# LiDArgus：通过可配置子分区满足激光雷达感知中的多样化隐私偏好 李博睿（BoRui Li） 计算科学学院 西蒙菲莎大学 加拿大不列颠哥伦比亚省本拿比市 杨晋达（Jinda Yang） 计算科学学院 西蒙菲莎大学 加拿大不列颠哥伦比亚省本拿比市 阿普瓦·贾恩（Apurva Jain） Lumotive科技公司 加拿大不列颠哥伦比亚省本拿比市 威廉·纽贝里（William Newberry） Lumotive科技公司 加拿大不列颠哥伦比亚省本拿比市 ## 摘要 激光雷达传感器正越来越多地应用于智能家居环境，为居民安全监测、健康追踪、行为建模等各类应用提供用户活动识别支持。尽管基于激光雷达的活动识别优势已得到广泛认可，但满足多样化的隐私偏好仍是一项亟待解决的挑战。不同用户群体往往存在差异化需求：房主可能更倾向于用于健康监测的高分辨率感知，而访客可能偏好低分辨率感知，甚至要求临时关闭系统。为了满足这些多样化需求，本文提出一种空间自适应方法，将激光雷达感知场划分为可配置子区域，每个子区域都支持调整感知能力、尺寸和位置。该设计使用户能够根据个人隐私偏好自定义感知设置。我们通过概念验证原型验证了该方法的可行性，并通过两项用户研究评估了其有效性。我们的研究结果为智能环境中隐私感知激光雷达感知系统的设计提供了有用参考。 ## ACM 参考文献格式 激光雷达、隐私、活动感知 • 以人为中心的计算 → 交互式系统与工具。 李博睿、杨晋达、阿普瓦·贾恩、威廉·纽贝里、杨兴东. 2025. LiDArgus：通过可配置子分区满足激光雷达感知中的多样化隐私偏好。载于第38届ACM用户界面软件与技术年度研讨会（UIST '25），2025年9月28日-10月1日，韩国釜山。ACM，美国纽约州纽约市，共23页。 ## 关键词 ## CCS 概念 杨兴东（Xing-Dong Yang） 计算科学学院 西蒙菲莎大学 加拿大不列颠哥伦比亚省本拿比市 ![Image](images/8500485aece949ab64731d3bd833a2812f8e7b3c287a478f508f45a81e78aed5.jpg) 本作品采用知识共享署名4.0国际许可协议进行授权。 UIST '25，大韩民国釜山 © 2025 版权归所有者/作者所有。 ACM ISBN 979-8-4007-2037-6/25/09 ## 1 引言 LiDAR传感器正越来越多地被集成到智能家居环境中，用于支持用户输入检测和活动监测。它可支持广泛的应用场景，例如无需控制器的计算机交互 [^25] [^57]、居住者安全监测 [^23] [^44] [^45] [^64]，以及为数据驱动型服务收集行为与健康数据 [^22] [^24] [^40] [^56] [^68]. 尽管传感技术的优势已得到广泛认可，但住宅始终是极具私密性的空间，人们的隐私偏好差异极大。这些偏好不仅会因空间所有者、访客等不同身份的个体而有所不同，还会随场景情境发生变化。例如，房主可能接受系统检测饮水这类与健康相关的行为，而访客则更希望自己的动作不被感知，避免后续被他人观测 [^42] [^72]。如何在共享空间中满足这类多样化偏好且不引发冲突，目前仍是一项长期挑战 [^42] [^72]。即便是同一批用户，隐私偏好也会因在家中的不同位置而改变 [^32]。在客厅沙发这类更放松的场景中，用户可能更偏好更高的隐私性，尤其是在社交尴尬的时刻（例如挠背），不希望这些动作被记录或后续被他人看到 [^10] [^42]。为了确保完全隐私，他们可能会选择关闭传感器。但在附近的书桌等工作区域，用户则希望生产活动能被感知并获得支持。这就要求用户在不同位置移动时频繁开关传感器，操作十分繁琐。 本文提出了一种方法，旨在更好地适配基于LiDAR的活动识别应用中多样化的隐私偏好。我们的方案将LiDAR的感知区域划分为可配置、分辨率可调节的子感知区。我们证明，即便是简单的划分（例如我们实现中沿x轴的划分，见图1a），也能有效支持更广泛的用户隐私需求。每个子感知区都可以独立开关，还可针对尺寸、位置和感知分辨率进行自定义，以匹配个人隐私偏好。例如，可以让访客始终处于动态跟随其移动的低分辨率区域，使其活动数据无论是对人类还是机器学习都无法被识别。 --- ![Image](images/fe0238c040fc4e012d3767dc2aa2426239070c16772080f7eb083e53be4f1ea3.jpg)
Figure 1: (a) LiDArgus improves users' privacy preferences in LiDAR activity recognition systems by dividing the LiDAR sensing area into configurable sub-sensing zones (three shown in this figure). Each zone has adjustable sensing capabilities, sizes, and locations, allowing users to tailor the sensing settings to their privacy needs. (b) Bob has set up a LiDAR activity recognition system in his new home to track his daily activities, supporting his professional management. His desk activities are monitored within a high-resolution zone, allowing the system to accurately recognize tasks such as sitting and reading. (c) To preserve privacy, Bob's rock chair is placed in a separate zone where sensing is disabled, ensuring that socially sensitive actions, such as scratching his back or picking his nose, are not captured. (d) When Bob's friend Alice visits, she creates a sub-sensing zone with the lowest resolution, acting as a privacy mask that follows her movements. (e-f) Alice's low-resolution zone ensures her activities remain unidentifiable to Bob's system's machine learning models or other people. While Alice perceives the room as being sensed at a lower resolution, areas outside her zone are maintained at a higher resolution to support Bob's activity recognition needs.
模型（图1d-f）。与此同时，空间的其他区域可以保留高分辨率感知，以满足空间所有者的活动识别需求。 这种灵活配置让系统能够同时兼顾不同身份用户的隐私需求和感知需求。当隐私偏好随环境中不同位置变化时，还可以利用子感知区完全关闭沙发这类特定区域的感知功能，创建一个与空间其他区域分隔开的隐私保护区域（图1b-c）。总的来说，我们的方法模拟了部署多个具有不同分辨率和盲点的LiDAR传感器的效果，同时仅使用单个LiDAR传感器就提供了更具可扩展性、更高效的解决方案。 为验证我们的方法，我们使用Lumotive的M30激光雷达开发套件开发了概念验证原型LiDArgus [^2]。该设备集成了由光控超表面（Light Control Metasurface, LCM™）驱动的固态波束转向机制，可直接在硬件层面实现分区。该功能支持对激光雷达的波束照射和采样进行选择性控制，无需先捕获完整数据集再丢弃不必要的信息。 --- 我们的原型支持沿x轴创建动态子感知区域，以满足不同的隐私需求。为提升系统透明度和用户理解度，我们集成了一台投影仪，可可视化关键信息，例如区域位置、边界、感知分辨率，以及系统机器学习模型可识别的活动类型。区域边界显示在物理空间中，与实际位置对齐，原始传感器数据则投影到用户身体和周边区域。用户可通过语音命令创建、调整和自定义感知区域，让房主和访客在内的所有用户都能自由配置自己的区域，确保自身隐私偏好得到尊重，同时不会干扰他人的隐私偏好，也不会影响用户自己在感知空间不同区域的偏好设置。 我们开展了两项用户研究，以评估LiDArgus的可用性和有效性。第一项研究探究了LiDArgus的视觉反馈在用户交互过程中传递子感知区域信息的效果。参与者认为视觉提示直观易懂。第二项研究检验了引入子感知区域并赋予用户对这些区域的控制权，是否能更好地帮助用户在不同角色下管理自身的隐私偏好。我们的研究结果表明，LiDArgus提升了参与者对激光雷达传感器运行状态的认知，增强了传感器覆盖范围和感知能力方面的感知透明度。此外，与没有分区的基准条件相比，LiDArgus通过为用户提供对传感器的有效控制权，能更贴合用户的隐私偏好。 ## 2 研究贡献 本工作的核心贡献是在激光雷达感知区域内引入分区，作为解决活动识别应用场景下用户多元隐私偏好问题的方案。我们的贡献并不聚焦于实现分区的技术落地，而是强调在激光雷达赋能的智能环境中打造全新的隐私保护用户体验。现有方法通常依赖单个分辨率均匀的感知区域，与之不同，我们的方法利用基于LCM的新型激光雷达系统创建可自定义的子感知区域，以实现两个目标：(1) 公开激光雷达收集的数据和每个感知区域的功能，提升透明度；(2) 赋能不同角色的用户，使其可以根据自身具体的隐私偏好，创建并配置指定区域的分辨率、位置、大小和运行模式。 ## 3 相关工作 本文综述了使用RGB相机和激光雷达传感器进行活动识别的相关研究，包括提升这类设备隐私保护能力的相关工作。此外，本文还梳理了智能环境中多元隐私偏好认知领域的前人研究，这些研究是本工作的核心灵感来源。 ### 3.1 基于相机系统的隐私保护活动识别 行为识别是智能环境的基石，支撑着广泛的应用场景，包括家庭监控 [^48] [^50] [^53] [^71]、视频监控 [^4] [^8] [^21] [^39]以及医疗系统 [^6] [^9] [^15] [^55]。以往的多数研究都聚焦于基于视觉的方法，利用摄像头识别行为 [^27] [^49] [^61] [^65]。然而，这类系统的日益普及引发了有关用户隐私的重大担忧。已有研究表明，智能环境中存在摄像头会导致用户产生不适感，降低用户信任度，尤其是当用户不清楚正在录制什么内容、数据会被如何使用时 [^67] [^74]。针对这些担忧，研究人员提出了多种隐私保护技术。例如，一些方法采用对图像中的敏感区域进行模糊处理 [^29] [^46] [^47]，或对人脸区域应用马赛克滤镜来实现匿名化 [^19] [^28] [^34] [^52] [^60] [^62]。另一些研究则致力于优化行为识别模型，使其能在低分辨率图像下有效运行，从而在保证良好识别性能的同时，降低可识别特征的可见性 [^7] [^43] [^59] [^69] [^70]。尽管取得了这些进展，一个根本性挑战依然存在：视觉数据本质上细节丰富，即使经过混淆处理或降低分辨率，上下文信息或生物特征线索仍可能被无意泄露。因此，保障完全隐私仍然是一个值得持续探索和创新的研究领域。 ### 3.2 基于LiDAR的行为识别 与摄像头不同，基于LiDAR的传感技术不会捕获外观或纹理细节。因此，它不会记录肤色、眼睛颜色或虹膜图案这类可识别的视觉特征，是行为识别场景下更具隐私保护性的选择 [^51] [^54] [^58] [^63]。已有研究探索了多种利用LiDAR数据进行行为识别的技术。例如，Glandon等人提出了一种通过从传感器的点云数据中提取骨骼信息来识别用户行为的方法 [^20]。Zhou等人则提出了一种互补方法，采用基于体素的表示方式，利用4D张量替代原始点云来提升模型训练效率 [^75]。在实际应用中，Kodur等人 [^33]在医院机器人上搭载LiDAR，用于检测患者步态和行人运动，实现避障功能。Joo等人 [^30]在护理机构部署LiDAR监测阿尔茨海默病患者的活动，对异常行为发出警报。此外，Fraccaro等人 [^18]将LiDAR与环境数据相结合，开发了用于老年人居家护理的远程监测系统。 LiDAR和基于摄像头的系统存在大多数IoT传感器共有的一项局限：它们通常在整个感知区域内采用统一的感知分辨率。