# 使用激光雷达技术研究共享室内环境中的人员占用情况和碰撞 Addison Harris Flack ## 提交给弗吉尼亚理工大学的学位论文，以部分完成获得 硕士学位 的 地理学 专业 Thomas Pingel。 联合负责人 Timothy Baird。 联合负责人 Nicole Abaid 2024年5月8日 弗吉尼亚州黑斯堡 关键词：室内地理学，激光雷达，遥感，场所营造，互动 © 2024 Addison Flack。 CC BY-NC。 --- ## 使用激光雷达技术研究共享室内环境中的人员占用情况和碰撞 Addison H. Flack ### 摘要 我们大部分时间都在室内度过，这些空间极大地影响着我们的工作、社交互动和幸福感。 建筑师和设计师越来越关注创造旨在促进建筑物使用者之间互动和协作的空间。 衡量新设计的有效性是一个挑战。 本研究使用2023年秋季学期从安装在大学校园一栋混合用途学术建筑部分区域的激光雷达传感器收集的对象跟踪数据，以算法方式检测人员占用情况和偶然发生的碰撞——即同时运动和暂停的模式，表明两名或多名个人已停止并进行了有意义的互动。 该算法在整个学期检测到超过14,000次碰撞，具有高度的空间和时间精度。 人员占用情况和碰撞在多个时间尺度和空间尺度上密切相关。 此外，出现了一些有趣的模式，包括 (a) 学期初碰撞次数最多，然后下降后趋于稳定，(b) 下午时段人员占用率达到峰值，而傍晚和晚上碰撞次数达到峰值，(c) 与人员占用率相比，碰撞次数在周末达到峰值，(d) 在楼梯底部和电梯附近等重要节点出现了明显的“热点”。 本研究中的模式可以提供关于如何使用遥感数据测量互动的见解，并可以帮助设计师尝试在共享室内环境中增加协作。 --- ## 使用激光雷达技术研究共享室内环境中的人员占用情况和碰撞 Addison H. Flack ### 面向大众的摘要 我们大部分时间都在建筑物中度过，而建筑物对我们的福祉非常重要。 近年来，设计师们越来越关注如何在建筑物空间中促进人们之间的协作和互动。 尽管这些互动很重要，但如何在建筑物中对这些互动进行分类和分析一直是一个挑战。 本研究使用来自弗吉尼亚理工大学布莱克斯堡校区一栋新型混合住宅-学术建筑的地面公共区域中间歇性放置的激光雷达传感器的 2023 年秋季的物体跟踪数据。 编写了一个计算机程序来解析这些数据，并检测人们之间的意外碰撞； 运动和停顿的模式表明，两个人停止并进行有意义的互动（例如，在走廊里时遇到朋友）。 本研究使用计算机算法相对较好地检测到碰撞。 然后，在时间和空间上分析了这些碰撞的模式和分布。 在所有的时间和空间尺度上，碰撞次数和该空间中人数之间存在很强的相关性。 从时间上来说，碰撞在学期初最多，然后逐渐减少。 碰撞在一天中的较晚时间（下午、晚上）以及一周的较晚时间（星期四、星期五和星期六）更频繁地发生。 在空间上，这些碰撞最常发生在电梯周围、楼梯底部以及建筑物的主要大厅区域。 它们在走廊和一些座位区域附近发生的频率较低。 本研究揭示的模式可以帮助我们更好地了解如何在建筑物中检测人们之间的互动，并可以帮助设计师增加这些互动的数量。 --- ### 感谢 我衷心感谢 Thomas Pingel 博士和 Timothy Baird 博士，感谢他们对我学术研究的持续支持和投入，以及对我的个人和科学发展的关注。在他们的指导下，我学到了比我想象的更多。我也要感谢我的最后评审委员会成员 Nicole Abaid 博士，感谢她提供的宝贵见解和反馈。 最后，我想感谢过去两年里我的家人和朋友的支持。这个项目和这段时间充满了挑战，他们的鼓励、同情心以及愿意倾听和讨论，我将永远感激。 --- ### 目录 致谢..... iii 目录..... iv 1. 导言..... 1 1.1 研究问题..... 3 1.2 假设..... 3 2. 背景知识..... 4 2.1 室内地理学..... 4 2.2 室内环境中的人员和物体跟踪..... 7 2.3 行为地理学和人类生态学作为人类互动模型..... 10 2.4 地理学中的时空分析..... 13 2.5 物理环境对绩效和协作的影响..... 15 2.6 大学环境中的空间-场所动态..... 17 3. 方法..... 20 3.1 研究目标..... 20 3.2 研究区域和时间..... 20 3.3 CID 中的激光雷达和目标跟踪..... 22 3.4 检测碰撞..... 26 3.4.1 位移滤波器..... 30 3.4.2 运动滤波器..... 31 3.4.3 空间时间滤波器..... 32 3.4.4 航向滤波器..... 33 3.4.5 创建碰撞..... 34 3.4.6 消除重复滤波器..... 35 3.4.7 时间戳调整..... 35 3.5 分析..... 36 3.5.1 算法性能评估..... 36 3.5.2 时间分析..... 38 3.5.3 空间分析..... 38 4. 结果..... 41 4.1 算法性能..... 41 4.2 时间分析..... 41 4.3 空间分析..... 45 --- 5. 讨论.....50 5.1 总体讨论.....50 5.2 局限性.....53 5.3 未来工作.....54 6. 结论.....56 参考文献.....59 --- #### 1. 引言 室内空间在人类生活中起着关键作用，并且正变得越来越重要，是地理学、地理信息科学和遥感研究的重点领域（Zlatanova 等，2013）。新的测绘技术包括摄影测量和基于激光雷达的同步定位与地图构建 (SLAM)（Durrant-Whyte & Bailey, 2006; Chen, 2019）以及室内定位系统 (IPS)（Otero 等，2020；Al-Ammar 等，2014；Gutmann 等，2013），这些系统为建筑物内部的导航提供了指导，就像 GPS 为户外导航提供导航辅助一样。这些技术被证明特别适用于大型共享室内环境，例如购物中心、医院、机场和大学公共区域（Karam 等，2020）。 大一新生在搬入校园时，经常会经历一段充满挑战的过渡期，这可能会对他们的人生产生重要影响（Temple, 2009）。新的社交关系，以及在新宿舍楼中形成的社区和文化意识，可以帮助他们从不熟悉的环境过渡到充满价值的场所，在那里，人们可以对某个地点产生更深刻的意义和情感（Cassidy & Trew, 2004; Chow & Healey, 2008; Tuan, 1975）。Rubin 等人 (2011) 发现，许多学生在适应新环境的过程中，偶然的互动可能是一个重要的驱动因素。 相应地，通过调整室内空间的布局，设计师可以有意地鼓励这些积极的互动发生，从而引导学生进行互动，并最终建立有意义的关系（Björneborn, 2017; Temple, 2009）。 Otsuka 和 Mukawa (2004)、Teixeira 等人 (2010) 以及 He (2020) 的研究强调了使用物体跟踪技术来研究室内人类行为。此外，许多基于调查的研究旨在更好地了解场所营造和过渡 --- 然而， 在将遥感和 目标跟踪进行量化以检查许多学生所经历的空间到地方的过渡时，仍然存在研究空白。 本研究旨在通过创建一种使用地面遥感和 目标跟踪来检查可以支持许多学生建立社区、文化和归属感的偶然互动的技术。 社区、文化和归属感对许多学生来说都非常重要。 因此，在弗吉尼亚理工学院布莱克斯堡校区的创意与创新区生活学习社区建筑（CID）的公共区域，即“社区集会厅”，部署了一组固定式激光雷达传感器网络，以捕获建筑物内人员的活动模式，同时保护个人的匿名性（Teixeira 等，2010 年），并营造一个舒适、安全的环境，供人们工作、学习和生活。 我们使用 Python 算法对整个 2023 年秋季学期的激光雷达数据进行分析，以检测“偶然互动”（即碰撞），从而了解碰撞的空间和时间分布如何随学期变化，这是更大项目的一部分，旨在更好地了解室内环境中的“空间如何成为场所”。具体来说，本研究旨在解决以下两个主要研究问题和三个假设： --- #### 1.1 研究问题 1. 如何使用激光雷达数据在共享的室内环境中检测人员之间的碰撞，即“偶然互动”？ 2. 碰撞在空间和时间上是如何分布的？与这些模式相关的属性是什么？ #### 1.2 假设 H1：碰撞与室内环境的总交通量成正比。 H2：在整个学年期间，碰撞频率随时间呈线性增长。 H3：碰撞与研究区域内运动区域和静止区域之间的边界相关。这些可能是运动通道与经常使用的座位区域相邻的区域。 --- #### 2. 背景 #### 2.1 室内地理学 虽然地理学传统上关注的是外部世界，但地理学家最近开始探索室内环境和室内测绘，这些已成为研究的领域。支持这些兴趣的一个主要因素是对建筑物在日常生活中的重要性的日益认识。Klepeis 等人 (2001) 发现，美国人将 87% 的时间在室内度过。虽然“室内”一词在学术和地理学领域有多种定义，但 Chen 和 Clarke (2019) 认为，几乎所有定义都包含完全封闭和有限大小的概念，通常具有更精细的复杂性。 为了测绘室内空间，存在许多不同的室内测绘技术，包括 3D 建模、平面图、室内定位和激光雷达。Karam 等人 (2020) 研究了室内测绘技术在室内空间的实现和应用，并发现它们特别适用于大型共享环境，例如医院、购物中心、机场和大学。室内空间的主要地图表示形式包括 CAD 图纸、建筑信息模型 (BIM)、点云和纹理网格 (Chen & Clarke, 2019；图 1)。由于这些技术变得越来越普遍，许多企业和大学开始认识到室内测绘的重要性 (Zlatanova et al., 2013)。 --- ![Image](images/898baf2d1e63dd939ca10c33ff6edb13eed3a8ec44af778932cf2d5d15a0ca2b.jpg)
Figure 1: Different representations of indoor spaces including (a) Computer-Aided Drawing (CAD), (b) Building-Information Models (BIM), (c) Point-cloud, and (d) textured mesh. From Chen and Clarke (2019).
