CN117994486B - 移动房屋室内环境控制方法以及系统 - Google Patents

Abstract

本发明实施例提供一种移动房屋室内环境控制方法以及系统，属于环境控制技术领域。该方法包括：获得移动房屋对应的初始点云数据，对初始点云数据进行数据分割，获得移动房屋对应的人造物体；根据人造物体对初始点云数据进行数据删除，获得移动房屋对应的有效点云数据；根据有效点云数据确定移动房屋对应的有效区域；获得有效区域对应的当前环境信息和移动房屋对应的外部环境信息；根据当前环境信息和外部环境信息确定移动房屋对应的目标环境信息；根据目标环境信息对环境控制设备进行参数控制，获得移动房屋对应的环境控制结果。解决了相关技术中采用恒温技术对移动化房屋进行环境设置，会严重增加移动房屋用户的使用成本的问题。

Description

移动房屋室内环境控制方法以及系统

技术领域

本发明涉及环境控制技术领域，尤其涉及一种移动房屋室内环境控制方法以及系统。

背景技术

移动化房屋指的是可以移动或搬迁的房屋，通常采用先进的建筑技术和材料构建。这种房屋可以在需要的时候拆除、转移或搬迁到另一个地点，具有灵活性和可移动性。尽管移动化房屋在某些特定情况下非常有用，但它们也存在一些限制。例如，移动化房屋的密闭性没有常规房屋的效果好，因此可能出现冬冷夏热的问题，为保证移动化房屋内部环境的舒适性，需要对移动化房屋的内部环境进行智能监控。相关技术中可以采用恒温技术对移动化房屋进行环境设置，但是该方法通常需要持续不断地维持移动房屋内的温度稳定，这可能需要大量能源，特别是在极端气候条件下，会严重增加移动房屋用户的使用成本。

发明内容

本发明实施例的主要目的在于提供一种移动房屋室内环境控制方法以及系统，旨在解决相关技术中采用恒温技术对移动化房屋进行环境设置，但是该方法通常需要持续不断地维持移动房屋内的温度稳定，这可能需要大量能源，特别是在极端气候条件下，会严重增加移动房屋用户的使用成本的问题。

第一方面，本发明实施例提供一种移动房屋室内环境控制方法，包括：

获得所述移动房屋对应的初始点云数据，对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体；

根据所述人造物体对所述初始点云数据进行数据删除，获得所述移动房屋对应的有效点云数据；

根据所述有效点云数据确定所述移动房屋对应的有效区域；

获得所述有效区域对应的当前环境信息和所述移动房屋对应的外部环境信息；

根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息；

根据所述目标环境信息对环境控制设备进行参数控制，获得所述移动房屋对应的环境控制结果。

第二方面，本发明实施例提供一种移动房屋室内环境控制系统，包括：

数据识别模块，用于获得所述移动房屋对应的初始点云数据，对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体；

数据剔除模块，用于根据所述人造物体对所述初始点云数据进行数据删除，获得所述移动房屋对应的有效点云数据；

区域确定模块，用于根据所述有效点云数据确定所述移动房屋对应的有效区域；

获得信息模块，用于获得所述有效区域对应的当前环境信息和所述移动房屋对应的外部环境信息；

参数确定模块，用于根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息；

环境控制模块，用于根据所述目标环境信息对环境控制设备进行参数控制，获得所述移动房屋对应的环境控制结果。

本发明实施例提供一种移动房屋室内环境控制方法以及系统，该方法包括：获得移动房屋对应的初始点云数据，对初始点云数据进行数据分割，获得移动房屋对应的人造物体；根据人造物体对初始点云数据进行数据删除，获得移动房屋对应的有效点云数据；根据有效点云数据确定移动房屋对应的有效区域；获得有效区域对应的当前环境信息和移动房屋对应的外部环境信息；根据当前环境信息和外部环境信息确定移动房屋对应的目标环境信息；根据目标环境信息对环境控制设备进行参数控制，获得移动房屋对应的环境控制结果。该方法通过对初始点云数据进行分割和删除，识别出移动房屋内的人造物体，进而根据人造物体识别出移动房屋内的有效区域，从而有针对性地进行环境控制，而不是对整个移动房屋进行控制。最后通过分析有效区域对应的当前环境信息和移动房屋对应的外部环境信息，确定移动房屋的目标环境信息，并据此调整环境控制设备的参数。这样可以根据实际需要进行环境控制，避免了不必要的能源浪费。解决了相关技术中采用恒温技术对移动化房屋进行环境设置，但是该方法通常需要持续不断地维持移动房屋内的温度稳定，这可能需要大量能源，特别是在极端气候条件下，会严重增加移动房屋用户的使用成本的问题。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种移动房屋室内环境控制方法的流程示意图；

图2为本发明实施例提供的一种移动房屋室内环境控制系统的模块结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

本发明实施例提供一种移动房屋室内环境控制方法以及系统。其中，该移动房屋室内环境控制方法可应用于终端设备中，该终端设备可以平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。该终端设备可以为服务器，也可以为服务器集群。

下面结合附图，对本发明的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，图1为本发明实施例提供的一种移动房屋室内环境控制方法的流程示意图。

如图1所示，该移动房屋室内环境控制方法包括步骤S101至步骤S106。

步骤S101、获得所述移动房屋对应的初始点云数据，对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体。