尽管整体分辨率可以动态调整，但通常无法针对感知场内的特定子区域独立配置分辨率。这就形成了“一刀切”的感知模式：整个空间要么以高分辨率感知，可能损害隐私，要么以低分辨率感知，可能限制功能。在本研究中，我们提出将LiDAR感知区域划分为更小的分区，每个分区具备可独立配置的感知能力，这为平衡隐私与功能需求提供了更灵活有效的解决方案。 --- ### 3.3 智能环境中多样化的隐私偏好 包括基于LiDAR的系统在内，智能感知系统设计中一个常被忽略的关键方面是：不同用户群体、不同场景下的隐私需求存在差异性。研究表明，个人的隐私偏好和预期是多维度的，由数据收集目的、数据收集场景、数据共享对象等因素塑造[^73]。隐私偏好也会因角色不同而存在差异：例如，访客通常对低保真度传感器感到更安心[^35]，而智能环境的所有者对设备制造商的信任度更高，可能不会将隐私保护放在优先位置，这有可能导致隐私敏感信息被无意泄露[^72]。对所有者而言，场景的影响尤为显著，位置等因素会在他们采用隐私设置、塑造隐私感知的过程中发挥关键作用[^32]. 研究表明，访客往往没有意识到传感器收集数据可能带来隐私风险[^42] [^72]。尽管他们可能无法从IoT设备中直接获益，但其数据仍会被收集。一项研究发现，访客希望拥有评估传感器当前状态、了解自身数据如何被采集的能力。此外，他们还希望明确数据收集的目的、管理方式以及相关的安全风险[^42]。在调整传感器配置以符合自身隐私偏好这件事上，访客常常感到无能为力。即便获得了控制权，他们也可能因为社会压力或不适感而犹豫是否要做出调整[^16]. 为缓解这些挑战，隐私助手（PAs）被认为是一种颇具前景的解决方案，可帮助用户发现并管理周边IoT设备的数据收集行为[^12] [^13] [^14]。例如，Fernandez等人提出的系统[^5]允许用户查看当前设置下正在收集的数据（例如面部特征、眼球运动）。研究表明，PAs可以提升用户在全新智能感知环境中的舒适度[^16] [^36]。但现有PAs无法直接应用于LiDAR系统，也未能有效解决上一小节提到的“一刀切”难题。 我们的工作通过引入子分区概念扩展了现有研究，解决了一刀切方案的局限性。正如本节前文所述，我们的交互设计参考了过往关于用户隐私偏好的研究成果。具体而言，我们满足了LiDAR用户的多样化隐私偏好：我们确保数据收集流程透明，支持用户做出知情决策，并为用户提供系统控制权，使其能够根据自身隐私偏好调整各子分区的传感能力。 背景：鲍勃最近搬进这个房间，并完成了房间系统的配置，使其能够监测他的日常活动，同时兼顾他的健康和 我们在一个兼具家庭办公室和待客客厅功能的多功能房间中，展示了我们的方法所能带来的全新用户体验。这种布置在年轻职场人群中十分常见，该概念也同样适用于面积更大的居住空间。 ## 4 使用场景演示 职业发展提供支持（图1）。他书桌区域被设置为高分辨率分区，系统在此追踪他的活动（类似整个传感范围内的一维观测孔，分辨率为$640 \times 480$），这让系统能够准确识别就坐、阅读等行为。由于日程繁忙，鲍勃经常在书桌前用餐，系统也可以检测到进食和饮水活动。为了保护隐私，鲍勃的摇椅被安置在另一个关闭了传感功能的独立分区，确保抓背、挖鼻子这类社交敏感行为不会被捕捉。各分区可以在物理空间中可视化呈现，传感像素会被投射到鲍勃的身体或周围墙面上。 ![Image](images/9b89d932a532e378f9f8f25daca135fa723c5ec38efcf04700de89314b8cd1f6.jpg)
Figure 2: (a) Bob uses the voice command “Create Zone” to create a low-resolution private zone for his visitors. (b) Li-DArgus generates a sub-sensing zone centered around Bob's location and visualizes information about the zone, including raw sensing data, sensing resolution, and detectable activities.
场景1：与分区交互。鲍勃的访客经常在门口停留进行简短交谈。但当访客得知自己的动作和活动会被鲍勃的活动传感器检测时，会感到不自在。为了解决这个问题，鲍勃决定在门口设置一个隐私分区。他站在入口处发出指令：“创建分区”，系统随即在他周围生成一块指定区域（图2）。该分区初始运行在最低传感分辨率下（类似整个传感范围内的一维观测孔，分辨率为$40 \times 30$），此时机器学习模型仅能检测行走、摔倒这类对安全至关重要的大动作，不会捕捉细节以此保护隐私。为了确认即使是人类观察者也无法轻易解读原始数据，鲍勃做了几个随意的手势并检查传感器输出。他发现分辨率足够低，连他自己都无法识别出自己的动作，因此对系统的隐私保护能力充满信心。尽管鲍勃随时可以通过说“移除分区”来删除这个分区，但他还是决定保留它。每当该分区激活时，系统都会通过细微的音效发出声音确认。 这块位于门口的低分辨率分区同时也是一个指定的“安全”区域，为鲍勃提供了一个临时躲避空间，让他可以暂时脱离覆盖房间其余区域的高分辨率传感区。在一场繁忙的Zoom会议结束后，鲍勃短暂走进这个分区拉伸背部，确保这项活动不会被传感器监测（见图3）。尽管鲍勃知道他可以发出 --- ![Image](images/1ad03daa94b692fc738a993962cb9014aa9009945f7eb85cb128c3038088e69e.jpg)
Figure 3: (a) Bob takes a break after a long Zoom meeting. He walks away from his desk and (b) steps into the new private zone, where he can perform activities, such as stretching his back, that he prefers not to be sensed by the LiDAR.
他在办公桌前通过语音指令「最小化分辨率」将工作空间的分辨率降到最低；出于方便，他选择走进安全区域，因为该区域本来就在伸手可及的范围内。进入区域后，鲍勃希望能够获知新传感区域的相关信息，这是用户进入新传感器区域时的普遍偏好 [^13] [^16] [^42]。系统检测到他的移动后激活投影仪，显示区域边界和传感器数据。 场景2：访客。鲍勃的朋友爱丽丝听说鲍勃最近搬了家，决定前来拜访。进门时，她不经意间走进了鲍勃房间中新设立的私人区域。该系统不会区分不同个体，但能够检测到是否有新人员进入。这一检测触发后，系统会实时可视化显示房间内所有区域的边界（图4a、b），让用户即时获得各区域空间覆盖范围的反馈。该设计遵循了此前的研究结论，这些研究强调用户知晓传感器存在的重要性 [^13]。 系统还会根据每个区域的分辨率提供可检测活动列表，让爱丽丝能够评估系统能力并发现潜在的隐私问题 [^42]（图4b）。此外，爱丽丝可以访问原始传感器数据，从而更清楚地了解系统在她当前所在区域的运行情况，进一步提升透明度，这也符合此前研究的建议 [^16] [^73]。在静止两分钟无活动后，区域的可视化效果会消失，但用户可以通过语音指令「显示所有区域」轻松重新激活。 爱丽丝好奇私人区域相邻的高分辨率区域中原始传感器数据是什么样的，于是她把手臂伸进了这片区域。她很快就看到自己手臂的轮廓变得清晰精细得多，由此可以直观感受到两个区域之间的分辨率差异（图4c）。 爱丽丝决定参观鲍勃的房间。在离开私人区域之前，她通过语音指令「创建区域」创建了属于自己的区域（图5）。和鲍勃的访客区域类似，这个新区域的传感分辨率很低，仅能检测行走、跌倒这类活动。默认分辨率已经够用，但爱丽丝想要体验鲍勃系统提供的更多分辨率选项。这种想要获得更高控制权的需求，是访问新智能环境的用户的典型特征 [^42] [^72]。她通过语音指令调整自己所在区域的分辨率，例如说出「提高分辨率」，就能让分辨率提升到预定义的下一级。爱丽丝还尝试说出「关闭传感」来禁用传感功能，这会关闭她所在区域内的所有传感器。经过一番尝试，她发现默认设置最适合自己，于是选择保留默认设置。正如此前研究所示 [^13]，调整传感器设置的能力能够让爱丽丝安心，确信自己的隐私得到了保护（我们的研究结果也提供了更多支持这一结论的证据）。 当爱丽丝准备移动时，她激活了语音指令「跟随我」，让她所在的区域从静态模式切换为动态模式，持续追踪她的移动。这一调整让区域能够实时适配她的位置。最终结果是，爱丽丝感受到整个房间都以较低分辨率进行传感，而她区域外的空间仍然保持较高分辨率，满足鲍勃对活动识别的需求（图6）。 在我们的场景中，鲍勃没有用于追踪其移动的动态区域。如果存在这样的区域，当两人站得很近时，该区域会与爱丽丝的区域重叠，最终两个区域会合并为一个更大的区域。这种情况下，系统会自动将感知分辨率调整为两个区域中的较低值，优先遵循限制更严格的隐私设置。投影仪会更新区域边界和分辨率来通知用户（图7）。爱丽丝离开后，她的区域会被自动移除。 ## 5 实现 本节介绍我们原型的实现细节。 ### 5.1 硬件 我们硬件的核心组件是Lumotive公司的M30激光雷达开发套件[^2]（图8）。该设备采用基于光控超表面（Light Control Metasurface, LCM™）技术的固态光束转向方案，无需依赖机械部件即可实现亚毫秒级的激光雷达光束转向。它的水平和垂直视场分别为$120^\circ \times 90^\circ$。LCM™支持对扫描模式进行精确的随机访问控制，激光雷达传感器可在环境扫描过程中通过控制激光束跳过特定角度，选择性排除感知区域内的特定区域。通过调整相邻光束扫描角度的间隔，即可调整感知分辨率；在跳过光束扫描的区域，感知功能可被有效禁用。该功能可在硬件层面实现实时无延迟的子分区。除激光雷达系统外，硬件配置还包含一台索尼VPL-PHZ50投影仪，用于将子感知区域的视觉信息直接显示在物理环境中。激光雷达的原始传感器数据会投影到用户身体上，音频反馈通过索尼XE300音箱输出。 ### 5.2 软件 我们使用Lumotive SDK通过光控超表面控制激光雷达的光束转向，并从设备获取数据。为了在M30的感知区域内实现子分区，我们使用了它的虚拟传感器功能，该功能支持对光束转向进行可编程控制，可定义多个子视场区域，每个区域可设置不同的扫描分辨率和帧率。数据通信通过TCP处理。为了生成呈现给用户的原始感知数据，我们将点云 --- ![Image](images/133e27c2f1f884006ec77981309ed63acd8b3756b69e296b309249582b143b4a.jpg)
Figure 4: (a) Bob's friend Alice comes to visit. As she enters the room, she steps into the private zone. This detection triggers a visualization of all zone boundaries in the room, providing immediate feedback on their spatial coverage. (b) The system also presents a list of detectable activities based on each zone's sensing resolution, enabling Alice to assess the system's capabilities and identify potential privacy concerns. (c) She can see raw sensor data projected on her body to better understand how the system operates in her current zone. When Alice extends her arm into the high-resolution zone adjacent to the private zone, she sees a much sharper and more detailed contour of her arm, which conveys the resolution difference between the two zones (see the larger sensor pixels on her body vs smaller ones on her arm). (d) A thumbnail of the sensor data shows Alice's body being sensed at the lowest resolution and her arm at the highest resolution.
