[论文分享]Computational design of indoor lighting supported by artificial intelligence: Recent advances and future prospects
📃 基本信息
[论文标题] 《人工智能支持下的室内照明计算设计：最新进展与未来展望》
[期刊信息] Building and Environment (2025) | 作者: Peng Chen, Lixiong Wang, Yuting Wu, Zelin Liang, Juan Yu, Tianyi Chen
📌 一句话概括
本综述全面分析了AI支持的室内照明计算设计进展，提出了“感知即生成”范式，并绘制了基于大型语言模型的未来发展路线图。
📚 深度总结
本研究系统性地综述了人工智能（AI）在室内照明计算设计中的应用现状、最新进展及未来展望。论文首先指出，随着室内照明需求日益复杂，AI支持的计算设计在生成满足复杂约束的设计方案方面展现出巨大潜力，但照明领域对此缺乏全面理解。作者收集了79篇相关文献进行文献计量分析，并提出了一个涵盖“照明环境整合”、“照明性能建模”和“照明设计支持”三大领域的框架进行深入评审。
在照明环境整合方面，研究发现（深度）神经网络能够通过稀疏传感器或RGB图像分析光强度、光谱和空间分布模式，从而实现光场的重建。例如，径向基函数神经网络（RBFNN）能够从稀疏传感器数据重建工作面照度分布，而卷积神经网络（CNN）则能从RGB图像推断空间光度信息，甚至进行光场景重建。
在照明性能建模方面，机器学习（ML）和人工神经网络（ANN）实现了照明性能的实时、个性化和环境感知预测。这包括照度代理模型（如RBFNN预测照度系数）、个性化感知质量模型（利用ML和生理数据预测用户满意度、疲劳度等）以及真实场景下的能耗预测模型（如GBDT和LSTM预测能耗）。
在照明设计支持方面，启发式算法主导的系统能够根据功能、感知和节能目标智能生成灯具布置、调光策略和光谱组成。尽管深度学习（DL）展现出端到端生成能力，但仍受限于数据可用性。研究发现，NSGA-II遗传算法在照明设计优化中应用最为广泛，尤其在多目标优化场景中，可处理照度、能耗、眩光、色温、显色指数及生理节律等多种目标。
论文提出了“感知即生成”作为计算照明设计的未来方向，强调其响应个体和时间感性需求多样性的能力。为了实现这一愿景，研究提出了一个以大型语言模型（LLM）为中心的照明决策枢纽路线图，并概述了相关的技术挑战和机遇，包括高质量数据集的稀缺、多目标生成背景下的算法选择、模型的解释性和交互性、性能比较与算法复用、以及设计工具与流程的整合问题。
总的来说，本研究旨在帮助照明从业者更好地理解和应用AI，促进照明行业的跨学科合作，并启发“好照明”愿景下的照明设计范式创新。
本速览仅作研究参考，不替代原文阅读。如需引用，请参考原论文。
🔍 要点追溯
- 研究方法: 文献计量分析，系统综述，概念框架搭建
- 适用范围: 室内照明设计、控制与评估
- 使用工具: VOSviewer用于文献计量分析，提及MATLAB、Python、DIALux、Radiance、Unity、Blender等（作为现有研究中使用的平台，非本研究工具）
- 数据来源: Web of Science (79篇同行评审文献)
- 参考标准: PRISMA指南（文献收集）、PICO策略（检索词构建）、ASHRAE 55-2017, ISO 7730等（作为优化目标的背景标准）