示例性地，使用传感器(如激光雷达或深度相机)获取移动房屋内部对应的初始点云数据。初始点云数据可以包含房屋内环境的各种信息，如墙壁、家具等。

示例性地，对初始点云数据进行数据分割，将数据分成不同的类别或组。将数据分割为人造物体和自然环境(如地面、墙壁等)两个部分，其中，人造物体指移动房屋内部的各种人造构件或物体，比如家具、设备、装饰品等。

示例性地，使用计算机视觉或深度学习技术对分割后的数据进行目标检测或语义分割，以识别出移动房屋对应的人造物体。

在一些实施方式中，所述对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体，包括：对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距，所述平均点间距用于表征所述初始点云数据中相邻两点间的平均距离；从所述初始点云数据中确定待检查点，并根据所述平均点间距从所述初始点云数据中确定所述待检查点对应的近邻点；根据所述待检查点和所述近邻点建立图像投影，并通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的边界点和所述人造物体对应的尖锐点；根据所述边界点和所述尖锐点从所述初始点云数据中确定所述人造物体对应的特征线；根据所述特征线对所述初始点云数据进行数据分割，获得所述移动房屋对应的所述人造物体。

示例性地，使用密度估计方法对初始点云数据进行全局密度分析，如基于最近邻搜索的方法。通过计算初始点云数据中每个点周围的邻居数量，进而估算出平均点间距。

示例性地，随机从初始点云数据中选择任意点云数据确定为待检查点，进而根据平均点间距从初始点云数据中确定待检查点对应的近邻点，例如，将平均点间距乘以固定倍数获得对应地距离信息，进而将待检查点和距离信息组成圆形区域，进而将圆形区域内的初始点云数据确定为待检查点对应的近邻点。

示例性地，使用投影变换将待检查点和近邻点投影到一个平面上获得图像投影。这样可以形成一个二维图像，其中，待检查点和近邻点对应的投影分布反映了其在三维空间中的密度分布情况。

示例性地，通过对图像投影中的初始点云数据也即待检查点和近邻点进行进行分布分析识别出人造物体的边界点和尖锐点。这些点通常对应于人造物体的边缘和角落。进而根据识别出的边界点和尖锐点，可以确定人造物体的特征线。这些线可以通过连接边界点和尖锐点来得到。最后，根据特征线对初始点云数据进行分割，将人造物体与自然环境分开。这可以通过在特征线周围创建分割面或通过点云分割算法来实现。

具体地，该方法可以更准确地识别出人造物体，并且可以保留人造物体的形状和结构信息，而不是简单地将其从点云数据中删除。这有助于更精确地理解移动房屋的结构和环境，从而为后续的环境控制和优化提供更可靠的数据基础。

在一些实施方式中，所述对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距，包括：确定预设形状模型，将所述预设形状模型放置于所述初始点云数据中，获得所述预设形状模型对应的相关点云数据；根据所述相关点云数据确定所述预设形状模型对应的轴向最大值和轴向最小值；根据所述轴向最大值和所述轴向最小值确定所述初始点云数据对应的所述平均点间距：

a＝x_max-x_min

b＝y_max-y_min

C＝z_max-z_min；

其中，d表示所述平均点间距，x_max表示所述轴向最大值中的x方向中所述相关点云数据的最大值；x_min表示所述轴向最小值中的x方向中所述相关点云数据的最小值；y_max表示所述轴向最大值中的y方向中所述相关点云数据的最大值；y_min表示所述轴向最小值中的y方向中所述相关点云数据的最小值；z_max表示所述轴向最大值中的z方向中所述相关点云数据的最大值；zx_in表示所述轴向最小值中的z方向中所述相关点云数据的最小值；N表示所述相关点云数据对应的点云数量，a表示所述轴向最大值中的x方向中所述相关点云数据的最大值和所述轴向最小值中的x方向中所述相关点云数据的最小值的差值，b表示所述轴向最大值中的y方向中所述相关点云数据的最大值和所述轴向最小值中的y方向中所述相关点云数据的最小值之间的差值，c表示所述轴向最大值中的z方向中所述相关点云数据的最大值和所述轴向最小值中的z方向中所述相关点云数据的最小值之间的差值。

示例性地，定义预设形状模型，预设形状模型可以是常见的几何体如立方体、球体等，也可以是自定义形状。但需要明确这个模型的几何属性，比如中心点、尺寸、形状等。

可选地，本申请对预设形状模型不做具体限制，用户可根据实际需求自行选择。

示例性地，将定义好的预设形状模型放置到初始点云数据中。这可以通过计算预设形状模型与初始点云数据的相对位置来实现，确保预设形状模型与初始点云数据相切或者包围点云数据的区域。一旦预设形状模型被放置到了初始点云数据中，可以根据预设形状模型的形状和位置来从初始点云数据中提取相关点云数据，相关点云数据就是初始点云数据处于预设形状模型内部对应的点云数据。

示例性地，对于获得的相关点云数据，通过计算每个维度的最大值和最小值来确定预设形状模型的轴向最大值和轴向最小值。这些值反映了模型在不同维度上的尺寸大小。

例如，维度包括x方向、y方向、z方向，x_max表示轴向最大值中的x方向中相关点云数据的最大值；x_min表示轴向最小值中的x方向中相关点云数据的最小值；y_max表示轴向最大值中的y方向中相关点云数据的最大值；y_min表示轴向最小值中的y方向中相关点云数据的最小值；z_max表示轴向最大值中的z方向中相关点云数据的最大值；z_min表示轴向最小值中的z方向中相关点云数据的最小值。

