{
  "paper_id": "7a301df1c818b319b39e09c3735dfc15",
  "paper_title": "LiDArgus: Accommodating Diverse Privacy Preferences in LiDAR Sensing Through Configurable Sub-Zoning",
  "paper_authors": [
    "BoRui Li",
    "Jinda Yang",
    "Apurva Jain",
    "William Newberry",
    "Xing-Dong Yang"
  ],
  "publication_date": "2025",
  "publication_venue": "The 38th Annual ACM Symposium on User Interface Software and Technology (UIST '25), September 28–October 01, 2025, Busan, Republic of Korea",
  "abstract": "LiDAR sensors are increasingly being adopted in smart home environments to enable user activity recognition for a wide range of applications, including resident safety monitoring, health tracking, and behavior modeling. While the advantages of LiDAR-based activity recognition are well recognized, supporting diverse privacy preferences remains an ongoing challenge. Different user groups often have competing needs: homeowners may favor high-resolution sensing for health monitoring, whereas guests may prefer lower-resolution sensing or even temporary deactivation of the system. To navigate these varied requirements, we introduce a spatially adaptive approach that divides the LiDAR sensing field into configurable sub-zones, each with adjustable sensing capabilities, sizes, and locations. This design empowers users to personalize sensing settings according to their individual privacy preferences. We demonstrate the feasibility of this approach through a proof-of-concept prototype and assess its effectiveness via two user studies. Our findings offer insights to inform the design of privacy-aware LiDAR sensing systems in smart environments.",
  "keywords": [
    "LIDAR",
    "Privacy",
    "Activity Sensing",
    "Human-centered computing → Interactive systems and tools"
  ],
  "paper_institutions": [
    "Simon Fraser University",
    "Lumotive Technologies Inc."
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:55.466402Z",
  "template_tag": "deep_read",
  "summary": "# LiDArgus: Accommodating Diverse Privacy Preferences in LiDAR Sensing Through Configurable Sub-Zoning\n\n\n**作者 / Authors:** BoRui Li, Jinda Yang, Apurva Jain, William Newberry, Xing-Dong Yang\n\n\n**单位 / Institutions:** Simon Fraser University, Lumotive Technologies Inc.\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2025-09-28\n\n\n\n**期刊/会议 / Publication Venue:** UIST '25 (The 38th Annual ACM Symposium on User Interface Software and Technology)\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A: 阅读对齐与输入验证\n\n### 论文元数据\n\n- **标题**: LiDArgus: Accommodating Diverse Privacy Preferences in LiDAR Sensing Through Configurable Sub-Zoning\n- **作者**: BoRui Li（Simon Fraser University）、Jinda Yang（Simon Fraser University）、Apurva Jain（Lumotive Technologies Inc.）