Zlatanova 和 Sithole (2016) 区分了室内测绘中的位置、地点、场所和区域。位置是指物体在空间中的绝对地理位置，通常用坐标表示。地点是指建筑物中最小的物理空间，通常指房间、走廊、楼梯等。场所更为主观，基于人在室内环境中的体验，而区域是一个概括性概念，涵盖多个地点。 室内地理和室内测绘领域近年来不断发展，部分原因是移动电话及其在室内环境中的功能，以及移动-陆地测绘技术的进步（Zlatanova & Sithole, 2016； --- Otero et al., 2020）。这些进步极大地提高了建筑测绘和制图的效率，而传统上，这需要花费大量时间和成本。 为商业室内测绘系统做出贡献的主要技术包括激光雷达、室内定位和同时定位与地图构建 (SLAM)（Otero et al., 2020）。 精确的室内定位系统 (IPS) 可以实时持续确定物体在室内环境中的位置，这些系统越来越受欢迎，因为 GPS 不能可靠地在室内使用（Otero et al., 2020, Al-Ammar et al., 2014）。这些系统通常通过主动信标工作，多个位于已知位置的信标使用三角定位来捕捉物体在空间中的移动位置（Gutmann et al., 2013）。IPS 利用室内环境的优势特性，这些特性有助于定位和测绘，例如覆盖面积小且移动量少的区域。IPS 的主要应用包括购物中心、博物馆、医院以及经常被急救人员使用的场所（Al-Ammar et al., 2014）。 同时定位与地图构建系统的发展主要由对自动驾驶车辆的导航系统的研究推动。SLAM 技术用于移动机器人系统，因为它们允许放置在未知位置且周围环境未知的移动机器人，在缓慢导航环境的同时，构建环境的三维模型（Durrant-Whyte & Bailey, 2006）。在室内 SLAM 中，配备 RGB 摄像头或激光雷达传感器的机器人或人员在室内环境中移动，并实时捕获周围环境的数据（Zou et al., 2022）。在此基础上，可以构建高分辨率的空间模型，并用于导航。通过集成惯性测量单元 (IMU)，可以将空间配置添加到扫描中（Chen et al., 2019, Durrant-Whyte & Bailey, 2006）。有前景的创新包括使用激光雷达传感器进行 SLAM，这可以在任何光照条件下实现更好的精度、准确性和更密集的环境信息（Chen et al., 2019）。 准确的室内定位系统 (IPS) 可以持续确定物体在室内环境中的位置，并且能够实时地进行定位，这些系统越来越受欢迎，因为 GPS 无法在室内可靠地使用 (Otero et al., 2020; Al-Ammar et al., 2014)。 这些系统通常通过主动信标工作，多个位于已知位置的信标使用三角定位来捕捉物体在空间中的移动位置 (Gutmann et al., 2013)。IPS 通常 通过 IPS 利用室内环境的有利特性，例如较小的覆盖区域和较低的移动水平，从而实现定位和跟踪。 室内定位系统（IPS）的主要应用包括购物中心、博物馆、医院以及经常被急救人员使用的场所（Al-Ammar 等，2014）。 室内定位系统（IPS）的主要应用包括购物中心、博物馆、医院以及经常被急救人员使用的场所（Al-Ammar 等，2014）。 室内定位系统（IPS）的主要应用包括购物中心、博物馆、医院以及经常被急救人员使用的场所（Al-Ammar 等，2014）。 同时定位与地图构建（SLAM）系统的发展主要受到为自动驾驶汽车设计的导航系统的推动。SLAM技术用于移动机器人系统，因为它们允许在未知位置和未知环境中的移动机器人，在缓慢导航环境的同时，同时构建环境的三维模型（Durrant-Whyte & Bailey, 2006）。在室内SLAM中，配备RGB相机或激光雷达传感器的机器人或人员在室内环境中移动，并实时捕获周围环境的数据（Zou 等，2022）。在此基础上，可以构建高分辨率的空间模型，并用于导航。通过集成惯性测量单元（IMU），可以将空间配置添加到扫描数据中（Chen 等，2019，Durrant-Whyte & Bailey, 2006）。这里的一项有前景的创新是激光雷达传感器在SLAM中的应用，它可以实现更好的精度、准确性和在任何照明条件下对环境更密集的感知（Chen 等，2019）。 --- 激光雷达传感器在SLAM中的应用，它可以实现更好的精度、准确性和在任何照明条件下对环境更密集的感知（Chen 等，2019）。 激光雷达是一种主动遥感技术，传感器会发射一束光，该光束击中物体并返回传感器（Beraldin 等，2010 年）。 通过测量此过程所需的时间，激光雷达传感器可以准确地绘制给定区域的地图（Meng 等，2010 年）。 空中激光雷达用于捕捉大范围的室外区域（例如城市和县），形成一个三维点云，每个点通常被分类为植被、建筑物、裸地面和其他类型，使用算法和人工指导技术（Meng 等，2009 年；Beraldin 等，2010 年）。 由于分辨率太低（例如，每平方米 5-15 个点），单个人员通常无法在如此大范围的点云中得到很好的捕捉。 #### 2.2 - 室内环境中的人体和物体跟踪 Teixeira 等人 (2010 年) 概述了一种在更高分辨率点云中检测人员的方法，包括存在、数量、位置、跟踪和身份等指标（图 2）。 存在是指检测空间中是否存在人员的能力，而数量是指在任何给定时间，空间中存在的人的总数。 位置是指人类在空间中的几何位置，跟踪是指提取和存储先前的位置，而身份是指将空间中每个独特的人/物体与全局唯一 ID 相关联。 --- 真实数据 ![Image](images/419f16e8cd1eaeec585a7e768b1a8ee773432e6f4c6bc0f415a70a27ed8ca0af.jpg)
Figure 2: The five spatiotemporal properties of human sensing. From Teixeira et al. (2010).
为了在室内环境中检测人员，Tiozzo-Fasiolo 等人 (2022 年) 提出结合 RGB 摄像头和一个用于对象检测的卷积神经网络 (CNN)，以便在空间中创建一个“对象”的边界框：多摄像头跟踪涉及使用多个摄像头，但已注意到在摄像头之间实现无缝和连续跟踪存在挑战（He 等，2020 年）。 使用多个传感器进行对象跟踪旨在解决背景干扰和对象遮挡问题，这些问题通常仅通过单个传感器的一个视角出现（Otsuka & Mukawa, 2004）。 与在室内空间和对象跟踪中使用传统基于摄像头的传感器不同， 近年来，激光雷达的使用越来越广泛（Günter, 2020；Obanawa 等，2020 年；Zhou 等， 2020 年）。 Teixeira 等人 (2010 年) 概述了与替代方案相比，激光雷达传感方法的重大优势， 包括基于摄像头的传感。 由于激光雷达的潜在较低分辨率和缺乏颜色， 可以保护传感区域内人员的匿名性（Teixeira 等，2010 年）。 激光雷达传感器不依赖环境光， 这意味着它们可以在动态照明条件下正常工作，包括在夜间（Günter, 2020）。 此外，来自 激光雷达传感器的通常比来自基于摄像头的传感器的更密集、噪声更小（Obanawa 等，2020 年；Zhou 等，2021 年）。 由于激光雷达处理在大范围区域更容易，因此与 照相测量传感/数据处理相比，成本和时间都可能高昂（Meng 等，2009 年）。 激光雷达和基于摄像头的系统 的优点和缺点可以在图 3 中看到。 --- 源：dSPACE 技术会议 2017 在成本和时间方面（Meng 等，2009）。激光雷达和基于摄像头的系统的更多优点和缺点见图3。 激光雷达和基于摄像头的系统的更多优点和缺点见图3。 ![Image](images/1905de31af7644e6f854ac84b81575eeee160c13d7e06f8e983042c539affe5c.jpg) 来源：dSPACE Technology Conference 2017
Figure 3: Advantages and disadvantages of camera, radar, and lidar. From Analog Devices / dSPACE Technology Conference, 2017
最终，激光雷达的主动感应能力可以测量位置，并允许传感器本身生成形状/几何信息，而摄像头则不包含几何/位置信息（Teixeira et al., 2010）。这为激光雷达在地理空间分析方面提供了优势，因为位置记录可以轻松地将物体的坐标转换为笛卡尔坐标系中的x-y坐标。激光雷达可以准确地测量场景并创建点云，这是空间的三个维度表示（Dassot et al., 2011）。地面激光雷达已在其他学科中得到广泛应用，包括森林科学，在该领域，该技术越来越多地用于精细测量和分析（Dassot et al., 2011）。 --- #### 2.3 - 行为地理学和人类生态学作为人类互动模型 行为地理学是研究个体如何感知、思考和在他们的空间环境中行动的学科（Golledge & Stimson, 1997）。它涉及研究与空间、地点和环境相关的心理学，并为环境中的可观察行为提供心理解释（Montello, 2018）。这包括研究认知和心理地图、导航和路径规划、建成环境中可达性、方向感和距离估计以及空间能力（Montello, 2013）。时空模型和地理信息系统在现代行为地理学中发挥着重要作用。例如，Miller (1991) 使用时空棱柱来模拟个体与交通网络的关系（图 5）。 ![Image](images/c5e4e4e907d7bace9dd355777e7be6dbd1296a8ae6af059f5598162b38a87fc0.jpg)
Figure 4: Space Time Prism showing potential movement of a person in space. From Wu and Miller (2001; Adapted from Miller, 1991).
--- De Vos (2022) 认为，旅行态度、行为和当地建成环境之间存在相互关联的关系。他认为，这些关系还会影响个人决策，例如旅行选择和居住地选择（参见图 5）。 ![Image](images/d95cdc748ace42f9811a4ed0dfc92eaabb0dfc5fa455e264e05e0e48b3d5aa80.jpg)
Figure 5: The interlinking relationships between the built environment, travel attitudes, and travel behavior, and how they affect travel choices. From De Vos (2022).
对人们施加的政策和限制会影响他们在空间和场所中的行为，尤其是在日常活动发生的地点（Golledge & Stimson, 1997）。在城市环境中，人类的流动性通常受到个人态度和信仰、空间设计和治理的影响（Chaudhry et al., 2023）。 行为地理学提出了关于人们如何在共享 环境中移动的额外理论，第一个是“最小角度策略”，这是一种常见的寻路方法，即个体从起点到终点的路径，基于他们沿与直线方向最一致的路径的能力和 倾向（Hochmair & Frank, 2000）。具体来说，关于建筑物内部导航，Hölscher 等人。 倾向于沿着与直线方向最一致的路径移动。 (Hochmair & Frank, 2000)。 尤其是在室内导航方面，Hölscher 等人 --- 迷路，并且更有可能遵循最短角度策略，从 A 点到 B 点覆盖较短的距离，并且在路线上的移动速度更快。 另一种方法是“最小风险路径算法”，这是一种避免迷路的导航方法，也被发现适用于室内环境，尤其是在复杂的、多层室内空间中 (Vanclooster et al., 2014)。 室内导航也可以从空间语法的角度进行分析，空间语法是一种对建筑环境进行正式描述的方法 (Li & Kippel, 2010, Montello, 2007)。 通过空间语法，环境对导航的重要性可以分为三个方面：(1) 差异程度 - 环境的视觉变化；(2) 视觉可达性 - 从观察点可以看到的环境部分；(3) 空间布局的复杂性 - 可以分解为面积大小、路线选择的数量以及路线交叉点之间的角度 (Li & Kippel, 2010)。 虽然行为地理学更关注环境的空间特征、寻路和人类流动，但人类生态学这一分支更广泛地关注群体对资源的获取和利用，传统上是在自然环境中进行的，以及由此产生的社会和文化实践和结构，这很大程度上是一种经济活动。 经过多年，人类生态学已经孕育了许多不同的观点和关于人与环境相互作用的定义（Barrows, 1923; Rambo, 1983）。 与将人类生态学定义为关注环境对人类行为的影响不同，Barrows (1923) 建立了一种地理方法，关注人类如何适应不同的环境。 人类生态学通常强调人类既是生物体又是社会存在，这影响着我们与周围环境的互动（Bubolz & Sontag, 1993）。 与物理环境和其他人的互动，以及这些环境中可用的资源，可以影响人与人之间的互动模式。 --- 这些互动会影响人与人之间的互动模式。 #### 2.4 - 地理学中的时空分析 在过去的几十年中，梅伊-波·关 (Mei-Po Kwan) 为地理信息科学做出了许多重要的贡献，尤其是在时空分析的发展方面（Kwan et al., 2014）。 她的早期工作侧重于使用网络分析来研究城市环境中个体和基于性别的可达性（Kwan, 1998; Kwan, 1999）。 她还研究了如何使用时空分析来突出隔离和环境正义问题如何影响旅行流动（Kwan, 2013）。 时空路径分析是本研究的一个重要研究领域，该领域具有实际应用价值。时空路径是连续的轨迹路径，它通常在空间中可视化 x 和 y 坐标的运动，并将时间作为 z 坐标（Kwan, 2004；图 6）。可以使用颜色来表示另一个变量，例如在特定时间和地点对环境的感觉（图 6）。时空路径和时空分析通常用于更大规模的城市、出行和交通地理分析，这些分析主要用于更好地理解出行模式（Kwan, 1999，Kwan, 2004，Kwan, 2000），但是，这些技术也可以用于可视化本研究中使用的激光雷达系统产生的数据。 --- ![Image](images/48d2640b925b12a3e9da30eebaeef48be84dbf21c0a584618fcf167a6e27a9f5.jpg)
Figure 6. A space-time path showing a woman's travel pattern in Columbus, Ohio. Color is representative of her feeling towards the urban environment. From Kwan (Mei-Po Kwan's 3D GIS work - space-time paths)
