Article # 基于激光雷达的室内共享空间中非预期的碰撞检测与分析 艾迪生·H·弗拉克 $^{1}$，托马斯·J·平格尔 $^{2,*}$ $^{ID}$，蒂莫西·D·贝尔德 $^{1}$，沙尚克·卡基 $^{1}$ $^{ID}$ 和妮科尔·阿贝德 $^{3}$ $^{ID}$ 1 弗吉尼亚理工大学地理系，弗吉尼亚州布莱克斯堡 24061，美国； (A.H.F.); (T.D.B.); (S.K.) $^{2}$ 宾汉姆顿大学地理系，纽约州宾汉姆顿 13902，美国 $^{3}$ 弗吉尼亚理工大学数学系，弗吉尼亚州布莱克斯堡 24060，美国； 通讯作者： 检查更新 ## 摘要 学术编辑：Wen Liu 主要发现是什么？ 收到：2025年7月9日 修订：2025年9月7日 接受：2025年9月13日 发表：2025年9月18日 通过对室内空间激光雷达数据流进行分析，可以以86.1%的精度检测到人们之间的非计划性社交互动。 引用：Flack, A.H.; Pingel, T.J.; Baird, T.D.; Karki, S.; Abaid, N. 基于激光雷达的室内共享空间中非预期的碰撞检测与分析。遥感。2025, 17, 3236. 这些社交互动与简单的占用率测量相关，但在空间和时间上是不同的。 主要发现的意义是什么？ 版权所有：2025年，作者。 许可：MDPI，瑞士巴塞尔。 本文是一篇开放获取的文章 在以下条款和 条件下发布： Creative Commons ( licenses/by/4.0/). 这些方法可用于评估旨在促进社交互动的室内空间的使用情况。 ## 摘要 室内环境对人类互动、协作和福祉具有重要影响，但评估建筑设计如何真正促进社会联系仍然具有挑战性。本研究演示了使用 11 个固定安装的激光雷达传感器来检测人们在混合型学术-住宅大学建筑的共享公共空间中的偶然相遇（碰撞）。一种新的碰撞检测算法实现了 86.1% 的精度，并在一个学期的 115 天内（6700 万人次）检测到 14,022 次互动。虽然入住率在很大程度上预测了整体的碰撞频率（$R^2 \geq 0.74$），但显着的时空变化揭示了共存与社会互动之间的复杂关系。主要发现包括：(1) 学期初碰撞频率达到峰值，然后到学期中期下降约 25%；(2) 入住率和碰撞高峰之间的时间滞后为 2-3 小时，表明社会互动与物理存在不同；(3) 与每周平均水平相比，周末的碰撞率达到峰值，周六的碰撞率高出 52%；(4) 碰撞集中在关键过渡区域（电梯区域、楼梯底部），并且存在“摩擦效应”，即靠近座椅的位置会增加互动率（>30%），而开放式走廊则较低。该方法建立了一个可扩展的后入住评估框架，能够对设计在促进创造力、创新和场所营造方面产生的自发互动方面的有效性进行基于证据的评估。 关键词：室内地理；激光雷达；运动跟踪；后入住评估 --- ### 1. 引言 室内空间在人类生活中起着关键作用，并且正成为地理、地理信息科学和遥感研究的一个越来越重要的研究领域 [^1] [^2] [^3] [^4]。新的测绘技术包括摄影测量法和基于激光雷达的同步定位与地图构建 (SLAM) [^5] [^6] 以及室内定位系统 (IPS) [^7] [^8]，这些系统为建筑物内的导航提供指导，就像 GPS 用于户外导航一样。这些技术特别适用于大型、共享的室内环境，例如购物中心、医院、机场和大学公共空间 [^9]。 大一新生通常会经历一个具有挑战性的过渡期，当他们搬到校园时 [^10]。新的社会关系以及宿舍内的社区和文化感将不熟悉的空间转变为高度重视的地方 [11–13]。这其中的一种方式是通过与“弱联系”的偶然互动，从而带来更大的幸福感和归属感 [^14]。通过周到的设计，建筑师和规划师可以鼓励这些互动，以促进合作和关系发展 [15–19]。虽然调查、访谈和观察方法通常用于研究人类互动，但基于遥感的方法可以提供在室内环境中以精细的时空尺度连续测量人类行为的可能性 [20–22]。本研究使用一组集成激光雷达传感器和一种定制开发的算法来检测这些偶然的“碰撞”，并研究了它们在大学校园混合型建筑的学期内是如何变化的。这项工作是更大项目的一部分，旨在更好地了解室内环境如何成为场所。 室内遥感研究的重点往往在于绘制物理空间地图，而非观察人类。现代扫描技术通常依赖于基于摄影测量或激光雷达的同步定位与地图构建 (SLAM) 方法，以创建该空间的“数字孪生”，然后将其表示为 CAD 图纸、建筑信息模型 (BIM)、点云和纹理网格 [3,9,23–25]。一些新的建模方法使用辐射场（例如神经辐射场或 NeRF，或高斯点云）来创建对物理空间本身的逼真视觉表示 [^26]。 许多研究都集中在大型公共空间，如医院、购物中心、机场和大学 [^9]，但随着扫描仪变得更便宜和更容易获得，数字孪生越来越多地用于较小的建筑物，房地产市场是主要的商业驱动力 [^27] [^28]。 激光雷达对于绘制此类空间特别有用，尤其是当与相机结合使用以对生成的点云进行着色时：与摄影测量技术不同，激光雷达本质上是空间化的，可在任何光照条件下工作，并提供更密集的重建，尤其是在室内，因为平坦的纹理和重复的图案使得仅使用基于相机图像的技术变得困难[3,29–31]。手持或背包式移动激光雷达扫描仪，例如GeoSLAM和Leica生产的扫描仪，广泛用于此目的[32–34]。基于激光雷达在自动驾驶方面的进展，静态激光雷达安装已因其在检测和跟踪人类和交通行为方面的应用而变得越来越受欢迎[38–40]。这些激光雷达的应用属于不断发展的“激光雷达感知”子领域，该领域侧重于使用激光雷达传感器实时检测、分类和跟踪物体和行为[41–43]。 一种在室内跟踪活动的方法是使用摄像头，通常采用多摄像头设置 [^22] [^44] [^45] 和人工智能 [^46] [^47]。 然而，激光雷达在某些方面具有比摄像头更好的优势。 激光雷达传感器不依赖环境光，因此在动态光照条件和夜间工作效果更好 [^48]。 此外，与基于摄像头的图像数据相比，激光雷达传感器生成的 3D 数据通常更密集，噪声更小 [^49] [^50]。 由于激光雷达传感器可以可靠地覆盖数十到数百米的距离，因此 --- 其维护的成本与时间开销更低 [^51]。关键在于，激光雷达传感器在数据采集阶段就能保障匿名性，因为与RGB相机相比，激光雷达通常分辨率更低，捕获的光谱信息也更为有限 [^21]。 高时空分辨率移动数据的分析主要通过GPS数据分析实现，最初依托专用设备完成 [^52]，之后大多通过带GPS功能的智能手机实现 [53–56]。所得时空轨迹的分析框架可追溯至哈格斯特朗（Hägerstrand） [^57] 提出的“时间地理学” [^58]。“时空路径”可视化是分析中常见的起点：将二维空间位置绘制在三维坐标系中，以第三轴表示时间 [59–62]。随后人们通过时空立方体（Space–Time Cubes）对这些三维路径进行离散化处理 [^63]。MovingPandas [^64]、Trackintel [^65] 等现代工具库，以及Esri的时空模式挖掘工具箱（Space Time Pattern Mining toolbox） [^66] 和GeoAnalytics Engine [^67] 都为移动相关分析提供了支持。