Resolution Level
640×480 (Resolution Level 5)320×240 (Resolution Level 4)160×120 (Resolution Level 3)80×60 (Resolution Level 2)40×30 (Resolution Level 1)
Brushing teethBrushing teeth
Drink water
Eating at a dining tableEating at a dining table
Falling downFalling downFalling downFalling downFalling down
Reading at a deskReading at a desk
Chopping
WalkingWalkingWalkingWalkingWalking
Nose pickingNose pickingNose picking
Phone usePhone usePhone use
Putting on clothes
Taking off clothes
StretchStretchStretch
Scratching the backScratching the backScratching the back
Table 1: Detectable activities under different resolutions in LiDArgus (based on yolo11m-cls with f1 score > 90%)
投影到二维平面上。我们对这些投影进行了校准，确保原始传感器数据与用户身体准确对齐，同时确保区域与环境中的实际位置精准映射。我们使用Google语音转文本API实现了检测用户指令的语音输入功能[^1]。 ### 5.3 机器学习 我们训练了一个机器学习模型，用于识别家庭和办公环境中常见的一系列日常活动。 活动选择。我们根据先前研究[^10]得出的结论，按照智能家居环境中活动不同的隐私敏感度选取了两组活动。第一组是通常被认为隐私风险较低或无隐私风险的活动，包括：(1) 刷牙、(2) 喝水、(3) 在餐桌用餐、(4) 摔倒、(5) 在书桌阅读、(6) 切菜、(7) 走路。第二组是通常被认为具有隐私敏感性的活动，包括：(1) 脱衣服、(2) 穿衣服、(3) 抠鼻子、(4) 使用手机、(5) 拉伸、(6) 挠后背。纳入隐私敏感活动是为了帮助参与者设想系统可能检测到的行为类型，在实际应用中这类数据根本不会被收集。 数据采集。本次选取的多数活动都未被包含在现有开源人类活动深度图数据集[^17] [^37] [^38]中，因此我们自行采集了数据集。为此，我们采用了NTU120数据集[^37]所使用的数据采集方法。数据采集过程中，我们将M30激光雷达开发套件放置在距离地面2.5米、距离参与者3.5米的位置。针对每项活动，我们在多个传感分辨率下记录了全视场为$120^{\circ} \times 90^{\circ}$的传感器数据，分辨率范围从系统支持的最高分辨率$680 \times 480$依次降低到$320 \times 240$、$160 \times 120$、$80 \times 60$和$40 \times 30$。共有12名身高在163厘米至185厘米之间的参与者参与了数据采集，对于每名参与者完成的每项活动，我们记录了60个连续帧。所有动作完成后，我们还额外采集了背景数据作为负样本。 --- ![Image](images/7e7d0cb56e3313a88424fd4e3a0f67018d21c0a32d071f94620a406c020be15e.jpg)
Figure 5: (a) Alice decides to explore Bob's room. Before leaving her private zone, she issues the voice command "create zone" to create a new one. (b) The newly created zone overlaps with Bob's private zone near the door and operates at the lowest sensing resolution (see the large sensor pixel on her body).
模型选择。考虑到大部分隐私敏感数据都在边缘设备上处理，我们在模型选择时重点关注能够在有限计算资源下实现实时推理的方案。尽管我们的数据具有时序特征，但现有基于序列的预测模型不适合实时推理。因此，我们将活动识别任务视为分类问题，并因YOLO11的高效性选用了该模型。我们利用目标检测确定人体在传感器数据中的位置和尺寸，这对调整子传感区域的大小和位置至关重要。 数据处理与模型训练。我们使用YOLO11-cls-m模型进行活动分类，使用YOLO11m模型进行人体检测。我们将采集到的数据集按照70%、15%、15%的比例分别划分为训练集、验证集和测试集。YOLO11-cls-m模型基于在COCO数据集上预训练的YOLO模型，在13个动作类别上完成训练；YOLO11m则基于ImageNet提供的预训练模型完成训练。为了缓解过拟合，我们加入了早停机制，并采用了YOLO11提供的默认数据增强技术。 结果。详细的分类结果展示在附录中。在我们的实现中，若一项活动的F1分数超过90%，则被判定为可检测。我们已经在表1中总结了不同分辨率下，无论是否存在严重隐私问题，都可被识别的活动。这些信息被我们的系统用于展示不同感知分辨率下的可检测活动列表。大多数活动，尤其是涉及隐私问题的活动，在$40 \times 30$的最低分辨率下都无法被检测。但步行和摔倒在此分辨率下仍然可以被检测，这使得系统能够追踪用户的活动，并支持动态区域功能，该功能可以实时跟踪用户的位置。我们在附录中提供了传感器数据，用于说明不同感知分辨率下捕获的用户活动示例。需要注意的是，我们的目标是为“哪些活动应被我们的系统显示为可检测”这一决策提供信息支撑。模型架构、训练策略和数据增强方法等因素，都可能得到与本文不同的结论。因此，读者不应将这些结果解读为特定感知分辨率下活动可检测性的权威性参考。 ## 6 用户研究概述 我们开展了两项用户研究，以评估我们方法的可用性和有效性。第一项研究评估了本文提出的视觉反馈在用户交互过程中传递子感知区域关键信息的效果。整体来看，参与者认为该视觉反馈直观易懂。这有助于排除可能影响第二项研究中隐私相关体验的潜在干扰因素。在第二项研究中，我们探究了LiDArgus对不同隐私偏好的支持效果。研究结果表明，LiDArgus提高了参与者对LiDAR传感器运行状态的认知，增强了传感器能力的透明度。它还提供了有效的隐私保护机制，支持用户对基础LiDAR系统进行控制。与未采用子分区的基线条件相比，子分区功能能够更好地满足访客和LiDAR系统所有者双方的隐私偏好。 ## 7 用户研究1：理解视觉反馈 本研究的目标是评估视觉反馈的清晰度，以及它传递子感知区域相关信息的有效性。我们具体检查了该反馈传递关键细节的效果，包括区域的位置、空间覆盖范围、感知分辨率，以及每个区域内可检测的活动类型。 ### 7.1 研究设计 本节介绍我们的研究设计，包括参与者、实验设备、实验任务和整体流程。 参与者。我们招募了12名参与者（8名男性，4名女性），平均年龄为25.5岁（标准差SD = 2.53）。所有参与者都有使用智能家居设备、移动设备或车辆语音输入系统的经验。此外，所有参与者的视力和听力均正常。 实验设备。我们使用实现章节介绍的原型开展本研究。测试环境和分区与导览部分描述的一致。参与者使用Sony SRS-XE300扬声器获取音频反馈，使用HyperX SoloCast进行语音输入。 任务。参与者使用语音命令触发投射在房间内的视觉反馈，并对其进行评估，以判断该反馈传递预设信息的有效性。下文我们将介绍本次测试的反馈内容。对于由语音命令触发的反馈，我们还会在括号中给出对应的命令。 创建新区域（"create zone"）：视觉反馈显示区域边界、原始数据和可检测活动（图9）。 --- ![Image](images/7df9bd17e96284b556d9f5625a14b8bfa577175e6a9cc6a1b9eddc49fb13589c.jpg)
Figure 6: (a) Alice initiates the exploration of Bob's room by issuing the voice command "follow me," which transitions her zone from static to dynamic mode, enabling continuous tracking of her movements. (b-c) This transition allows the zone to adjust in real-time to her location. The zone acts as a mask, preventing Alice from being detected at higher resolutions, even when she enters the high-resolution zone near Bob's desk.
![Image](images/dcfc0a66f5aef940b57ab1cfc7a79536279633485f9be5893b5285cb6018d28c.jpg)
Figure 7: In another scenario, where (a) Bob sits in the room on his rock chair. (b) Alice's zone is adjacent to Bob's, causing the two zones to merge. (c) The merged zone is now larger, covering both Alice and Bob. The system automatically adjusts the sensing resolution to the lower of the two zones, prioritizing the more restrictive privacy settings.
![Image](images/744b1be06acd00cd4328762ac3c782675a2f54c3d2611f65c7d28a96035361cc.jpg)
Figure 8: The hardware setup of LiDArgus, including the M30 LiDAR Development Kit from Lumotive, along with a projector.
删除区域（"remove zone"）：包围参与者的区域边界会先显示出来，随后逐渐淡去消失（图10）。 禁用感知（"disable sensing"）：视觉反馈仅显示区域边界（图11）。 调整区域分辨率（"increase/reduce resolution", "maximize/minimize resolution"）：视觉反馈会显示更新了传感器数据和对应可检测活动后的区域边界（图12、图13）。 在动态模式和静态模式之间切换（"follow me"/"stop following"）；动态模式会通过区域顶部附近显示的图标进行标识。我们要求参与者在房间内行走，观察动态区域如何调整以跟随他们的移动。 用户进入区域：视觉反馈显示区域边界、原始数据和可检测活动。 用户进入房间：视觉反馈显示房间内的所有区域。我们要求参与者在房间内行走，观察自身肢体动作在各个区域不同感知分辨率下的被感知情况。 --- ![Image](images/99c4d1d2d423310ef8f4da7f8f8837cf37f72eb755a8c5d5a23f032220a0ef16.jpg)
Figure 9: The visual feedback for the command "Create Zone".
![Image](images/7fa5a93bf879a1a8a1995dd1aa3bcd7dfddb40c849781337675cad2a5cb0f4c5.jpg)
Figure 10: The visual feedback for the command "Remove Zone".
两个区域合并：视觉反馈显示合并后的更大区域，其分辨率设置为两个区域中较低的那一档。 参与者可以获得充足的时间完成每项任务。每次试验开始前，视觉反馈处于禁用状态；每次试验结束后、下一次试验开始前，视觉反馈会再次关闭。 流程。 任务以随机顺序呈现给参与者。研究开始前，我们向参与者介绍了区域和感知分辨率的概念，但未给他们机会提前熟悉本次测试的视觉反馈。这样设计是为了评估我们的设计对首次用户的可用性，比如智能家居或办公环境中的访客。此外，我们并未告知参与者该系统和隐私相关的设计目标，因为本研究的核心目的是脱离隐私影响，专门评估子区域视觉反馈的清晰度和可用性。 ### 7.2 结果 ![Image](images/128be36ef929731312b435ce6ba374a3222e12e7238ae4c9b520fd8a8698fc09.jpg) 针对每一项测试的视觉反馈，参与者分享了他们对反馈所要传递信息的理解。在收到参与者的
Figure 11: The visual feedback for the command "Disable Sensing".
![Image](images/dc7a198bbf3fbda1f01bcc063d0c1670e9d10d15cf2667dc81b19f8a725e7765.jpg)
Figure 12: The visual feedback for commands "increase/decrease resolution".
![Image](images/53b20fc8efe5f5b042ee46753eb97c9c4682d4f1c55f8b0a5696b5927f2b3936.jpg)
Figure 13: The visual feedback for command "minimize/maximize resolution".