、William Newberry（Lumotive Technologies Inc.）、Xing-Dong Yang（Simon Fraser University）。作者背景：主要来自人机交互与传感系统领域，工业界合作方Lumotive提供硬件支持。\n- **发表渠道**: UIST '25（The 38th Annual ACM Symposium on User Interface Software and Technology），2025年9月28日至10月1日，韩国釜山。ACM，23页。DOI: 10.1145/3746059.3747724。\n\n### 研究定位\n\n- **研究领域**: 人机交互、隐私保护、LiDAR传感、智能环境。\n- **具体任务**: 在LiDAR-based活动识别系统中，通过可配置子分区（sub-zoning）来适应不同用户的多样化隐私偏好。\n- **目标用户/应用场景**: 智能家居环境中的房主和访客；典型场景包括家庭办公室兼客厅、健康监测、访客隐私保护等。\n\n### 输入材料清单\n\n- **PDF**: 是（提供了完整论文文本）。\n- **附录/补充材料**: 包含（第11节附录，含图像和分类结果表）。\n- **代码链接**: 未提供。\n- **数据集链接**: 未提供（但描述自采集数据集，可能不公开）。\n\n### 缺失材料与风险\n\n- **缺失项**: 代码和数据集链接；硬件原型实物不可用。\n- **可能影响**: 无法复现原型或验证训练细节；但论文提供了详细的实现描述（第5节）和性能数据（附录表），可支持理解与评估。\n\n### 阅读路线（3-6步）\n\n- **第1步**: 阅读摘要、引言和贡献（第1-2节），把握核心问题、方案和主要结论。\n- **第2步**: 阅读相关工作（第3节）和走查（第4节），理解研究动机和系统交互设计。\n- **第3步**: 深入实现部分（第5节）和机器学习细节（第5.3节），分析硬件能力、软件架构和模型性能。\n- **第4步**: 阅读两项用户研究（第7-8节）及结果分析，重点评估系统有效性和用户反馈。\n- **第5步**: 阅读局限性与未来工作（第9节）和结论（第10节），综合评判。\n- **第6步**: 返回附录（第11节）查看分类数据与支持图表，验证关键结论。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n### [Paper type and category]\n\n系统论文（system paper），属于人机交互（HCI）与隐私保护交叉领域。论文提出一种新颖的LiDAR传感子分区方法，并构建了原型系统LiDArgus，通过用户研究验证有效性。论文类型可归为“系统构建+实证评估”型。\n\n### [Context]\n\n智能家居环境中LiDAR传感器被广泛用于活动识别，但用户（尤其是访问者）的隐私偏好差异大，现有系统通常采用“一视同仁”（one-size-fits-all）方式，无法灵活调节局部区域的传感分辨率。相关工作包括相机系统中的隐私保护（如模糊、马赛克）以及LiDAR活动识别，但均未解决子区域内独立可配置的问题。本论文基于Lumotive M30 LiDAR开发套件（具备光控制超表面（LCM）技术），实现硬件层面的子分区，并通过投影和语音交互提供透明性和用户控制。研究背景基于已有隐私偏好研究，例如房主更重视健康监测，访客更关心数据采集和隐私控制。\n\n### [Intuitive correctness check]\n\n核心假设是：(1) 将LiDAR传感区域划分成独立的子区域，每个区域可独立调节分辨率、开关，能更好地同时满足不同角色的隐私需求。(2) 硬件（LCM）支持在硬件层面跳过部分扫描角度，实现低延迟的子分区。(3) 降低分辨率能有效降低活动识别模型对敏感动作的识别能力，从而保护隐私。这些假设在逻辑上合理：硬件能力已明确；分辨率与识别性能的关系通过附录表2-3得到支撑，例如40×30时多数隐私敏感动作F1低于0.9，而Walking和Falling保持可识别。用户研究结果也正面支持这些假设。但需要注意，降低分辨率并非绝对隐私，论文也坦承此局限。\n\n### [Core contributions]\n\n1) 提出“子分区”（sub-zoning）概念，即将LiDAR传感区域划分为可配置的子区域，每个区域可独立控制分辨率、位置、大小和开关，以同时满足不同用户群的隐私偏好。\n2) 实现一个基于Lumotive M30 LiDAR的原型系统LiDArgus，利用LCM技术实现硬件级子分区，并集成投影和语音交互，提供透明度与用户控制。\n3) 通过两项用户研究验证：第一项研究评估视觉反馈的有效性，第二项研究对比基线条件，证明LiDArgus提升了用户对传感器运行状态的感知、系统透明度和隐私偏好支持度。\n\n### [Clarity assessment]\n\n论文结构清晰，章节安排合理，从引言、相关工作、走查、实现、用户研究到局限与结论。图表丰富且富有启发性（例如图1-13，表1-3），用于说明子分区概念、界面反馈和分类性能。公式适度（分辨率和F1等）。可读性良好，但部分细节（如具体硬件控制协议）描述较简略。总体易于理解第一遍阅读。\n\n### [Continue-or-stop recommendation]\n\n建议继续进入第二遍和第三遍阅读。理由：本论文提出的子分区概念新颖，对隐私感知系统设计有影响；用户研究设计较完整，提供了可借鉴的评估方法；但部分实现细节（如机器学习模型训练、子分区的具体控制算法）值得深入分析以验证其有效性。若只关注高层概念，第一遍已足够；但若要复现或批判性评估，则需继续。