力）+ 0.96寸OLED状态屏
关键选型考量：摄像头选择OV2640而非更先进的OV5640，主要因其在200万像素下已能满足上半身姿态识别需求，且功耗降低37%
2.2 软件架构分层
系统采用分层设计便于功能迭代：
code复制[感知层]
├─环境光采样（1Hz频率）
├─用户检测（YOLOv8n量化模型）
└─桌面照度分析（ROI区域检测）
[决策层]
├─短期策略（亮度/色温即时调整）
├─长期学习（用户偏好聚类算法）
└─健康策略（用眼疲劳度模型）
[执行层]
├─PWM平滑过渡算法
├─异常状态恢复机制
└─第三方平台对接（HomeKit/MQTT）
3. 核心算法实现
3.1 自适应调光模型
建立光照需求函数：
code复制目标照度 = Base + α*(环境光) + β*(内容类型系数)
其中：
- Base：基础读写照度（实测建议300-500lux）
- α：环境光补偿系数（通过200组实测数据拟合得0.38）
- β：内容类型权重（阅读=1.0/电子屏=0.7/书写=1.2）
在Arduino平台实现的PWM平滑算法示例：
cpp复制void gradualAdjust(uint16_t targetPWM) {
int step = abs(currentPWM - targetPWM) / 10;
while(currentPWM != targetPWM) {
currentPWM += (targetPWM > currentPWM) ? step : -step;
analogWrite(LED_PIN, currentPWM);
delay(30); // 实测30ms间隔人眼无法察觉跳变
}
}
3.2 用户行为识别优化
采用改进的YOLOv8n模型实现：
- 训练数据：收集2000+张不同坐姿的桌面视角图像
- 模型量化：使用TensorFlow Lite将模型压缩至380KB
- 关键改进：
- 增加手腕关键点检测（用于判断书写动作）
- 头部姿态估计（检测离桌/低头等状态）
- 帧间差分算法降低计算负载（静态场景跳过重复推理）
实测在ESP32-C3上推理速度达到8.7FPS，满足实时性要求。
4. 典型问题与解决方案
4.1 环境光干扰问题
初期测试发现传感器易受灯体自身光线干扰，通过以下措施解决：
- 机械结构：增加遮光围栏（3D打印件降低环境光干扰42%）
- 软件滤波：采用滑动中值滤波（窗口宽度15样本）
- 采样策略：在LED关闭后50ms进行环境光测量
4.2 多目标冲突场景
当同时检测到"环境光变暗"和"用户暂时离席"时：
- 优先级策略：
- 安全类（过热/故障）> 健康类（用眼时长）> 舒适类（亮度调节）
- 状态保持机制：
- 短时离席（<3分钟）维持当前照明参数
- 长时间无用户则进入低功耗模式
5. 实际效果验证
在3个月实地测试中收集到以下数据：
| 指标 | 传统台灯 | AI优化方案 | 提升幅度 |
|---|---|---|---|
| 亮度调节次数/天 | 8.2 | 1.7 | 79%↓ |
| 照度达标率 | 68% | 92% | 35%↑ |
| 视觉疲劳投诉 | 23% | 7% | 70%↓ |
用户反馈最有价值的三个功能：
- 自动晨间唤醒模式（色温随日出时间动态调整）
- 专注模式下的呼吸灯提醒（每25分钟柔和闪烁提示休息）
- 电子书阅读时的自动色温偏暖（相比纸质书降低150K色温）
这个项目的关键收获是：AI Agent在嵌入式场景落地时，必须平衡算法复杂度与硬件限制。我们最终将模型推理耗时控制在120ms内，同时保持95%以上的识别准确率，这比单纯追求模型精度更有实际意义。下一步计划加入语音交互模块，但会严格控制唤醒词识别频率以避免误触发。