一、研究目的与意义
本项目旨在设计并开发一款名为 “隐卫” 的隐私安全守护机器人，核心目的是解决独居老人监护与家庭安防中 “安全” 与 “隐私” 的尖矛盾。
通过采用轻量化多模态感知组合（视觉 RGB-D 摄像头、听觉麦克风阵列、环境传感烟雾 / 气体传感器、人体感知毫米波雷达）与边缘 AI 技术，在本地实时识别跌倒、入侵等异常行为，实现 “敏感数据不上云、本地智能决策” 的守护模式。
其意义在于：既能有效预防老人跌倒、家庭危险环境（如燃气泄漏）等意外后果，为子女及用户提供安心保障；又通过技术创新平衡 “安全监测” 与 “隐私保护”，避免传统视觉监控带来的隐私泄露风险，为智能家居安防设备的隐私合规发展提供可落地的技术路径。
二、研究目标与内容
机器人系统构建：完成 “隐卫” 机器人软硬件一体化开发与集成，重点突破三大核心层：（1）感知层：实现多传感器（RGB-D 摄像头、麦克风阵列、烟雾 / 气体传感器、毫米波雷达）驱动与数据同步（2）决策层：搭建边缘 AI 推理框架，完成轻量化行为识别模型部署与状态机设计，支持异常行为（跌倒、闯入）与危险环境（烟雾、燃气泄漏）的实时判断；（3） 执行层：集成云台控制、声光报警、语音交互模块，实现异常事件触发后的快速响应与用户通知。
1.核心技术研发
（1） 轻量化多模态融合算法：摒弃复杂 Transformer 大模型，采用轻量化注意力机制或图神经网络（GNN）构建动态融合框架，实现视觉（异常行为识别）、听觉（异响 / 呼救检测）、环境传感（危险气体报警）数据的实时融合，通过模态权重自适应调整，优先响应高优先级感知信号（如人体跌倒、烟雾报警）；
（2）边缘 AI 模型优化与部署：基于 MobileNetV3、Llama-3-7B 等轻量模型，通过知识蒸馏、量化压缩技术将多模态识别模型参数量降低 70% 以上，确保在树莓派、Jetson Nano 等边缘计算节点上实现毫秒级响应；
（3） 隐私隔离机制：所有敏感数据（视频、语音）均在边缘端本地处理，仅将报警信息、状态摘要等非敏感数据通过加密传输推送至用户端，结合差分隐私技术对原始数据脱敏，从数据全生命周期杜绝泄露风险。
2.功能与场景验证
聚焦家庭隐私安防核心场景，在模拟家居环境中完成系统测试：
（1）功能验证：测试异常行为识别（非法闯入、老人跌倒）准确率、危险环境监测（烟雾、燃气泄漏）响应速度；
（2）体验优化：测试用户一键开启 / 关闭感知功能、敏感时段（休息时）自动停止视频录制（仅保留声音和环境传感）的实用性，确保技术方案适配家庭实际使用需求。
三、特色及创新点
技术架构创新：构建 “轻量化多模态感知 + 边缘 AI 本地推理” 的一体化架构，既通过多传感器融合提升监测精度，又借助边缘计算与数据脱敏技术从源头保障隐私，解决传统安防设备 “安全与隐私不可兼得” 的痛点；
误报抑制创新：结合多模态感知交叉验证机制，例如通过视觉（人体轮廓）+ 毫米波雷达（生命体征）双重验证，排除宠物移动、窗帘晃动等干扰因素导致的误报警，提升系统可靠性。
四、学生获得的训练
1. 硬核技术整合能力：深度掌握多传感器选型与驱动开发（RGB-D 摄像头、毫米波雷达等）、轻量化 AI 模型训练与压缩（知识蒸馏、量化）、边缘计算部署（树莓派 / Jetson Nano）、隐私计算（差分隐私）等技术，实践多领域技术的系统级集成；
2. 工程实践与问题解决能力：亲历从技术选型（如传感器组合、模型选择）、方案设计（融合算法框架、隐私机制）、模块开发（感知层 / 决策层代码实现）到系统联调（多模态数据同步、边缘推理测试）的全流程，锻炼资源受限场景下（边缘设备算力）的技术优化能力；
3. 产品思维与场景落地能力：围绕家庭用户实际需求，理解 “技术可行性” 与 “用户体验” 的平衡逻辑。
1.软件工程、电子信息工程、计算机科学与技术等相关专业同学，优先考虑对多模态感知、边缘 AI、隐私计算技术感兴趣，愿意投入时间攻克技术难点的学生。
2.技术能力要求，按模块分为三类，学生可根据专长选择方向，也可主动学习跨模块技能：
1） 硬件与感知层开发：①掌握 STM32 微控制器或树莓派 / Jetson Nano 等边缘设备开发，能够完成 RGB-D 摄像头、麦克风阵列、毫米波雷达、烟雾 / 气体传感器的驱动与数据采集②了解多模态数据同步技术（如 FPGA 时间戳机制）。
2）AI 算法与决策层开发：①掌握 Python 编程，熟悉 OpenCV、librosa 等工具，能够处理视觉、听觉、环境传感数据；②了解 MobileNetV3 等轻量模型原理，掌握知识蒸馏、量化压缩等模型优化技术，能在 Edge Impulse 或 TensorFlow Lite 平台完成多模态融合算法训练与边缘部署；③对轻量化注意力机制、图神经网络（GNN）有基础认知，可参与动态融合框架开发。