A second research area, particularly relevant to this study, is the concept of the Uncertain Geographic Context Problem (UGCoP; Chen & Kwan, 2015; Kwan, 2012; Liu et al., 2023; Zhao et al., 2018), which she and her colleagues contrasted with the related and more well-known Modifiable Areal Unit Problem (MAUP; Openshaw, 1983). MAUP describes how the "enumeration units" of spatial analysis - census tracts, counties, zip codes, etc. - have a significant impact on subsequent analyses. For example, correlations observed with one unit of analysis may not be present or even reverse with other units of analysis. Much work over the past few decades --- 已经提高了对 MAUP 的理解，并提出了缓解策略（Dark & Bram, 2007；Fotheringham & Wong, 1991；Viegas et al., 2009）。相反，UGCoP 观察到，个人通常在多个枚举单元中活动，而不仅仅是在主要被认为是该单元的空间分析目的单元中。例如，他们可能住在其中一个普查区，但工作在另一个普查区。一个人的生活所在的区域通常不受普查区的限制——每个人都有自己独特的活动模式，通过自己的经历，以及他们所经过的任何区域的环境影响都可能影响他们的活动模式（Zhao et al., 2018）。为了解决 UGCoP 问题，最佳实践是定义和分类一个最能体现“真实因果相关”地理环境的区域，而不是仅仅选择一个任意的预先存在的枚举单元（Kwan, 2012）。 可修改的时间单位问题 (MTUP) 近年来被识别和研究，它是在时间上的 MAUP 的一个并行问题（Coltekin 等人，2011）。区域的聚类和汇集形成分析单元，此外，还使用不同的时间聚合区间，这可能会导致分析结果的不同（Coltekin 等人，2011）。由于时间数据通常也以循环方式出现（例如，星期几或小时），因此通常需要考虑循环特性（Mahajan 等人，2021）。此外，Mahajan 等人（2021）提供的框架表明，调整研究框架以应对时间本身会影响自变量和因变量这一概念非常重要。 #### 2.5 - 物理环境对绩效和协作的影响 物理环境会影响人们的工作绩效、社会互动和幸福感（Ali 等人，2015；Cleveland & Fisher, 2014）。具体而言，在大学环境中，研究发现物理环境的舒适度与学术表现之间存在正相关关系（Ali --- et al., 2015）。在一项研究中，在不舒适的环境中学习和考试的受访者 难以集中注意力，并且与在感觉更舒适的环境中学习和 考试的受访者相比，他们的表现更差（Ali et al., 2015）。 室内环境对工作表现的影响可能受到室内环境中物质资源的 наличие 和质量的影响（Whiteside 等，2010；Cleveland & Fisher, 2014）。在共享空间中，这些物质资源可能包括家具、电源插座、照明、平面（用于书写）和其他可能影响室内共享环境质量的资源。在许多学术环境中，这些资源可以支持教育表现（Whiteside 等，2010）。此外，物质资源聚集区（即局部多个资源可用的区域）会增加该聚集区内每个资源的价值，并且资源的聚集往往有利于空间内的活动和互动（Feldman & Florida, 1994）。物质资源聚集区可以作为会面地点，从而促进这些空间内的碰撞发生。 最近，建筑师和设计师的重点是增加室内环境中的偶然性，特别是促进个人/群体之间的碰撞的策略（Björneborn, 2017）。在大学环境中，这一点仍然适用，最近的设计趋势侧重于管理互动、最大限度地提高积极协作以及使空间对使用者来说感到舒适和易于进入（Temple, 2009）。局部环境的具体和有意的设计会影响人们之间的互动方式：多样且不一致的环境和资源变化可以促进偶然性和未计划的互动（Björneborn, 2017）。随着室内环境的通行性和可达性从不同路线和起点提高，互动和碰撞的潜力也会增加（Björneborn, 2008；Björneborn, 2017）。 --- 具体来说，大学校园内的人际互动可以促进创新（Jansz 等，2022）。在学术环境中，许多因素可以增加校园内发生积极碰撞的潜力。这些因素包括地理 proximity、建筑规模、过渡空间的存在和频率、空间的舒适度、在空间内的过往经验、共享设施和活动（Jansz 等，2020）。最终，这些因素可以与设计原则和空间设计联系起来，这些设计原则和空间设计可能会有意促进室内环境中富有成效的碰撞。 #### 2.6 - 大学环境下的空间-场所动态 物理环境本身具有影响其文化和社区形成方式的能力；而且，文化和社区的形成方式就是如何使大学空间成为许多使用者的场所（Temple, 2009）。此外，尽管短暂，但偶然的互动（或积极的碰撞）在场所形成和带来日常生活中的幸福感方面可以发挥重要作用（Rubin 等，2011）。 Yi-Fu Tuan 的工作极大地促进了我们对空间和场所动态的理解，以及人们如何将地点与意义联系起来（Tuan, 1975, Tuan, 1979）。人们与他们的家、社区以及他们经常访问的其它地点形成情感联系。随着时间的推移，这些联系会形成一种“场所感”，这会影响人们在某个位置的行为，并增强他们的自由感（Tuan, 2001）。 在地理学中，场所的概念是多元的，许多学者都提出了描述。 Shamai (1991) 认为场所是无维度的。Lewis (1979) 使用该术语来描述 对某个位置的情感依恋。虽然场所在地理学中有多种用途， Tuan (1975) 认为，“场所”一词既包含历史，又包含意义，并且认为场所是一种必须从体验者角度理解的现实。虽然 “空间”主要关注周围环境和位置，“场所”则深入探讨对特定地点的文化理解，并且常常影响人们的情感和行为（Tuan, 1979, Tuan, 2001）。 --- “空间”主要关注周围环境和位置，“场所”则深入探讨特定位置的文化理解，并且通常会影响人们的感受和行为（Tuan, 1979; Tuan, 2001）。 Shamai 和 Ilatov (2005) 提出了不同的方法学分类，以衡量“场所认同感”，认为不同的社会群体对同一地点的体验不同。 "对地点的感知"，认为不同的社会群体对同一地点的体验不同。 Gillespie 等人 (2022) 证明，“场所认同感”和“场所依恋感”等概念有助于保持特定地点的居民，并且搬到新地点可能会扰乱一个人的心理健康（Ahmed, 1999）。 “依恋”有助于人们留在某个地方——而搬到新地方 可能会扰乱一个人的心理健康 (Ahmed, 1999)。 Tuan (1979) 在地理学中，将这些概念与运动和停顿的概念联系起来，他认为，空间是促进人们移动的位置。相反，当人们在空间中停下来时，就会形成场所。这些停顿有助于人们在特定地点培养场所认同感，从而产生意义，并发展文化和社区。 随着一学年的进行，空间可能成为大学校园/建筑内许多居民的场所。场所依恋感也与社会福祉有关（Rollero 和 De Piccoli, 2010）。对于新生来说，进入大学可能是一个非常重要的时期，尤其是在自我认同感的发展方面（Cassidy & Trew, 2004）。这个转变受到社会关系、场所意义、场所依恋感以及这些因素在学年中的变化的影响（Chow & Healey, 2008）。Chow 和 Healey (2008) 指出，这个转变改变了学生的场所认同感，他们还发现，互动和社交关系是许多学生形成新场所认同感的主要驱动力。更高的社区意识和更大的社交互动程度可以减少一年级学生的孤独感，这表明公共空间中的社交互动和协作非常重要（Thomas 等人, 2020）。 --- 社会互动减少了新生学生的孤独感，表明公共空间中的社会互动和协作非常重要 (Thomas et al., 2020)。 --- #### 3. 方法 #### 3.1 研究目标 本研究使用固定安装的多传感器激光雷达网络来检测大学校园内混合学术和住宅建筑的共享学术空间中，居住者之间的运动和互动。将对象跟踪软件应用于激光雷达数据流，以生成匿名个体的轨迹，这些个体在建筑物内移动。使用生成的轨迹，通过算法检测人们之间的偶然碰撞，即两个或多个个体在空间中相遇并发生空间互动（RQ1）。然后分析这些碰撞的时空模式及其与环境因素的关联（RQ2）。 #### 3.2 研究区域和时间 为了解答我的研究问题和假设，我正在利用位于弗吉尼亚理工大学布莱克斯堡校区创意与创新区生活学习社区建筑（CID）内的共享空间进行数据收集。弗吉尼亚理工大学是一所大型公立大学，它有着不断发展的传统，通过生活学习项目来支持学生的成功，这些项目将课程活动和课外活动相结合，尤其是在宿舍楼。CID于2021年8月开放，是一栋混合用途的学术和住宅建筑，包含各种教室，也是近600名本科生宿舍（Virginia Tech, 2023）。此外，CID的设计旨在促进其用户之间的合作，并包含各种空间：一个创客空间、一个排练和表演大厅、工作室教室、一个研讨室、一个多用途会议室、一个户外教室、许多学习休息室，以及一个社区集会空间，这将是本次研究的重点。 --- 位于建筑一楼的社区集会空间，可通过多个出入口进入。社区集会空间的东走廊内有一个画廊，展示学生的艺术作品。此外，社区集会空间还拥有许多潜在的交叉点（如电梯、楼梯和走廊），这可以促进建筑用户之间的积极互动。由于CID社区集会的布局和便利性，它是一个理想的地点，可以分析用户的移动模式，并检测可能发生的富有成效的互动。图7显示了CID一楼内的研究区域。在该区域内，安装了11个Blickfeld激光雷达传感器（参见材料部分），用于检测人们的移动和与集会空间互动的情况。研究时间从2023年8月21日（开学第一天）持续到12月13日（期末考试结束），共计__PH_FOOTREF_######__。 ![Image](images/75611b6d58789d47861452948d0c6f2ee99992e2ac6269cb0a64af3b76c22e0b.jpg)
Figure 7: The ground-floor of the Community Assembly space of the CID at Virginia Tech. The extent of lidar data collection is outlined in red.
--- #### 3.3 CID中的激光雷达和目标跟踪 在CID社区集会的吊顶上安装了11个面向前方的Blickfeld Cube 1激光雷达传感器。这些传感器允许调整视野范围，并采用可适应的扫描模式，以定制数据收集（Blickfeld, 2021）。通过以太网端口用于发送数据，并接收来自用户界面的参数更改（Web或Python API）。每个扫描器的应用范围为1.5到75米，扫描范围为$70^{\circ}$ x $30^{\circ}$，并且可以以1.5到50 Hz的速率捕获图像，具体取决于扫描分辨率。每个传感器通过本地网络托管的用户界面进行访问，该界面允许更改和更新扫描参数（如扫描模式、降噪参数和目标持续性参数），以及启用数据记录和存储，并调整时间同步，以便多个Cube可以实现一致的通信。数据收集始于2022年8月，图8显示了所有11个传感器组合的点云数据。在2023年8月21日至12月13日的整个研究期间，出现了四次传感器故障，导致软件无法记录数据：2022年9月21日18:00至2022年9月22日11:00（中断17小时），2022年9月29日22:00（小于一小时），2022年10月10日21:00至2022年10月11日14:00（中断17小时），以及2022年11月6日16:00至2022年11月7日12:00（中断20小时）。 --- ![Image](images/c535c9b8d081ee0b910d8c803170409a8a7072bbd51f5fa04cfb3135275928fb.jpg)
Figure 8. Combined point cloud from 11 lidar sensors for study area in CID.
Cube传感器输出的数据可以采用两种方式进行操作和访问：1) 使用Python API检索帧，并使用为本项目编写的自定义软件（Pingel, 2022）进行记录；以及2) Blickfeld的lidar物体跟踪软件Percept。虽然正在进行的研究正在使用深度学习和基于OpenCV的方法（Karki, 2024）来利用第1种方法的数据进行跟踪，但在此处介绍的工作仅使用来自Percept系统的数据。 Percept是一款实时物体跟踪软件，它使用基于运动的检测来识别来自11个传感器组合的点云中的物体。它记录了带时间戳的位置（x,y）、体积、速度以及其他物体参数（Blickfeld, 2021）。观察区域中的每个物体都会被分配一个唯一的随机ID，并在整个项目空间中无缝跟踪。如果一个人离开并重新进入框架，他们将不会被分配之前的唯一ID， --- 从而保持匿名性。图9显示了来自Percept在一段时间内样本跟踪数据的可视化。 ![Image](images/a82f12ae1aa0da8df6c3f50db0be670d94c9bbbce362897dda5c3e9dee7eb559.jpg)
Figure 9: One hour of Percept tracks in the CID.
Percept包含多个调整参数，例如物体衰减参数、物体检测的最小权重阈值以及最近邻半径阈值。这些参数旨在通过减少噪声和微调物体大小和物体持久性来实现最佳数据收集。在本项目中，在经过长时间的测试后设置了参数，以确保尽可能高的检测率，同时最大限度地减少误报。表1列出了最终的参数设置。 ---
ParameterSetting
Dynamic BackgroundMixture of Gaussians (background subtraction)
Initialization Frames10
Exponential Decay0.005
Minimum Weight Threshold0.17
Minimum # of Neighbor Points3
Neighbor Radius0.5 m
Point Clustering MethodMean Shift
Minimum Points for a Cluster30
Average Radius of Objects0.33 m
Table 1. Parameters for Percept object tracking software.
