標簽：MEMS 陣列、熱場掃描、極速空調、TinyML、RISC-V、零樣本、離線推理、節能
----
背景：為什么空調遙控器要「畫圖」？
傳統空調只有一個溫濕度探頭，經常“東邊冷、西邊熱”。
? ?大客廳 30 ㎡，溫差 5 ℃；
? ?老人怕冷、孩子怕熱，遙控器來回調；
? ?空調 AI 模式依賴云端，斷網即失效。
于是我們把 MEMS 溫濕陣列 + 熱場重建網絡 塞進 遙控器外殼，1 分鐘生成房間「溫度等高線圖」，空調按需送風，平均省電 23 %。
----
硬件：遙控器里的「氣象衛星」
部件?? ?選型?? ?說明
MCU?? ?CH32V307?? ?RISC-V 144 MHz, 256 KB RAM
傳感器?? ?8×8 MEMS 陣列?? ?64 點溫濕 + 紅外補盲
存儲?? ?4 MB SPI Flash?? ?模型 + 72 h 緩存
供電?? ?2×AAA 電池?? ?6 個月續航
通信?? ?紅外 + BLE?? ?空調直連 / 手機查看
尺寸?? ?120×40×18 mm?? ?標準遙控器大小
----
算法：128 KB 的「熱場畫家」
模塊?? ?參數量?? ?功能
陣列校準?? ?0.02 M?? ?64 點漂移補償
CNN-Lite?? ?0.10 M?? ?32×32 熱圖重建
策略頭?? ?0.01 M?? ?送風模式推薦
總計?? ?128 KB INT8?? ?200 ms 推理
----
數據：100 間房的 24 h 熱場
? ?采樣頻率：30 s；
? ?維度：64 點溫濕 + 紅外灰度；
? ?標簽：人工標注冷熱區；
? ?增強：家具遮擋、陽光直射、開關門。
----
訓練 & 蒸餾流水線

python train_thermal.py \--dataset room_thermal_100k \--model micro_cnn_thermal \--quant int8 \--export ch32v

? ?教師：1.2 M U-Net → 學生 0.13 M
? ?量化：逐層 INT8 + 溫度漂移正則
----
推理流程：60 秒極速掃描
按鍵 → 陣列掃描 30 s → 200 ms 推理 → 紅外發射送風 → 手機熱圖

? ?單次掃描：30 s
? ?推理耗時：200 ms
? ?空調響應：< 1 s
----
實測：3 種房間 7 天節能報告
房間類型?? ?溫差下降?? ?省電率?? ?用戶滿意度
30 ㎡客廳?? ?2.1 ℃?? ?25 %?? ?4.7/5
12 ㎡臥室?? ?1.5 ℃?? ?20 %?? ?4.8/5
開放辦公?? ?3.0 ℃?? ?28 %?? ?4.6/5
----
用戶交互：遙控器「熱圖屏」
? ?實時等高線：冷暖色塊一眼看懂；
? ?語音播報：「左下角偏冷，右掃風啟動」；
? ?一鍵節能：長按 3 秒進入 Eco 模式。
----
功耗與壽命
模式?? ?電流?? ?續航
連續掃描?? ?18 mA?? ?100 h
間隔 5 min?? ?2 mA?? ?6 個月
深睡?? ?0.05 mA?? ?2 年
----
開源 & 量產
GitHub：
https://github.com/room-ai/thermal-remote
已放出：
? ?CH32V307 固件 + 128 KB 模型
? ?3D 打印殼體
? ?手機 Flutter 熱圖 App
首批 10 萬臺 已量產，用戶反饋 “客廳終于不打架了”。
----
結語：讓每間屋子都有 AI 溫度計
當 128 KB 模型也能畫熱場，
當遙控器 60 秒就能省電 1/4，
你會發現 “舒適”原來可以被算法精確到平方厘米。
如果這篇文章幫你少吹一次冷風，歡迎去倉庫點個 Star ?；
也歡迎留言聊聊你把 AI 塞進了哪些「遙控器」！