回答后，我们给出了正确答案。随后，参与者按照5点李克特量表对以下两个陈述进行评分（1分：完全不同意，5分：完全同意）：(1) 我立即理解了该反馈；(2) 视觉反馈清晰传递了系统想要传达的信息。 --- 图14展示了本研究的结果。总体而言，参与者表示他们能够快速理解本次测试的视觉反馈，并且认可该反馈有效传达了系统预期传递的信息。在所有测试的视觉提示中，“移除区域”操作对应的反馈获得了最高共识，所有参与者都在理解难度和沟通清晰度两个维度都给出了5分的评价。对于“用户进入区域”操作，约60%的参与者强烈认同该反馈易于理解，且清晰传达了预期信息。参与者对“创建新区域”操作反馈的评价差异更大，超过50%的参与者表示他们没有立刻领会该反馈的含义。但在理解该反馈后，有超过70%的参与者认同它有效传达了系统预期传递的信息。对于其余的视觉反馈提示，超过70%的参与者强烈认同它们既易于理解，又清晰传达了预期信息。接下来我们将更详细地讨论我们的研究结果与观察结论。需要注意的是，本研究中参与者的反馈仅针对视觉反馈提示，并未涉及他们的隐私偏好。 总体而言，参与者一致认为本次测试的视觉反馈有效传达了与区域相关的关键操作信息，包括区域边界、捕获的原始数据、支持的感知分辨率范围，以及在系统当前实现中各分辨率级别可识别的活动类型。 #### 7.2.1 视觉反馈 原始传感器数据。参与者发现，显示原始传感器数据对于理解LiDAR的功能尤其必要且信息丰富。正如P3所说：“我本身不是很熟悉LiDAR，我很想知道传感器是如何扫描我的身体的，这个反馈对我帮助很大。如果没有它，我可能完全摸不着头脑。” 曾在三维环境中接触过LiDAR生成的原始点云数据的参与者也认为，当这种视觉反馈应用在二维像素投影到人体这一新场景中时，仍然十分直观。例如，P9表示：“原始传感器数据的可视化让我很容易理解不同的感知分辨率，我可以根据勾勒我身体的像素大小清楚地看出差异。” 颜色映射。在我们的可视化方案中，每个像素的深度被映射到一个8位色阶上。虽然参与者都观察到了像素颜色的动态变化，但部分参与者最初对这种表示方式感到陌生（P4、P5、P7）。P7表示：“我不太明白这些不同颜色的块代表什么，也不清楚颜色为什么会变化。” 类似地，P4指出：“我在和系统交互了一段时间后才最终领会颜色映射的含义，但这仍然需要我思考和猜测，我认为人们不会一下子就理解它。” 不过这些观察并不代表这种可视化方法没有效果。正如P5所说：“一开始我没意识到这些颜色代表与传感器的不同距离，但我理解之后，发现用颜色来传递深度信息是非常直观的方式。” 信息过载。同时呈现大量信息让部分参与者感到不堪重负（P1、P2、P10、P12）。特别是，部分参与者会立刻被原始传感器数据吸引，导致他们忽略了代表可识别动作的图标和区域边界。正如P12所说：“扫描结果吸引了我全部的注意力，我甚至都没注意到那里还有一个图标。”这一发现虽然并非完全出乎意料，但凸显了一项重要的设计考量：仅仅展示感知区域的所有可用信息，并不能保证有效传达内容。相反，输出设计还必须考虑用户有效处理和解读这些信息的能力。 肢体投影。部分参与者（P8、P10、P11）指出，一开始看到原始传感器数据直接投影在自己身上时，他们感到有些困惑。但在活动一段时间后，他们最终注意到了自己身上的光线，并识别出了传感器像素。例如P10就说：“当我还没意识到投影图像是显示在我身上的时候，我以为我的身体动作没有被检测到。但后来我发现不是这样，我很高兴自己弄明白了。”这一发现凸显了确保参与者知晓信息显示位置的重要性。虽然我们的目的是展示激光雷达感知区域的工作状态，但参与者无法立刻识别投影介质，导致了最初的误解。部分参与者会误以为传感器没有检测到他们。造成这种误解的一个潜在因素是，我们使用了不同介质来传递不同类型的信息，例如原始传感器数据投影在身体上，补充信息则显示在物理环境中。这种分离可能会让参与者形成不完整或不准确的心理模型，他们会期望所有相关信息都能通过单一媒介获取。除了解读多个显示内容带来的认知负担外，这种设置还增加了生理负担。参与者需要在自己的身体和周围空间之间不断转移注意力。正如P1所说：“虽然投影在身体上更直观，但我必须不断转身，同时查看我身上的投影和墙上显示的其他信息，这有点累。如果我能在一个地方看到所有信息就好了。” #### 7.2.2 用户对视觉反馈的反应 在此，我们报告参与者与不同形式视觉反馈交互后的反应。 可识别活动。多名参与者在切换不同传感分辨率时，看到可识别动作列表发生变化，都对此感到惊讶（P5、P7、P9–P12）。这一观察结果表明，虽然参与者很快就能理解视觉反馈，但该功能更值得关注的成果是它鼓励参与者去测试系统的识别能力（后文介绍的其他形式反馈中也观察到了这一行为）。许多参与者会自发做出列表未收录的动作，测试系统的识别边界，观察系统的反应。这类互动似乎有助于参与者更深入地了解系统的能力。例如，P12评论道：“在这个分辨率（40 × 30）下，连我的手臂都很难看清，所以我觉得哪怕我做一些奇怪的动作，系统大概率也检测不到。”类似地，P9也表示：“我感觉这个分辨率（40 × 30）太低了，系统识别不出我在做什么，所以应该是安全的？”有意思的是，参与者关于隐私的反馈完全出乎我们的意料，因为我们事先并未告知他们本次反馈设计的核心与隐私相关。这种自发探索 --- ![Image](images/24403a88826f4a817f1ecf60ed55610cd5274365479ee9d1a3f1eb8a3546189e.jpg)
Figure 14: Participants' ratings on two questions regarding the tested visual feedback: (1) 'I immediately understood this feedback' and (2) 'The visual feedback clearly communicated the information the system was intended to convey'.
尤其令人振奋，因为它体现了系统的可发现性，也证明该功能能够帮助用户更好地理解潜在的隐私影响。 传感分辨率。参与者可以根据自身意愿随时自由调整传感分辨率，探索所有档位的分辨率。值得注意的是，所有参与者最终都体验了我们系统支持的全部十个分辨率档位。当被问及调整的动机时，多数参与者都提到，能够控制并微调传感器分辨率带来了满足感，他们认为这赋予了用户自主权，也很有吸引力。正如P12描述的那样：“能够调整分辨率，看着感应区域变化，从高分辨率下我的身体轮廓清晰分明，到低分辨率下轮廓粗糙模糊，这个过程太让人满足了。”我们认为这是我们设计的一个突出优势，因为它鼓励主动探索，培养用户的自主感。这类互动也能促使用户更深入地思考隐私问题，提高他们对系统相关影响的认知。虽然整体反馈是积极的，但也有少数参与者（例如P2、P6）发现，相邻分辨率档位之间的差异有时过于细微，难以轻易区分。正如P6解释的：“相邻分辨率档位的差异很细微，这让我不确定哪个档位适合做什么，也不确定它会如何影响我的使用体验。”P2也认同这一看法，他提出：“对于不会长期拥有这套系统的人来说，可能不需要这么细粒度的分辨率档位，采用低、中、高三档的简单方案会更直观。”这些思考表明，参与者不仅理解了系统的视觉反馈，还认真考量了它的可用性，并给出了改进方向。 动态区域。当新区域切换为动态模式时，多名参与者（P2–P7、P10–P12）最初表现得犹豫不定。他们谨慎地靠近该区域，慢慢挪向边界，直到注意到区域会通过更新位置主动响应自己的移动后，才开始以正常速度行走。随着参与者熟悉动态区域的运行方式，许多参与者（P2、P4、P6、P10–P12）开始以不同速度在房间内移动，开展探索行为以更好地理解和测试该系统的功能。这一模式表明，即便存在最初的模糊性，参与者仍愿意与系统互动并从中学习。P9将体验描述为：“我感觉自己好像置身于一个跟着我走的聚光灯下”，这凸显了动态区域唤起了一种被识别、被追踪的感受。虽然这种感受对许多人来说很有趣，但部分参与者（P1、P2）指出，当他们不确定系统的感知能力时，会感到些许不适。例如P1分享道：“一开始我有点不安，直到我注意到原始传感器数据才好起来。这是我从未有过的体验，或许我最终会习惯它。” 固定区域。参与者以多样且深思熟虑的方式探索相邻感知区域之间的边界。许多参与者（P1–P5、P7、P9–P12）站在高分辨率区域和低分辨率区域的边界处，观察身体两侧被扫描的差异。多名参与者（P2、P5、P6、P7、P9、P10）主动进出区域，探索感知分辨率如何在身体上发生变化。其他参与者（P3–P5、P10–P12）将手臂伸过区域边界，体验分辨率的差异。P5说：“让传感器只检测我的手，还能看到检测结果，这太酷了”，凸显了这次体验的新颖性。同样，P7也指出了这种互动的独特属性。 --- 相较于此前使用LiDAR或基于摄像头的系统的体验，P7表示：“我的手臂被两种不同分辨率感知，感觉就好像我的手臂被分成了两部分”。参与者很快就适应了这些互动，并且发现这些互动有助于理解不同区域之间的区别。大多数参与者都能通过观察系统的视觉输出正确识别出全部三个区域。但仍有少数参与者（P1、P2、P5、P9、P12）最初忽略了感知禁用的区域，因为该区域只显示了区域边界。 #### 7.2.3 改进 基于本研究的发现，我们在推进第二轮用户研究之前实施了三项设计改进。首先，针对原始传感器数据与其他信息分开显示的问题，我们在每个区域的右上角添加了传感器数据缩略图。这一调整确保用户在查看完整原始传感器数据时不会被限制在身体表面区域。其次，为了更好地提示用户低显著性区域（例如感知禁用区域），我们为这类区域的内部引入了颜色编码。当用户进入这类区域时，对应颜色就会显示出来，并在两分钟内逐渐褪去，以视觉方式表明该区域内不会采集任何传感器数据。第三，我们通过为活动图标添加文本描述提升了界面清晰度，让图标既更容易识别，也更具描述性。此外，我们为区域编号并添加了文本标签（例如“1号区域”），以优化区域之间的区分效果。 ## 8 第二轮用户研究：LIDARGUS的有效性 本研究的目标是了解LiDArgus的用户体验。具体而言，我们对参与者开展了访谈，以探究我们的方案如何契合他们分别作为空间所有者和访客时的隐私偏好。作为空间所有者，参与者完成了诸如在书桌前工作、在岩椅上放松等任务。作为访客，我们要求他们探索空间，模拟潜在租客评估待租房源的体验。除LiDArgus方案外，我们还设置了基线条件：该条件下LiDAR在无子感应区域的模式下运行。 ### 8.1 研究设计 本节将介绍我们的研究设计。 参与者。为确保参与者熟悉我们的视觉反馈系统，我们选取了研究1中同一组的12名参与者。所有参与者均表示此前有使用活动感应设备（如智能运动传感器或监控摄像头）的经验。本研究在研究1结束一周后开展，以缓解可能影响参与者对我们方案感知的短期记忆效应。 实验设备。我们使用“实现”一节中描述的原型开展本研究。在LiDArgus条件下，空间被划分为三个区域，与流程说明中的描述一致。在基线条件下，整个空间被一个具有最高感应分辨率的单一区域覆盖，代表了LiDAR用于活动感应的典型使用场景。该条件下不提供任何视觉反馈。由于许多与工作和健康相关的活动（如阅读或喝水）无法在较低分辨率下被可靠识别（见附录中的图19和图20），我们在两种条件下均将最大感应分辨率设置为$640 \times 480$。 任务。在LiDArgus和基线两种条件下，参与者均按照语音引导的分步说明完成任务，参与者说出“next”即可触发进入下一步。 在LiDAR $_{gus}$ 条件下，参与者扮演访客角色，我们要求他们想象自己是潜在租客，在房主暂时不在场的情况下评估待出租房间。我们未告知他们LiDAR传感器是否处于激活状态，要求他们自行判断。任务共包含九个步骤：(1) 进入房间（所有静态区域显示）；(2) 创建自己的区域（新区域显示，静态区域隐藏）；(3) 根据隐私偏好调整分辨率设置（所有区域可见）；(4) 将区域模式切换为动态，使其能够跟随自己移动（所有区域可见）；(5) 在房间内行走（所有区域可见）；(6) 脱掉外套（所有区域可见）；(7) 坐在桌前使用手机（所有区域可见）；(8) 抠鼻子（所有区域可见）；(9) 返回门口并离开（动画显示新区域被移除）。这些步骤涵盖的互动包括：观察房间内所有区域及其感应设置、控制自己的指定区域、在自行选择的感应设置下在房间内活动，以及做出那些他们希望不被传感器检测到、不被房主事后看到的行为，例如脱外套、使用房主书桌上的手机以及抠鼻子。 在LiDARgus实验条件中，参与者扮演空间所有者，他们被要求想象自己安装了LiDAR传感器来监测自身与工作和健康相关的活动。他们按照一套语音引导指令完成了共七项任务：(1) 走进包含书桌的区域（高分辨率区域短暂显示，两分钟后消失）；(2) 在书桌前阅读（无区域显示）；(3) 在书桌前喝水（无区域显示）；(4) 在书桌前挖鼻子（无区域显示）；(5) 走到岩椅处（禁感测区域短暂显示，两分钟后消失）；(6) 脱下外套（无区域显示）；(7) 抓挠后背（无区域显示）。这些步骤包含了空间所有者可能不希望被系统记录的活动，比如挖鼻子、脱外套和抓挠后背。任务发生在传感器可能检测到也可能检测不到的区域，比如书桌和岩椅区域。区域可视化大部分处于关闭状态，因为我们预计所有者在日常使用中会觉得该功能没有必要。 实验流程。研究开始前，我们向参与者介绍了LiDAR以及LiDArgus的核心特性，包括传感器的能力、子感测区域、可用控制项和反馈。我们还向他们展示了不同分辨率下的原始传感器数据示例，以及对应的机器学习分类结果。我们鼓励参与者在整个研究过程中出声思考。为了避免偏差，参与者首先在基线条件下扮演访客。我们未告知他们LiDAR传感器是否开启，以此模拟访客可能不知情感测活动的真实场景。