现代基于相机和激光雷达的系统现已能实现高密度追踪，超越了相对稀疏的GPS采样；这类系统可以记录场景中物体和人员的（按特异性从低到高排序）存在、数量、位置、轨迹和唯一标识信息 [^21]。 在这里，我们感兴趣的是跟踪整体的运动，而是关注特定的互动——即Sandstrom和Dunn所描述的“弱联系”之间的意外相遇或偶然碰撞 [^14]。这些互动很重要，因为它们代表了建筑设计师希望创造机会以促进创造力和创新的互动 [^68]。这些也是有意义的互动，可以促进“场所感”的形成 [69–72]。当朋友、熟人或陌生人停下来互动时，他们会在特定的位置进行互动；这些位置会随着时间的推移而获得意义，最终成为——无论是个人还是集体——场所 [13,73–75]。除了其内在价值之外，增强的场所感和社区感会带来切实的益处：研究表明，它们可以提高社会福祉 [^76]，并减少大学生中的孤独感 [^77]。 我们提出一个系统的框架，用于使用静态安装的激光雷达传感器网络，以持续检测和量化人类感兴趣的行为——在本例中，是在室内环境中发生的意外相遇。我们的分析揭示了共存在时间和社交互动之间的时序差异，碰撞高峰滞后于占用时间2-3小时，并且因一周中的不同日期而有显着差异，这表明社交的时序模式与简单的物理存在模式不同。在空间尺度上，我们识别了“摩擦效应”，即建筑过渡区域中的移动-暂停边界会产生比高流量走廊更多的互动。这种方法建立了一个可扩展的后入住评估框架，为建筑师和规划师提供了关于设计在促进自发社交联系方面的有效性的持续、量化反馈，从而可以根据建筑环境的实际表现，而不是其预期表现，进行基于证据的评估。 ### 2. 材料和方法 本研究使用了一组固定安装的激光雷达传感器网络，用于检测大学建筑物共享公共空间内人员的移动和互动。将对象跟踪软件（Blickfeld Percept 版本 1.6.3）应用于激光雷达数据流，以生成匿名个体的时空轨迹 [^59] [^62]，这些个体在建筑物内移动。将生成的轨迹用于算法地检测人们之间的“意外碰撞”——即当两个或多个个体从不同方向接近时，会暂停互动。然后分析这些碰撞的时空模式及其与环境因素的关联。 --- 数据是在弗吉尼亚理工大学布莱克斯堡校区创新与创意区生活学习社区大楼 (CID) 中收集的。该混合用途的学术和住宅大楼于 2021 年 8 月开放，约有 600 名本科生居住 [^78]。该大楼的设计旨在促进其用户的协作，并包含各种协作空间，包括教室、学习区、会议室、创意空间以及排练和表演空间。由于其互动潜力高，社区活动空间（位于一楼）是我们的研究区域，人们通过多个走廊、电梯和大型中央楼梯进出（如图 1 所示）。研究时间从 2023 年 8 月 21 日（开学第一天）到 12 月 13 日（期末考试结束）共计 115 天。 ![Image](images/713a354998d0b901d7ca1b2c993bb0cc7120e921db07e7bdd8f8708838c5e94b.jpg)
Figure 1. The ground floor of the Community Assembly space of the CID at Virginia Tech. The extent of lidar data collection is outlined in red.
在 CID 社区活动空间的天花板上安装了 11 个 Blickfeld Cube 1（Blickfeld GmbH，慕尼黑，德国）前向激光雷达传感器，以持续扫描该区域。这些传感器具有 75 米的范围，并且可以配置不同的视野、扫描模式和更新频率，以自定义数据收集 [^79]。扫描仪配置为 $72^{\circ} \times 30^{\circ}$ 视野范围、230 条扫描线和 2.4 Hz 的输出频率。传感器通过以太网连接到本地私有网络，包括一台中央计算机，该计算机从每个传感器收集数据（每天 155 GB），并将数据流传输到该计算机。使用 Blickfeld API 的自定义 Python（1.0.5）软件将来自每个传感器的数据聚合到融合的点云中，并通过内部建筑坐标系 [^80]。将该云按强度和海拔进行栅格化，并以 1 Hz 的速率写入本地硬盘；以 0.1 Hz 的速率将完整点云写入 LAZ 文件。图 2 显示了研究区域的点云渲染图。 为了将我们的研究重点放在碰撞检测而不是基本对象跟踪上，我们使用了 Blickfeld 的 Percept 软件版本 1.6.3 来生成初始轨迹。Percept 安装在本地私有网络中的一台标准工作站 PC 上，并用于对原始传感器数据执行实时唯一对象检测，并将结果记录为时空轨迹的 JSON 文件 [^81]。每天生成约 100 MB 的总 JSON 文本文件，每个 JSON 文件包含约 10 分钟的数据。Percept 记录了每个顶点在时空轨迹中的时间戳位置 (x, y)，以及 --- volume、速度和其他对象参数。 每个对象被分配一个随机的唯一ID，并在空间中进行跟踪；如果某人离开并重新进入，他们会获得一个新的ID，以保护匿名性。 总共收集了115天内的6700万条Percept数据，其中一部分数据集作为补充材料。 完整的数据库可根据要求提供。 图3显示了Percept在1小时内样本轨迹数据的可视化图。 Percept中的对象检测是处理的起点，但还需要开发额外的算法来在数据流中定位感兴趣的行为。 Percept包含用于调整对象衰减、检测阈值和聚类的参数，这些参数用于控制噪声消除和对象持久性。 通过测试调整参数，以最大限度地提高检测率，同时最大限度地减少误报。 最终的参数设置见表1。
Table 1. Parameters for Percept object tracking software.
ParameterSetting
Dynamic BackgroundMixture of Gaussians
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
![Image](images/278aadcd4faba008efc3e765de35ffb6f8555cc13de069cd4538fc1876fcc5fa.jpg)
Figure 2. Combined point cloud from 11 lidar sensors for the study area.
--- ![Image](images/3b5ae6b2362e9319f789b4c90ca81573a1eb9bc89d0f40794b7a0747baf8e2ff.jpg)
Figure 3. One hour of Percept-generated tracks in the study area rendered as 2D view. Dominant throughways are clearly visible in the data.