示例性地，根据轴向最大值和轴向最小值利用下列公式确定初始点云数据对应的平均点间距：

a＝x_max-x_min

b＝y_max-y_min

c＝z_max-z_min；

其中，d表示平均点间距，x_max表示轴向最大值中的x方向中相关点云数据的最大值；x_min表示轴向最小值中的x方向中相关点云数据的最小值；y_max表示轴向最大值中的y方向中相关点云数据的最大值；y_min表示轴向最小值中的y方向中相关点云数据的最小值；z_max表示轴向最大值中的z方向中相关点云数据的最大值；z_min表示轴向最小值中的z方向中相关点云数据的最小值；N表示相关点云数据对应的点云数量，a表示轴向最大值中的x方向中相关点云数据的最大值和轴向最小值中的x方向中相关点云数据的最小值之间的差值，b表示轴向最大值中的y方向中所述相关点云数据的最大值和轴向最小值中的y方向中相关点云数据的最小值之间的差值，c表示轴向最大值中的z方向中相关点云数据的最大值和轴向最小值中的z方向中所述相关点云数据的最小值之间的差值。

具体地，根据预设形状模型在初始点云数据中的具体表现，并且通过计算轴向最大值和轴向最小值以及平均点间距，可以更好地理解初始点云数据的结构和特征。这有助于后续移动房屋对应的环境控制，为后续提高环境控制的精度和可靠性提供支撑。

在一些实施方式中，所述获得所述初始点云数据对应的平均点间距之后，所述方法还包括：从所述初始点云数据中任取抽样点，在所述抽样点以所述平均点间距的预设倍数为半径，获得所述抽样点对应的圆内点云数据；根据所述圆内点云数据对所述平均点间距进行数据更新，获得更新后的所述平均点间距：

其中，d′表示更新后的所述平均点间距，M表示所述圆内点云数据对应的点云数量，d表示所述平均点间距，pi表示常数3.14。

示例性地，从初始点云数据中随机或按照某种规则选取抽样点。这些抽样点可以均匀地分布在整个初始点云数据中。对于每个抽样点，以预设倍数的平均点间距为半径，在其周围构建一个圆形区域，并提取在该圆形区域内的初始点云数据确定为圆内点云数据。

例如，可通过计算每个初始点云数据与抽样点的距离，并将距离小于半径的点视为圆内点云数据。

示例性地，获得抽样点对应的圆内点云数据对应的点云数量，进而根据下列公式对平均点间距进行更新：

其中，d′表示更新后的平均点间距，M表示圆内点云数据对应的点云数量，d表示平均点间距，pi表示常数3.14。

此外，当获得多个抽样点对应的多个更新后的平均点间距之后，还可对多个更新后的平均点间距进行求取平均值，以将求取的平均值确定为最终更新后的平均点间距。

具体地，通过在每个抽样点周围获取圆内点云数据，并重新计算平均点间距，可以更准确地反映初始点云数据的密度和分布情况。此外，通过使用预设倍数来动态调整圆的半径，可以根据局部点云密度的变化来更新平均点间距，使其更加适应数据的局部特征。从而可以提高对初始点云数据的理解和分析能力，为后续的环境控制提供更准确的基础。

在一些实施方式中，通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的尖锐点，包括：将所述图像投影根据扇形区域进行划分，获得所述图像投影对应的扇区区域集合；从所述初始点云数据中获得所述扇区区域集合中每个扇区对应的扇区点云数据；对所述扇区点云数据进行数据筛选，获得所述扇区区域集合中每个扇区对应的邻近点，根据所述邻近点确定所述扇区区域集合中每个扇区对应的邻近集合；从所述邻近集合中确定任意点，并在所述邻近集合中除所述任意点外获得所述任意点对应的两个相邻点；根据所述任意点和两个所述相邻点确定目标三角形，获得所述目标三角形对应的法向量；根据所述法向量确定所述人造物体对应的所述尖锐点。

示例性地，通过将图像投影分割成多个扇形区域划分图像投影，包括定义扇形的中心点、半径和角度范围来实现。从而获得图像投影对应的扇区区域集合。

示例性地，从初始点云数据中，提取每个扇形区域对应的扇区点云数据。这可以通过将初始点云数据投影到图像上，并根据扇形区域的位置和大小来提取对应的扇区点云数据。

示例性地，对于每个扇形区域的扇区点云数据，进行数据筛选以获得邻近点。这可以通过计算每个扇区点云数据与扇形中心之间的距离，并选择距离最近的点云数据作为邻近点。从而获得每个扇形区域对应的邻近点，并由全部邻近点确定邻近集合。

示例性地，从邻近集合中选择任意点，并在邻近集合中找到该任意点对应的两个相邻点，以根据该任意点和两个相邻点确定目标三角形，进而通过计算三个点组成的向量的叉积来实现该目标三角形的法向量。

示例性地，根据目标三角形的法向量，确定人造物体对应的尖锐点。尖锐点通常对应于法向量发生急剧变化的区域，可以通过设置阈值来确定尖锐点。

具体地，从初始点云数据中识别出人造物体对应的尖锐点，从而提供了关于人造物体表面特征的重要信息。这对于后续的形状分析、重建和识别具有重要意义。

在一些实施方式中，所述根据所述法向量确定所述人造物体对应的所述尖锐点，包括：计算任意两个所述目标三角形对应的所述法向量的夹角，获得初始夹角；计算全部所述初始夹角对应的最大值，获得目标夹角；确定夹角阈值，将所述夹角阈值和所述目标夹角进行比较，获得比较结果；根据所述比较结果确定所述人造物体对应的所述尖锐点。