\n\n```markmap\n# LiDArgus: Accommodating Diverse Privacy Preferences in LiDAR Sensing Through Configurable Sub-Zoning\n## Introduction\n## Contribution\n## Related Work\n## Walkthrough\n## Implementation\n### Hardware\n### Software\n### Machine Learning\n## Overview of User Studies\n## User Study 1: Understanding visual feedback\n## User Study 2: The effectiveness of LiDArgus\n## Limitation and Future Work\n## Conclusion\n## Appendix\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## Module C1: 论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文试图解决在LiDAR智能家居活动识别系统中，不同用户角色（房主、访客）在不同情境下具有多样化且相互竞争的隐私偏好，而现有“一刀切”的均匀感测模式无法同时满足这些隐私与功能需求的问题。\n\n### 2. 痛点或缺陷（2-4条）\n\n- **现有LiDAR/摄像头感测系统通常在整个感测区域内使用均匀分辨率**，只能整体调高或调低分辨率，无法对不同子区域进行差异化配置，导致“高分辨率牺牲隐私、低分辨率牺牲功能”的两难局面（见第3.2节相关工作部分）。\n- **不同角色（房主、访客）的隐私偏好冲突**：房主需要高分辨率感测以支持健康监测等活动识别，而访客可能希望低分辨率甚至临时禁用感测，避免其行为被记录或识别（见第1节引言；第3.3节相关工作）。\n- **情境依赖的隐私需求**：即使在相同用户群体内，隐私偏好也会随空间位置而变化（例如，在沙发上放松时希望隐私，在书桌工作时需要感测），单一开关只能频繁启停，操作繁琐且不实用（见第1节引言）。\n- **访客缺乏对感测状态的知情和控制**，导致不适、不信任，甚至被迫妥协隐私偏好（见第3.3节、第8节用户研究结果）。\n\n### 3. 形式化目标或优化目标（若存在）\n\n论文未给出严格的数学优化目标或损失函数，但其核心设计目标是：在单个LiDAR传感器的感测范围内，通过将感测视野划分为可配置的子感测区域，每个区域独立调节大小、位置、分辨率和开关状态，从而在保持所需活动识别功能的同时，满足不同用户各自的隐私偏好。文中强调“在共享空间中同时兼顾隐私与感测需求”，并指出当区域重叠时自动采用更低分辨率（优先满足更严格的隐私需求）（见第4节走查、第5节实现）。因此可视为一个多约束平衡问题：最大化感测功能效用（如可识别活动的范围）与最大化用户隐私满意度之间的权衡。\n\n### 4. 成功标准（指标或期望属性）\n\n- **系统有效性**：通过两项用户研究（第7、8节）验证，主要指标为主观Likert评分，包括：用户对LiDAR运行状态的意识、系统透明度、隐私保护选项的可用性、表达隐私偏好的能力，以及是否优于无子分区的基线系统。结果显示LiDArgus在各维度均显著高于基线（如透明度：Owner X²=2.59, p<0.01；Visitor X²=3.16, p<0.01，详情见第8.2节）。\n- **可用性**：视觉反馈清晰易懂，参与者能快速理解区域边界、原始数据、感应分辨率及可检测活动等信息（第7节研究1结果，多数反馈上4-5分）。\n- **隐私保护功能**：低分辨率区域能防止机器学习和人类观察者识别精细动作（如在40×30分辨率下，除行走和摔倒外，大多数敏感活动不可检测，见表1和附录），动态区域能跟随用户并提供“隐私掩膜”（见第4节、第5.3节）。\n- **不干扰他人**：不同角色用户可独立配置自己的子区域，不影响其他区域的功能（如访客低分辨率区域不影响房主高分辨率区域的活动识别）（见第1节、第4节、第8节）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## Module C2: 相关工作分析\n\n### 1. 最强基线（Baseline）与比较轴\n\n- **方法**：论文中作为对照的“基线系统”（Baseline）为一个无子分区（sub-zoning）的LiDAR活动识别系统，即整个房间使用单一最高分辨率（640×480）进行感知，无任何可视化反馈或用户控制（见论文第8.1节）。\n- **核心思想**：Baseline代表当前主流“一刀切”（one-size-fits-all）的LiDAR感知方式：均匀分辨率覆盖整个空间，用户要么全部被高分辨率感知，要么只能手动开关整个传感器（见第3.2节）。\n- **局限**：无法满足不同角色（如房主与访客）或不同位置的差异化隐私偏好；访客无法感知系统状态，也没有任何调节能力，导致隐私焦虑与控制感缺失（见第8.2.1-8.2.2节）。\n\n### 2. 最接近的方法与关键差异\n\n- **方法**：隐私助手（Privacy Assistant, PA）类系统（如Fernandez等人的可视化系统[^5]，以及Colnago等人的个性化PA设计[^13]），它们向用户展示IoT传感器采集的数据（如面部特征、视线），并为用户提供控制选项（如开关传感器）。\n- **核心思想**：通过增强透明度和用户控制来缓解隐私顾虑，使用户能够在智能环境中做出知情决策；这类研究验证了“告知+选择”对用户的积极作用（见第3.3节）。\n- **关键差异**：现有PA并未针对LiDAR传感器设计，也未能打破“均匀分辨率”的僵局；LiDArgus首次在硬件层面通过可配置子分区（sub-zoning）实现空间差异化感知，允许不同用户在共处空间中同时获得不同分辨率的感知服务，并且通过投影和语音交互提供了直观的反馈与控制（见第1、2节）。\n- **局限（LiDArgus）**：目前仅支持沿x轴的一维子分区（1D sub-zoning），无法精细隔离身体部位或任意形状区域；共享可视化可能引发新的隐私暴露；低分辨率不等于完全隐私，仍存在用户误解风险（见第9节）。\n\n### 3. 正交方向\n\n- **图像模糊/马赛克**：针对RGB摄像头的隐私保护方法，如模糊敏感区域[^29][^46][^47]、人脸马赛克[^19][^28][^34][^52][^60][^62]，或训练低分辨率下的动作识别模型[^7][^43][^59][^69][^70]。这些方法作用于视觉图像，不适用于LiDAR点云，且无法实现空间选择性（见第3.1节）。\n- **传统LiDAR活动识别**：如利用骨架信息[^20]、体素表示[^75]、医院机器人[^33]、护理院监测[^30]、老人居家监测[^18]等。它们均采用均匀分辨率，不涉及隐私偏好配置（见第3.2节）。