分析使用1米分辨率的研究区域栅格。 使用一个简单的占用率指标来表征每个单元格中的活动。 这通过计算一个人在指定时间段内占用网格单元格的总秒数（以人为单位的秒数）来计算。 网格单元格内不同ID的数量（即人数）是一个潜在的替代指标，但由于此指标对于碰撞的可能性来说不太可靠，因为即使是短暂经过网格单元格的人，也会被赋予与在该网格单元格中停留较长时间的人相同的权重。 主要的关注指标是碰撞，即人们之间发生的意外、偶然的相遇。 编写了一个自定义算法来处理空间-时间轨迹（轨迹），以确定两个人或多个人之间是否发生了碰撞。 例如，一个人可能在穿过空间时遇到另一个人，然后停下来交谈。 考虑了三种碰撞类型：双向碰撞（来自不同方向的两人停止互动，然后分别继续），静止碰撞（一个移动的人停止与静止的人互动，然后继续），以及连接碰撞（来自不同方向的两人停止互动，然后一起继续）。 分析重点关注双向和连接碰撞，因为它们在数据中具有更清晰的空间-时间特征。 Percept软件使用基于均值迁移的跟踪算法 [^82]，其中将附近的移动点分组在一起，并将其归类为“对象”。 但是，如果人们长时间保持静止（例如，坐在桌子旁学习），则该算法可能会停止跟踪他们；当他们再次移动时，他们会被重新获取，并分配一个新的唯一对象ID。 这使得准确检测移动人和静止人之间的交互变得困难。 检测算法的开发始于在空间内的人员观察，以记录碰撞，然后审查Percept日志。 观察总时长为7周内的12个一小时时段，此外还记录了其他观察结果。 这些基于现实的观察结果（n = 35）用于设计和调整算法的参数。 该算法使用Python编写，并使用 --- 常见的开源软件包，包括Numpy、Pandas、Geopandas和Scipy。 从Percept获得的单个JSON文件转换为GeoDataFrame，然后合并为连续记录，然后拆分为块（作为形状文件）以进行处理。 碰撞检测算法使用六个连续的过滤器来识别来自轨迹数据的真实交互，从而排除虚假交互。首先，位移过滤器根据唯一 ID 对所有感知点进行分组，并计算从初始检测点移动的最大距离，去除总位移小于 4 米的轨迹。这是为了消除噪声和短暂的跟踪错误。其次，运动过滤器根据感知记录的 x 和 y 方向分量计算线性速度，并根据瞬时速度的变化计算加速度，仅保留速度低于 0.3 米/秒且加速度为负（减速）的轨迹。这有助于识别轨迹中的潜在暂停。0.3 米/秒的数值是为了在真实检测和一致性之间取得平衡：速度阈值如果设置得太低，可能会排除一些碰撞，特别是那些“擦肩而过”的碰撞，在这种情况下，只有短暂的交互才会发生，并且双方不会完全停止。如果阈值设置得太高，可能会在输出中包含过多的误报，因为有时会错误地将两个人并行通过的情况识别为“碰撞”，尤其是在拥堵的时间和地点，那里通常速度较慢。 接下来，一个时空过滤器会搜索任何其他轨迹，以查找距离在 1.5 米范围内的个体，尝试将两个或更多个体匹配起来。当阈值大于 1.5 米时，由于包括没有明显交互的同步暂停，误报率显著增加。小于 1.5 米的阈值往往无法包含任何碰撞，而这些碰撞没有明显的身体接触（握手、拥抱等），也应该被包含。如果一个人的唯一 ID 在同一记录时间戳内距离另一个人的距离在 1.5 米范围内，则保留这些轨迹，其他轨迹将被删除。然后使用一个方向过滤器，以确保个体之间的方向差异至少为 90 度，表明他们来自不同的方向。如果两个人一起进入空间，走到一张桌子旁并停在桌子旁一起坐下，他们从技术上来说符合上述碰撞要求：一种普遍的运动模式、同时减速以及彼此靠近。但这是一种计划好的互动，不应被计为碰撞。类似运动和暂停的模式可能发生在教室、电梯或研究空间中的其他空间瓶颈附近，人们在这些地方会因为进入较小的空间而减慢速度。方向过滤器的目的是捕捉自发性，要求所有符合碰撞条件的个体必须也以半相反的方向移动。这一步骤通过删除由于瓶颈和一般运动模式而可能产生的“碰撞”，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，并且选择 90 度似乎最能最大限度地减少误报，并且与主要交通走廊的方向相符。最后，为了消除同一两个个体之间的后续交互，并确保组互动不会被多次计算，应用了一个重复过滤器，以删除所有在初始碰撞后 2 米和 5 秒内的碰撞。如果不进行更正，组碰撞可能会人为地增加碰撞的数量。例如，如果三个人一起进入研究空间，并与其他一组三个人发生碰撞，他们的互动可能会产生九个独特的记录碰撞，这忽略了由于方向过滤器而产生的组内碰撞。在本研究中，我们将这种情况视为一次碰撞——一次单一、自发的互动——即使它涉及多于两个人。 如图4所示的流程图，概述了一般流程步骤。阈值是通过迭代比较初始的一组真实观测结果来经验确定的。这些值没有完全优化，但旨在与诸如平均成年人步行速度和人际距离的典型大小等因素保持一致。生成的碰撞数据集包含在补充材料中。 --- 为了评估碰撞检测算法的性能，将检测结果叠加到栅格化激光雷达数据的正投影渲染动画中，这有助于显示虚假阳性和假阴性结果。播放和审查这些动画，既用于算法的开发过程，也用于性能评估。通过手动审查三个不同 occupancy（低、中、高活动）时间段内共127个检测到的碰撞，正式验证了性能，包括真实阳性、假阳性和模棱两可的情况。手动验证侧重于检测到的碰撞，因为无法从动画中系统地识别未检测到的交互。一个10分钟的示例动画包含在补充文件中，图5显示了两个人在空间中相互作用的真实阳性检测结果。 ![Image](images/00781979996a2cff1a180cffb4988156123fdbbbd5b02d8cb7fbb3e144dc4808.jpg)
Figure 4. Flowchart depicting the order of steps and general process of the collision detection algorithm.
时间分析研究了碰撞与 occupancy 之间的关系以及它们在整个学期中的变化。数据按周、星期几和小时进行分组，以识别模式。 ![Image](images/57e906a71e541f50d0e1978769978e32e1446dce7dea72dc33760b4603767a0f.jpg)
Figure 5. Two orthographic views of maximum intensity-rendered 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.
时间分析研究了碰撞与占用率之间的关系，以及这些关系在整个学期内的变化。数据按周、星期几和小时分组，以识别模式。 --- 小时数据呈周期性变化，因此按照推荐的做法将其转换为正弦和余弦分量 [^83]。对于每个时间段，生成图表以显示总体趋势，并通过多元普通最小二乘 (OLS) 回归检验碰撞、占用率和学期周之间的关系。 ### 3. 结果 ![Image](images/116bd8b92e1a45deb1f334f2c80a3010c2cabfc5d66c1526ffb34e518ea9eca1.jpg)
Figure 6. Section of study area featuring a throughway (arrows) with seating (a) and open space (b) on either side to examine the effect of “friction” on collisions.
本次分析侧重于“碰撞”检测和我们在研究区域内的时空模式的三个关键方面——一栋混合学术和住宅建筑的底层共享空间，旨在促进社区。我们定义碰撞为非计划的互动，即人们暂停以进行互动。首先，我们评估了自定义的碰撞检测算法的性能，以建立数据集的可靠性。其次，我们研究了碰撞和 occupancy 在多个时间尺度的 temporal 模式，以了解互动何时发生。最后，我们分析了空间分布，以确定互动聚集在哪里，以及建筑特征如何影响碰撞频率。 #### 3.1. 算法性能 #### 3.1. 算法性能 在研究期间，收集了大约 6700 万秒的 Percept 数据，时间为 115 天，算法检测到 14,022 起碰撞（平均每天 121.9 起；每小时 5.1 起）。为了评估误报率，通过将碰撞算法与代表不同使用率场景（低、中、高）的 3 小时（10,800 个单个帧）的激光雷达数据进行手动验证来评估。在此评估中，将检测到的碰撞叠加到正交渲染的激光雷达帧上。该过程非常耗时，需要反复观看，在此过程中，仔细记录了数据中出现的碰撞的时间和位置。虽然验证样本量有限，但手动审查过程非常彻底和系统。对每个检测到的碰撞都仔细地与 10,800 帧的激光雷达数据进行比较，涵盖不同的使用条件，优先考虑准确性而非样本量。生成的精度指标反映了对算法性能的自信评估，而不是基于大样本但可能不可靠的估计。检测到的碰撞被分类为“真阳性”、“不确定”或“假阳性”。在 127 个验证集中检测到的碰撞中，68.5% 是真阳性，11.0% 是假阳性，20.5% 是不确定。根据已确认的案例，该算法的精度为 86.1%。在假阳性中未观察到空间聚集。 --- 不同的占用场景（低、中、高使用率）。为了进行此评估，将碰撞检测叠加到正交渲染的激光雷达帧上。此过程非常耗时，需要反复观看，在此过程中，仔细记录数据中显示的碰撞的时间和位置。虽然验证样本量有限，但手动审查过程是彻底和系统的。每个检测到的碰撞都经过仔细评估，以对照不同占用条件下的 10,800 帧激光雷达数据。该过程优先考虑准确性而不是样本量。检测到的碰撞被分类为“真阳性”、“不明确”或“假阳性”。在验证集中，127 个检测到的碰撞中，68.5% 是真阳性，11.0% 是假阳性，20.5% 是不明确。根据确认的病例，算法的精度达到 86.1%。在假阳性中未观察到空间聚集。 #### 3.2. 时间分析 入住率和碰撞事件在学期最初的几周达到最高，并且随着学期的进行总体呈下降趋势（图 7）。每日碰撞事件的总体趋势在 9 月中旬达到峰值，然后下降（图 7a）。在感恩节和寒假之间，碰撞事件明显增加。主要低谷与学期假期相对应（第 6 周的秋季假期、第 13 周的感恩节假期以及第 16 周的学期结束——图 7b）。每周的模式显示，工作日期间入住率最高，而碰撞事件在星期五和星期六达到峰值（图 7c）。在小时数据中，入住率和碰撞事件之间存在明显的时滞（图 7d）。入住率在典型的工作时间（9:00–20:00）于 15:00 达到峰值，而碰撞事件在全天增加，并在傍晚 17:00–20:00 达到峰值。 当在所有时间尺度上（小时 $R^2 = 0.76$、$F(2,2672) = 4128.97$、$p < 0.001$，每日 $R^2 = 0.74$、$F(2,112) = 161.97$、$p < 0.001$，每周 $R^2 = 0.92$、$F(2,14) = 81.22$、$p < 0.001$）使用二次多项式拟合时，入住率和碰撞事件呈强相关关系（图 8）。对数-对数变换揭示了尺度相关的关系，每日 $n = 1.17$ 和每周 $n = 1.15$ 间隔表明略微超线性关系，而小时间隔 $n = 0.78$ 提示亚线性趋势。对正弦-余弦变换后的小时数据进行多元回归分析显示，碰撞事件与入住率之间存在很强的关系（$R^2 = 0.99$、$F(3,21) = 801.1$、$p < 0.001$）。 ![Image](images/2ccd8e65d254089945a91cfbd7a29b245267202eb55515ff6963050e2ea3a652.jpg)
Figure 7. Cont.