示例性地，对于任意两个目标三角形，计算它们对应的法向量之间的夹角，得到初始夹角。这可以通过向量运算中的点积或余弦定理来实现。

示例性地，获得全部任意两个目标三角形对应地初始夹角，并从全部初始夹角中找到夹角最大值，即全部初始夹角对应的最大夹角，这个值就是目标夹角。

示例性地，设定一个夹角阈值。这个阈值可以根据实际情况来调整，通常是通过经验或者实验得出的。将目标夹角与设定的夹角阈值进行比较，判断目标夹角是否大于阈值。如果大于夹角阈值，则认为对应的点是尖锐点；反之，则不是尖锐点。

具体地，通过计算夹角并与阈值比较，可以找到法向量变化明显的区域，这些区域可能对应着物体的尖锐特征。此外，通过调整夹角阈值，可以控制尖锐点的检测精度，使得检测结果更符合实际需求。

在一些实施方式中，通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的边界点，包括：获得所述扇区区域集合中每个扇区对应的所述邻近点对应的点数量；若所述扇区区域集合中相邻预设数量下每个扇区对应的所述点数量小于目标数量时，则确定所述待检查点为所述人造物体对应的所述边界点。

示例性地，对于每个扇形区域，计算其邻近点对应的数量确定为点数量。检查每个扇形区域内的点数量是否小于目标数量，目标数量可以根据需求自行设置，如目标数量可以设置为1。

示例性地，相邻预设数量为扇区区域集合中相邻扇区对应的点数量连续小于目标数量对应的扇区数量。若扇区区域集合中相邻预设数量下每个扇区对应的点数量小于目标数量时，则确定待检查点为人造物体对应的边界点。若扇区区域集合中相邻预设数量下每个扇区对应的点数量不都小于目标数量时，则不能确定待检查点为人造物体对应的边界点。

例如，相邻预设数量为3，则当扇区区域集合中某一个扇区对应的点数量小于目标数量时，若该扇区对应的下一个扇区和下下一个扇区分别对应的点数量均小于目标数量时，则该待检查点为人造物体对应的边界点。若该扇区对应的下一个扇区或下下一个扇区分别对应的点数量存在任意一个不小于目标数量时，则该待检查点不能确定为人造物体对应的边界点。

具体地，识别出人造物体的边界点，这些点通常位于人造物体的边缘或边界处。这种方法可以帮助进行点云数据的分割和物体边界的识别，为后续的分析和处理提供基础。

步骤S102、根据所述人造物体对所述初始点云数据进行数据删除，获得所述移动房屋对应的有效点云数据。

示例性地，根据之前确定的尖锐点和边界点确认人造物体对应的物体点云数据，进而将人造物体对应的物体点云数据从初始点云数据中进行数据删除，以获得移动房屋对应的有效点云数据。

步骤S103、根据所述有效点云数据确定所述移动房屋对应的有效区域。

示例性地，根据有效点云数据对移动房屋进行区域划分，获得移动房屋进行区域划分对应地划分边界，根据划分边界从移动房屋中确定有效点云数据对应地有效区域。也即，去除人造物体后移动房屋对应地区域信息。有效区域可以代表移动房屋除去人造物体后用户可实际活动的实际轮廓和范围，为后续的分析和处理提供基础。

步骤S104、获得所述有效区域对应的当前环境信息和所述移动房屋对应的外部环境信息。

示例性地，需要采集有效区域对应的当前环境信息，当前环境信息包括但不限于气象数据(如温度、湿度、风速等)、环境质量数据(如空气质量、噪音水平等)、光照条件等。这些数据可以通过传感器(如温湿度传感器、风速传感器、空气质量传感器等)等设备来获取。

示例性地，本申请通过传感器获得移动房屋对应的有效区域的当前环境信息可以减少传感器在其他区域进行信息采集的干扰，为后续对移动房屋的精准环境控制提供了支撑。

示例性地，对于移动房屋对应的外部环境信息，可以根据移动房屋坐落的周围环境特征来推断。例如，利用气象站结合地图数据或者卫星影像数据来获取外部环境信息。

步骤S105、根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息。

示例性地，对采集到的当前环境信息和外部环境信息进行分析。这包括理解环境数据的含义、特征和趋势，以及考虑外部环境对移动房屋的影响。基于环境信息分析的结果，可以建立一个环境模型，描述当前环境和外部环境之间的关系。这可以是基于规则的模型，也可以是基于机器学习的模型，根据历史数据和环境特征来预测未来环境的变化。根据移动房屋的需求和使用场景，确定所需的目标环境。这可能涉及到对环境条件的一些假设和要求，比如理想的温度、湿度、光照条件等。

示例性地，基于当前环境信息、外部环境信息和目标环境的要求，根据环境模型获得移动房屋对应的目标环境信息。这可能包括调节室内温度、湿度、通风、照明等方面，以使移动房屋内部的环境达到目标状态。