\n- **“以用户为中心”的隐私偏好研究**：如角色差异（访客 vs 房主）的隐私期望[^35][^72]、场景依赖的隐私需求[^32]、访客对传感器知情与控制的需求[^42]等。这些研究提供了动机与设计依据，但并未提供具体技术方案（见第3.3节）。\n\n### 4. 本文的定位（一句话）\n\n- **本文首创性地将LiDAR感知区域划分为可配置子区域，通过硬件级的“空间差异化分辨率”同时满足不同用户的隐私偏好，填补了隐私感知LiDAR系统在“细粒度用户控制”与“空间可选择性”上的空白。**\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3：论文如何解决问题？\n\n### 1. 核心机制概述\n\n本文提出一种**可配置子分区（Sub-Zoning）**方法，将LiDAR传感器的感知区域划分为多个独立的子感知区域（子区域），每个子区域可在以下维度上进行独立配置：\n\n- **感知分辨率**：支持5个预设分辨率等级（640×480、320×240、160×120、80×60、40×30），对应表1所列的可识别活动集合。\n- **位置与大小**：可动态创建、调整、删除子区域（沿x轴方向分区）。\n- **开关状态**：可单独启用或禁用某一子区域的感知。\n- **静态/动态模式**：区域可固定或跟随用户移动（“follow me”）。\n该机制从硬件层面利用Lumotive M30 LiDAR开发套件中的**Light Control Metasurface (LCM™)**固体光束转向技术，实现对光束扫描路径的随机访问控制，从而跳过特定角度、调整扫描间隔，实现无需先采集全量数据即可在硬件层实时创建子区域。系统通过投影仪将区域边界、原始数据、可识别活动列表等信息可视化，并使用语音命令（如“create zone”）作为交互手段，使用户（房主或访客）能够根据自己的隐私偏好配置区域。\n\n### 2. 逐步分解（Step-by-Step Breakdown）\n\n1. **硬件层（第5.1节）**：使用M30 LiDAR开发套件，其LCM技术支持毫秒级光束转向，可精确跳过指定角度，实现子区域在硬件级别的实时配置；同时配置投影仪（Sony VPL-PHZ50）和扬声器（Sony XE300）用于输出反馈。\n2. **软件层（第5.2节）**：通过Lumotive SDK的虚拟传感器功能，定义多个具有不同分辨率与帧率的子视场区域；点云数据投影到2D平面并校准对齐到用户身体和环境；语音输入使用Google Speech-to-Text API。\n3. **机器学习层（第5.3节）**：\n   - 训练YOLO11-cls-m模型进行活动分类（13类），YOLO11m模型进行人体检测。\n   - 自建数据集（12名参与者，每种活动60帧，多分辨率采集，分辨率为640×480至40×30）。\n   - 使用COCO预训练模型，数据增强与早停策略。\n   - 以F1分数>90%作为“可检测”阈值，得出不同分辨率下可识别的活动列表（表1、表2、表3）。\n4. **用户交互层（第4节走查）**：用户可通过语音命令创建、删除、调整分辨率、切换动态/静态模式、禁用感知；系统通过投影提供可视化反馈（区域边界、原始数据、活动列表、动态模式图标等）。\n5. **冲突处理**：当两个区域重叠时，系统自动将重叠区域的分辨率设置为两者中较低者，并更新投影显示。\n\n### 3. 关键公式或模块角色\n\n本文未提出新公式，但存在以下关键定义与机制：\n\n- **分辨率等级**：五种离散分辨率，从高到低为：640×480（级别5）、320×240（级别4）、160×120（级别3）、80×60（级别2）、40×30（级别1）。\n- **可检测活动判定**：F1分数 > 0.90（第5.3节结果部分）。\n- **动态区域追踪**：基于YOLO11m人体检测获取用户位置，动态区域实时更新中心位置跟随用户。\n- **区域合并规则**：当两区域重叠时，合并后的区域采用较低的分辨率（第4节）。\n\n### 4. 流程图（Process Diagram）\n\n由于本文为系统/方法导向，给出如下流程：\n\n```mermaid\nflowchart TD\n  A[用户语音命令] --> B[Google Speech-to-Text 解析]\n  B --> C{命令类型}\n  C -- 创建区域 --> D1[基于当前用户位置创建子区域]\n  C -- 调整分辨率 --> D2[修改指定子区域分辨率等级]\n  C -- 跟随移动 --> D3[切换动态模式，实时更新区域坐标]\n  C -- 禁用感知 --> D4[停止该区域光束扫描]\n  C -- 删除区域 --> D5[移除子区域定义]\n  D1 --> E[投影仪显示区域边界和原始数据]\n  D2 --> E\n  D3 --> E\n  D4 --> E\n  D5 --> E\n  E --> F[用户评估隐私偏好]\n  F --> G[区域状态更新（分辨率、开关、位置）]\n  G --> H[LiDAR硬件执行对应光束转向]\n  H --> I[点云数据经YOLO模型处理]\n  I --> J[实时显示可识别活动列表与传感器状态]\n```\n\n### 5. 关键定位（章节引用）\n\n- 核心机制概述：第1节引言、第5节实现。\n- 逐步分解：第4节走查、第5节实现。\n- 机器学习细节：第5.3节。\n- 区域合并规则：第4节“如果存在动态区域，重叠时自动调整为较低分辨率”。\n- 数据表格：表1、表2、表3。\n\n### 6. 推理链说明\n\n- 问题：不同角色（房主/访客）以及不同情境下对隐私的需求不同，统一分辨率无法兼顾。\n- 方案：将感知区域划分为独立子区域，各自可调分辨率、位置、大小、开关状态，使用户按需配置。\n- 可行性：基于LCM硬件实现硬件级子分区，无需后处理；通过YOLO模型验证不同分辨率下可识别的活动种类，确定隐私保护有效性。\n- 用户研究：两项研究分别验证视觉反馈的可理解性和子分区对隐私偏好的支持效果，结果均支持系统有效性。\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## Module C4: 数据集、基准与实现/评估设置\n\n### 1. 数据集/基准列表\n\n- **自采集数据集**: 论文未提供公开数据链接，但详细描述了自建数据集（见 §5.3 数据收集）。