![Image](images/9de1a3ed20f362b651606d21ee6f9b65edc3874c9fd968d824e7045322706279.jpg) --- ![Image](images/f6fe207d302d3af3b684a6551368d08269448119078515ae4e6ed5dc249e72db.jpg) ![Image](images/2752cd0527340e3b485316d37a3e6b012110ef8fab0b68167a8994bd8c30466a.jpg)
Figure 7. (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.
![Image](images/80e29f3d47aec763ac989ec4b88a9fe93af08e86403005b3ca671dbf907fb250.jpg)
Figure 8. Collisions vs. occupancy, differently symbolized by day of week, fitted with a quadratic trendline.
一个单因素方差分析检查了星期几对每千人次的碰撞的影响，结果表明星期几显著影响碰撞频率（p < 0.001），即使在按人数计算的标准化情况下。相对于每周的平均水平，周五（+24.53%）和周六（+51.90%）的碰撞率远高于周一（-17.13%）、周二（-32.37%）和周三（-12.07%）。这种星期几的影响贯穿整个学期（图 8）。 --- ### 3.3 空间分析 图 9 显示了 2023 年秋季学期总碰撞次数和占用率，这些数据汇总在一个 1 米的网格中，覆盖研究区域。占用模式（图 9a）显示，走廊、楼梯底部、座位区和电梯是研究空间中最常使用的区域。通往校园的左侧走廊的使用频率高于通往市中心的右侧走廊。最受欢迎的座位区域位于研究空间的中心，大型桌子和可达到的地板插座鼓励人们在此逗留较长时间。通常，走廊和座位之间的过渡区域以及靠近墙壁的边缘空间的使用频率最低。碰撞次数（图 9b）在楼梯底部、研究空间的座位区域以及电梯周围区域较高，这些区域发生了 14,022 次碰撞中的 2000 多次。碰撞次数在走廊、边缘空间（例如，靠近墙壁）以及出口处（不包括电梯）最低。 ![Image](images/d3f6842993c95cf21b27387ad660100258373e73903adb911868491a73bb4ef7.jpg)
Figure 9. 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基于占用率的预期水平，对非零网格单元应用了广义线性回归 (GLR)，并将残差映射以显示与预期碰撞率的偏差（图 10）。这揭示了占用率与碰撞之间存在显著关系（ $R^2 = 0.598$，$F(3,785) = 390.02$，$p < 0.001$）。一种考虑空间自相关的地理加权回归证实了这些模式，并提高了模型拟合度（ $R^2 = 0.84$）。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，右侧走廊设有两间教室，并且经常展出学生作品，而左侧走廊则没有。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，社区组装空间中心经常在活动期间使用，这两个区域的碰撞次数高于预期。电梯的碰撞次数与占用率之间的最极端分布发生在电梯处，因为人们会在该区域等待。 为了研究运动阻力对碰撞的影响，创建了一个 10 厘米的网格，以检查主要通过率的精细模式（图 11），并计算每个单元的平均速度、总占用率和总碰撞次数。速度和占用率都在走廊中心达到峰值，但速度在座位侧的下降速度比非座位侧快。碰撞次数在高速中心的两侧呈双峰分布，在通过率的座位侧的碰撞次数更多。占用率 --- 在座位侧的占用率仍然较高，而在非座位侧的占用率最低。碰撞次数在走廊中心和座位区域的边缘非常少。 ![Image](images/fdcc80daef7664ff84de4613990c887ea1253408f95c48cfb4868e1e79d95d9f.jpg)
Figure 10. GLR Results show 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.
![Image](images/05e6a263dc77a4d842cde058b3fcee84f9fae7ee44e33e9e9cf6f4ac9ea674cf.jpg)
b.
![Image](images/9f1bb07c8d98c5d8e169d11f88a4bdf39e213f4c8601400b064e7201196034ff.jpg)
Figure 11. Normalized and smoothed average velocity, occupancy, and collisions along a primary hallway in the study space. The x values in panel (a) correspond with the left side of the hallway in panel (b).
## 4. 讨论 碰撞检测算法成功地从一个学期内 6700 万人的秒数的数据中识别了 14,022 次偶然发生的互动，精度达到 86.1%，并提供了大量用于分析的数据集。虽然并不全面，但该数据集代表了一个大的样本，可以从中获得关于总体空间 --- 行为模式。根据对数据集一部分的手动审查，在明确的情况下，误报率为 13.8%，这个数字足够低，可以确保观察到的模式通常不是虚假的伪影。虽然我们的碰撞检测算法采用了成熟的空间-时间分析技术[60–63]，但其贡献在于证明了这种特定过滤器组合可以可靠地从轨迹数据中识别出非计划的社交互动。 碰撞次数通常在整个学期内下降，然后在感恩节和寒假之间再次达到峰值。有几个解释可以说明这种下降。这可能是因为学生在学期开始时拥有更大的社交圈，并且“扩展了他们的社交范围”。随着学期的进行，这些关系中的一部分会发展成更牢固的友谊。虽然这些关系在塑造场所方面起着重要作用[69–72,75]，但每个人愿意停下来与人交谈的人数（“弱联系”[^14]）会随着学期的进行而减少，尽管他们总共认识的人数更多。另一种解释这种减少的潜在原因是，随着人们之间的联系越来越紧密，他们的碰撞可能会变得更加微妙，这意味着它们可能更难以通过算法检测。最后，碰撞也可能从开放的公共场所转移到其他地点（宿舍房间、走廊等）。区分这些可能性需要除了碰撞频率之外的更多数据，未来的研究将使用定性数据和访谈来直接回答这个问题。 如预期，入住率在总体上强烈预测了碰撞，但检查不同的时间尺度揭示了这种关系中的重要细微差别，这一结果与 Coltekin 等人 [^84] 的研究一致，他们将可修改的空中单元问题 [^85] 扩展到时间分析。相对于入住率而言，碰撞在周末后期更常见，而在周末初期不太常见。它们在时间上向下午/傍晚移动，而在上午则减少。这种时间上的偏移表明，虽然物理的共存使碰撞成为可能，但社交时间决定了碰撞何时发生。这些发现与 [^86] 的研究相符，该研究发现，年轻人的对话频率在星期五和星期六最高，在星期二最低，并且与夜间或早晨相比，下午和傍晚更可能发生对话。 在预期的位置（例如，电梯外部）和专门设计用于促进互动的位置（例如，主楼梯底部），都发生了碰撞。交通走廊和休息区都产生了互动，但与预期相比，交通区域的碰撞次数较少，而一些出口（例如，通往市中心）的互动次数比其他出口（例如，通往校园）更多。在更精细的层面上，对一条主要走廊的分析显示出类似于河流的流动模式：中心通道的平均速度最高，而碰撞主要发生在走廊的边缘。此外，与走廊的开放侧相比，与休息区相邻的“摩擦”更容易导致碰撞。这些结果表明，碰撞更频繁地发生在运动和暂停区域之间的边界，而不是在某个特定区域，这与怀特的关于公共空间使用的基础研究相符，怀特的研究强调了便利设施的社会吸引力以及增加刺激物的重要性，以便人们自然地停下来并互动 [^19]。从这个角度来看，我们的研究为支持建筑师和设计师应利用这些高摩擦区域以促进互动这一观点提供了定量证据。具体来说，我们的研究结果表明，设计师应将休息区放置在主要的交通走廊旁边，而不是将其隔离在单独的区域，因为运动和暂停空间之间的边界比任何一个区域单独产生的互动都要多。电梯等候区可以被设计成社交空间，而不是纯粹的实用空间，因为它们具有出色的互动潜力。此外，设计师还应 --- 考虑到社交互动在傍晚时段达到高峰，而不是在最大 occupancy 期间，因此照明、活动安排和便利设施应针对傍晚和早间的使用进行优化。 这项研究表明，我们能够通过实验测量建筑设计决策的社会结果取得了根本性的进展。通过量化特定设计特征（从座椅布局到交通模式）如何转化为可测量的互动，这种方法弥合了设计意图与行为现实之间的差距。我们观察到的时间变化和空间变化表明，“为互动而设计”具有高度的上下文敏感性，不仅受固定建筑元素的影响，还受动态因素的影响，例如季节性模式和临时展示（例如，艺术品）。这些与基于简单 occupancy 的预测的偏差强调了需要对各种建筑类型、用户群体和环境条件进行类似的观察性研究，以更深入地了解社交空间设计。随着计算城市研究的不断发展，自动碰撞检测代表了一种可扩展的后 occupancy 评估方法，它可以从根本上改变我们评估和迭代构建环境的方式。与仅依赖调查、访谈或观察不同，建筑师和规划师可以访问基于遥感技术的连续数据，了解其设计决策在实践中如何表现，从而实现基于证据的改进，以增强我们越来越重要的共享空间中的社会联系。 ### 局限性和未来工作 我们开发了一种基于规则的、参数化的算法来检测碰撞。这些参数在算法开发过程中经过迭代调整，以达到足够的算法熟练度，从而识别我们感兴趣的碰撞行为，但它们尚未完全优化，并且代表许多可能方法中的一种合理配置。但是，从我们的验证工作中，我们知道许多碰撞，尤其是涉及已经静止的人，没有被计数，因为“感知”系统可能会在一段时间内跟踪静止的人。参考文献 [^47] 探索了基于 YOLO 的方法 [^87] 用于对象跟踪，该方法在某些方面优于“感知”，但也存在一些缺点（例如，基于帧的处理无法利用“感知”系统所能处理的轨迹上下文）。未来的工作将探索使用视觉语言模型 [^26]，并使用我们在此处生成的样本作为训练数据，这些模型可能能够跟踪对象并识别碰撞。能够将底层 LiDAR 数据或其表示形式更好地视为连续数据集的系统，更有可能准确地统计静止个体。如果这些碰撞能够更准确地被计数，我们预计在运动的主要轴上的“高摩擦”区域，碰撞梯度会更加陡峭，因为这包括坐在的人和路人之间的互动。但是，我们的分析没有发现任何表明这些碰撞的时间模式与我们观察到的模式不同。 另一个主要的碰撞检测挑战是量化各种计划的社交活动和其他高密度期间的碰撞。在空旷的空间中，双向碰撞相对容易通过算法检测和通过动画手动验证。但是，在密度高的时期，算法似乎表现不佳，并且由于这些时期的频繁和短暂互动，验证变得更加困难。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，但是，通过更好地对碰撞进行分类，并将其归类为“事件期间”或“非事件期间”的碰撞，可以获得对空间使用分类的更深入的理解。