随后，参与者完成剩余的角色-条件组合，按 --- 随机顺序进行。在任一条件下以所有者身份进行试验前，无论参与者是否已在之前的LiDArgus条件中接触过相关信息，我们都会告知他们传感器的运行方式，并给予他们检查系统功能的机会。这确保了所有者对系统有清晰的理解。研究过程中，参与者单独待在房间内。研究结束后，每位参与者都参加了半结构化访谈。 ### 8.2 结果 参与者回答了一系列问题，涉及他们对传感器运行状态和系统透明度的认知、隐私保护选项的可用性，以及系统对他们表达隐私偏好的支持程度。此外，我们还要求他们评估我们方法提供的可视化是否有助于、以及在多大程度上有助于支持隐私相关决策。这些可视化包含多项功能，比如查看区域边界、检查感测分辨率级别、访问原始传感器数据，以及了解哪些活动可被检测。参与者使用5点李克特量表对问题进行评分（1 = 非常不同意，5 = 非常同意）。统计分析采用Friedman检验进行。 #### 8.2.1 用户对LiDAR运行状态和系统透明度的认知 图15和图16分别从所有者和访客的角度展示了实验结果。总体而言，参与者高度认同我们的方法能够有效提供有意义的信息和控制权，覆盖了他们隐私偏好的多个核心方面。 LiDArgus在用户对LiDAR运行的感知度（房主：$X^2 = 2.42p < 0.05$，访客：$X^2 = 3.11, p < 0.01$）以及系统功能与能力的透明度（房主：$X^2 = 2.59, p < 0.01$，访客：$X^2 = 3.16, p < 0.01$）两项评分中均更高。大多数参与者表示，LiDArgus提供的信息帮助他们更好地理解LiDAR系统的运行状态、各子感知区域的覆盖范围以及感知能力。这种认知提升有助于缓解他们的隐私担忧。当参与者处于不同角色时，对该系统的用户评价没有显著差异（ $X^2 = -3.09, p < 0.01$）。 当参与者以访客身份体验基准系统时，他们往往不确定自己的肢体动作何时、在哪里、以何种方式被感知。正如P12所说：“我不确定传感器有没有开启，感觉自己完全无法掌控，这让我很尴尬。” 类似地，P9也分享道：“我想过在做抠鼻子这种奇怪动作之前用布把传感器盖住，但实际上这是在别人家里，我不确定自己能不能这么做。” 这类模糊性会导致个人调整或妥协自己的隐私偏好，这与先前研究[^26] [^41] [^74]的发现一致。有趣的是，当参与者以房主身份体验基准条件时，给出的评价更积极，因为对系统运行的熟悉感带来了安全感。虽然并非所有参与者都认为传感器状态的视觉反馈是必不可少的（33%的参与者），但许多参与者都表达了对该功能的需求。例如，P9和P11指出：“作为房主，我更关心系统是否正常运行。现在我不知道它是不是按照我设定的参数在工作，也不确定LiDAR有没有正确监测我的活动。” 然而，当参与者切换到访客角色时，这种信心通常会发生变化。正如P9反思的那样：“我进房间后，既没注意到传感器在哪里，也不明白它的工作原理，这种未知感有点吓人。” 相比之下，在LiDArgus条件下，参与者（P1、P2、P4、P6、P10、P11）表示，系统反馈帮助他们直观地识别出LiDAR传感器何时正在主动感知自己。即使参与者最初对被感知感到不适，他们也认可该系统的透明度。例如，P11说：“当我看到可视化信息时，我立刻就知道有传感器在观测我，一开始会感到不安，觉得被监视了，但视觉反馈让我明白系统采集了哪些数据，这就让我安心多了。” 同样，P2也分享道：“虽然看到自己被感知有点尴尬，但LiDArgus会告诉我不同的感知区域，我可以选择待在感知分辨率更低的区域——这是基准系统没有的功能。” 相较于扮演房主角色，参与者在扮演访客角色时表现出更高的接受度。尽管信息量一开始需要花一点功夫去解读，但参与者，尤其是访客角色的参与者，通常愿意在决定下一步行动前探索不同的感知分辨率选项。这些发现表明，提高LiDAR系统运行的透明度可以显著提升用户使用该技术的舒适度和参与意愿。 #### 8.2.2 隐私保护选项与隐私偏好表达 与基线条件（所有者：$X^2 = 2.88, p < 0.01$，访客：$X^2 = 3.10, p < 0.01$）相比，LiDArgus在隐私保护选项可用性（所有者：$X^2 = 2.74, p < 0.01$，访客：$X^2 = 3.04, p < 0.01$）以及参与者自由表达隐私偏好的能力两项指标上均获得了更高得分。 在基线条件下，参与者对感知系统的控制权限有限表达出了显著担忧。尽管许多参与者（P3–P6、P10–P12）都认可，作为所有者他们可以手动切换传感器的开关，但他们认为这种二元控制不足以满足多样化的隐私偏好。例如P6表示：“我只能控制它开或关，这意味着如果我只是想暂时禁用它，就得频繁切换设备。最糟糕的是，我每次打算做一些不想被感知到的尴尬事时，都不一定记得关掉它。这真的很麻烦。” 当扮演访客角色时，多名参与者（P11、P6、P4、P3）都表示传感器的持续监测让他们感到不适，尤其是在他们对自身数据的处理完全没有实质话语权的情况下，不适感更加强烈。正如P4所说：“我完全没办法改变这种状况。除了接受我无法控制自己的身体被如何感知之外别无选择，这太让人沮丧了。” 重要的是，参与者对控制权的需求会受到停留时长的影响。P10对此感慨道：“如果我只在这个区域待几分钟，我可能不会在意没法控制系统，但如果我要待更久，我就会更担心自己不小心做出侵犯隐私的举动，比如看电视的时候下意识挖鼻子或者挠背。” --- ![Image](images/3fb5a415ea4de15ac359a09bafe5e3113f7e1b61acd9e2b056b8a36912d61922.jpg)
Figure 15: Likert ratings of participants for the baseline condition and the LiDArgus condition while assuming the role of space owner.
![Image](images/c0c0d39ef1e40cf9f1b3bcd5cb5aacf9cdbc4cd3744b6b330d103a5a73060889.jpg)
Figure 16: Likert ratings of participants for the baseline condition and the LiDArgus condition while assuming the role of visitor.
参与者在扮演房主角色时，十分认可LiDAR gus带来的更强控制感。他们很欣赏LiDAR gus不只是提供开启或关闭LiDAR传感器的简单选项，而是提供了更细致的设置选择，让他们可以根据个人偏好调整隐私设置。管理子感知区域的功能尤其受到好评。 例如，P1、P3、P9和P11都表示，LiDAR gus让他们对传感器的掌控感明显更强，不需要像原来那样，想要暂时停用传感器时只能用布盖住它这种临时凑合的方法。正如P9所说：“我想不到还有什么额外的控制需求了。只要数据都存储在本地，我在家使用LiDAR传感器就很放心。” 当角色切换为访客后，参与者对能够创建和修改子感知区域表示赞赏，不必受限于所有者预先定义的默认区域。他们认为，对LiDAR传感器拥有控制权比仅查看传感器运行状态更有价值。有趣的是，在访客角色下创建新区域后，部分参与者探索了不同的感知分辨率等级，并选择了高于默认最小值$40 \times 30$的设置。例如，P12就选择了分辨率为$160 \times 120$的设置。当被问及为何做出该选择时，P12表示当时自己对隐私的担忧较低，因此可以接受稍高的分辨率。正如P12解释的：“我现在了解了这个系统的能力和工作原理，我觉得我可以正确评估不同感知分辨率带来的隐私影响，所以我认为使用比默认值更高的分辨率对我来说没问题”。已有研究指出，用户有时会做出非最优的隐私决策[^3] [^11] [^31] [^66]，而我们的研究结果凸显了一个积极的结论：用户，尤其是访客，能够做出符合自身隐私偏好的知情决策，这表明用户在管理隐私设置方面的意识和自主权都有所提升。 --- 相反，参与者对多用户场景提出了值得深思的担忧。P2指出了一个潜在隐私问题，他表示：“如果在有多人的场景下展示传感器数据，那我哪怕做出一个小小的尴尬动作都可能被所有人看到，那会非常难堪”。社交场景下的可用性也成为了一项需要考虑的因素。在思考家庭派对场景时，P2分享道：“如果派对上很多客人都是第一次来，他们需要熟悉这个系统，花时间学习怎么使用它。我担心很多人不会有耐心好好学。而作为房主，我肯定没办法给每个人都讲解，一次性培训所有人根本不可能”。这些担忧是可以理解的，尤其是该系统对参与者来说完全是全新的。不过，随着这项技术越来越普及，这类挑战会逐渐减少。正如P4乐观地指出：“随着更多人使用这个系统，我相信就不再需要花时间学习使用了”。 #### 8.2.3 LiDArgus 功能 接下来，我们呈现参与者对次级分区概念以及LiDArgus提供的可视化信息的反馈。需要注意的是，本部分研究得到的发现聚焦于隐私偏好，这一内容并未在研究1中涉及。结果如图17所示。 子感知区域。正如前文讨论所述，参与者普遍认为子感知区域这一概念能够有效满足他们的隐私需求。值得注意的是，可适应用户移动的动态区域是最受偏好的功能。参与者赞赏将它作为“防护标记”，在提供更高感知分辨率的固定区域内活动，同时无需担心自己的隐私敏感活动被检测到。P4分享道：“我喜欢这个区域，它能很好地跟随我移动。不然的话，我得跑到专门的低分辨率区域或者关闭感知的区域才能感到安全”。P10进一步评论道：“哪怕我扮演的是访客角色，我也觉得这片空间是属于我的。我躲在我的护盾里，它跟着我走，我知道我的活动不会被房主的高分辨率系统检测到”。P3表示：“虽然我不熟悉系统是怎么实现这个隐私遮罩的，但我确信它在主动保护我的隐私，这让我非常安心”。 区域边界。参与者普遍认为区域边界可视化是帮助他们做出符合自身隐私偏好决策的宝贵辅助工具。大多数所有者角色的参与者认为，由于他们负责系统配置，因此无需始终显示区域边界。不过，他们很欣赏进入区域时就能一眼看到边界的设计，而我们的系统刚好支持这一使用习惯。正如P2所说：“我喜欢我进入房间时就能看到区域，这也能让我知道系统是否运行正常。” 与之相反，所有访客角色的参与者都强调清晰显示区域及其边界的重要性。除了边界的二维投影外，多名参与者还建议在三维空间中可视化子区域边界。例如P1表示：“由于LiDAR是以扇形扫描区域的，如果能在三维中看到这个扇形扫描范围就太好了。”我们认为这类可视化可以通过AR眼镜得到有效支持。 感知分辨率。所有参与者都强调显示感知分辨率的重要性。对所有者而言，这对细分空间时做出明智决策十分关键。对访客来说，感知分辨率是系统当前感知能力的清晰指标，因此能够帮助他们了解相应的隐私影响。 原始感知数据。不同角色的参与者对原始感知数据的态度存在差异。对于所有者角色，部分参与者（P6、P7）并不将原始数据放在优先位置。正如P6解释的那样：“我设置好系统之后，除非需要修改某个特定感知区域，否则根本不需要显示原始数据。” P7也持类似观点，他表示：“作为所有者，我认为我不需要一直看到原始数据。” 与之相反，访客更重视原始数据。除了二维表示外，部分参与者表示有兴趣在三维中查看原始点云数据。例如P7评论道：“目前，视觉反馈只以二维显示数据，但这个传感器（LiDAR）实际上是三维扫描的。如果能显示准确的三维扫描数据会更好，这样我就不会遗漏任何信息。” 可检测活动。作为系统的核心功能，大多数所有者角色的参与者认为，了解不同分辨率下可以检测哪些动作很有帮助。正如P8所说：“这清晰表明系统正在感知和预测我的动作，让我知道它已经识别到我了。” 不过，部分访客角色的参与者（P1、P6）表示，相较于关注具体被检测到的动作，他们更关心一个更简单的问题：LiDAR传感器是否被设置为检测敏感活动，只需要回答是或否。如果答案是肯定的，他们不会过多关注具体被检测到的精确动作，只需要知晓这件事并保持谨慎就够了。例如P1提到：“我只关心LiDAR传感器是否被设置为捕捉敏感动作。在我看来，可检测活动列表本来就是给所有者设计的。” ## 9 局限性与未来工作 在本节中，我们讨论了本文方法的局限性，反思了本研究全过程中总结得到的经验教训，并概述了未来的工作方向。 子分区（Sub-Zoning）。我们提出子分区这一概念，用以同时更好地适配不同用户群体多样化的隐私偏好。在该方法中，隐私的优先级高于其他因素，例如用户对系统功能的偏好。举例而言，当访客分区与所有者分区重叠时，重叠区域会自动被分配更低的传感分辨率，以此保障访客的隐私。但这一做法存在权衡取舍：所有者的活动检测效果会因此下降。未来研究应探索能够更有效平衡用户不同偏好（兼顾隐私与功能）的替代策略。该领域目前仍相对未被开发，是未来研究颇具前景的方向。 一维子分区（1D Sub-Zoning）。我们沿x轴对LiDAR的传感区域进行划分，以此验证子分区方法的有效性。采用该方案是受当前硬件限制：现有硬件仅支持对视场进行一维分割。尽管这种一维划分能够在研究初期有效展示子分区概念，它也指明了后续进一步开发的空间。具体而言，当前的实现方案限制了对特定身体部位（如手部）进行高分辨率选择性传感同时遮盖其他部位（如面部）的能力。此外，它也 --- ![Image](images/6305ead3ae79122dfb2f89b269c667421210a980fed7916cd23229daf2cb748f.jpg)
Figure 17: Likert scale ratings provided by participants for the different features of LiDArgus.