Percept日志记录为JSON文件（参见图10），但Percept还可以以Google的二进制protobuf格式记录，并且可以通过MQTT传输信息。使用Python包Pandas读取日志，并可以通过GeoPandas将其转换为更传统的地理空间格式（例如，shapefiles）。然后可以在Python或ArcGIS等GIS软件中直接分析跟踪数据。文件大小取决于空间中的活动量；典型的一天大约是800-1,000 MB的纯文本JSON文件。 --- ![Image](images/cb0b38b6c5cae6262804211fe30211d61d18d5f071c69f4264fcc0754d08a5bd.jpg)
Figure 10: Screengrab from one Percept JSON log denoting each unique object's timestamped position and velocity.
为了检查算法检测的碰撞与CID研究区域的总体 占用/活动之间的关系，需要明确定义占用。 我将占用定义为在特定时间段内，一个区域（栅格网格单元）内由一个人（人-秒）占据的总秒数。此人-秒框架 理想化了空间内碰撞的潜在风险：在一段时间内，空间中不同唯一ID（即，人数） 的数量是潜在的替代指标，但它是一个 不太可靠的碰撞潜在风险指标，因为即使只是短暂地经过该空间的人，也会被 赋予与在空间内花费大量时间的人相同的权重。 #### 3.4 检测碰撞 ##### 3.4 检测碰撞 Percept软件日志中的运动模式被用来在空间上检测碰撞，即非计划的、偶然的人际互动。该算法仅关注碰撞的时空特征，但没有检查任何声音数据（通常，这些互动包含听觉成分）。例如，一个人 --- 在空间中移动时，可能会遇到另一人并停下来交谈，这就是一次碰撞。有三种类型的 。 在检测算法的开发过程中，考虑了碰撞情况： 双向碰撞 - 两个方向行驶的人停车互动，然后各自继续行驶。 - 静止碰撞 - 穿梭于空间的人停车与静止的人互动，然后继续前行。 汇合碰撞 - 两个方向行驶的人停车互动，然后一起继续行驶。 ![Image](images/bb53fb9a89ee18eafba08e9b13bf912c158aa16d3fd33a1a3084f13cc6507c69.jpg)
Figure 11: A Space-time path depicting a two-way collision in the CID space. One person's points are shown in blue, and the other's in red.
--- 我主要关注双向碰撞和汇合碰撞，因为它们的操作方式更直接，空间和时间特征也更清晰。Percept 软件通过均值迁移算法识别空间中的移动人员；当人员长时间静止不动时，软件通常会将其丢失，然后在重新移动时分配新的唯一对象 ID。这使得准确地将行驶中的人员的暂停与使用 Percept 数据集的静止人员进行匹配变得困难。 一个用 Python 编写的自定义算法（附录 A）用于检测 Percept 数据中的碰撞。由于整个 2023 年秋季学期的 Percept 输出文件非常大（18GB 原始数据），因此将数据拆分为 20 个大小相等的子组件，然后分别对每个子组件应用该算法，并在稍后重新组合，以加快处理时间。该算法侧重于识别两个个体最初分开移动，然后一起暂停的时刻。算法开发的第一个步骤是作者在空间中进行观察，以观察和记录该算法旨在检测的碰撞类型。这包括在整个学期内的七周期间进行 12 次为期一小时的直接观察，记录了空间中 35 次单独的碰撞。此外，经常在研究区域活动的 Tim Baird 博士，会在同一期间报告他自己的碰撞的日期和时间。这些真实观察数据用于设计和调整算法。 该碰撞检测算法使用包括 Numpy、Pandas、Geopandas 和 Scipy 在内的开源 Python 包来处理从 Percept JSON 数据创建的 GeoDataFrame。通过应用多个空间时间数据过滤器，这些过滤器旨在隔离数据中的特定模式，这些模式与碰撞运动模式相吻合，从而检测到碰撞，然后 --- 将其写入 GIS shapefile 以供进一步检查和处理。处理 115 天的 Percept 数据（拆分为 20 个大小相等的部分）大约需要 5.5 小时，使用的是一台 Dell Precision 5820 Tower X-Series，配备 Intel Core i9-10980 XE CPU @ 3.00GHz 处理器和 256GB RAM。 下面提供关于碰撞检测算法的简要概述，在详细解释每个步骤之前。为了消除噪声并防止将人与物体之间的交互归类为碰撞，一个位移过滤器会删除所有总位移小于 4 米的轨迹。接下来，一个运动过滤器会隔离具有碰撞特征的运动和暂停轨迹，仅保留当前速度小于 0.3 m/s 且正在减速的记录。然后，一个时空过滤器会保留在距离其他个体的记录 1.5 米之内的记录，尝试将两个个体配对。为了确保个体来自不同的来源，使用一个方向过滤器，以确保个体的方向不同至少 90 度，表明它们来自不同的方向。最后，为了消除同一两个个体之间的后续交互，以确保组交互不被多次计数，应用一个重复过滤器来删除所有在初始碰撞的 2 米和 5 秒内的碰撞。包含一般流程图的图表见图 12。 --- ![Image](images/937ea60e50f9a73c948289dfd371f729a5bf7a1a0238cdf09113752d972c679b.jpg)
Figure 12: Flowchart depicting the order of steps and general process of the collision detection algorithm.
##### 3.4.1 位移过滤器 由于检测算法旨在检测双向和连接碰撞类型，因此在社区会议空间中两个个体的运动是重要的检测标准。此外，虽然 Percept 参数经过了微调，以减少噪声并确保研究空间的较高数据质量和精度，位移过滤器也用于消除数据中的小噪声，并防止将人与物体之间的交互归类为碰撞。例如，学生在坐下之前可能会移动一把椅子。如果椅子仅短暂地分配唯一的通用标识符 (UUID)，即使是短暂，它也可能满足所有其他参数/过滤器，并且算法可能会将学生和椅子归类为发生了碰撞。 --- 位移过滤器首先通过 UUID 对所有 Percept 点进行分组。然后，它使用 Percept 提供的表格几何数据（该数据提供 CID 地理原点距离的米坐标），在首次记录 UUID 的几何位置时。为了将某人视为发生碰撞，他们必须从最初记录的点开始，在 UUID 的整个生命周期内移动至少 4 米。由于人们进出空间并前往任何目的地，他们很容易移动超过 4 米。相应地，只有基于 Percept 的噪声和非人类物体才会偏离空间原点小于 4 米。如果物体不满足此位移过滤器，则将其 UUID 记录从数据集中删除，以确保仅记录具有明显运动的人。 ##### 3.4.2 运动过滤器 在 CID 中检测碰撞的一个重要考虑因素是能够 检测运动和暂停。速度和加速度信息可以跟踪 通过在时间和空间中突出显示多个人在同时减速的区域。此过滤器仅保留正在以 0.3 米/秒以下的速度移动且正在减速的数据点。 30 岁以下的人的平均步行速度为 1.34 m/s（Alves 等人，2020；Schimpl 等人，2011），这意味着只有在明显 较低的速度下才可能发生碰撞。0.3 m/s 的值是为了在真实碰撞和误报之间取得平衡而选择的。 该值旨在找到一个平衡点，既能检测到真实的碰撞，又能最大限度地减少误报。 显著降低速度。 0.3 m/s 的值是为了在真实情况和计算效率之间取得平衡而选择的。 检测和一致性：如果速度阈值设置得太高，可能会排除一些碰撞，特别是那些“擦肩而过”的碰撞，在这种碰撞中，只有短暂的互动，而且双方都没有完全停下来。如果阈值设置得太高，可能会在输出中包含过多的误报，因为它有时会将两个人“擦肩而过”的情况也算作碰撞，尤其是在人流量大的时间和地点，因为这时速度模式通常较慢。 碰撞 - 尤其是那些“擦肩而过”的碰撞，在这种碰撞中，只有短暂的互动，而且 双方都没有完全停下来。如果阈值设置得太高，可能会在输出中包含过多的误报，因为它有时会将两个人“擦肩而过”的情况也算作碰撞，尤其是在人流量大的时间和地点，因为这时速度模式通常较慢。 First, the linear velocity, which measures the instantaneous velocity regardless of direction of travel (always positive), is calculated based on the X-direction and Y-direction linear velocity which Percept records. The acceleration is then calculated based on the instantaneous change in velocity. Using the velocity and acceleration for a person's UUID, a filter is applied to then remove all data points with velocities and accelerations greater than the threshold - this preserves only data points which are moving less than 0.3 meters per second, and are actively slowing down to have an interaction. --- First, the linear velocity, which measures the instantaneous velocity regardless of direction of travel (always positive), is calculated based on the X-direction and Y-direction linear velocity which Percept records. The acceleration is then calculated based on the instantaneous change in velocity. Using the velocity and acceleration for a person's UUID, a filter is applied to then remove all data points with velocities and accelerations greater than the threshold - this preserves only data points which are moving less than 0.3 meters per second, and are actively slowing down to have an interaction. 首先，计算线性速度，该速度衡量的是瞬时速度，无论移动方向如何（始终为正），该速度基于 Percept 记录的 X 方向和 Y 方向线性速度进行计算。 然后，根据瞬时速度的变化计算加速度。 使用某人的 UUID 的速度和加速度，应用一个过滤器，以删除所有速度和加速度大于阈值的数据点——这仅保留移动速度小于 0.3 米/秒且正在减速以进行交互的数据点。 ##### 3.4.3 Spatiotemporal Filter 此过滤器旨在强调和隔离以下情况：两个或多个人在 1.5 米的范围内——从根本上说，这就是碰撞的基础。 类似于运动过滤器，空间阈值经过迭代修改以确定理想值。 当阈值大于 1.5 米时，由于包括同时暂停但不明显发生交互的情况，误报率显著增加。 小于 1.5 米的阈值往往不包括任何碰撞，但没有明显的身体接触（握手、拥抱等），而这些情况也应该包含在内。 时空数据过滤器使用 Percept 在基于点的数据库中提供的几何信息（即，根据本地 x/y 坐标系记录人员的位置，单位为米），并使用 Python 中的距离计算来测量两个人之间的距离。 如果一个人的 UUID 在同一记录的时间戳内，在 1.5 米范围内，则保留这些点——不满足此阈值的点将被删除。 在应用此过滤器后， --- 满足碰撞的标准：具有所需运动模式的人，以已知的低速减速，并且在另一人附近。 ##### 3.4.4 Heading Filter 标题过滤器旨在通过仅捕获真正的双向碰撞来降低误报率。 所谓双向碰撞是指两个或多个人在最初从不同方向行驶。 为了被认为是碰撞，他们的行驶方向差异必须大于 90 度。 如果两个人一起进入空间，走到一张桌子旁，并在桌子旁一起坐下，从技术上讲，他们符合上述碰撞的要求：一种普遍的运动模式、同时减速以及彼此非常接近。 但是，这是一种计划好的互动，不应被计为碰撞。 类似的运动和暂停模式可能会发生在教室、电梯或学习空间中的任何其他空间瓶颈附近，在这些地方，由于人们涌入较小的空间，运动会减慢。 标题过滤器的目的是确保捕获自发性，要求所有符合碰撞条件的人必须也以半相反的方向行驶。 此步骤通过消除由于瓶颈和一般运动模式而可能检测到的“碰撞”，从而大大减少了误报。 在算法开发过程中，测试了多个不同的角度阈值，结果表明 90 度的角度似乎最能最大限度地减少误报，并与主要交通走廊的朝向相符。 此过滤器要求两个合格方被认为是相互关联的，因此此步骤与算法中的“创建碰撞”步骤同时应用，以便正确匹配和确定是否发生了碰撞。 首先，计算一个人行驶方向（以度为单位）的滚动平均值，时间为三秒。 这是使用 --- Python 的 Scipy 包中的循环统计函数。 在使用已概述的标准将两个人潜在地匹配为碰撞后，比较他们的方向。 同样使用循环统计（因此，30 度的方向被视为在 330 度的方向的 90 度范围内），检查两个人的行驶方向，如果他们的方向与另一人的方向在 90 度范围内，则此碰撞对将被删除，因为我们假设他们正在一起行驶。 