在一些实施方式中，所述根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息，包括：获取所述移动房屋对应的历史环境信息；根据所述当前环境信息和所述外部环境信息结合所述历史环境信息进行模糊聚类，获得所述当前环境信息对应的第一历史信息和所述外部环境信息对应的第二历史信息；根据所述第一历史信息和所述第二历史信息对所述移动房屋进行环境参数预测，获得所述移动房屋对应的所述目标环境信息。

示例性地，收集并整理移动房屋过去一段时间内的历史环境信息，包括温度、湿度、光照、空气质量等相关参数的时间序列数据。将当前环境信息、外部环境信息和历史环境信息进行模糊聚类。这可以通过模糊聚类算法(如模糊C均值聚类、模糊系统等)来实现，将各个环境参数的数据进行聚类，得到当前环境信息对应的第一历史信息和外部环境信息对应的第二历史信息。

示例性地，将第一历史信息和第二历史信息与历史环境信息进行匹配，找出与当前环境信息和外部环境信息相似的历史环境数据。基于匹配得到的历史环境数据，使用合适的时间序列预测模型(如ARIMA、LSTM等)对移动房屋的环境参数进行预测。这将为移动房屋提供预测的目标环境信息。

示例性地，根据当前环境信息、外部环境信息和历史环境信息，预测移动房屋对应的目标环境信息，并实施相应的环境调节措施，以满足移动房屋内部的环境需求。

在一些实施方式中，所述根据所述当前环境信息和所述外部环境信息结合所述历史环境信息进行模糊聚类，获得所述当前环境信息对应的第一历史信息和所述外部环境信息对应的第二历史信息，包括：对所述当前环境信息和所述外部环境信息结合所述历史环境信息进行初次聚类，获得聚类类簇；根据所述聚类类簇获得对应的聚类中心，根据所述聚类中心确定所述聚类类簇对应的聚类密度；当所述聚类密度小于或者等于预设密度时，则根据所述聚类类簇获得所述当前环境信息对应所述的第一历史信息和所述外部环境信息对应的所述第二历史信息；当所述聚类密度大于所述预设密度时，则对所述当前环境信息和所述外部环境信息结合所述历史环境信息进行再次聚类，重新获得所述聚类类簇，直至获得当前环境信息对应所述的第一历史信息和所述外部环境信息对应的所述第二历史信息。

示例性地，使用适当的聚类算法(如K均值聚类、DBSCAN等)，将当前环境信息、外部环境信息和历史环境信息进行初次聚类，得到聚类类簇。对于每个聚类类簇，确定其对应的聚类中心。聚类中心可以是类簇中心点的平均值或其他代表性点。根据聚类类簇到聚类中心的距离确定每个聚类类簇对应的聚类密度。

示例性地，比较每个聚类类簇的聚类密度与预设密度的大小。若聚类密度小于或等于预设密度，则认为该类簇已达到满意的稳定性，可以直接使用其中的历史信息作为第一历史信息和第二历史信息。若聚类密度大于预设密度，则需要进行进一步的处理。

示例性地，对于聚类密度大于预设密度的聚类类簇，重新使用聚类算法进行聚类，以期望得到更稳定的类簇结果。这一过程可能需要多次迭代，直到满足条件(聚类密度小于或等于预设密度)为止。一旦得到满足条件的聚类类簇，即聚类密度小于或等于预设密度，就可以从中获取对应的历史信息，作为第一历史信息和第二历史信息。

具体地，根据当前环境信息、外部环境信息和历史环境信息，进行多次聚类操作，并根据聚类密度判断是否达到稳定性，从而获取到所需的历史信息用于目标环境信息的确定。通过判断聚类密度并进行多次聚类操作，可以筛选出稳定的聚类类簇，从而增强了环境信息的稳定性和可靠性，有助于提高环境参数预测的准确性。进而有助于提高环境信息处理的准确性和稳定性，优化环境参数预测和环境调节策略，从而为后续提高了移动房屋内部环境的舒适度和可持续性提供支撑。

步骤S106、根据所述目标环境信息对环境控制设备进行参数控制，获得所述移动房屋对应的环境控制结果。

示例性地，根据目标环境信息，对移动房屋内部的环境控制设备进行参数调节。这包括但不限于温度调节器、湿度调节器、照明设备等。

例如，如果目标环境信息指示需要降低温度，则调节温度调节器降低室内温度；如果需要增加光照强度，则调节照明设备增加光照。

此外，在利用目标环境信息对环境控制设备进行参数控制后，还需实时监测环境参数的变化和环境控制设备的反馈，确保环境控制设备调节后的环境参数符合目标环境信息要求。根据目标环境信息对环境控制设备进行参数控制，获得移动房屋对应的环境控制结果，并不断优化和调整以确保环境控制的效果符合预期。

示例性地，本申请借助于移动房屋对应的有效区域的当前环境信息可有效获得移动房屋的真实环境信息，进而根据有效区域的当前环境信息和移动房屋的外部环境信息进行目标环境信息预测，可保证移动房屋进行环境控制的有效性，更适合用户居住，并且相对于恒定温度或者恒定环境对移动房屋的预测，当移动房屋中的人造物体发生变化或者外部环境发生变化时，也使得目标环境信息发生变化，更能适应移动房屋的内部或外部变化。解决了相关技术中采用恒温技术对移动化房屋进行环境设置，但是该方法通常需要持续不断地维持移动房屋内的温度稳定，这可能需要大量能源，特别是在极端气候条件下，会严重增加移动房屋用户的使用成本的问题。提高了移动房屋环境信息设置的灵活性，并且有效提高了用户的舒适性，降低了用户的使用成本。