不允许分区贴合沙发这类物体的轮廓。未来工作应探索能够实现更灵活的多维分区的新技术进展，并检验这些技术在更好适配不同用户隐私偏好方面的潜力。 共享视觉反馈。Li-DArgus的当前实现提供了共享视觉反馈功能，同一环境内的所有共处用户都可查看该反馈。该方案实现简单，是适用于早期探索阶段的有效解决方案。但它也带来了潜在隐私隐患：用户的活动可能会在物理空间中被公开显示，有可能暴露给附近的他人。未来研究可以探索这种基于投影的可视化方案的优势与局限性，并研究替代方法（例如使用AR眼镜），实现在维持用户参与度的同时提升隐私保护效果。 二维分区边界可视化。在我们当前的实现中，分区边界被投影到物理环境中并以二维方式可视化。尽管该方法能够有效传达分区的位置与边界信息，它也存在一定局限性。具体而言，LiDAR传感器以三维方式扫描环境，但分区边界却以二维形式呈现，这可能会阻碍用户全面感知分区的覆盖范围。在未来的迭代版本中，我们计划探索替代显示设备，例如AR眼镜，以三维方式对分区进行可视化。这一改进将使我们能够评估其对用户体验的影响，并发掘当前研究中未能显现的洞察。 投影仪。我们当前的实现方案采用投影仪提供视觉反馈。该方案虽然可以正常运行，但由于需要将LiDAR系统与投影仪配对使用，整套装置十分笨重，实用性较差。未来研究应当探索替代方案，让用户能够获取子感知区域的相关信息，理想情况下可借助用户已有的设备实现。我们的目标是探索用户利用智能手机实现该目标的方式：无论是通过手机自带摄像头，还是激光二极管这类简单附加配件，都可以用来检测光束扫描区域和图案。这将使用户能够重构区域边界和感知分辨率，帮助他们自主检测LiDAR区域，并且不再需要制造商提供的外部输出设备，从而解决隐私担忧。 研究设计与实验环境。我们的用户实验在受控环境中开展，尽管该设置的外部效度存在一定局限，但仍让我们挖掘出了关于我们方法有效性的多个关键见解，并明确了未来改进的潜在方向。虽然实际使用场景可能会带来额外的复杂性，与受控环境存在差异，但在更贴近现实的环境中验证子分区概念至关重要。两项用户研究均使用了同一组参与者。尽管为了减轻潜在的启动效应，两项研究间隔一周开展，但我们承认这类效应无法被完全消除。这一局限性可能会给任一实验条件带来偏差。为解决这一问题，未来研究将招募范围更广的参与者样本验证我们的研究结果。这些工作将帮助评估我们设计的广泛适用性，确定哪些结论在不同情境下仍然稳健，从而为改进和扩展我们的方法提供有价值的指导。 用户对隐私保护的认知误区。尽管降低分辨率在多数情况下有助于缓解隐私担忧，但它无法完全保障隐私安全。在极端场景下，即便是极低分辨率的数据也可能造成隐私泄露。从用户角度来看，这会带来认知误解风险：具体来说，用户会默认更低分辨率等同于完全隐私，而实际上它仅能在特定场景下提升隐私保护水平。未来工作应当探索更有效的策略，向用户说明这些局限性。未来研究的另一个重要方向是设计过度感知风险极低的传感器，例如仅捕获任务特定数据的传感器。我们认为，将界面设计方向的工作（正如我们在当前研究中开展的探索）与传感器层面的创新相结合，未来将能更好地满足用户的隐私偏好。 ## 10 结论 本文针对基于LiDAR的活动识别，提出了一种满足不同隐私偏好的全新方法 --- 系统。我们的方法将LiDAR传感区域划分为可配置子区域，每个子区域的位置和传感能力均可自定义，以适配不同用户群体的隐私需求。我们借助使用Lumotive M30 LiDAR开发套件搭建的概念验证原型，并结合两项用户研究对该方法进行了验证。这些研究评估了我们提出的视觉反馈机制的可用性，证明了我们的设计在提升系统透明度与用户控制权方面的有效性。值得注意的是，我们的研究结果表明，不同角色的用户可以独立调整自身隐私设置，且不会对其他用户造成影响。这项工作是在共享传感环境中更好平衡隐私与功能性的重要一步。我们从研究中获得的结论可为未来LiDAR系统及更广泛普适计算场景下的以用户为中心的隐私设计研究提供参考。 ## 参考文献 [^1]: [n.d]. Google Speech-to-Text API. . Accessed: 2025-04-9. [^2]: [n.d.]. M30 LiDAR Development Kit from Lumotive. . Accessed: 2025-04-9. [^3]: Alessandro Acquisti, Laura Brandimarte, and George Loewenstein. 2015. Privacy and human behavior in the age of information. Science 347, 6221 (2015), 509–514. doi:10.1126/science.aaa1465arXiv: [^4]: Amira Ben Mabrouk and Ezzeddine Zagrouba. 2018. Abnormal behavior recognition for intelligent video surveillance systems: A review. Expert Systems with Applications 91 (2018), 480–491. doi:10.1016/j.eswa.2017.09.029 [^5]: Carlos Bermejo Fernandez, Petteri Nurmi, and Pan Hui. 2021. Seeing is Believing? Effects of Visualization on Smart Device Privacy Perceptions. In Proceedings of the 29th ACM International Conference on Multimedia (Virtual Event, China) (MM '21). Association for Computing Machinery, New York, NY, USA, 4183–4192. doi:10.1145/3474085.3475552 [^6]: Luca Catarinucci, Danilo de Donno, Luca Mainetti, Luca Palano, Luigi Patrono, Maria Laura Stefanizzi, and Luciano Tarricone. 2015. An IoT-Aware Architecture for Smart Healthcare Systems. IEEE Internet of Things Journal 2, 6 (2015), 515–526. doi:10.1109/JIOT.2015.2417684 [^7]: Jiawei Chen, Jonathan Wu, Kristi Richter, Janusz Konrad, and Prakash Ishwar. 2016. Estimating head pose orientation using extremely low resolution images. In 2016 IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI). 65–68. doi:10.1109/SSIAI.2016.7459176 [^8]: Wen-Tsuen Chen, Po-Yu Chen, Wei-Shun Lee, and Chi-Fu Huang. 2008. Design and Implementation of a Real Time Video Surveillance System with Wireless Sensor Networks. In VTC Spring 2008 - IEEE Vehicular Technology Conference. 218–222. doi:10.1109/VETICS.2008.57 [^9]: Emily Y. Chew, Traci E. Clemons, Susan B. Bressler, Michael J. Elman, Ronald P. Danis, Amitha Domalpally, Jeffrey S. Heier, Judy E. Kim, and Richard Garfinkel. 2014. Randomized Trial of a Home Monitoring System for Early Detection of Choroidal Neovascularization Home Monitoring of the Eye (HOME) Study. Ophthalmology 121, 2 (2014), 535–544. doi:10.1016/j.ophtha.2013.10.027 [^10]: Eun Kyoung Choe, Sunny Consolvo, Jaeyeon Jung, Beverly Harrison, and Julie A. Kientz. 2011. Living in a glass house: a survey of private moments in the home. In Proceedings of the 13th International Conference on Ubiquitous Computing (Beijing, China) (UbiComp '11). Association for Computing Machinery, New York, NY, USA, 41–44. doi:10.1145/2030112.2030118 [^11]: Hanbyul Choi, Jonghwa Park, and Yoonhyuk Jung. 2018. The role of privacy fatigue in online privacy behavior. Computers in Human Behavior 81 (2018), 42–51. doi:10.1016/j.chb.2017.12.001 [^12]: Richard Chow. 2017. The Last Mile for IoT Privacy. IEEE Security & Privacy 15, 6 (2017), 73–76. doi:10.1109/MSP.2017.4251118 [^13]: Jessica Colnago, Yuanyuan Feng, Tharangini Palanivel, Sarah Pearman, Megan Ung, Alessandro Acquisti, Lorrie Faith Cranor, and Norman Sadeh. 2020. Informing the Design of a Personalized Privacy Assistant for the Internet of Things. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (Honolulu, HI, USA) (CHI '20). Association for Computing Machinery, New York, NY, USA, 1–13. doi:10.1145/3313831.3376389 [^14]: Anupam Das, Martin Degeling, Daniel Smullen, and Norman Sadeh. 2018. Personalized Privacy Assistants for the Internet of Things: Providing Users with Notice and Choice. IEEE Pervasive Computing 17 (07 2018), 35–46. doi:10.1109/MPRV.2018.03367733 [^15]: R. Divya and J. Peter. 2021. Smart healthcare system—a brain-like computing approach for analyzing the performance of detector2 and PoseNet models for anomalous action detection in aged people with movement impairments. Complex & Intelligent Systems 8 (03 2021). doi:10.1007/s40747-021-00319-8 [^16]: Pardis Emami-Naeini, Sruti Bhagavatula, Hana Habib, Martin Degeling, Luo Bauer, Lorrie Faith Cranor, and Norman Sadeh. 2017. Privacy expectations and preferences in an IoT world. In Proceedings of the Thirteenth USENIX Conference on Usable Privacy and Security (Santa Clara, CA, USA) (SOUPS '17). USENIX Association, USA, 399–412. [^17]: Bohao Fan, Siqi Wang, Wenxuan Guo, Wenzhao Zheng, Jianjiang Feng, and Jie Zhou. 2023. Human-M3: A Multi-view Multi-modal Dataset for 3D Human Pose Estimation in Outdoor Scenes. arXiv:2308.00628 [cs.CV] [^18]: Paolo Fraccaro, Xenophon Evangelopoulos, and Blair Edwards. 2020. Development and Preliminary Evaluation of a Method for Passive, Privacy-Aware Home Care Monitoring Based on 2D LiDAR Data. In Artificial Intelligence in Medicine: 18th International Conference on Artificial Intelligence in Medicine, AIME 2020, Minneapolis, MN, USA, August 25–28, 2020, Proceedings (Minneapolis, MN, USA). Springer-Verlag, Berlin, Heidelberg, 160–169. doi:10.1007/978-3-030-59137-3_15 [^19]: Andrea Frome, German Cheung, Ahmad Abdulkader, Marco Zennaro, Bo Wu, Alessandro Bissacco, Hartwig Adam, Hartmut Neven, and Luc Vincent. 2009. Large-scale privacy protection in Google Street View. In 2009 IEEE 12th International Conference on Computer Vision. 2373–2380. doi:10.1109/ICCV.2009.5459413 [^20]: A. Glandon, L. Vidyaratne, N. Sadeghzadehyazdi, Nibir K. Dhar, Jide O. Familoni, Scott T. Acton, and K. M. Iftekharuddin. 2019. 3D Skeleton Estimation and Human Identity Recognition Using Lidar Full Motion Video. In 2019 International Joint Conference on Neural Networks (IJCNN). 1–8. doi:10.1109/IJCNN.2019.8852370 [^21]: M. Greiffenhagen, D. Comaniciu, H. Niemann, and V. Ramesh. 2001. Design, analysis, and engineering of video monitoring systems: an approach and a case study. Proc. IEEE 89, 10 (2001), 1498–1517. doi:10.1109/5.959343 [^22]: Nawfal Guefrachi, Jian Shi, Hakim Ghazzai, and Ahmad Alsharoa. 2024. Leveraging 3D LiDAR Sensors to Enable Enhanced Urban Safety and Public Health: Pedestrian Monitoring and Abnormal Activity Detection. In 2024 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 1–5. doi:10.1109/EMBC53108.2024.10782331 [^23]: Akshay Gupta, Shreyansh Jain, Pushpa Choudhary, and Manoranjan Parida. 2024. Dynamic object detection using sparse LiDAR data for autonomous machine driving and road safety applications. Expert Systems with Applications 255 (2024), 124636. doi:10.1016/j.eswa.2024.124636 [^24]: Xiao Han, Yiming Ren, Peishan Cong, Yujing Sun, Jingya Wang, Lan Xu, and Yuexin Ma. 2024. Gait Recognition in Large-scale Free Environment via Single LiDAR. In Proceedings of the 32nd ACM International Conference on Multimedia (Melbourne VIC, Australia) (MM '24). Association for Computing Machinery, New York, NY, USA, 380–389. doi:10.1145/3664647.3681166 [^25]: Xiao Han, Yiming Ren, Yichen Yao, Yujing Sun, and Yuexin Ma. 2024. Towards Practical Human Motion Prediction with LiDAR Point Clouds. In Proceedings of the 32nd ACM International Conference on Multimedia (Melbourne VIC, Australia) (MM '24). Association for Computing Machinery, New York, NY, USA, 7629–7638. doi:10.1145/3664647.3680720 [^26]: Julie Haney, Yasemin Acar, and Susanne Furman. 