未来的工作可以更深入地研究这些事件，并且可能需要设计辅助算法来检测这些性质截然不同的互动。 --- 有针对性地研究。 严格来说，碰撞检测算法并不捕捉互动，它捕捉的是来自 LiDAR 数据流的暂停和接近。大量的现场观察和基于动画的验证证实，大多数检测到的事件代表真实的社交互动。但是，在某些地方，例如电梯，运动和暂停对算法来说是碰撞，而这些个体可能只是在附近，并没有进行社交互动。为了解决这个限制，未来的工作将探索使用声学传感器和特定频率的空间声音强度算法，并将这些信息与 LiDAR 信息结合使用，以判断是否正在交谈，同时保持匿名。 最终，需要更广泛的数据收集来了解不同的室内环境如何影响碰撞模式。虽然这个为期四年的项目将继续从我们的研究区域收集数据，但扩展到其他类型的建筑物和公共空间对于获得通用的见解至关重要。未来的工作应包括在未明确设计用于社交互动的建筑物中进行短期部署（数周），并可能使用移动式半球激光雷达传感器，以便在各种建筑环境中更有效地收集数据。 长期监测跨多个学期将揭示社交互动模式的季节性和年度变化。关键问题包括碰撞模式是否在春季和秋季学期之间存在系统性差异，以及这些季节性影响是否在多年中保持一致。这种时间分析将有助于区分普遍的社交互动模式和特定于特定环境或机构背景的模式。 除了观察性研究，这种方法还可以用于空间设计的实验方法。在Vroman和Lagrange的[^88]研究的基础上，该研究发现视觉和物理障碍会改变既定的运动模式，未来的研究可以系统地测试设计干预措施。受控实验可能涉及在监测空间内策略性地放置视觉吸引物（艺术品、展示品）或重新配置家具布局，然后测量碰撞频率和分布的变化。这种实验验证可以为建筑师和规划师提供基于数据的指导，他们设计大型开放式室内环境，从而超越直观的设计原则，朝着基于数据的社交空间优化。 这种基于遥感的框架代表了后入住评估的重大进步，它提供了关于设计效果的定量反馈，可以有效地补充调查、访谈和现场观察。这种方法的真正力量不在于取代传统的评估方法，而在于在客观的行为数据和主观用户体验之间建立有意义的融合。虽然自动碰撞检测可以以高空间和时间精度揭示互动发生的地点和时间，但调查和访谈可以提供必要的背景信息，了解为什么某些空间能够促进有意义的联系，以及用户如何体验这些互动。 ## 5. 结论 本研究演示了使用静态安装的激光雷达网络来检测和分析个人在共享室内空间中的匿名使用、运动和互动模式。开发了一种新的碰撞检测算法，用于解析基于表格的对象跟踪数据，该算法的精度达到86.1%，并且在整个学期收集了14,022次碰撞的数据。该系统可以对空间和时间动态进行详细分析，结果表明，虽然入住率在很大程度上预测了总体碰撞，但出现了显著的时间和空间变化，这些变化偏离了简单的入住率预期。 --- 碰撞在学期最初几周达到高峰，随后下降，这表明学生的社交圈可能在学期开始后缩小和收紧，碰撞可能变得更加微妙，或者碰撞可能发生在建筑的其他区域。每周的碰撞次数通常随着周的推移而增加，周五和周六的碰撞次数最多。 类似地，按小时统计，占用率在工作时间内达到峰值，但碰撞在晚上晚些时候达到峰值。 碰撞跟踪了每小时的占用模式，但存在明显的2-3小时滞后，这表明社交互动不仅发生在空间占用率最高的时段，而是在社交条件最适宜的时段。 空间模式显示，在电梯区域、楼梯底部以及运动和静止空间之间的边界等关键过渡区域存在碰撞聚集现象，而高使用率的交通走廊产生的互动次数少于预期。 观察到一种“摩擦效应”，即与座位相邻的区域比开放式走廊产生更多的碰撞，并且在走廊内部，出现了一种类似于河流的模式，在高速中心的碰撞次数最少，而在边缘处的互动集中，因为在这些区域，人们的运动速度自然会减慢。 这项研究建立了一个可扩展的后入住评估框架，该框架可以生成关于设计如何促进意外相遇的连续、定量数据。 这种方法提供了一种客观的、实时的社交互动测量方法，可以作为调查和访谈的有意义的补充。 该方法允许对环境变化进行实验测试（例如，在交通走廊附近增加座位、悬挂艺术品、重新布置家具），从而使从业者能够测量修改措施的实际影响。 因此，这种方法提供了评估设计是否能够促进自发互动所需的经验工具，而这些互动对于发展社会联系至关重要，从而将机构空间转变为有意义的空间。 补充材料： 以下支持性信息可下载： ，视频 S1：碰撞算法动画。 文件 S2：一个 Percept 数据集的样本。 文件 S3：碰撞数据集。 作者贡献： 概念化，A.H.F, T.J.P., T.D.B., S.K. 和 N.A.； 数据整理，A.H.F. 和 T.J.P.； 形式分析，A.H.F., T.J.P. 和 T.D.B.； 资金申请，T.J.P., T.D.B. 和 N.A.； 调查，A.H.F., T.J.P., T.D.B., S.K. 和 N.A.； 方法，A.H.F., T.J.P., T.D.B., S.K. 和 N.A.； 项目管理，T.J.P. 和 T.D.B.； 资源，A.H.F., T.J.P. 和 T.D.B.； 软件，A.H.F., T.J.P. 和 S.K.； 监督，T.J.P. 和 T.D.B.； 验证，A.H.F. 和 T.J.P.； 可视化，A.H.F., T.J.P. 和 T.D.B.； 撰写（原始稿），A.H.F.； 撰写（修改和编辑），A.H.F., T.J.P., T.D.B., S.K. 和 N.A. 所有作者均已阅读并同意发表本手稿的最终版本。 资金： 本研究由美国国家科学基金会资助，项目编号为 BCS-2149229。 数据可用性声明： 本文结论所支持的原始数据将由作者根据要求提供。 利益冲突： 作者声明无利益冲突。 资助方在研究设计、数据收集、分析或解释、撰写稿件以及决定发表结果方面均未发挥作用。 ## 参考文献 [^1]: Zlatanova, S.; Sithole, G.; Nakagawa, M.; Zhu, Q. Problems in Indoor Mapping and Modelling. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2013, XL-4/W4, 63–68. [CrossRef] [^2]: Sithole, G.; Zlatanova, S. Position, Location, Place and Area: An Indoor Perspective. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. 2016, III–4, 89–96. [CrossRef] ## [^3]: Chen, J.; Clarke, K.C. Indoor Cartography. Cartogr. Geogr. Inf. Sci. 2020, 47, 95–109. [CrossRef] --- [^4]: Villarreal, M.; Baird, T.D.; Tarazaga, P.A.; Kniola, D.J.; Pingel, T.J.; Sarlo, R. Shared Space and Resource Use within a Building Environment: An Indoor Geography. Geogr. J. 2025, 191, e12604. [CrossRef] [^5]: Chan, T.H.; Hesse, H.; Ho, S.G. LiDAR-Based 3D SLAM for Indoor Mapping. In Proceedings of the 2021 7th International Conference on Control, Automation and Robotics (ICCAR), Singapore, 23–26 April 2021; pp. 285–289. [^6]: Ding, Y.; Zheng, X.; Zhou, Y.; Xiong, H.; Gong, J. Low-Cost and Efficient Indoor 3D Reconstruction through Annotated Hierarchical Structure-from-Motion. Remote Sens. 2018, 11, 58. [CrossRef] [^7]: Mendoza-Silva, G.M.; Torres-Sospedra, J.; Huerta, J. A Meta-Review of Indoor Positioning Systems. Sensors 2019, 19, 4507. [CrossRef] [^8]: Al-Ammar, M.A.; Alhadhrami, S.; Al-Salman, A.; Alarifi, A.; Al-Khalifa, H.S.; Alnafessah, A.; Alsaleh, M. Comparative Survey of Indoor Positioning Technologies, Techniques, and Algorithms. In Proceedings of the 2014 International Conference on Cyberworlds, Santander, Cantabria, Spain, 6–8 October 2014; pp. 245–252. [^9]: Karam, S.; Lehtola, V.; Vosselman, G. Strategies to Integrate IMU and Lidar SLAM for Indoor Mapping. ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci. 2020, V-1–2020, 223–230. [CrossRef] [^10]: Temple, P. From Space to Place: University Performance and Its Built Environment. High Educ. Policy 2009, 22, 209–223. [CrossRef] [^11]: Cassidy, C.; Trew, K. Identity Change in Northern Ireland: A Longitudinal Study of Students' Transition to University. J. Soc. Issues 2004, 60, 523–540. [CrossRef] [^12]: Chow, K.; Healey, M. Place Attachment and Place Identity: First-Year Undergraduates Making the Transition from Home to University. J. Environ. Psychol. 2008, 28, 362–372. [CrossRef] [^13]: Tuan, Y.