只有方向差异大于 90 度的碰撞对才会被保留在此步骤中。 ##### 3.4.5 创建碰撞 使用上述经过过滤的点，这些点仍然可以被记录为碰撞，算法中的下一步是定义碰撞的发生时间和地点。 此步骤与标题过滤器同时执行，因为两个方的角度必须在匹配时同时检查。 此过滤器按 UUID 对所有数据点进行分组，然后再次检查在 1.5 米的空间阈值内的其他 UUID。 在应用角度过滤器后，一旦两个 UUID 匹配，并且在事件通过此最终过滤器后，它将被记录为碰撞。 之后，此 UUID 对之间不能再考虑其他碰撞。 此步骤的开始，创建一个空白的地理数据帧，用于存储最初检测到的所有碰撞。 对于每个检测到的碰撞，将包含两个方的 UUID、碰撞的确切时间戳以及组合几何形状的数据行附加到此数据帧中，该组合几何形状是两个人的几何形状的空间平均值。 然后，将所有潜在的碰撞传递到“去重”过滤器中。 --- ##### 3.4.6 去重过滤器 关于碰撞检测的一个重要考虑因素是，CID空间中存在两个可能产生干扰的问题：特殊事件和“群体”碰撞。社区活动中心在整个学期都会举办许多特殊活动，从小型的每周活动到大型的单次活动。在这些计划的活动中，人们通常会花至少一部分时间进行互动。这些互动，虽然可能不是真正自发的，但会被碰撞算法记录下来。因此，与其他时间相比，活动期间的碰撞频率要高得多。 类似地，“群体”碰撞可能会人为地增加碰撞次数。例如，如果三个人一起进入学习空间，然后与其他三个人组的碰撞，他们的互动可能会产生九次独特的记录碰撞，这不包括由于头部过滤而导致的组内碰撞。在本研究中，我将这种情况视为一次碰撞，即一次单次、自发的互动，即使它涉及多于两人。 此过滤器将碰撞数据框作为输入，遍历每个碰撞记录，并删除所有在五秒内的其他碰撞。然后，计算初始碰撞和后续碰撞之间的距离。对于所有低于阈值两米的距离，将相应的碰撞记录从数据集中删除。 #### 3.4.7 时间戳调整 在收集碰撞数据集后，需要进行 небольшая 时间戳调整以实现时间一致性。由于 Percept 将所有信息都记录在 UTC 时间，因此 Percept 日志与当地东部时间 (EDT/EST) 之间的转换差异在 2023 年 11 月 5 日，日光节约时间结束时，从 4 小时变为 5 小时。为了进行调整 --- ，所有 Percept 数据都使用 4 小时的偏移量进行碰撞分析，然后将所有在此时刻发生变化之后的碰撞时间戳调整了一小时，以补偿这种时间偏移。 对于 此时间偏移。 ##### 3.5 分析 ##### 3.5.1 算法性能评估 为了评估碰撞检测算法的性能，我将检测结果绘制在原始激光雷达数据的渲染图上，这有助于突出显示虚假阳性和虚假阴性结果。 来自所有 11 个传感器的数据被融合并栅格化为正交最大 高程表面（即数字表面模型）。使用用 Python 编写的代码以及使用 ffmpeg 开源视频处理软件，将算法检测到的碰撞叠加在 原始激光雷达帧上，从而生成一个动画。在算法开发期间和正式的后续性能 原始激光雷达帧，从而生成动画。 播放和审查这些动画是 示例，显示了算法检测到的碰撞叠加在 CID 空间中两个人在互动时，可以在下图 13 中看到。 对于后续性能分析，这些叠加在 密度数据) 的链接：。 一个真正的阳性 示例显示了算法检测到的碰撞，叠加在 CID 空间中相互作用的两个人身上。 可以在下图 13 中看到。 --- ![Image](images/5ac493c1eaba99e9f737a6b7568ad5e79455a7e8d7cda6d11847f23ce34770ce.jpg)
Figure 13: Two orthographic lidar frames overlaid with the collision algorithm. In frame a, two people are approaching one another (dashed box). In frame b, they stop and interact - the algorithm successfully detected this collision, denoted by the red point symbol.
对于事后性能分析，这些叠加在 通过算法检测到的碰撞被用于计算：(1) 真实正例，(2) 假正例，以及 (3) 在哪些情况下，无法明确判断是否发生了碰撞。 该方法用于三个 小时的数据段，其中算法检测到 127 次碰撞。 一个小时是低 occupancy 时间段，一个小时是中等 occupancy 时间段，最后 一个小时是高峰 occupancy 时间段。 由于真实负例发生在算法上不一致的 模式中，因此无法验证非碰撞情况。 同样，对于假负例，有些假负例碰撞在视觉上比其他碰撞更明显，这意味着 无法通过动画明确确定假负例的真实比例。 ##### 3.5.2 时间分析 对于本研究，时间分析旨在描述碰撞与研究区域的总体 --- （[H1] 和 [H2]）。 为了测试碰撞与 occupancy 之间的时间关系，两个数据集都按学期周 [H1、H2]、星期几 [H1] 进行分组， 以及小时 [H1]。 对于每个时间间隔，都生成了显示总体趋势的图。 为了统计地解释时间模式，使用标准的多元普通最小二乘回归， 学期周作为分组变量，碰撞作为因变量，occupancy 和学期周作为自变量。 小时是循环的，不能被视为分类变量，因为每个时间段都很短，并且从一个小时到下一个小时的过渡不与空间使用模式的直接停止相关；因此，相邻的小时不能被认为是完全独立的。 使用多元回归，其中时间变量归一化为 0-1，然后首先将其转换为圆形度量，然后转换为正弦和余弦分量，这通常用于时间和空间圆形变量（Mahajan 等，2021）和方位角（Jones，2006）。 调整角度以使周期达到峰值，使峰值前/后的时间达到正弦分量。 #### 3.5.3 空间分析 为了检查交通/occupancy 的空间分布，并将其与碰撞位置相关联 [H1]，对 1 米网格运行广义线性回归 (GLR) 模型， 将 occupancy 作为解释变量，将碰撞作为因变量。 这侧重于整体 occupancy 和碰撞之间的关系。 此外，对残差的分析可以突出显示研究区域中，碰撞高于或低于预期水平的空间 [H3]。 此外，还对 1 米网格运行地理加权回归 (GWR)，以量化 occupancy 和碰撞之间的关系，并考虑空间自相关 [H1]。 正方形回归采用学期周分组，并将碰撞作为 因变量， occupancy 和学期周作为自变量。 由于一天中的小时是循环的，因此不能将其视为分类变量，因为每个时间段都很短，从一个小时到下一个小时的过渡与空间使用模式的直接停止没有直接相关；因此，相邻的小时不能被认为是完全独立的。 使用多元回归，其中时间变量从 0-1 归一化，然后首先将其转换为圆形度量 (2 *pi* t)，然后转换为正弦和余弦分量，这通常建议用于时间数据（Mahajan 等，2021 年）和空间圆形变量，如方位角（Jones，2006 年）。 调整角度以使周期峰与余弦分量对齐，使前/后峰与正弦分量对齐。 #### 3.5.3 空间分析 为了研究空间交通/occupancy 并将其与碰撞位置相关联 [H1]，在一个广义线性回归 (GLR) 模型中，以 occupancy 为解释变量，以碰撞为因变量，在 1 米的网格上运行。 这侧重于 occupancy 与 --- 整个秋季 2023 学期，分析了整个区域的占用率和碰撞情况。 除了估计占用率和碰撞之间的总体关系（$R^{2}$）外，残差分析还强调了研究区域内碰撞高于或低于预期水平的区域，具体取决于交通量 [H3]。 此外，还对 1 米网格进行了地理加权回归 (GWR) 分析，以量化占用率和碰撞之间的关系，并考虑到空间自相关性 [H1]。 为了确定碰撞与运动区域和 暂停在研究区域之间的关联 [H3]，我重点关注研究区域的西部走廊，如图所示 图 14。创建了几个水平网格线（宽 0.10 米），每个网格线的中心位置位于走廊的中心，该位置是 通过在研究中计算占用率的内核密度手动选择的。为了研究碰撞、座位位置和路口之间的关系如何随着 我们从走廊中心向外移动而变化 [H3]，在每个网格线中计算了三个变量：（1）占用率之和， （2）所有占用率的平均速度，（3）以及碰撞之和。然后生成了与高运动摩擦区域和这些区域中的碰撞频率相关的图表。 在走廊中，计算了每个网格线的三个变量：（1）占用率之和， (2) 所有占用率的平均速度，(3) 碰撞总数。 然后， 生成了将高运动阻力区域与这些区域内碰撞频率相关联的图表。 区域。 --- ![Image](images/0528ba75a060a7a74d03d194379ae4ef8a04a43c23daf857206629328be8fdc4.jpg)
Figure 14: Collision frequency may differ at area “a” where seating is next to high traffic movement conduits (arrow) compared to area “b”.
图 14 突出了此子分析的重点区域。之所以选择该区域，是因为走廊的一侧（a）靠近一个座位区域，而另一侧（b）则更加开放，并且经常 被用作“通道”。通过检查网格线中碰撞、速度和占用率的差异，我们可以更好地了解与碰撞相关的空间属性。例如，与行进方向垂直的碰撞分布可能是不对称的 和/或双峰（因为人们会避开走廊中行人的路）， 这可能表明与座位区域相关的某种“摩擦”。 例如，与行进方向正交的碰撞分布可能是不对称的 和/或双峰（因为人们会避开走廊中行人的路）， 这可能表明与座位区域相关的某种“阻力”。 --- #### 4. 结果 #### 4.1 算法性能 在研究期间，收集了大约 6700 万秒的 Percept 数据，时间跨度为 115 天，算法检测到总共 14,022 次碰撞（平均每天 121.9 次；每小时 5.1 次）。为了评估误报率，通过人工验证了 12 小时的激光雷达数据，每个小时的占用率情景不同（低/中/高）。将检测到的碰撞分为三类：“真阳性”、“不明确”和“假阳性”。在 127 次总检测到的碰撞中，68.5% 属于确定为真阳性，11.0% 属于确定为假阳性，剩余 20.5% 不明确。假设“不明确”的碰撞有一半是真实的，该算法的估计准确率为 78.7%。在 12 小时的现场观察中，空间内发生了 11 次双向碰撞和 6 次连接碰撞。该算法检测到 6 次双向碰撞，估计误报率为 46%。没有检测到 6 次连接碰撞。 #### 4.2 时间分析 占用率和碰撞在学期最初的几个星期都达到最高，并且 通常随着学期的进展而下降（图 15）。每日碰撞在 9 月中旬达到最高，然后开始下降 (15a)。在 9 月 18 日之前，没有一天碰撞次数少于 100 次 - 此日期之后，有 45 天的碰撞次数少于 100 次。从 9 月 18 日开始，每天的碰撞次数开始下降。 到 9 月中旬，开始下降 (15a)。 在 9 月 18 日之前，没有一天碰撞次数少于 100 次；在此日期之后，有 45 天碰撞次数少于 100 次。 值得注意的是， 在占用率和碰撞之间存在明显的时间滞后，这在小时数据中很明显 (15d)。 感恩节和寒假之间的碰撞次数增加。主要低谷对应于 学期中的假期（第 6 周的秋季假期，感恩节假期在第 13 周，以及学期结束在第 16 周 - 15b）。每周，工作日期间的入住率最高， --- 而碰撞则主要集中在周末的星期五和星期六（15c）。从小时数据来看，入住率和碰撞之间存在明显的时序滞后（15d）。 入住率在学生典型的工作时间（9:00 至 20:00）最高，并在 15:00 达到峰值。然而，碰撞在一天中的其他时间增加，并在晚高峰时段（17:00 至 20:00）达到峰值。 逐小时数据中可明显看出，入住率与碰撞事件之间存在显著的时间滞后（15d）。 当用二阶多项式拟合时，按学期小时、学期天数和学期周进行聚合后，入住率和碰撞之间存在很强的统计相关性（R² = 0.76，F(2,2672) = 4128.97，p < 0.001），（第 16 图，a、b、c 面板）。此外，对入住率/碰撞关系在所有三个时间间隔上应用对数-对数转换显示，不同时间尺度上的关系存在差异，每日（n = 1.17）和每周（n = 1.15）间隔可能表明存在略微的超线性关系，而每小时（n = 0.78）的间隔可能表明存在略微的次线性趋势。 下午 3 点。 然而，碰撞在白天增加，直到傍晚（17:00 至 20:00）达到峰值。 时间范围为17:00至20:00。 ![Image](images/d101a93c9f5cfd56cfa27ebb13679e5ca96c7af38e35cb0307ab7533c23b63a2.jpg) ![Image](images/65187e0916470849c0aee9a5e2d1aecf222a24a9a91bb8d4067f688dab28838e.jpg) ![Image](images/0ec859f0c23f7c6e5bfddc21ff353f2b9532858ada5ef91186d2283e0a6090be.jpg) ![Image](images/93c827ba3eb5c925b8453f85a0ec91d0c0989b3d4732bd2d5f41bcc11913995a.jpg)
Figure 15. (a) Total collisions by day, (b) total collisions and occupancy by week of the semester, (c) normalized collisions and occupancy averaged by day of week, and (d) mean (line) and upper/lower quartiles (shaded region) of collisions and occupancy by hour of day.