2021. "It's the Company, the Government, You and I": User Perceptions of Responsibility for Smart Home Privacy and Security. In 30th USENIX Security Symposium (USENIX Security 21). USENIX Association, 411–428. [^27]: Roberto Hoyle, Robert Templeman, Steven Armes, Denise Anthony, David Crandall, and Apu Kapadia. 2014. Privacy behaviors of lifeloggers using wearable cameras. In Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing (Seattle, Washington) (UbiComp '14). Association for Computing Machinery, New York, NY, USA, 571–582. doi:10.1145/2632048.2632079 [^28]: Panagiotis Ilia, Iasonas Polakis, Elias Athanasopoulos, Federico Maggi, and Sotiris Ioannidis. 2015. Face/Off: Preventing Privacy Leakage From Photos in Social Networks. In Proceedings of the 22nd ACM SIGSAC Conference on Computer and Communications Security (Denver, Colorado, USA) (CCS '15). Association for Computing Machinery, New York, NY, USA, 781-792. doi:10.1145/2810103.2813603 [^29]: Jindong Jiang, Wafa Skalli, Ali Siadat, and Laurent Gajny. 2022. Effect of Face Blurring on Human Pose Estimation: Ensuring Subject Privacy for Medical and Occupational Health Applications. Sensors 22, 23 (2022). doi:10.3390/s22239376 [^30]: Ji-Eun Joo, Yu Hu, Sujin Kim, Hyunji Kim, Sunyoung Park, Ji-Hoon Kim, Younghyun Kim, and Sung-Min Park. 2022. An Indoor-Monitoring LiDAR Sensor for Patients with Alzheimer Disease Residing in Long-Term Care Facilities. Sensors 22, 20 (2022). doi:10.3390/s22207934 [^31]: Mark Jeffrey Keith, Courtenay Maynes, Paul Benjamin Lowry, and Jeffrey Stephen Babb. 2014. Privacy Fatigue: The Effect of Privacy Control Complexity on Consumer Electronic Information Disclosure. Information Privacy Law eJournal (2014). ## [^32]: Injung Kim and Adam J. Lee. 2024. "I know what you did last semester": Understanding Privacy Expectations and Preferences in the Smart Campus. In --- 2024年CHI人机交互因素会议论文集（美国夏威夷州火奴鲁鲁）（CHI '24）。美国计算机协会，美国纽约州纽约市，文章编号980，共15页。doi:10.1145/3613904.3642174 [^33]: Krishna Kodur and Maria Kyrarini. 2023. Patient-Robot Co-Navigation of Crowded Hospital Environments. Applied Sciences 13, 7 (2023). doi:10.3390/app13074576 [^34]: Lamyanba Laishram, Muhammad Shaheryar, Jong Taek Lee, and Soon Ki Jung. 2025. Toward a Privacy-Preserving Face Recognition System: A Survey of Leakages and Solutions. ACM Comput. Surv. 57, 6, Article 147 (Feb. 2025), 38 pages. doi:10.1145/3673224 [^35]: Adam J. Lee, Jacob T. Biehl, and Conor Curry. 2018. Sensing or Watching? Balancing Utility and Privacy in Sensing Systems via Collection and Enforcement Mechanisms. In Proceedings of the 23rd ACM on Symposium on Access Control Models and Technologies (Indianapolis, Indiana, USA) (SACMAT '18). Association for Computing Machinery, New York, NY, USA, 105–116. doi:10.1145/3205977.3205983 [^36]: Hosub Lee and Alfred Kobsa. 2016. Understanding User Privacy in Internet of Things Environments. In 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT). IEEE Press, IEEE Press, Reston, VA, 407–412. doi:10.1109/WF-IoT.2016.7845392 [^37]: Jun Liu, Amir Shahroudy, Mauricio Perez, Gang Wang, Ling-Yu Duan, and Alex Kot. 2019. NTU RGB+D 120: A Large-Scale Benchmark for 3D Human Activity Understanding. IEEE Transactions on Pattern Analysis and Machine Intelligence (05 2019), 1–18. doi:10.1109/TPAMI.2019.2916873 [^38]: Jun Liu, Amir Shahroudy, Mauricio Perez, Gang Wang, Ling-Yu Duan, and Alex C. Kot. 2020. NTU RGB+D 120: A Large-Scale Benchmark for 3D Human Activity Understanding. IEEE Transactions on Pattern Analysis and Machine Intelligence 42, 10 (2020), 2684–2701. doi:10.1109/TPAMI.2019.2916873 [^39]: Jian-Guang Lou, Hua Cai, and Jiang Li. 2005. A real-time interactive multi-view video system. In Proceedings of the 13th Annual ACM International Conference on Multimedia (Hilton, Singapore) (MULTIMEDIA '05). Association for Computing Machinery, New York, NY, USA, 161–170. doi:10.1145/1101149.1101173 [^40]: Aniello Maiese, Alice Chiara Manetti, Costantino Ciallella, and Vittorio Fineschi. 2022. The Introduction of a New Diagnostic Tool in Forensic Pathology: LiDAR Sensor for 3D Autopsy Documentation. Biosensors 12, 2 (2022). doi:10.3390/bios12020132 [^41]: Karola Marky, Sarah Prange, Florian Krell, Max Mühlhäuser, and Florian Alt. 2020. "You just can't know about everything": Privacy Perceptions of Smart Home Visitors. In Proceedings of the 19th International Conference on Mobile and Ubiquitous Multimedia (Essen, Germany) (MUM '20). Association for Computing Machinery, New York, NY, USA, 83–95. doi:10.1145/3428361.3428464 [^42]: Karola Marky, Alexandra Voit, Alina Stöver, Kai Kunze, Svenja Schröder, and Max Mühlhäuser. 2020. "I don't know how to protect myself": Understanding Privacy Perceptions Resulting from the Presence of Bystanders in Smart Environments. In Proceedings of the 11th Nordic Conference on Human-Computer Interaction: Shaping Experiences, Shaping Society (Tallinn, Estonia) (NordiCHI '20). Association for Computing Machinery, New York, NY, USA, Article 4, 11 pages. doi:10.1145/3419249.3420164 [^43]: Nobuhiro Miyazaki, Kentaro Tsuji, Mingxie Zheng, Moyuri Nakashima, Yuji Matsuda, and Eigo Segawa. 2015. Privacy-conscious human detection using low-resolution video. In 2015 3rd IAPR Asian Conference on Pattern Recognition (ACPR). 326–330. doi:10.1109/ACPR.2015.7486519 [^44]: Md Parvez Mollah, Biplob Debnath, Murugan Sankaradas, Srimat Chakradhar, and Abdullah Mueen. 2025. Roadside Multi-LiDAR Data Fusion for Enhanced Traffic Safety. In Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (Toronto ON, Canada) (KDD '25). Association for Computing Machinery, New York, NY, USA, 2469–2479. doi:10.1145/3690624.3709410 [^45]: Ehsan Nateghinia and Luis F. Miranda-Moreno. 2025. Development of an unsupervised 3D LiDAR-based methodology for automated safety monitoring of railway facilities. International Journal of Transportation Science and Technology (2025). doi:10.1016/j.ijtst.2025.01.011 [^46]: Carman Neustaedter, Saul Greenberg, and Michael Boyle. 2006. Blur filtration fails to preserve privacy for home-based video conferencing. ACM Trans. Comput.-Hum. Interact. 13, 1 (March 2006), 1–36. doi:10.1145/1143518.1143519 [^47]: Elaine Newton, Latanya Sweeney, and Bradley Malin. 2005. Preserving privacy by de-identifying face images. Knowledge and Data Engineering, IEEE Transactions on 17 (03 2005), 232–243. doi:10.1109/TKDE.2005.32 [^48]: A. T. Nghiem, F. Bremond, M. Thonnat, and V. Valentin. 2007. ETISEO, performance evaluation for video surveillance systems. In 2007 IEEE Conference on Advanced Video and Signal Based Surveillance. 476–481. doi:10.1109/AVSS.2007.4425357 [^49]: Wei Niu, Jiao Long, Dan Han, and Yuan-Fang Wang. 2004. Human activity detection and recognition for video surveillance. In 2004 IEEE International Conference on Multimedia and Expo (ICME) (IEEE Cat. No.04TH8763), Vol. 1. 719–722 Vol.1. doi:10.1109/ICME.2004.1394293 [^50]: Matija Novak, Ruben Picek, and Darko Andročec. 2025. Overview of Smart Home Security with Raspberry. In Proceedings of the 2024 7th International Conference on Information Science and Systems (ICISS '24). Association for Computing Machinery, 美国纽约州纽约市，163–169页。doi:10.1145/3700706.3700733 [^51]: Masakazu Ohno, Riki Ukyo, Tatsuya Amano, Hamada Rizk, and Hirozumi Yamaguchi. 2023. Privacy-preserving Pedestrian Tracking using Distributed 3D LiDARs. In 2023 IEEE International Conference on Pervasive Computing and Communications (PerCom). 43–52. doi:10.1109/PERCOM56429.2023.10099061 [^52]: José Ramón Padilla-López, Alexandros Andre Chaaraoui, and Francisco Flórez-Revuelta. 2015. Visual privacy protection methods: A survey. Expert Systems with Applications 42, 9 (2015), 4177–4195. doi:10.1016/j.eswa.2015.01.041 [^53]: Jessica Percy Campbell, Jacob Buchan, Charlene H Chu, Andria Bianchi, Jesse Hoey, and Shehroz S Khan. 2024. User Perception of Smart Home Surveillance Among Adults Aged 50 Years and Older: Scoping Review. JMIR Mhealth Uhealth 12 (9 Feb 2024), e48526. doi:10.2196/48526 [^54]: Francesco Pistolesi, Michele Baldassini, and Beatrice Lazzerini. 