请参阅图2，图2为本申请实施例提供的一种移动房屋室内环境控制系统200，该移动房屋室内环境控制系统200包括数据识别模块201、数据剔除模块202、区域确定模块203、获得信息模块204、参数确定模块205、环境控制模块206，其中，数据识别模块201，用于获得所述移动房屋对应的初始点云数据，对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体；数据剔除模块202，用于根据所述人造物体对所述初始点云数据进行数据删除，获得所述移动房屋对应的有效点云数据；区域确定模块203，用于根据所述有效点云数据确定所述移动房屋对应的有效区域；获得信息模块204，用于获得所述有效区域对应的当前环境信息和所述移动房屋对应的外部环境信息；参数确定模块205，用于根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息；环境控制模块206，用于根据所述目标环境信息对环境控制设备进行参数控制，获得所述移动房屋对应的环境控制结果。

在一些实施方式中，数据识别模块201在所述对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体过程中，执行：

对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距，所述平均点间距用于表征所述初始点云数据中相邻两点间的平均距离；

从所述初始点云数据中确定待检查点，并根据所述平均点间距从所述初始点云数据中确定所述待检查点对应的近邻点；

根据所述待检查点和所述近邻点建立图像投影，并通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的边界点和所述人造物体对应的尖锐点；

根据所述边界点和所述尖锐点从所述初始点云数据中确定所述人造物体对应的特征线；

根据所述特征线对所述初始点云数据进行数据分割，获得所述移动房屋对应的所述人造物体。

在一些实施方式中，数据识别模块201在所述对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距过程中，执行：

确定预设形状模型，将所述预设形状模型放置于所述初始点云数据中，获得所述预设形状模型对应的相关点云数据；

根据所述相关点云数据确定所述预设形状模型对应的轴向最大值和轴向最小值；

根据所述轴向最大值和所述轴向最小值确定所述初始点云数据对应的所述平均点间距：

a＝x_max-x_min

b＝y_max-y_min

c＝z_max-z_min；

其中，d表示所述平均点间距，x_max表示所述轴向最大值中的x方向中所述相关点云数据的最大值；x_min表示所述轴向最小值中的x方向中所述相关点云数据的最小值；y_max表示所述轴向最大值中的y方向中所述相关点云数据的最大值；y_min表示所述轴向最小值中的y方向中所述相关点云数据的最小值；z_max表示所述轴向最大值中的z方向中所述相关点云数据的最大值；z_min表示所述轴向最小值中的z方向中所述相关点云数据的最小值；N表示所述相关点云数据对应的点云数量，a表示所述轴向最大值中的x方向中所述相关点云数据的最大值和所述轴向最小值中的x方向中所述相关点云数据的最小值之间的差值，b表示所述轴向最大值中的y方向中所述相关点云数据的最大值和所述轴向最小值中的y方向中所述相关点云数据的最小值之间的差值，c表示所述轴向最大值中的z方向中所述相关点云数据的最大值和所述轴向最小值中的z方向中所述相关点云数据的最小值之间的差值。

在一些实施方式中，数据识别模块201在所述获得所述初始点云数据对应的平均点间距之后过程中，还执行：

从所述初始点云数据中任取抽样点，在所述抽样点以所述平均点间距的预设倍数为半径，获得所述抽样点对应的圆内点云数据；

根据所述圆内点云数据对所述平均点间距进行数据更新，获得更新后的所述平均点间距：

其中，d′表示更新后的所述平均点间距，M表示所述圆内点云数据对应的点云数量，d表示所述平均点间距，pi表示常数3.14。

在一些实施方式中，数据识别模块201在通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的尖锐点过程中，执行：

将所述图像投影根据扇形区域进行划分，获得所述图像投影对应的扇区区域集合；

从所述初始点云数据中获得所述扇区区域集合中每个扇区对应的扇区点云数据；

对所述扇区点云数据进行数据筛选，获得所述扇区区域集合中每个扇区对应的邻近点，根据所述邻近点确定所述扇区区域集合中每个扇区对应的邻近集合；

从所述邻近集合中确定任意点，并在所述邻近集合中除所述任意点外获得所述任意点对应的两个相邻点；

根据所述任意点和两个所述相邻点确定目标三角形，获得所述目标三角形对应的法向量；

根据所述法向量确定所述人造物体对应的所述尖锐点。

在一些实施方式中，数据识别模块201在所述根据所述法向量确定所述人造物体对应的所述尖锐点过程中，执行：

计算任意两个所述目标三角形对应的所述法向量的夹角，获得初始夹角；

计算全部所述初始夹角对应的最大值，获得目标夹角；

确定夹角阈值，将所述夹角阈值和所述目标夹角进行比较，获得比较结果；

根据所述比较结果确定所述人造物体对应的所述尖锐点。

在一些实施方式中，数据识别模块201在通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的边界点过程中，执行：

获得所述扇区区域集合中每个扇区对应的所述邻近点对应的点数量；

若所述扇区区域集合中相邻预设数量下每个扇区对应的所述点数量小于目标数量时，则确定所述待检查点为所述人造物体对应的所述边界点。

在一些实施方式中，参数确定模块205在所述根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息过程中，执行：