\n  - **规模**: 12名参与者（身高163-185cm），每人每个活动记录60帧连续数据，另采集背景数据作为负样本。\n  - **场景**: 智能家居/办公室场景，模拟日常活动；活动分为两类：低隐私关注活动（刷牙、喝水、餐桌进食、跌倒、桌边阅读、切菜、行走）和高隐私敏感活动（脱衣、穿衣、挖鼻孔、玩手机、伸展、挠背）。共13种活动类别。\n  - **环境**: 传感器（M30 LiDAR Development Kit）置于离地2.5m、距参与者3.5m处，视场角120°×90°。\n\n### 2. 预处理与划分/覆盖设置\n\n- **分辨率覆盖**: 数据在5种分辨率下采集：680×480（文中称最高支持，但部分表格显示640×480）、320×240、160×120、80×60、40×30（见 §5.3、§11 附录）。\n- **数据划分**: 训练、验证、测试按70/15/15比例分割（§5.3 数据处理与模型训练）。\n- **预处理与增强**: 采用YOLO11默认数据增强方法，并设置早停机制以防过拟合（§5.3）。\n\n### 3. 训练/推理/评估环境\n\n- **模型选择**: 针对边缘设备实时推理需求，选用YOLO11系列：YOLO11-cls-m用于活动分类（13类），YOLO11m用于人体检测（§5.3 模型选择）。\n- **训练配置**: 分类模型使用COCO预训练权重，检测模型使用ImageNet预训练权重；训练数据为自采的深度图/点云投影到2D平面后的数据（§5.3）。\n- **评估环境**: 未提供具体硬件信息，但强调模型需在有限计算资源下实时运行，故放弃时序模型而用分类方案（§5.3）。\n\n### 4. 选择依据与验证意义\n\n- **为什么选择这些数据集和划分**: 现有开源数据集（如NTU120）不包含所有目标活动，故自建数据；采用NTU120的采集方法以保证数据质量。多种分辨率覆盖使系统能够展示不同子区间的感知能力差异，支撑子分区概念的有效性。\n- **为什么选择YOLO11**: 边缘设备实时性要求，YOLO11在分类与检测上兼具效率与精度；将活动识别简化为分类问题，便于实时推理。\n- **这个设置验证了什么**: 通过不同分辨率下活动可检测性（F1>90%为标准）的评估（附录表2、表3），证明在最低分辨率40×30下仅行走和跌倒仍可被识别，从而验证了低分辨率子区能有效保护隐私敏感活动，同时保留基本安全监控功能。这为系统中“隐私掩膜”和动态子区的设计提供了实证支撑（§5.3 结果、§8 用户研究）。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## 模块C5：指标与结果\n\n### 1. 指标定义与说明\n\n- **机器学习模型指标**：采用Precision（精确率）、Recall（召回率）和F1-score（F1分数）评估活动识别模型（YOLO11-cls-m）的性能。判定某活动在特定分辨率下是否“可检测”的标准为F1-score > 90%（见第5.3节）。\n- **用户研究指标**：使用5点Likert量表（1=强烈不同意，5=强烈同意）测量参与者的感知（如传感器操作状态、透明度、隐私保护选项可用性等），并用Friedman检验进行统计对比。\n\n### 2. 主要结果\n\n#### 2.1 机器学习分类性能（见附录表2、表3）\n\n- 在最高分辨率（640×480）下，大多数活动F1 > 0.90，其中Falling down、Walking、Nose picking等达到1.00。\n- 随着分辨率降低，F1普遍下降，但Walking和Falling down即使在最低分辨率（40×30）仍保持可检测（F1分别为0.93和0.91）。\n- 隐私敏感活动（如Taking off clothes、Scratching the back）在低分辨率下F1显著下降，表明低分辨率可有效保护隐私。\n\n#### 2.2 可检测活动映射（见表1）\n\n按分辨率列出F1>90%的活动：例如640×480下包括13种活动中的大多数；40×30下仅剩Walking和Falling down。\n\n#### 2.3 用户研究1: 视觉反馈理解\n\n- 12名参与者对7种视觉反馈进行评分，多数反馈获得高同意度（4-5分）。\n- “Remove a zone”反馈获得全5分最高共识。\n- 部分反馈（如“Create a new zone”）理解略有延迟，但理解后超70%同意清晰传达。\n\n#### 2.4 用户研究2: 隐私偏好支持\n\n- 在感知传感器操作状态方面，LiDArgus显著优于基线（Owner: X²=2.42, p<0.05; Visitor: X²=3.11, p<0.01）。\n- 在系统透明度方面，LiDArgus显著更高（Owner: X²=2.59, p<0.01; Visitor: X²=3.16, p<0.01）。\n- 在隐私保护选项可用性方面，LiDArgus显著更高（Owner: X²=2.88, p<0.01; Visitor: X²=3.10, p<0.01）。\n- 在表达隐私偏好方面，LiDArgus显著更高（Owner: X²=2.74, p<0.01; Visitor: X²=3.04, p<0.01）。\n\n### 3. 与基线或先前工作的比较\n\n- 基线条件为无子分区的单一高分辨率区域，无视觉反馈。\n- LiDArgus在用户研究中所有四个维度（操作感知、透明度、隐私选项、隐私表达）均显著优于基线，且对访客角色的提升尤为明显。\n- 与先前隐私保护方法（如模糊、低分辨率相机）相比，LiDArgus通过硬件级子分区实现选择性分辨率控制，避免“一刀切”。\n\n### 4. 消融、敏感性或跨论文差异\n\n- 分辨率敏感性分析：系统支持5个分辨率级别，实验显示活动可检测性随分辨率单调变化，低分辨率下敏感活动不可检测。\n- 未做正式消融实验，但通过不同分辨率的分类结果展示了系统对分辨率的敏感性。\n- 论文指出模型架构等影响结果，非绝对标准，但为系统显示可检测活动列表提供了依据。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## Module C6：可探索的未来方向\n\n基于论文的局限性（第9节）和现有实现（第5节）与用户研究（第7-8节）的观察，未来可在理论、工程、数据/评估三个层面进行拓展。