-F. Place: An Experiential Perspective. Geogr. Rev. 1975, 65, 151. [CrossRef] [^14]: Sandstrom, G.M.; Dunn, E.W. Social Interactions and Well-Being: The Surprising Power of Weak Ties. Pers. Soc. Psychol. Bull. 2014, 40, 910–922. [CrossRef] [^15]: Irving, G.L.; Ayoko, O.B.; Ashkanasy, N.M. Collaboration, Physical Proximity and Serendipitous Encounters: Avoiding Collaboration in a Collaborative Building. Organ. Stud. 2020, 41, 1123–1146. [CrossRef] [^16]: Björneborn, L. Three Key Affordances for Serendipity: Toward a Framework Connecting Environmental and Personal Factors in Serendipitous Encounters. J. Doc. 2017, 73, 1053–1081. [CrossRef] [^17]: Brown, C.; Efstratiou, C.; Leontiadis, I.; Quercia, D.; Mascolo, C. Tracking Serendipitous Interactions: How Individual Cultures Shape the Office. In Proceedings of the 17th ACM Conference on Computer Supported Cooperative Work & Social Computing, Baltimore, MD, USA, 15–19 February 2014; ACM: New York, NY, USA, 2014; pp. 1072–1081. [^18]: Pennington, K.E. Hey, Maybe You Can Help Me with This: Chance Encounters, Geographic Proximity, and Innovative Collaboration. Ph.D. Thesis, University of Minnesota, Minneapolis, MN, USA, 2021. [^19]: Whyte, W.H. The Social Life of Small Urban Spaces; 7. Print; Project for Public Spaces: New York, NY, USA, 2010; ISBN 978-0-9706324-1-8. [^20]: Otsuka, K.; Mukawa, N. Multiview Occlusion Analysis for Tracking Densely Populated Objects Based on 2-D Visual Angles. In Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004. CVPR 2004, Washington, DC, USA, 27 June–2 July 2004; Volume 1, pp. 90–97. [^21]: Teixeira, T.; Dublon, G.; Savvides, A. A Survey of Human-Sensing: Methods for Detecting Presence, Count, Location, Track, and Identity; ENALAB, Yale University: New Haven, CT, USA, 2010; pp. 1–41. [^22]: He, Y.; Wei, X.; Hong, X.; Shi, W.; Gong, Y. Multi-Target Multi-Camera Tracking by Tracklet-to-Target Assignment. IEEE Trans. Image Process. 2020, 29, 5191–5205. [CrossRef] [^23]: Durrant-Whyte, H.; Bailey, T. Simultaneous Localization and Mapping: Part I. IEEE Robot. Automat. Mag. 2006, 13, 99–110. [CrossRef] [^24]: Zou, Q.; Sun, Q.; Chen, L.; Nie, B.; Li, Q. A Comparative Analysis of LiDAR SLAM-Based Indoor Navigation for Autonomous Vehicles. IEEE Trans. Intell. Transport. Syst. 2022, 23, 6907–6921. [CrossRef] [^25]: Tiozzo Fasiolo, D.; Maset, E.; Scalera, L.; Macaulay, S.O.; Gasparetto, A.; Fusciello, A. Combing Lidar SLAM and Deep Learning-Based People Detection for Autonomous Indoor Mapping in a Crowded Environment. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2022, XLIII-B1-2022, 447–452. [CrossRef] [^26]: Zhou, Y.; Zeng, Z.; Chen, A.; Zhou, X.; Ni, H.; Zhang, S.; Li, P.; Liu, L.; Zheng, M.; Chen, X. Evaluating Modern Approaches in 3D Scene Reconstruction: NeRF vs. Gaussian-Based Methods. In Proceedings of the 2024 6th International Conference on Data-driven Optimization of Complex Systems (DOCS), Hangzhou, China, 16–18 August 2024; pp. 926–931. [^27]: Ying, Y.; Koeva, M.; Kuffer, M.; Zevenbergen, J. Toward 3D Property Valuation—A Review of Urban 3D Modelling Methods for Digital Twin Creation. ISPRS Int. J. Geo-Inf. 2022, 12, 2. [CrossRef] [^28]: Attaran, M.; Celik, B.G. Digital Twin: Benefits, Use Cases, Challenges, and Opportunities. Decis. Anal. J. 2023, 6, 100165. [CrossRef] ## [^29]: Kang, Z.; Yang, J.; Yang, Z.; Cheng, S. A Review of Techniques for 3D Reconstruction of Indoor Environments. ISPRS Int. J. Geo-Inf. 2020, 9, 330. [CrossRef] --- [^30]: Rogers, S.R.; Manning, I.; Livingstone, W. Comparing the Spatial Accuracy of Digital Surface Models from Four Unoccupied Aerial Systems: Photogrammetry Versus LiDAR. Remote Sens. 2020, 12, 2806. [CrossRef] [^31]: Storch, M.; Kisliuk, B.; Jarmer, T.; Waske, B.; De Lange, N. Comparative Analysis of UAV-Based LiDAR and Photogrammetric Systems for the Detection of Terrain Anomalies in a Historical Conflict Landscape. Sci. Remote Sens. 2025, 11, 100191. [CrossRef] [^32]: Borrega, P.L.; Felisilda, Y.A.; Sarmiento, C.J.; Tamondong, A. 3D Reconstruction of the Fort Santiago Dungeons Using Handheld Laser Scanning Method. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2024, XLVIII-4/W8-2023, 69–75. [CrossRef] [^33]: Antova, G. Portable Laser Scanning Solutions for 3D Modelling of Large Buildings. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2024, XLVIII-4/W10-2024, 13–19. [CrossRef] [^34]: Kelly, C.; Mao, O.; Gamlich, V.; Kirkpatrick, R. Assessment of Slam Lidar—An Accuracy Assessment and Drift Anaylsis of the Leica BLK2GO. In Proceedings of the IGARSS 2024—2024 IEEE International Geoscience and Remote Sensing Symposium, Athens, Greece, 7–12 July 2024; pp. 6404–6407. [^35]: Royo, S.; Ballesta-Garcia, M. An Overview of Lidar Imaging Systems for Autonomous Vehicles. Appl. Sci. 2019, 9, 4093. [CrossRef] [^36]: Li, Y.; Ibanez-Guzman, J. Lidar for Autonomous Driving: The Principles, Challenges, and Trends for Automotive Lidar and Perception Systems. IEEE Signal Process. Mag. 2020, 37, 50–61. [CrossRef] [^37]: Zhao, X.; Sun, P.; Xu, Z.; Min, H.; Yu, H. Fusion of 3D LIDAR and Camera Data for Object Detection in Autonomous Vehicle Applications. IEEE Sens. J. 2020, 20, 4901–4913. [CrossRef] [^38]: Vitols, G.; Bumanis, N.; Arhipova, I.; Meirane, I. LiDAR and Camera Data for Smart Urban Traffic Monitoring: Challenges of Automated Data Capturing and Synchronization. In Applied Informatics; Florez, H., Pollo-Cattaneo, M.F., Eds.; Communications in Computer and Information Science; Springer International Publishing: Cham, Switzerland, 2021; Volume 1455, pp. 421–432, ISBN 978-3-030-89653-9. [^39]: Zhang, Z.; Zheng, J.; Xu, H.; Wang, X. Vehicle Detection and Tracking in Complex Traffic Circumstances with Roadside LiDAR. Transp. Res. Rec. J. Transp. Res. Board 2019, 2673, 62–71. [CrossRef] [^40]: Gómez, J.; Aycard, O.; Baber, J. Efficient Detection and Tracking of Human Using 3D LiDAR Sensor. Sensors 2023, 23, 4720. [CrossRef] [PubMed] [^41]: Triess, L.T.; Dreissig, M.; Rist, C.B.; Marius Zollner, J. A Survey on Deep Domain Adaptation for LiDAR Perception. In Proceedings of the 2021 IEEE Intelligent Vehicles Symposium Workshops (IV Workshops), Nagoya, Japan, 11–17 July 2021; pp. 350–357. [^42]: Dreissig, M.; Scheuble, D.; Piewak, F.; Boedecker, J. Survey on LiDAR Perception in Adverse Weather Conditions. In Proceedings of the 2023 IEEE Intelligent Vehicles Symposium (IV), Anchorage, AK, USA, 4–7 June 2023; pp. 1–8. [^43]: Li, X.; Zhou, Y.; Hua, B. Study of a Multi-Beam LiDAR Perception Assessment Model for Real-Time Autonomous Driving. IEEE Trans. Instrum. Meas. 2021, 70, 1–15. [CrossRef] [^44]: Marrón-Romera, M.; García, J.C.; Sotelo, M.A.; Pizarro, D.; Mazo, M.; Cañas, J.M.; Losada, C.; Marcos, Á. Stereo Vision Tracking of Multiple Objects in Complex Indoor Environments. Sensors 2010, 10, 8865–8887. [CrossRef] [^45]: Benezeth, Y.; Emile, B.; Laurent, H.; Rosenberger, C. Vision-Based System for Human Detection and Tracking in Indoor Environment. Int. J. Soc. Robot. 2010, 2, 41–52. [CrossRef] [^46]: Kadam, P.; Fang, G.; Zou, J.J. Object Tracking Using Computer Vision: A Review. Computers 2024, 13, 136. [CrossRef] [^47]: Karki, S.; Pingel, T.J.; Baird, T.D.; Flack, A.; Ogle, T. Enhancing Digital Twins with Human Movement Data: A Comparative Study of Lidar-Based Tracking Methods. Remote Sens. 2024, 16, 3453. [CrossRef] [^48]: Gunter, A.; Boker, S.; Konig, M.; Hoffmann, M. Privacy-Preserving People Detection Enabled by Solid State LiDAR. In Proceedings of the 2020 16th International Conference on Intelligent Environments (IE), Madrid, Spain, 20–23 July 2020; pp. 1–4. [^49]: Obanawa, H.; Yoshitoshi, R.; Watanabe, N.; Sakanoue, S. Portable LiDAR-Based Method for Improvement of Grass Height Measurement Accuracy: Comparison with SfM Methods. Sensors 2020, 20, 4809. [CrossRef] [PubMed] [^50]: Zhou, T.; Hasheminasab, S.M.; Habib, A. Tightly-Coupled Camera/LiDAR Integration for Point Cloud Generation from GNSS/INS-Assisted UAV Mapping Systems. ISPRS J. Photogramm. Remote Sens. 2021, 180, 336–356. [CrossRef] [^51]: Meng, X.; Wang, L.; Silván-Cárdenas, J.L.; Currit, N. A Multi-Directional Ground Filtering Algorithm for Airborne LIDAR. ISPRS J. Photogramm. Remote Sens. 2009, 64, 117–124. [CrossRef] [^52]: Mountain, D.; Raper, J. Modelling Human Spatio-Temporal Behaviour: A Challenge for Location-Based Services. In Proceedings of the Proceedings of 6th International Conference on Geocomputation, Brisbane, Australia, 24–26 September 2001; pp. 24–26. [^53]: Doyle-Baker, P.K.; Ladle, A.; Rout, A.; Galpern, P. Smartphone GPS Locations of Students' Movements to and from Campus. ISPRS Int. J. Geo-Inf. 2021, 10, 517. [CrossRef] [^54]: Wang, Y.; Huang, C.; Shan, J. An Initial Study on College Students' Daily Activities Using GPS Trajectories. In Proceedings of the 2015 23rd International Conference on Geoinformatics, Wuhan, China, 19–21 June 2015; pp. 1–6. ## [^55]: Zenk, S.N.; Schulz, A.J.; Matthews, S.A.; Odoms-Young, A.; Wilbur, J.; Wegrzyn, L.; Gibbs, K.; Braunschweig, C.; Stokes, C. Activity Space Environment and Dietary and Physical Activity Behaviors: A Pilot Study. Health Place 2011, 17, 1150–1161. [CrossRef] --- [^56]: Korpilo, S.; Virtanen, T.; Lehvävirta, S. Smartphone GPS Tracking—Inexpensive and Efficient Data Collection on Recreational Movement. Landsc. Urban Plan. 2017, 157, 608–617. [CrossRef] [^57]: Hägerstraand, T. What about People in Regional Science? Pap. Reg. Sci. 1970, 24, 7–21. [CrossRef] [^58]: Goulias, K.G. Travel Behavior Models. In Handbook of Behavioral and Cognitive Geography; Montello, D.R., Ed.; Edward Elgar Publishing: Cheltenham, UK, 2018; pp. 56–73. ISBN 978-1-78471-754-4. [^59]: Miller, H.J. Modelling Accessibility Using Space-Time Prism Concepts within Geographical Information Systems. Int. J. Geogr. Inf. Syst. 1991, 5, 287–301. [CrossRef] [^60]: Kwan, M.