--- 当使用二次多项式拟合时，入住率和碰撞事件在按学期小时汇总时，具有很强的统计相关性（R² = 0.76，F(2,2672) = 4128.97，p < 0.001），在按学期天数汇总时（R² = 0.74，F(2,112) = 161.97，p < 0.001），以及在按学期周数汇总时（R² = 0.92，F(2,14) = 81.22，p < 0.001）。（图 16，a、b、c 组图分别显示）。此外，对所有三个时间间隔的入住率/碰撞率关系进行了对数-对数变换，结果显示在不同时间尺度上存在不同的关系，每日（n = 1.17）和每周（n = 1.15）的时间间隔可能表明存在略微的超线性关系，而每小时（n = 0.78）的时间间隔可能表明存在轻微的次线性趋势。 ![Image](images/5295f6f47901dd055297951828064e3c09a5e66d4524890bd7db850ad50fe359.jpg) ![Image](images/ffa07919978b6a5b22b58d7c539dece2bbff676f74463bdd0d847ddad215512f.jpg) ![Image](images/1471dfd8989f8ffd3a499464de3833a6d995ea78b52176064d042d6ea781f9e2.jpg)
Figure 16. (a) Hourly, (b) daily, and (c) weekly relationships between occupancy and collisions, with an exponential trendline showing the relationship between the two variables.
通过统计分析，包括与碰撞/入住率关系的正弦/余弦峰值对齐的时间，OLS 回归显示，在空间使用高峰期的时间（余弦分量）不是显著预测因子（p = 0.22），但在高峰期之前或之后的时间（正弦分量）是显著的（p < 0.001）。 --- ![Image](images/9b63c66785df5846c1ee9f79824691bce47c2e30062340d33897e2a8af73b6cb.jpg)
Figure 17. Collisions vs occupancy, differently symbolized by day of week, fitted with a quadratic trendline.
为了检验时间对碰撞频率的影响，对星期几（自变量）与每千次入住的碰撞次数之间的关系进行了单因素方差分析（ANOVA）。结果表明，星期几在统计上会影响研究空间中发生的碰撞次数（p < 0.001），即使进行了标准化。例如，与每周平均值相比，星期五（24.53%）和星期六（51.90%）的碰撞频率明显高于每周平均值，而星期一（-17.13%）、星期二（-32.37%）和星期三（-12.07%）的碰撞频率较低。绘制整个学期的每一天，可以清楚地看到星期几如何持续影响碰撞-入住率比（图 17）。 --- #### 4.3 空间分析 图 18 显示了 2023 年秋季学期的总碰撞次数和入住率，以 1 米网格的鱼网形式总结了社区组装空间。入住率模式（a 面板）显示，走廊、楼梯底部、座位区域和电梯是使用最频繁的区域。通往弗吉尼亚理工大学校区的左侧走廊的使用频率高于通往黑斯堡市中心的右侧走廊。位于研究空间中心的座位区域最受欢迎，大型桌子和可用的电源插座可以鼓励人们停留更长时间。通常，走廊和座位区域之间的过渡区域以及靠近墙壁的边缘区域的使用频率较低。 碰撞次数（b图）在楼梯底部、学习空间的座位区域以及电梯周围区域较高，电梯周围区域发生了该学期14000次碰撞中的2000多次。碰撞次数在走廊、边缘区域（例如，靠近墙壁）和出口处（不包括电梯）最低。 ![Image](images/0e4c449dd998ba52a8f1a228f6c699471b9ecda796ae17133e2c399f5ad0a7b1.jpg) ![Image](images/c1e43ab55da62123ef23001a9c3ae01220168081fefec06eec678709bb6b9c9d.jpg)
Figure 18: Occupancy (a) and collisions (b) within the CID over the course of the Fall 2023 academic semester.
--- 为了确定哪些位置的碰撞次数高于或低于交通量[H1]，对学习空间进行了一米网格的广义线性回归分析，生成的图像图表显示了残差（即，碰撞次数比根据占用率预期的更多或更少的地方）（图19）。这揭示了占用率与碰撞次数之间存在显著关系（ $R^{2} = .598$, F(3,785) = 390.02 p < 0.001）。 虽然广义线性回归没有考虑到空间自相关性，但它可以用于突出显示拟合的残差（即，碰撞率高于或低于预期水平的区域）。左侧和中心走廊以及楼梯是碰撞次数低于预期的区域，而右侧走廊的碰撞次数与预期大致相同。值得注意的是，右侧走廊有两间教室，并且经常展示学生作品，而左侧走廊没有。此外，占用率最高的学习/座位区域的碰撞次数低于预期。然而，许多其他座位区域的碰撞次数高于预期。楼梯底部是一个主要的交叉点，社区活动中心（Community Assembly space）的中心经常在活动期间使用，这些区域的碰撞次数高于预期。电梯是碰撞次数与占用率之比最高的区域，因为人们需要在该区域等待。 一种地理加权回归可以更好地解释碰撞次数和占用率之间的局部变化，因此可以更好地估计它们之间的关系，其$R^2$值略高（ $R^2 = .84$）。 --- ![Image](images/25466f4a91b23dfc77435498e5830985cd56a8cdacaaaf111adcf2469091a37a.jpg)
Figure 19: GLR Results showing that hallways (1) and some seating areas (2) experienced fewer collisions than expected given occupancy. The elevator (3), base of the stairs (4), and center of Community Assembly (5) all experienced more than expected.
为了研究运动摩擦力与碰撞次数之间的关系[H3]，我使用CID（CID）内的0.10米水平网格线，计算了所有占用率的平均速度、总占用率和总碰撞次数（图20）。运动摩擦力较高的区域出现在速度变化迅速的区域。碰撞次数在有座位的走廊一侧达到峰值。然而，在走廊的每侧都存在一个峰值，表明分布为双峰。速度和占用率都在走廊中心达到峰值，但带座位的走廊一侧的速度下降梯度比不带座位的走廊一侧更陡峭。带座位的走廊一侧的占用率仍然较高，而无座位的走廊一侧的占用率最低。碰撞次数在走廊中心和座位区域的边缘都很少。 --- ![Image](images/fbcfd2cd0c31ad59fd2431617bff4924b3e4f14b8038545e7fe41865c76e93f5.jpg) ![Image](images/49529b9f2bd24b6cd010ead62baa921ea26a9425a5461bcd45612128d074725f.jpg)
Figure 20: Normalized and smoothed average velocity, occupancy, and collisions in 0.1 meter gridlines on both sides of the hallway. The -x values in panel a correspond with the left side of the hallway in panel b.
![Image](images/7ac00bb88614195b90c5aab9d58b2ba5552dfa0082fd349bc77026dff7f43954.jpg)
Figure 21: Collisions per 1000 Occupancy on both sides of the corridor, fitted with a fourth-order polynomial.
Figure 21 presents results from an OLS regression run between the distance from the hallway’s center and the number of collisions per 1000 occupancy taken globally. When both sides are examined independently, the side with seating (R² = 0.76, p < 0.001) and the side without seating
--- ( $R^{2}=0.62$, p<0.001) 具有统计显著性，表明每单位占用率的碰撞次数高于预期。然而，在带座位的走廊一侧，每1000单位占用率的碰撞次数更多。在走廊的两侧，距离走廊中心2.5米以外，每单位占用率的碰撞次数开始下降。 --- #### 5. 讨论 #### 5.1 总体讨论 基于激光雷达的算法用于检测碰撞——在共享室内环境中，人们之间的偶然互动——该算法的开发是基于 Otsuka 和 Mukawa (2004) 以及 Teixeira 等人 (2010) 提出的原则，并在一个学期内成功检测到了大量此类互动。该数据集包含 14,022 起碰撞，源自 6700 万秒的激光雷达数据，估计的真实阳性率为 78.7%，双向碰撞的真实阴性率为 47%，但对静止和连接类型的碰撞的检测能力有限。为了减少数据中的噪声，激光雷达检测软件 Percept 的参数被设置为尽可能小，算法参数被设置为尽可能小，以减少误报率。因此，记录的碰撞最好被视为从中可以推导出关于总体空间行为的见解的样本。例如，通过将交互的空间阈值从 1.5 米增加到 2.5 米，可以增加碰撞次数并减少假阴性，但也会增加误报率。 本研究深入了解了空间中的这些时空交互。碰撞事件在 2023 年秋季学期的前五个星期达到峰值，然后趋于平稳。然而，在学期结束时，感恩节假期后的这段时间出现了碰撞事件的大幅反弹，打破了这种模式。然而，Chow 和 Healey (2008) 描述的空间-地点动态可能与整个学期的碰撞频率并不完全一致：本研究的结果表明，碰撞/入住率随着学期时间的推移并没有显著增加，这表明 H2 所做的假设没有得到支持。这可能是因为学生在学期开始时可能会拥有更广泛的社交圈，并且“扩大活动范围”。 --- 学期期间，一部分关系会逐渐发展为更深厚的友谊。虽然这些关系在营造社区氛围方面起着重要作用（Rubin et al., 2011），但随着学期的进行，每个人愿意停下来与他人交谈的人数逐渐减少，尽管他们认识的人数在不断增加。 另一种可能的解释是，随着人们之间的联系越来越紧密，他们的互动可能会变得更加微妙和高效，这使得算法难以检测到。 此外，随着学生们越来越熟悉彼此，他们可能会更愿意在宿舍房间或住宅走廊等其他地方，或是在CID的其他便利设施中见面，这表明碰撞减少可能只发生在公共场所。 occupancy和碰撞之间存在很强的相关性，但具有局部时空差异。 每天都存在显著的时间滞后，occupancy在工作时间达到峰值，而碰撞在傍晚达到峰值。 类似模式也存在于一周的某些日子，例如，与周二相比，周六的碰撞率几乎是occupancy的两倍。 这些发现与Harari等人（2020）的研究结果一致，他们发现年轻人之间的对话频率在周五和周六最高，在周二最低，并且下午和晚上比早上或晚上更容易发生对话。 在空间上，碰撞发生在整个研究区域，但在电梯附近、楼梯底部和座位区域等occupancy较高的区域尤其密集。 统计测试支持H1提出的观点，即交通流量（occupancy）与这些环境中的碰撞之间存在很强的关系，但存在一些有趣的 spatial和temporal的例外。 --- 电梯在社区大楼中既是空间上的，又是时间上的瓶颈，因为它迫使人们聚集在同一地点等待。 电梯内部和电梯外部的区域是该学期总碰撞次数（占14.2%）最多的地方，也是碰撞次数与占用率最高的区域（图19）。 尽管电梯周围可能存在局部误报率较高的情况，但等待电梯的模式与碰撞的移动模式一致，而且现场观察证实，电梯是重要的碰撞区域。 此外，由于人们会走到走廊中间的旁边以发生碰撞，因此走廊中间的碰撞次数与占用率较低。 带有座椅的走廊一侧的碰撞比例和碰撞次数与占用率高于没有座椅的走廊一侧； 换句话说，桌子（以及坐在桌子旁的人）的“阻力”更高，与更多的碰撞相关。 这些结果支持H3，表明碰撞更频繁地发生在运动和暂停区域的边界，而不是在特定区域本身。 此外，更强的速度梯度似乎也支持碰撞频率的增加。 最终，设计师和其他希望促进碰撞的人可以从这里获得启示。 这项研究也为地理学中关于空间和时间尺度的重要性的长期讨论做出了贡献。 Gehlke和Biehl（1934）的研究由Openshaw（1984）扩展，描述了在一种聚合级别（例如，州/县/片区/栅格）进行的空间分析可能会产生与在另一种级别进行的空间分析不同的结果，这现在被称为可修改的区域单位问题（MAUP）。 Coltekin等人（2011）将这一思想扩展到时间领域，描述了可修改的时间单位问题。 在这项研究中，随着时间分辨率的增加，占用率与碰撞之间的关系减弱，但始终保持强烈的相关性。 一米和10厘米 --- 尺度用于空间分析，但选择不同的空间尺度可能会稍微改变碰撞与占用率之间的关系，正如MAUP所暗示的。 #### 5.2 局限性 算法的参数经过调整，以最大限度地提高检测率并抑制噪声（即，误报）。 但是，并非所有碰撞都可以从激光雷达数据中检测到。 例如，人们在互动时可能不会停顿，或者可能以大于1.5米的距离互动，或者以小于90度的角度接近对方。 从远处发生的较小碰撞，例如向你房间另一侧的人挥手，仍然非常重要，但我的方法无法捕捉到这些。 用于检测和跟踪人员的软件Percept存在一些限制，这些限制影响了结果。 例如，如果人们停止移动一段时间（约15秒），则该软件会将他们从跟踪对象中移除； 当他们再次移动时，他们会被视为新的对象，并具有新的唯一ID，并且不会与他们之前的任何位置/移动相关联。 这样做是为了动态删除诸如椅子或包等静止对象。 类似于碰撞检测算法，Percept也经过调整，以最大限度地提高检测率并抑制噪声。 Karki（2024）使用深度学习和OpenCV开发了Percept的替代方案，用于跟踪激光雷达数据中的运动。 这些方法的结果，或与Percept的集成，可以用于检测碰撞，从而可能获得更准确的结果。 对空间的布局进行更改也会极大地影响走廊、移动模式，甚至可能导致碰撞。当家具移动时，移动走廊会发生变化，这为更好地测试边界空间和边缘区域如何影响占用情况和碰撞提供了机会 [H3]。除了某些临时移动家具的活动外，在 2023 年秋季学期期间，座椅位置没有进行任何重大的、永久的布局更改。 --- 检测碰撞的另一个主要挑战是在各种计划的社交活动和其他高密度期间量化碰撞。在一个空旷的空间中，双向碰撞相对容易通过动画进行量化和验证。然而，在高峰期，该算法似乎表现不佳，并且由于这些时段的频繁和短暂互动，验证变得更加困难。该算法中的事件过滤器旨在限制这些事件对整个数据集的影响，但通过更好地对碰撞进行分类和归类，区分哪些是发生在活动期间的碰撞，哪些不是，可以获得对空间使用的更深入的理解。 ### 5.3 未来工作 有多种方法可以改进碰撞检测算法。首先，改进算法的并行化、优化和可扩展性可以提高计算性能。其次，引入新的过滤器和/或修改现有的过滤器可以提高算法的真阳性率，尤其是在高密度环境中，互动可能不太自然。Pacchierotti 等人 (2005) 将 1.2 - 3.5 米定义为人们在公共空间中进行社交互动的可能距离。这表明，结合其他算法调整，可以调整空间时间过滤器中的距离阈值，以减少误报/漏报率。在本次研究中，参数调整是为了限制 FP/FN 率，但没有进行全面的参数优化。第三种改进算法的策略是调整头部过滤器，使其使用人们的 UUID 的原点，而不是 3 秒滚动平均的头部，以更好地确保他们是否会互动。 移动物体跟踪的一个基本挑战是，如果物体停止移动，跟踪通常会失败。本研究发现，Percept 会在人们静止太长时间时停止跟踪；并且 --- 当他们再次移动时，他们会被检测为新的对象。算法上将新的 UUID 连接到旧的 UUID，可以防止对同一两名人的碰撞进行双重计数。 对检测算法的额外改进可以帮助识别静止和 连接的碰撞。 未来的研究还可以寻求更好地对碰撞类型进行分类。由于活动在社区大会中碰撞的空间时间模式方面起着重要作用，因此可以对碰撞进行分类，区分发生在活动期间的碰撞，以及未发生在活动期间的碰撞。通过调整和/或同步时间空间分析，仅在低/中密度期间进行分析，或者结合来自给定空间的活动时间表的数据，研究人员可以排除组织活动，以更好地了解非正式使用模式。使用事件分类系统可以提高对使用情况和碰撞如何随密度变化而变化的理解。 未来研究的另一个方向是整合不同类型的数据。碰撞可能不仅仅有空间和时间上的特征。当发生碰撞时，参与者很可能进行语音交流，这可以由声学传感器检测到。与激光雷达数据一样，激光雷达数据可以提供匿名性，因此声学数据的收集可以仅限于空间音频传感器提供的音量和方向，从而在研究空间中保护居住者的隐私。可以将声学三角定位的空间化（即，将声音来源放置在建筑物坐标中）实现到检测算法中，作为一种额外的验证碰撞是否发生的手段。 未来的工作可以基于本研究中识别的关系和模式，通过更详细地研究研究区域内的特定时空案例，以确定是否存在其他类型的模式，尤其是在特定时间段内，某些区域是否会呈现出不同的模式。例如，可以观察是否有 --- 电梯在人们可能更疲劳的傍晚时段使用频率更高，或者早晨发生的碰撞是否发生在与傍晚发生的碰撞不同的位置。相关地，大学的课程安排如何影响碰撞？哪些出入口在哪些时间段被更频繁地使用？研究空间中与碰撞发生率更高的特定资源/位置相关联的原因是什么？所有这些未来的研究问题都可以更深入地了解共享室内环境的利用方式，并提出新的设计选择，以减少碰撞。 Vroman 和 Lagrange (2017) 发现，视觉和物理障碍都会改变既定的运动模式，并且他们建议，可以在空间内有意放置具有视觉吸引力或具有物理阻碍性的物体，以改变/减慢运动模式。未来的工作可以基于此，采用实验方法，通过有意地放置视觉干扰物（例如，艺术品等），或者通过调整研究空间中家具和资源的布局。这也可以为设计师设计大型、开放的室内空间提供指导。 #### 6. 结论 本研究提供了一个初步案例，用于利用地面激光雷达来检测、研究和分析共享室内环境中的交互模式，该模式可以精确到（匿名化）个人，并且在厘米级的空间精度下，持续数月。开发了一种碰撞检测算法，用于解析基于表格的对象跟踪数据，该算法在低误报率（21.3%）方面表现良好，但对于双向碰撞，假阴性率高于预期（46%）。根据验证评估，算法检测到的碰撞数量可能是真实碰撞数量的低估， --- 其中，连接碰撞的假阴性率估计较高（>50%），并且 静止碰撞尚未可靠地检测到。 对各种时间尺度的碰撞影响进行研究，观察到数据中出现了一些有趣的模式：碰撞次数在学期最初的几周达到最高，然后逐渐下降到更稳定的水平，这表明一年级学生的社交圈可能在学期开始后缩小和收紧，或者碰撞可能变得更加微妙，或者碰撞可能转移到建筑的其他区域。研究发现，星期几和小时对碰撞发生的速率有统计学上的影响。从每天来看，每单位占用的人数的碰撞通常在星期几增加，星期五和星期六的碰撞率最高。类似地，从小时来看，占用量在工作时间内达到峰值，但碰撞在晚上晚些时候达到峰值。碰撞倾向于反映小时的占用模式，但存在 2-3 小时的时滞。 还分析了碰撞和占用的空间模式，发现占用和碰撞之间存在高度的空间相关性，但存在许多限制。楼梯底部和社区组装区的主要区域的碰撞率高于预期，而电梯周围的区域在该研究区域内的碰撞率最高。走廊通常的碰撞率远低于预期，除了楼梯底部的区域（该区域有多个走廊交叉）。观察到一种“摩擦效应”，即在带有座位的走廊一侧的碰撞次数比在没有座位的走廊一侧更多。然而，碰撞在通道周围呈双峰分布，通道边缘的碰撞比通道中心更多。 总的来说，本研究表明，激光雷达可用于广泛地表征使用、移动和活动，以及在共享的室内环境中检测碰撞。这些数据可以 --- 用于揭示人们互动的方式和地点中存在的有趣的时空模式。 通过考虑这些模式，设计师可以尝试增加碰撞频率和 协作，从而改善大学环境。 --- ### 参考文献 Ahmed, S. (1999). Home and away: 移民和疏离的叙述. International Journal of Cultural Studies, 2(3), 329–347. $\underline{\text{ Al-Ammar, M. A., Alhadhrami, S., Al-Salman, A., Alarifi, A., Al-Khalifa, H. S., Alnafessah, A., & Al-Salah, M. (2014). 室内定位技术、方法和算法的比较调查. 2014 International Conference on Cyberworlds, 245–252. Ali, A. S., Chua, S. J. L., & Lim, M. E.-L. (2015). 办公楼宇中物理环境舒适度对员工绩效的影响：马来西亚三个公立大学的案例研究. Structural Survey, 33(4/5), 294–308. 阿尔维斯 F.、桑托斯·克鲁兹 S.、里贝罗 A.、席尔瓦 A.、马丁斯 J.、库尼亚 I. (2020). 老年健康步行指数：一项提案。《Sustainability》，12，7360。$\underline{\text{ 巴罗斯 H. H. (1923). 作为人类生态学的地理学。《美国地理学家协会年鉴》，13(1)，1–14。$\underline{\text{ Beraldin, J.-A., Blais, F., & Lohr, U. (2010). 激光扫描技术. In G. Vosselman & H.-G. Maas (Eds.), Airborne and Terrestrial Laser Scanning. Whittles Publishing. Björneborn, L. (2008). 探索信息行为在物理图书馆界面中的维度和用户行为。信息研究，13(4)。$\underline{\text{ Björneborn, L. (2017). 探索偶然性：一个框架，将环境因素和个人因素与偶然相遇联系起来。文献期刊，73，1–35。$\underline{\text{ Blickfeld. (2021年5月25日)。Cube 1—Blickfeld。 Blickfeld. (2021年5月25日)。Cube 1—Blickfeld。 Blickfeld. (2021年12月13日)。Percept—Blickfeld。 $\underline{\text{ --- Bubolz, M. M., & Sontag, M. S. (1993)。人类生态理论。收录于：P. Boss, W. J. Doherty, R. LaRossa, W. R. Schumm, & S. K. Steinmetz（编）。《家庭理论和方法来源：情境方法》（第419–450页）。美国斯普林格。$\underline{\text{ Cassidy, C., & Trew, K. (2004)。北爱尔兰的身份变化：一项关于学生从家庭过渡到大学的纵向研究。社会问题杂志，60(3)，523–540。 Chaudhry, A.-G., Masoumi, H., & Dienel, H.-L. (2023)。关于交通方式态度和选择的系统文献综述：中东和南亚城市。可持续城市前沿，4。 态度和出行方式：中东和南亚城市. Frontiers in Sustainable Cities, 4. Chen, J. (2018)。建筑网格参照[应用/pdf]。38–43。$\underline{\text{ Chen, J., & Clarke, K. C. (2019)。室内测绘。地图学与地理信息科学，47(2)，95–109。$\underline{\text{ Chen, X., & Kwan, M.-P. (2015)。情境不确定性、人类流动性和感知食物环境：食物获取研究中的不确定地理背景问题。美国公共卫生杂志，105(9)，1734–1737。 Chow, K., & Healey, M. (2008)。场所依恋和场所认同：第一学年学生从家庭过渡到大学。环境心理学杂志，28(4)，362–372。 Cleveland, B., & Fisher, K. (2014)。对物理学习环境的评估：文献批判性回顾。学习环境研究，17(1)，1–28。$\underline{\text{ Coltekin, A., De Sabbata, S., Willi, C., Vontobel, I., Pfister, S., Kuhn, M., & Lacayo-Emery, M. (2011年7月2日)。可修改的区域单元问题。$\underline{\text{ --- Dark, S. J., & Bram, D. (2007)。物理地理学中的可修改区域单元问题（MAUP）。进步物理地理：地球与环境，31(5)，471–479。 Dassot, M., Constant, T., & Fournier, M. (2011)。利用地面激光雷达技术进行森林科学的研究：应用领域、益处和挑战。森林科学年报，68(5)，959–974。 De Vos, J. (2022)。交通行为研究中态度作用的变化。交通评论，42(5)，573–579。$\underline{\text{ Durrant-Whyte, H., & Bailey, T. (2006)。同步定位与地图构建：第一部分。IEEE机器人与自动化杂志，13(2)，99–110。 Feldman, M. P., & Florida, R. (1994)。创新的地域来源：技术基础设施和美国的产品创新。美国地理学家协会年刊，84(2)，210–229。 Fotheringham, A. S., & Wong, D. W. S. (1991). 关于多变量统计分析中可修改区域单元问题的研究。Environment and Planning A: Economy and Space, 23(7), 1025–1044. Gehlke, C. E., & Biehl, K. (1934). 讨论分组对相关系数大小的影响 人口普查小区的材料系数. Journal of the American Statistical Association, 29(185), 169–170. $\underline{\text{ Gillespie, J., Cosgrave, C., Malatzky, C., & Carden, C. (2022). 场所认同感、场所依恋感和归属感在经验研究中的应用：面向农村健康工作者研究的综述。Health & Place, 74, 102756. Golledge, R. G., & Stimson, R. J. (1997). 空间行为：地理视角。The Guilford Press. --- Günter, A., Böker, S., König, M., & Hoffmann, M. (2020). 