获取所述移动房屋对应的历史环境信息；

根据所述当前环境信息和所述外部环境信息结合所述历史环境信息进行模糊聚类，获得所述当前环境信息对应的第一历史信息和所述外部环境信息对应的第二历史信息；

根据所述第一历史信息和所述第二历史信息对所述移动房屋进行环境参数预测，获得所述移动房屋对应的所述目标环境信息。

在一些实施方式中，参数确定模块205在所述根据所述当前环境信息和所述外部环境信息结合所述历史环境信息进行模糊聚类，获得所述当前环境信息对应的第一历史信息和所述外部环境信息对应的第二历史信息过程中，执行：

对所述当前环境信息和所述外部环境信息结合所述历史环境信息进行初次聚类，获得聚类类簇；

根据所述聚类类簇获得对应的聚类中心，根据所述聚类中心确定所述聚类类簇对应的聚类密度；

当所述聚类密度小于或者等于预设密度时，则根据所述聚类类簇获得所述当前环境信息对应所述的第一历史信息和所述外部环境信息对应的所述第二历史信息；

当所述聚类密度大于所述预设密度时，则对所述当前环境信息和所述外部环境信息结合所述历史环境信息进行再次聚类，重新获得所述聚类类簇，直至获得当前环境信息对应所述的第一历史信息和所述外部环境信息对应的所述第二历史信息。

在一些实施方式中，移动房屋室内环境控制系统200可应用于终端设备。

本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明实施例说明书提供的任一项移动房屋室内环境控制方法的步骤。

其中，所述存储介质可以是前述实施例所述的终端设备的内部存储单元，例如所述终端设备的硬盘或内存。所述存储介质也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种移动房屋室内环境控制方法，其特征在于，所述方法包括：

获得所述移动房屋对应的初始点云数据，对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体；

根据所述人造物体对所述初始点云数据进行数据删除，获得所述移动房屋对应的有效点云数据；

根据所述有效点云数据确定所述移动房屋对应的有效区域；

获得所述有效区域对应的当前环境信息和所述移动房屋对应的外部环境信息；

根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息；

根据所述目标环境信息对环境控制设备进行参数控制，获得所述移动房屋对应的环境控制结果；

所述对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体，包括：

对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距，所述平均点间距用于表征所述初始点云数据中相邻两点间的平均距离；

从所述初始点云数据中确定待检查点，并根据所述平均点间距从所述初始点云数据中确定所述待检查点对应的近邻点；

根据所述待检查点和所述近邻点建立图像投影，并通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的边界点和所述人造物体对应的尖锐点；

根据所述边界点和所述尖锐点从所述初始点云数据中确定所述人造物体对应的特征线；

根据所述特征线对所述初始点云数据进行数据分割，获得所述移动房屋对应的所述人造物体；

所述对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距，包括：

确定预设形状模型，将所述预设形状模型放置于所述初始点云数据中，获得所述预设形状模型对应的相关点云数据；

根据所述相关点云数据确定所述预设形状模型对应的轴向最大值和轴向最小值；

根据所述轴向最大值和所述轴向最小值确定所述初始点云数据对应的所述平均点间距：

a＝x_max-x_min

b＝y_max-y_min

c＝z_max-z_min；

其中，d表示所述平均点间距，x_max表示所述轴向最大值中的x方向中所述相关点云数据的最大值；x_min表示所述轴向最小值中的x方向中所述相关点云数据的最小值；y_max表示所述轴向最大值中的y方向中所述相关点云数据的最大值；y_min表示所述轴向最小值中的y方向中所述相关点云数据的最小值；z_max表示所述轴向最大值中的z方向中所述相关点云数据的最大值；z_min表示所述轴向最小值中的z方向中所述相关点云数据的最小值；N表示所述相关点云数据对应的点云数量，a表示所述轴向最大值中的x方向中所述相关点云数据的最大值和所述轴向最小值中的x方向中所述相关点云数据的最小值之间的差值，b表示所述轴向最大值中的y方向中所述相关点云数据的最大值和所述轴向最小值中的y方向中所述相关点云数据的最小值之间的差值，c表示所述轴向最大值中的z方向中所述相关点云数据的最大值和所述轴向最小值中的z方向中所述相关点云数据的最小值之间的差值。

2.根据权利要求1所述的方法，其特征在于，所述获得所述初始点云数据对应的平均点间距之后，所述方法还包括：

从所述初始点云数据中任取抽样点，在所述抽样点以所述平均点间距的预设倍数为半径，获得所述抽样点对应的圆内点云数据；

根据所述圆内点云数据对所述平均点间距进行数据更新，获得更新后的所述平均点间距：

其中，d′表示更新后的所述平均点间距，M表示所述圆内点云数据对应的点云数量，d表示所述平均点间距，pi表示常数3.14。

3.根据权利要求1所述的方法，其特征在于，通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的尖锐点，包括：