\n\n### 理论方向\n\n- **多维子分区的隐私-效用权衡理论**：当前方法沿x轴进行一维分区（第5.1节），论文明确指出一维限制使得无法针对特定身体部位（如手）进行精细掩蔽，也无法贴合不规则物体（如沙发）轮廓（第9节“1D Sub-Zoning”）。未来可建立多维子分区（如2D/3D空间）下隐私保护强度与活动识别效用之间的形式化模型，例如将“可检测活动集”（如Table 1所示在不同分辨率下的活动可识别性）与“隐私泄露风险”量化并建模，推导最优分区形状和分辨率分配策略，为硬件设计和用户交互提供理论指导。\n- **多用户偏好冲突的协商机制**：论文在重叠区域自动采用“较低分辨率优先”的保守策略（第4节Scenario 2），但作者承认这会牺牲功能（第9节“Sub-Zoning”）。未来可构建一个多目标优化框架，在满足个体最小隐私需求的前提下最大化整体功能，或引入动态协商协议（如用户可临时授权对方）来平衡不同角色的偏好，该理论可借鉴博弈论或社会选择理论。\n\n### 工程方向\n\n- **更灵活的硬件感知架构**：当前原型仅支持一维（x轴）子分区，且依赖硬件级LCM波束控制（第5.1节）。未来可探索使用数字微镜阵列或相控阵等方式实现二维/三维任意形状的子分区，同时降低硬件成本，使分区能够动态着色、贴合物体轮廓，并支持同时对多个目标（如手部高分辨率与脸部遮蔽）进行差异化感知。\n- **去投影的备选交互设备**：论文承认投影仪方案笨重且需要额外配对（第9节“Projector”）。未来可开发基于智能手机或AR眼镜的方案，利用手机内置摄像头或激光二极管检测LiDAR光束扫描区域，重建边界和分辨率，从而无需厂商专用输出设备。也可研究通过智能眼镜在3D空间直接可视化分区边界，消除2D投影带来的认知负担（用户研究中P1建议见第8.2.3节）。\n- **共享视觉反馈的隐私增强机制**：当前共享投影可能暴露用户的敏感行为（第9节“Shared Visual Feedback”），工程上可设计个人化视图（如AR眼镜独显）或可调节的公开/私有信息层级，在保持透明度的同时避免信息泄露。\n\n### 数据/评估方向\n\n- **更全面的多用户、多情境数据集与基准**：论文自采集数据集仅包含12名参与者（第5.3节“Data Collection”），且研究1和研究2使用同一组参与者（第9节“Study Design”）。未来应收集包含更多样貌、姿势、行动范围的用户数据，覆盖真实家庭中多租户、多访客、不同房间布局和遮挡场景，并建立标准化的评估基准（如不同分辨率下的检测精度-隐私平衡曲线），以验证方法在真实环境中的鲁棒性。\n- **长期纵向和野外观测研究**：当前实验在受控实验室进行（第9节“Study Design and Environment”），外部效度有限。未来需在真实智能家居环境中进行数周乃至数月的研究，观察用户在实际使用中的隐私偏好变化、误操作率、对系统透明度持续需求的演变，以及多用户同时在场时的交互冲突，并评估动态跟随区域在移动场景下的跟踪精度（尤其是多人重叠时）。\n- **针对隐私误解的专门评估**：作者指出“低分辨率=完全隐私”的潜在误解（第9节“User Misunderstandings of Privacy Protections”），未来应设计实验测试不同视觉反馈（如真实验证的低分辨率泄露案例）是否能有效纠正用户的错误认知，并量化不同信息呈现方式对用户决策准确性的影响，以指导隐私告知界面的优化。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## Module C7: 在真实世界中的应用场景\n\n### 部署约束（Deployment Constraints）\n\nLiDArgus 的核心部署依赖 Lumotive M30 LiDAR Development Kit。该设备采用基于 Light Control Metasurface（LCM™）的固态光束转向技术，使用户能够在硬件层面直接实现亚毫秒级的波束控制，从而在扫描过程中跳过特定角度来实现子分区（第5.1节）。这一特性使得系统无需先采集完整数据集再丢弃不必要的信息（第1节），是部署可行性的关键硬件基础。\n\n但目前的原型存在若干部署限制：\n\n- **视觉反馈依赖投影仪**：系统需要将 Sony VPL-PHZ50 投影仪与 LiDAR 配对使用，用于在物理空间中显示区域边界、原始传感器数据（以2D像素投影到用户身体上）以及可检测活动列表（第5.1节、第1节）。论文第9节明确指出，这种\"LiDAR+投影仪\"的组合在真实使用中较为笨重、不够实用，未来希望利用用户已有的智能手机（内置摄像头或激光二极管附件）来检测光束扫描区域和模式，从而取消对外部输出设备的需求。\n- **1D子分区限制**：当前实现仅支持沿 x 轴的线性划分（第9节），这受限于硬件能力，只支持一维视野分割。该限制使得系统无法选择性地以高分辨率感知特定身体部位（如手）同时遮蔽其他部位（如脸），也无法让区域贴合物体轮廓（如沙发）。\n- **部署位置要求**：数据收集时，LiDAR 被放置在距地面 2.5m、距参与者 3.5m 的位置（第5.3节），实际部署需考虑传感器安装高度和与用户的距离，以保证身体检测和活动识别的有效范围。\n- **网络依赖**：语音输入依赖 Google Speech-to-Text API（第5.2节），这意味着系统运行需要网络连接，在断网或网络延迟场景下，语音命令控制（创建/移除区域、调整分辨率、\"跟随我\"等）将不可用。\n- **活动识别模型的可移植性**：第5.3节特别强调，活动可检测性结论受模型架构、训练策略和数据增强方法影响，读者不应将其解读为特定分辨率下活动可检测性的权威参考。这意味着在真实部署环境（不同房间布局、不同用户群体）中，可能需要重新训练或校准分类模型。\n\n### 计算量与延迟影响（Compute/Latency Implications）\n\n- **硬件级无延迟子分区**：LCM™ 技术允许在不依赖机械组件的情况下进行亚毫秒级波束转向，\"在硬件层面实现实时的、无延迟的子分区\"（第5.1节）。这意味着区域裁剪、分辨率调整不会带来额外的感知延迟。\n- **边缘实时推理需求**：论文明确强调，大量隐私敏感数据在边缘设备上处理，因此模型选择聚焦于\"在有限计算资源下能够进行实时推理\"的方法（第5.3节）。