基于固态激光雷达的隐私保护人员检测。2020 年第 16 届智能环境国际会议，1–4. Gutmann, J.-S., Fong, P., Chiu, L., & Munich, M. E. (2013). 设计低成本室内定位系统的挑战，该系统使用主动信标。2013 年 IEEE 实用机器人应用技术会议，1–6. Harari, G. M., Müller, S. R., Stachl, C., Wang, R., Wang, W., Bühner, M., Rentfrow, P. J., Campbell, A. T., & Gosling, S. D. (2020). 感受社交性：年轻人日常生活中对话、通话、短信和应用程序使用行为的个体差异。人格与社会心理学杂志，119(1), 204–228. He, Y., Wei, X., Hong, X., Shi, W., & Gong, Y. (2020). 基于轨迹-目标分配的多目标多摄像头跟踪。IEEE 图像处理期刊，29，5191–5205. Hochmair, H., & Frank, A. U. (2000). 估计误差对在未知街道网络中寻路决策的影响：分析最小角度策略。空间认知与计算，2(4), 283–313. Hölscher, C., Meilinger, T., Vhachliotis, G., Brösamle, M., & Knauff, M. (2006). 上下楼梯：多层建筑中的寻路策略。环境心理学杂志，26(4), 284–299. Jansz, S. N., Mobach, M., van Dijk, T., de Vries, E., & van Hout, R. (2022). 关于校园偶遇：用户调查。环境健康与公共卫生国际杂志，19(21), 文章 21. Jansz, S. N., van Dijk, T., & Mobach, M. P. (2020). 校园互动空间和服务的重要成功因素：系统文献综述。设施管理国际杂志，18(2), 89–108. --- Karam, S., Lehtola, V., & Vosselman, G. (2020). 用于室内测绘的惯性测量单元 (IMU) 和激光雷达 SLAM 的集成策略。ISPRS 光学遥感和空间信息科学编年史，V-1–2020，223–230. Karki, S. (2024). 使用陆基激光雷达跟踪室内人员移动。弗吉尼亚理工大学。 Klepeis, N. E., Nelson, W. C., Ott, W. R., Robinson, J. P., Tsang, A. M., Switzer, P., Behar, J. V., Hern, S. C., & Engelmann, W. H. (2001). 国家人类活动模式调查 (NHAPS)：评估暴露于环境污染物的资源。暴露科学与环境流行病学杂志，11(3), 文章 3. Kwan, M. (2004). GIS 方法在时空研究中的应用：地理计算和地理可视化技术在人类活动模式分析中的应用。Geografiska Annaler: Series B, Human Geography, 86(4), 267–280. Kwan, M.-P. (1998). 空间和积分测量个体可达性：使用点框架进行的比较分析。Geographical Analysis, 30(3), 191–216. Kwan, M.-P. (1999). 空间和个体获得城市机会：使用时空测量方法的分析。The Professional Geographer, 51(2), 210–227. $\underline{\text{< Kwan, M.-P. (2000). 使用三维地理信息系统进行活动-出行模式的交互式地理可视化：使用大型数据集进行方法探讨。Transportation Research Part C: Emerging Technologies, 8(1), 185–203. Kwan, M.-P. (2013). 超越空间（我们所知的）：迈向更具时间整合性的隔离、健康和可达性地理研究。Annals of the Association of American Geographers, 103(5), 1078–1086. --- Kwan, M.-P., Richardson, D., Wang, D., & Zhou, C. (2014). 地理和地理信息科学中的时空整合：美国和中国的研究前沿。Springer. Lewis, P. (1979). 定义地域认同感。Southern Quarterly, 17(3). Li, R., & Klippel, A. (2010). 使用空间语法来理解室内环境中的知识获取和方向感。第 9 届认知信息学国际会议 (ICCI'10), 302–307. Liu, Y., Kwan, M.-P., & Yu, C. (2023). 使用集成 3S 方法测量人们暴露于绿地的情况的不确定地理背景问题 (UGCoP)。Urban Forestry & Urban Greening, 85, 127972. Mahajan, T., Singh, G., & Bruns, G. (2021, 3 月). 对周期性数据进行实验评估的治疗方法。计算机科学 CSU 本科生会议，虚拟。 Meng, X., Currit, N., & Zhao, K. (2010). 用于航空激光雷达数据的地面滤波算法：关键问题的回顾。Remote Sensing, 2(3), Article 3. Meng, X., Wang, L., Silván-Cárdenas, J. L., & Currit, N. (2009). 一种多方向地面滤波算法用于航空激光雷达。ISPRS 遥感和摄影学杂志，64(1), 117–124. Miller, H. J. (1991). 使用地理信息系统中的时空棱镜概念建立可达性模型。国际地理信息系统杂志，5(3), 287–301. Montello, D. (2007). 空间语法对环境心理学综合理论的贡献。Proceedings, 6. Montello, D. (2013). 行为地理学。牛津大学出版社。 --- Montello, D. R. (Ed.). (2018). 行为和认知地理学手册 (第 1 版). Edward Elgar Publishing. Obanawa, H., Yoshitoshi, R., Watanabe, N., & Sakanoue, S. (2020). 一种便携式基于激光雷达的方法，用于提高草地高度测量精度：与 SfM 方法的比较。Sensors, 20(17), Article 17. Openshaw, S. (1983). 可修饰区域单元问题。现代地理概念和技术，38. $\underline{\text{< Otero, R., Frías, E., Lagüela, S., & Arias, P. (2020). 自动生成 gbXML 模型以用于能源研究的 LiDAR 数据方法. 遥感, 12(17), 文章 17. Otsuka, K., & Mukawa, N. (2004). 基于 2D 视觉角度的多视角遮挡分析，用于跟踪密集人群中的物体. 2004 年 IEEE 计算机学会计算机视觉和模式识别会议论文集, 2004. CVPR 2004., 1, I–I. Pacchierotti, E., Christensen, H. I., & Jensfelt, P. (2005). 人与机器在走廊环境中的互动：一项试点用户研究. ROMAN 2005. IEEE 机器人与人机交互国际研讨会, 2005., 164–171. Pingel, T. (2022). Buildtools (版本 1) [计算机软件]. Rambo, A. T. (1983). 人类生态学的概念方法. 夏威夷大学. $\underline{\text{ Rollero, C., & De Piccoli, N. (2010). 场所依恋感是否会影响社会福祉？ 欧洲应用心理学评论, 60(4), 233–238. Rubin, V. L., Burkell, J., & Quan-Haase, A. (2011). 在博客分析中，对偶然相遇的意外性要素进行研究. 信息研究, 16(3). --- Schimpl, M., Moore, C., Lederer, C., Neuhaus, A., Sambrook, J., Danesh, J., Ouwehand, W., & Daumer, M. (2011). 使用移动加速计对健康、自由行动个体步行速度与年龄之间的关联性进行交叉研究。 PLOS ONE, 6(8), e23299. Shamai, S. (1991). 场所感：一种经验测量方法。 地理评论, 22(3), 347–358. $\underline{\text{ Shamai, S., & Ilatov, Z. (2005). 测量场所感：方法学方面。 经济与社会地理杂志, 96(5), 467–476. Teixeira, T., Dublon, G., & Savvides, A. (2010). 关于检测 存在、数量、位置、跟踪和身份的人体感应方法。 ENALAB 技术报告, 1(1), 41. 用于检测存在、数量、位置、跟踪和身份的感应方法 Temple, P. (2009). 从空间到场所：大学的业绩及其建成环境。 高等教育政策, 22(2), 209–223. $\underline{\text{ Thomas, L., Orme, E., & Kerrigan, F. (2020). 学生孤独：社交媒体在生命过渡中的作用。 计算机与教育, 146, 103754. Tiozzo Fasiolo, D., Maset, E., Scalera, L., Macaulay, S. O., Gasparetto, A., & Fusciello, A. (2022). 结合 LiDAR SLAM 和基于深度学习的人体检测，用于在拥挤环境中实现自主室内测绘。 XXIV ISPRS 大会，XLIII. $\underline{\text{ Tuan, Y.-F. (1975). 场所：一种经验视角。 地理评论, 65(2), 151–165. $\underline{\text{ Tuan, Y.-F. (1979). 空间和场所：人文视角。 哲学在地理学中的地位。 理论决策库 (第 20 卷)。 斯普林格。 $\underline{\text{ 19}}$ --- Tuan, Y.-F. (2001). 空间和场所：经验视角 (第 2 版)。 明尼苏达大学出版社。 Vanclooster, A., Ooms, K., Viaene, P., Fack, V., Van de Weghe, N., & De Maeyer, P. (2014). 评估最少风险路径算法在支持室内环境中认知寻路方面的适用性：一项实证研究。 应用地理, 53, 128–140. Viegas, J. M., Martinez, L. M., & Silva, E. A. (2009). 可修改区域单位问题对交通分析区划分的影响. Environment and Planning B: Planning and Design, 36(4), 625–643. 弗吉尼亚理工大学。(2023). 创意与创新区住宿-学习项目宿舍楼。 Virginia Tech. $\underline{\text{ Vroman, L., & Lagrange, T. (2017). 人类在公共空间中的移动：使用和发展面向运动的设计策略。The Design Journal, 20, S3252–S3261. Whiteside, A., Walker, J., & Brooks, D. (2010). 论证空间的重要性：关于学习环境的三年实证研究。$\underline{\text{ Wu, Y., & Miller, H. (2001). 计算工具用于测量动态流运输网络中的时空可达性。Journal of Transportation and Statistics, 4. Zhao, P., Kwan, M.-P., & Zhou, S. (2018). 广州市肥胖与建成环境关系分析中的不确定地理背景问题。International Journal of Environmental Research and Public Health, 15(2), 308. --- Zhou, T., Hasheminasab, S. M., & Habib, A. (2021). 用于生成来自基于GNSS/INS的无人机测绘系统的点云数据的紧耦合相机/激光雷达集成。ISPRS Journal of Photogrammetry and Remote Sensing, 180, 336–356. Zlatanova, S., & Sithole, G. (2016). 位置、地点、场所和区域：室内视角。ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, III(4), 89–96. Zlatanova, S., Sithole, G., Nakagawa, M., & Zhu, Q. (2013). 室内测绘和建模中的问题。 《国际摄影测量、遥感与空间信息档案》 Sciences, XL-4/W4, 63–68. $\underline{\text{ Zou, Q., Sun, Q., Chen, L., Nie, B., & Li, Q. (2022). 基于 LiDAR 的 SLAM 技术在室内自主车辆导航中的比较分析。IEEE 智能交通系统汇刊，23(7)，6907–6921.