2024. A LiDAR-Based Recommendation System to Improve Sitting Posture Respecting Privacy. IEEE Journal of Biomedical and Health Informatics 28, 9 (2024), 5303–5311. doi:10.1109/JBHI.2024.3404233 [^55]: Ramesh Chandra Poonia and Halah A. Al-Alshaikh. 2024. Ensemble approach of transfer learning and vision transformer leveraging explainable AI for disease diagnosis: An advancement towards smart healthcare 5.0. Computers in Biology and Medicine 179 (2024), 108874. doi:10.1016/j.compbiomed.2024.108874 [^56]: Omar Rinchí, Ahmad Alsharoa, and Denise A. Baker. 2024. Remote Breathing Monitoring Using LiDAR Technology. In 2024 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 1–6. doi:10.1109/EMBC53108.2024.10782856 [^57]: Omar Rinchí, Nathanael Nisbett, and Ahmad Alsharoa. 2023. Patients Arms Segmentation and Gesture Identification Using Standalone 3-D LiDAR Sensors. IEEE Sensors Letters 7, 9 (2023), 1–4. doi:10.1109/LSENS.2023.3303081 [^58]: Bruno Rodrigues, Lukas Müller, Eder J. Scheid, Muriel F. Franco, Christian Killer, and Burkhard Stiller. 2021. LaFlector: a Privacy-preserving LiDAR-based Approach for Accurate Indoor Tracking. In 2021 IEEE 46th Conference on Local Computer Networks (LCN). 367–370. doi:10.1109/LCN52139.2021.9524945 [^59]: Michael S. Ryoo, Kiyoon Kim, and Hyun Jong Yang. 2018. Extreme low resolution activity recognition with multi-siamese embedding learning. In Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence and Thirtieth Innovative Applications of Artificial Intelligence Conference and Eighth AAAI Symposium on Educational Advances in Artificial Intelligence (New Orleans, Louisiana, USA) (AAAI'18/IAAI'18/EAAI'18). AAAI Press, Article 896, 8 pages. [^60]: Michael S. Ryoo, Brandon Rothrock, Charles Fleming, and Hyun Jong Yang. 2017. Privacy-preserving human activity recognition from extreme low resolution. In Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence (San Francisco, California, USA) (AAAI'17). AAAI Press, 4255–4262. [^61]: Aaqib Saeed, Tanir Ozcelebi, and Johan Lukkien. 2019. Multi-task Self-Supervised Learning for Human Activity Detection. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3, 2, Article 61 (June 2019), 30 pages. doi:10.1145/3328932 [^62]: Mukesh Saini, Pradeep K. Atrey, Sharad Mehrotra, and Mohan Kankanhalli. 2014. W3-privacy: understanding what, when, and where inference channels in multi-camera surveillance video. Multimedia Tools Appl. 68, 1 (Jan. 2014), 135–158. doi:10.1007/s11042-012-1207-9 [^63]: Md. Haidar Sharif. 2021. Laser-Based Algorithms Meeting Privacy in Surveillance: A Survey. IEEE Access 9 (2021), 92394–92419. doi:10.1109/ACCESS.2021.3092687 [^64]: Xia Su, Han Zhang, Kaiming Cheng, Jaewook Lee, Qiaochu Liu, Wyatt Olson, and Jon E. Froehlich. 2024. RASSAR: Room Accessibility and Safety Scanning in Augmented Reality. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (Honolulu, HI, USA) (CHI '24). Association for Computing Machinery, New York, NY, USA, Article 968, 17 pages. doi:10.1145/3613904.3642140 [^65]: Jaeyong Sung, Colin Ponce, Bart Selman, and Ashutosh Saxena. 2012. Unstructured human activity detection from RGBD images. In 2012 IEEE International Conference on Robotics and Automation. 842–849. doi:10.1109/ICRA.2012.6224591 [^66]: Karl van der Schyff, Greg Foster, Karen Renaud, and Stephen Flowerday. 2023. Online Privacy Fatigue: A Scoping Review and Research Agenda. Future Internet 15, 5 (2023). doi:10.3390/fi15050164 [^67]: Richmond Y. Wong, Jason Caleb Valdez, Ashten Alexander, Ariel Chiang, Olivia Quesada, and James Pierce. 2023. Broadening Privacy and Surveillance: Eliciting Interconnected Values with a Scenarios Workbook on Smart Home Cameras. In Proceedings of the 2023 ACM Designing Interactive Systems Conference (Pittsburgh, PA, USA) (DIS '23). Association for Computing Machinery, New York, NY, USA, 1093–1113. doi:10.1145/3563657.3596012 [^68]: Xuan Wu, Haiyang Zhang, Chunxiu Kong, Yuanze Wang, Yezhao Ju, and Changming Zhao. 2024. LiDAR-Based 3-D Human Pose Estimation and Action Recognition for Medical Scenes. IEEE Sensors Journal 24, 9 (2024), 15531–15539. doi:10.1109/JSEN.2024.3373192 [^69]: Mingze Xu, Aidean Sharghi, Xin Chen, and David J. Crandall. 2018. Fully-Coupled Two-Stream Spatiotemporal Networks for Extremely Low Resolution Action Recognition. In 2018 IEEE Winter Conference on Applications of Computer Vision (WACV). 1607–1615. doi:10.1109/WACV.2018.00178 ## [^70]: Mingze Xu, Aidean Sharghi, Xin Chen, and David J. Crandall. 2018. Fully-Coupled Two-Stream Spatiotemporal Networks for Extremely Low Resolution Action --- 《Recognition》。收录于2018年IEEE计算机视觉应用冬季会议（WACV）。1607–1615页。doi:10.1109/WACV.2018.00178 [^71]: Ronghua Xu, Seyed Yahya Nikouei, Yu Chen, Aleksey Polunchenko, Sejun Song, Chengbin Deng, and Timothy R. Faughnan. 2018. Real-Time Human Objects Tracking for Smart Surveillance at the Edge. In 2018 IEEE International Conference on Communications (ICC). 1–6. doi:10.1109/ICC.2018.8422970 [^72]: Yaxing Yao, Justin Reed Basdeo, Oriana Rosata Mcdonough, and Yang Wang. 2019. Privacy Perceptions and Designs of Bystanders in Smart Homes. Proc. ACM Hum. Comput. Interact. 3, CSCW, Article 59 (Nov. 2019), 24 pages. doi:10.1145/3359161 [^73]: Shikun Zhang, Yuanyuan Feng, Luo Bauer, Lorrie Cranor, Anupam Das, and Norman Sadeh. 2021. "Did you know this camera tracks your mood?": Understanding Privacy Expectations and Preferences in the Age of Video Analytics. Proceedings on Privacy Enhancing Technologies 2021 (04 2021), 282–304. doi:10.2478/popets-2021-0028 [^74]: Serena Zheng, Noah Apthorpe, Marshini Chetty, and Nick Feamster. 2018. User Perceptions of Smart Home IoT Privacy. Proc. ACM Hum.-Comput. Interact. 2, CSCW, Article 200 (Nov. 2018), 20 pages. doi:10.1145/3274469 ## [^75]: Yin Zhou and Oncel Tuzel. 2018. VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 4490–4499. doi:10.1109/CVPR.2018.00472 --- ## 11 附录 ![Image](images/7d17d702a9a18f4175e27a263a497ef1e894bc39e2315c91c54fad3ada55468f.jpg) 图18：动作数据采集的样本图像，图中列出了所有动作在五种不同分辨率下的图像。 --- ![Image](images/f72e131dbd96a8596568c86714eafa22bb5f7c1d5b5ed3bef8af89888e74d18d.jpg)
Figure 19: Sample images from action data collection, which list the images at five different resolution levels for all actions.
---
ClassPrecisionRecallF1Resolution Level
Brushing teeth0.990.970.98$640 \times 480$
0.950.900.92$320 \times 240$
0.910.830.87$160 \times 120$
0.920.560.70$80 \times 60$
0.640.670.66$40 \times 30$
Drink water1.000.880.93$640 \times 480$
1.000.800.89$320 \times 240$
0.960.880.92$160 \times 120$
0.810.840.83$80 \times 60$
0.920.520.67$40 \times 30$
Eating at a dining table1.000.930.97$640 \times 480$
0.960.850.90$320 \times 240$
0.920.810.86$160 \times 120$
0.610.370.46$80 \times 60$
0.250.590.36$40 \times 30$
Falling down1.001.001.00$640 \times 480$
1.001.001.00$320 \times 240$
0.960.930.94$160 \times 120$
1.000.930.96$80 \times 60$
0.980.860.91$40 \times 30$
Reading at a desk0.930.940.94$640 \times 480$
0.970.850.91$320 \times 240$
0.800.780.79$160 \times 120$
0.760.520.62$80 \times 60$
0.430.670.52$40 \times 30$
Use a kitchen appliance0.930.920.93$640 \times 480$
0.900.830.87$320 \times 240$
0.880.660.75$160 \times 120$
0.640.670.65$80 \times 60$
0.470.050.09$40 \times 30$
表2：前6个动作的评估结果 ---
ClassPrecisionRecallF1Resolution Level
Walking1.001.001.00$640 \times 480$
1.001.001.00$320 \times 240$
1.001.001.00$160 \times 120$
1.001.001.00$80 \times 60$
0.990.880.93$40 \times 30$
Taking off clothes0.880.980.92$640 \times 480$
0.710.960.82$320 \times 240$
0.790.930.85$160 \times 120$
0.570.920.71$80 \times 60$
0.500.890.64$40 \times 30$
Putting on clothes0.951.000.97$640 \times 480$
0.860.890.87$320 \times 240$
0.710.960.82$160 \times 120$
0.370.510.43$80 \times 60$
0.280.140.18$40 \times 30$
Nose picking1.001.001.00$640 \times 480$
1.000.990.99$320 \times 240$
0.961.000.98$160 \times 120$
0.800.910.86$80 \times 60$
0.480.890.63$40 \times 30$
Phone use0.940.990.97$640 \times 480$
0.890.990.94$320 \times 240$
0.880.970.92$160 \times 120$
0.880.450.59$80 \times 60$
0.640.460.54$40 \times 30$
Stretch0.970.950.96$640 \times 480$
0.990.970.98$320 \times 240$
1.000.880.94$160 \times 120$
0.850.770.81$80 \times 60$
0.460.850.60$40 \times 30$
Scratching the back0.950.990.97$640 \times 480$
0.850.980.91$320 \times 240$
0.870.890.88$160 \times 120$
0.520.870.66$80 \times 60$
0.610.270.38$40 \times 30$
表3：剩余7个动作的评估结果