作者因序列模型不适合实时推理而放弃时间序列方法，转而采用 YOLO11-cls-m 进行分类、YOLO11m 进行人体检测，均是为了保证在边缘节点上的高效实时响应。\n- **数据通路**：LiDAR 数据通过 TCP 通信传输（第5.2节），原始点云需要投影到2D平面，且投影经过校准以对齐用户身体和物理空间位置。该处理流程在原型中未报告明显的延迟瓶颈，但真实部署中多点传感器融合或多用户同时存在时的带宽和计算开销尚未被评估。\n- **动态区域追踪**：\"follow me\"动态区域模式依赖系统实时检测进/出区域的用户位置（第4节），需要较低延迟的检测和区域更新机制才能保证用户体验（第8.2.3节中多位参与者反馈动态区域的实时跟随体验良好）。\n- **区域合并的即时处理**：当多个区域重叠时，系统自动将分辨率设置为两者中较低者并立即更新投影显示（第4节、图7），这要求视觉反馈管线具备快速响应能力。\n\n### 鲁棒性与安全问题（Robustness/Safety Issues）\n\n- **低分辨率不等于完全隐私**：第9节明确警告——降低分辨率并不能完全保证隐私，在极端情况下即使极低分辨率的数据也可能导致隐私泄露。从用户角度看，存在误解风险：用户可能认为低分辨率等同于完全隐私，而实际上它仅在特定场景下提供改进的保护。这是一个重要的安全设计缺口，需要在界面层面更有效地向用户传达这一限制。\n- **共享视觉反馈的隐私风险**：当前实现将视觉反馈投影在物理空间中，所有共处一室的用户都能看到。第9节指出，这可能导致用户的隐私敏感行为被公开显示在物理空间，被附近的人看到——例如一位参与者在第8.2.2节中担心\"即使我有小小的尴尬动作，也可能被所有人看到\"。论文建议未来使用 AR 眼镜等替代展示方式。\n- **多用户场景的区域冲突**：当访客区域与主人区域重叠时，系统自动采用较低分辨率以优先保护隐私（第4节、第9节）。但这以牺牲主人的活动检测功能为代价（第9节），需在隐私与功能之间权衡。此外，社交场景中（如聚会）大量新访客需要学习和适应系统控制的流程，主人难以逐一解释（第8.2.2节 P2 的反馈），可能导致用户误配置或规避使用。\n- **用户对系统操作的误解**：第8.2.1节中，访客在基线条件下不确定传感器是否开启或关闭、无法控制时感到不适（P12、P9）；第7.2.1节中参与者在视觉反馈初期会出现误解（如将身体上的投影误认为传感器未检测到自己、被颜色映射困惑）。这些均反映系统在真实部署中需要更强的引导与透明度。\n- **模型性能的不确定性**：附录（表2、表3）提供了各活动在不同分辨率下的 P/R/F1 数据。例如最低分辨率（40×30）下许多隐私敏感活动（如穿衣/脱衣、抠鼻子、搔背）的 F1 值在0.18~0.64之间，存在漏检风险。若部署环境与训练环境差异较大（如不同身高、照明、家具布局），模型性能可能显著下降，需考虑重新训练与校准。\n- **数据采集的隐私伦理**：训练数据由12名参与者在受控环境下采集，包含抠鼻子、搔背、脱衣等高度隐私活动（第5.3节）。真实部署时若涉及收集此类数据，需遵循严格的伦理审查和数据保护规范；论文标注了\"此类数据在实际中可能根本不会被收集\"（第5.3节），但系统设计仍需考虑数据保留与匿名化策略。\n\n### 可维护性（Maintainability）\n\n- **原型属性**：论文明确将 LiDArgus 定位为\"proof-of-concept prototype\"（第1节、第10节），当前部署仅限于受控实验环境（第9节）。两项目用户研究均在同一受控环境、同一组12名参与者中进行（第7.1节、第8.1节），外部效度有限；未来需在更真实的家庭环境中验证，并扩大参与者池以减少偏差（第9节）。\n- **硬件维护成本**：投影仪、扬声器、LiDAR 的组合使系统维护较为复杂：需要定期校准投影与传感器数据的对齐（第5.2节提到\"校准以确保精确对齐\"），LiDAR 安装高度和位置调整后需重新标定。论文建议未来用智能手机替代投影仪，以降低硬件维护负担。\n- **语音控制系统的可扩展性**：语音命令依赖 Google API，存在服务可用性、隐私（语音数据上传至云）和成本（按调用量计费）方面的维护考量。论文未讨论离线语音方案或本地处理。\n- **模型更新的流程**：系统维护需要持续更新活动分类模型（YOLO11-cls-m）和人体检测模型（YOLO11m），包括重新采集数据（每活动60帧、12名参与者）和重新训练。论文指出不同的模型架构/训练策略可能得出不同结论（第5.3节），暗示维护者需建立模型评测与替换流程。\n- **用户体验的长期演化**：第7.2.3节基于研究结果做了三项改进（添加传感器数据缩略图、禁用区域内部着色、为活动图标添加文字与区域编号），说明系统维护需包含持续的可用性迭代。第8.2.2节中 P2 指出首次到访的用户需要时间学习使用系统，随着技术普及该学习成本可能降低（P4 的乐观预期），但当前仍需考虑新用户的引导与培训机制。\n\n### 总结性判断\n\nLiDArgus 在真实世界中展现出的应用潜力集中在智能家居、办公及养老护理等需要 LiDAR 活动识别且存在多角色隐私差异的场景（第1节、第3.2节）。其部署可行性高度依赖 LCM™ 硬件能力，但当前的 1D 分区限制、投影仪依赖、模型泛化不确定性和用户误解风险构成了主要障碍。实时边缘推理和硬件级无延迟分区是已验证的优势；而鲁棒性方面，低分辨率隐私保护的边界、多用户区域冲突和社会场景下的可用性是需要重点解决的安全与交互缺口。可维护性方面，系统需要持续的模型校准、视觉反馈迭代和用户教育，才能实现从原型到产品的跨越。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## 模块C8：简明总结\n\n### 总结段落\n\n本文提出LiDArgus系统，通过将LiDAR传感区域划分为可配置的子感应区来满足不同用户群体的多样化隐私偏好。系统允许每个子区独立调整分辨率、位置和大小，用户可语音创建、删除或动态跟随子区。原型采用Lumotive M30 LiDAR开发套件，基于超表面光束控制技术在硬件层面实现无延迟的子分区。两项用户研究表明，视觉反馈增强了用户对传感器运行状态和能力的透明度感知，子分区比均匀分辨率基线更能支持用户隐私偏好。研究还发现，即使最低分辨率也能可靠检测行走和跌倒，动态跟随用户的低分辨率子区广受欢迎。局限性包括仅支持一维分区、共享视觉反馈可能暴露活动，以及用户可能误解低分辨率并非完全隐私。