-P. Gender and Individual Access to Urban Opportunities: A Study Using Space-Time Measures. Prof. Geogr. 1999, 51, 211–227. [CrossRef] [^61]: Kwan, M.-P. Interactive Geovisualization of Activity-Travel Patterns Using Three-Dimensional Geographical Information Systems: A Methodological Exploration with a Large Data Set. Transp. Res. Part C Emerg. Technol. 2000, 8, 185–203. [CrossRef] [^62]: Kwan, M. GIS Methods in Time-geographic Research: Geocomputation and Geovisualization of Human Activity Patterns. Geogr. Ann. Ser. B Hum. Geogr. 2004, 86, 267–280. [CrossRef] [^63]: Kraak, M.-J. The Space-Time Cube Revisited from a Geovisualization Perspective. In Proceedings of the 21st international Cartographic Conference, ICC 2003: Cartographic Renaissance, Durban, South Africa, 10–16 August 2003; International Cartographic Association: Bern, Switzerland, 2003; pp. 1988–1996. [^64]: Graser, A. MovingPandas: Efficient Structures for Movement Data in Python. GIForum 2019, 1, 54–68. [CrossRef] [^65]: Martin, H.; Hong, Y.; Wiedemann, N.; Bucher, D.; Raubal, M. Trackintel: An Open-Source Python Library for Human Mobility Analysis. Comput. Environ. Urban Syst. 2023, 101, 101938. [CrossRef] 66. Esri 关于时空模式挖掘工具箱的概述 2025 年。 可以在以下位置下载： （于 2025 年 6 月 11 日访问）。 67. Battersby, S. 从大量移动数据生成网络路径 2023. 可以在线获取: (于 2025 年 6 月 11 日访问)。 [^68]: Baird, T.D.; Tural, E.; Kniola, D.; Pingel, T.; Abaid, N. Building as common property: Examining Ostrom’s model in an innovative university residence hall. Build. Res. Inf. 2025; in review. [^69]: Lewis, P. Defining a Sense of Place. South. Q. 1979, 17, 24–32. [^70]: Shamai, S. Sense of Place: An Empirical Measurement. Geoforum 1991, 22, 347–358. [CrossRef] [^71]: Shamai, S.; Ilatov, Z. Measuring Sense of Place: Methodological Aspects. Tijdschr. Econ. Soc. Geogr. 2005, 96, 467–476. [CrossRef] [^72]: Gillespie, J.; Cosgrave, C.; Malatzky, C.; Carden, C. Sense of Place, Place Attachment, and Belonging-in-Place in Empirical Research: A Scoping Review for Rural Health Workforce Research. Health Place 2022, 74, 102756. [CrossRef] [^73]: Tuan, Y.-F. Space and Place: Humanistic Perspective. In Philosophy in Geography; Gale, S., Olsson, G., Eds.; Springer: Dordrecht, The Netherlands, 1979; pp. 387–427, ISBN 978-94-009-9396-9. [^74]: Tuan, Y. Space and Place: The Perspective of Experience, 2nd ed.; University of Minnesota Press: Minneapolis, MN, USA, 2001; ISBN 978-0-8166-3877-2. [^75]: Agarwal, P. Place. In Handbook of Behavioral and Cognitive Geography; Montello, D.R., Ed.; Edward Elgar Publishing: Cheltenham, UK, 2018; pp. 291-306, ISBN 978-1-78471-754-4. [^76]: Rollero, C.; De Piccoli, N. Does Place Attachment Affect Social Well-Being? Eur. Rev. Appl. Psychol. 2010, 60, 233–238. [CrossRef] [^77]: Thomas, L.; Orme, E.; Kerrigan, F. Student Loneliness: The Role of Social Media Through Life Transitions. Comput. Educ. 2020, 146, 103754. [CrossRef] 78. 弗吉尼亚理工大学创意与创新区生活学习项目宿舍 2023. 可以在线获取: (于 2025 年 6 月 11 日访问)。 79. Blickfeld GmbH Cube 1—3D LiDAR 传感器 2025. 可以在线获取: (于 2025 年 6 月 8 日访问)。 [^80]: Chen, J. Grid Referencing of Buildings; ETH Zurich: Zürich, Switzerland, 2018. [CrossRef] 81. Blickfeld GmbH Blickfeld Percept—LiDAR 感知软件 2022. 可以在线获取: (于 2025 年 6 月 8 日访问)。 [^82]: Comaniciu, D.; Meer, P. Mean Shift: A Robust Approach toward Feature Space Analysis. IEEE Trans. Pattern Anal. Mach. Intell. 2002, 24, 603–619. [CrossRef] ## [^83]: Mahajan, T.; Singh, G.; Bruns, G. An Experimental Assessment of Treatments for Cyclical Data. Master's Thesis, California State University Channel Islands, Channel Islands, CA, USA, 2021 --- 84. Cöltekin, A.; De Sabbata, S.; Willi, C.; Vontobel, I.; Pfister, S.; Kuhn, M.; Lacayo, M. 可修改的时间单位问题。 摘自：地理可视化中的持续问题；ICC2011 工作坊：法国巴黎，2011 年。 可以在线获取: (于 2025 年 6 月 8 日访问)。 [^85]: Openshaw, S. The Modifiable Areal Unit Problem; Concepts and Techniques in Modern Geography; Geo Books: Norwich, UK, 1983; ISBN 0-86094-134-5. [^86]: Harari, G.M.; Müller, S.R.; Stachl, C.; Wang, R.; Wang, W.; Bühner, M.; Rentfrow, P.J.; Campbell, A.T.; Gosling, S.D. Sensing Sociability: Individual Differences in Young Adults' Conversation, Calling, Texting, and App Use Behaviors in Daily Life. J. Personal. Soc. Psychol. 2020, 119, 204–228. [CrossRef] [^87]: Terven, J.; Córdova-Esparza, D.-M.; Romero-González, J.-A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Mach. Learn. Knowl. Extr. 2023, 5, 1680–1716. [CrossRef] [^88]: Vroman, L.; Lagrange, T. Human Movement in Public Spaces: The Use and Development of Motion-Oriented Design Strategies. Des. J. 2017, 20, S3252–S3261. [CrossRef] 免责声明/出版商须知：所有出版物中包含的声明、观点和数据仅代表各自作者和贡献者的个人观点，不代表 MDPI 及其/或编辑部的观点。 MDPI 及其/或编辑部对因内容中提及的任何想法、方法、说明或产品而可能造成的任何人身或财产损害概不负责。