将所述图像投影根据扇形区域进行划分，获得所述图像投影对应的扇区区域集合；

从所述初始点云数据中获得所述扇区区域集合中每个扇区对应的扇区点云数据；

对所述扇区点云数据进行数据筛选，获得所述扇区区域集合中每个扇区对应的邻近点，根据所述邻近点确定所述扇区区域集合中每个扇区对应的邻近集合；

从所述邻近集合中确定任意点，并在所述邻近集合中除所述任意点外获得所述任意点对应的两个相邻点；

根据所述任意点和两个所述相邻点确定目标三角形，获得所述目标三角形对应的法向量；

根据所述法向量确定所述人造物体对应的所述尖锐点。

4.根据权利要求3所述的方法，其特征在于，所述根据所述法向量确定所述人造物体对应的所述尖锐点，包括：

计算任意两个所述目标三角形对应的所述法向量的夹角，获得初始夹角；

计算全部所述初始夹角对应的最大值，获得目标夹角；

确定夹角阈值，将所述夹角阈值和所述目标夹角进行比较，获得比较结果；

根据所述比较结果确定所述人造物体对应的所述尖锐点。

5.根据权利要求3所述的方法，其特征在于，通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的边界点，包括：

获得所述扇区区域集合中每个扇区对应的所述邻近点对应的点数量；

若所述扇区区域集合中相邻预设数量下每个扇区对应的所述点数量小于目标数量时，则确定所述待检查点为所述人造物体对应的所述边界点。

6.根据权利要求1所述的方法，其特征在于，所述根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息，包括：

获取所述移动房屋对应的历史环境信息；

根据所述当前环境信息和所述外部环境信息结合所述历史环境信息进行模糊聚类，获得所述当前环境信息对应的第一历史信息和所述外部环境信息对应的第二历史信息；

根据所述第一历史信息和所述第二历史信息对所述移动房屋进行环境参数预测，获得所述移动房屋对应的所述目标环境信息。

7.根据权利要求6所述的方法，其特征在于，所述根据所述当前环境信息和所述外部环境信息结合所述历史环境信息进行模糊聚类，获得所述当前环境信息对应的第一历史信息和所述外部环境信息对应的第二历史信息，包括：

对所述当前环境信息和所述外部环境信息结合所述历史环境信息进行初次聚类，获得聚类类簇；

根据所述聚类类簇获得对应的聚类中心，根据所述聚类中心确定所述聚类类簇对应的聚类密度；

当所述聚类密度小于或者等于预设密度时，则根据所述聚类类簇获得所述当前环境信息对应所述的第一历史信息和所述外部环境信息对应的所述第二历史信息；

当所述聚类密度大于所述预设密度时，则对所述当前环境信息和所述外部环境信息结合所述历史环境信息进行再次聚类，重新获得所述聚类类簇，直至获得当前环境信息对应所述的第一历史信息和所述外部环境信息对应的所述第二历史信息。

8.一种移动房屋室内环境控制系统，其特征在于，包括：

数据识别模块，用于获得所述移动房屋对应的初始点云数据，对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体；

数据剔除模块，用于根据所述人造物体对所述初始点云数据进行数据删除，获得所述移动房屋对应的有效点云数据；

区域确定模块，用于根据所述有效点云数据确定所述移动房屋对应的有效区域；

获得信息模块，用于获得所述有效区域对应的当前环境信息和所述移动房屋对应的外部环境信息；

参数确定模块，用于根据所述当前环境信息和所述外部环境信息确定所述移动房屋对应的目标环境信息；

环境控制模块，用于根据所述目标环境信息对环境控制设备进行参数控制，获得所述移动房屋对应的环境控制结果；

所述对所述初始点云数据进行数据分割，获得所述移动房屋对应的人造物体，包括：

对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距，所述平均点间距用于表征所述初始点云数据中相邻两点间的平均距离；

从所述初始点云数据中确定待检查点，并根据所述平均点间距从所述初始点云数据中确定所述待检查点对应的近邻点；

根据所述待检查点和所述近邻点建立图像投影，并通过所述图像投影中所述初始点云数据的分布情况识别所述人造物体对应的边界点和所述人造物体对应的尖锐点；

根据所述边界点和所述尖锐点从所述初始点云数据中确定所述人造物体对应的特征线；

根据所述特征线对所述初始点云数据进行数据分割，获得所述移动房屋对应的所述人造物体；

所述对所述初始点云数据进行全局密度分析，获得所述初始点云数据对应的平均点间距，包括：

确定预设形状模型，将所述预设形状模型放置于所述初始点云数据中，获得所述预设形状模型对应的相关点云数据；

根据所述相关点云数据确定所述预设形状模型对应的轴向最大值和轴向最小值；

根据所述轴向最大值和所述轴向最小值确定所述初始点云数据对应的所述平均点间距：

a＝x_max-x_min

b＝y_max-y_min

c＝z_maxx-z_min；

其中，d表示所述平均点间距，x_max表示所述轴向最大值中的x方向中所述相关点云数据的最大值；x_min表示所述轴向最小值中的x方向中所述相关点云数据的最小值；y_max表示所述轴向最大值中的y方向中所述相关点云数据的最大值；y_min表示所述轴向最小值中的y方向中所述相关点云数据的最小值；z_max表示所述轴向最大值中的z方向中所述相关点云数据的最大值；z_min表示所述轴向最小值中的z方向中所述相关点云数据的最小值；N表示所述相关点云数据对应的点云数量，a表示所述轴向最大值中的x方向中所述相关点云数据的最大值和所述轴向最小值中的x方向中所述相关点云数据的最小值之间的差值，b表示所述轴向最大值中的y方向中所述相关点云数据的最大值和所述轴向最小值中的y方向中所述相关点云数据的最小值之间的差值，c表示所述轴向最大值中的z方向中所述相关点云数据的最大值和所述轴向最小值中的z方向中所述相关点云数据的最小值之间的差值。