该工作为智能环境中以人为本的LiDAR隐私设计提供了实证基础。\n\n### 五个关键要点\n\n1. 子分区允许在单一LiDAR传感器上实现不同区域不同分辨率，模拟多个传感器的效果。\n2. 视觉反馈（包括原始数据、边界、可识别活动列表）显著提升系统透明度，减少用户隐私顾虑。\n3. 动态跟随用户的低分辨率子区是用户最偏好的功能，提供“隐私盾牌”体验。\n4. 模型评估（F1>90%）显示：行走和跌倒即使在40x30分辨率也可检测，而多数隐私敏感活动在低分辨率下不可识别。\n5. 用户在不同角色（业主/访客）下均能自主配置子区，实现互不干扰的个性化隐私设置，但需防范对隐私保护的误解。\n\n### 核心公式/机制\n\n当两个子感应区重叠时，系统自动将合并区的分辨率设置为两者中较低者，以优先保护更严格隐私：\n$$R_{\\text{merged}} = \\min(R_A, R_B)$$\n每个子区的分辨率可独立配置，取值范围为 $640\\times480, 320\\times240, 160\\times120, 80\\times60, 40\\times30$，并且活动识别以F1评分>90%作为可检测标准。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## Module D: 第二遍理解（Second-Pass Understanding）\n\n### 1. 结构树（Structure Tree）\n\n```text\nLiDArgus：通过可配置子分区适配LiDAR感知中的多样化隐私偏好\n│\n├── 1. 引言（第1节）\n│   ├── 问题：智能家居中LiDAR活动识别的隐私偏好因角色（房主/访客）和情境（位置）而异\n│   ├── 现有方案不足：单一均匀分辨率，不能按区域独立配置\n│   └── 方案：将LiDAR感应区划分为可配置子感应区，各区域可独立设置分辨率、尺寸、位置和开关状态\n│\n├── 2. 贡献（第2节）\n│   ├── 提出子分区（sub-zoning）概念，强调隐私保护的交互体验而非底层实现\n│   ├── 基于LCM的LiDAR实现可定制子区域，提供透明性\n│   └── 赋予不同角色用户创建和配置区域的能力\n│\n├── 3. 相关工作（第3节）\n│   ├── 基于相机的隐私保护活动识别（第3.1节）\n│   ├── 基于LiDAR的活动识别（第3.2节）— 指出其均匀分辨率的“一刀切”局限\n│   └── 智能环境中的多样化隐私偏好（第3.3节）— 引出隐私助手（PA）等概念\n│\n├── 4. 走查（第4节）— 场景描述：房主Bob和访客Alice的使用场景\n│   ├── 场景1：与区域交互（创建低分辨率访客区、禁用感应区）\n│   └── 场景2：访客Alice创建动态跟随区域、区域合并规则\n│\n├── 5. 实现（第5节）\n│   ├── 硬件（第5.1节）：M30 LiDAR开发套件（Lumotive），基于LCM固态波束控制；投影仪、音响\n│   ├── 软件（第5.2节）：Lumotive SDK、虚拟传感器功能、TCP通信、Google语音API\n│   └── 机器学习（第5.3节）：活动选择、数据采集、YOLO11模型、结果\n│\n├── 6. 用户研究概览（第6节）\n│   ├── 研究1：视觉反馈的可理解性\n│   └── 研究2：LiDArgus在支持隐私偏好方面的有效性\n│\n├── 7. 用户研究1：理解视觉反馈（第7节）\n│   ├── 设计：12名参与者，原型系统，任务测试各类反馈\n│   ├── 结果：整体反馈清晰，但部分反馈存在信息过载、颜色映射理解困难等\n│   └── 改进：加入缩略图、颜色编码、文字标签\n│\n├── 8. 用户研究2：LiDArgus的有效性（第8节）\n│   ├── 设计：12名参与者，角色扮演（房主/访客），与无子分区基线对比\n│   ├── 结果：LiDArgus提高对传感器状态的感知、透明度和隐私保护选项，更有利于表达隐私偏好\n│   └── 对子分区、区域边界、分辨率、原始数据、可检测活动的反馈\n│\n├── 9. 局限性与未来工作（第9节）\n│   ├── 1D子分区受限、共享视觉反馈的隐私问题、2D边界显示、投影仪不便、用户误解（低分辨率≠完全隐私）\n│   └── 未来方向：更高维分区、AR眼镜、手机探测、多用户平衡等\n│\n└── 10. 结论（第10节）\n    └── 总结贡献和发现\n```\n\n### 2. 方法/系统分解（System Breakdown）\n\n**系统名称**: LiDArgus\n\n**整体架构**: 由硬件（LiDAR+投影仪+音响）和软件（SDK控制、语音交互、机器学习模型）组成，通过子感应区域实现可配置隐私。\n\n#### 输入（Inputs）\n\n- **原始LiDAR点云数据**：由M30 LiDAR扫描环境，支持高分辨率（如680×480）到低分辨率（40×30）\n- **语音命令**：用户通过自然语言（如“create zone”、“increase resolution”、“follow me”）控制系统\n- **用户位置信息**：用于动态区域的跟随和物体检测\n\n#### 输出（Outputs）\n\n- **子感应区域配置**：硬件级别的光束控制，不同区域具有不同分辨率、尺寸、位置、启用/禁用状态\n- **视觉反馈**：投影仪在物理环境中显示区域边界、原始数据、可检测活动列表、分辨率信息等\n- **音频反馈**：通过扬声器发出音效（如区域激活提示）\n- **活动识别结果**：由机器学习模型预测的日常活动类别（但在本系统中主要用于显示可检测活动列表，而非直接展示识别结果）\n\n#### 模块划分\n\n1. **LiDAR硬件控制模块**（第5.1节）：\n   - M30 LiDAR开发套件，采用Light Control Metasurface（LCM™）实现亚毫秒级波束控制，无需机械部件。\n   - 支持随机访问扫描模式，可跳过特定角度以实现硬件级子分区。\n2. **软件控制模块**（第5.2节）：\n   - 使用Lumotive SDK控制虚拟传感器功能，定义多个子视场（sub-FOV）区域，每个区域可设置扫描分辨率和帧率。\n   - 通过TCP通信获取数据，投影点云到2D平面，校准对齐。\n3. **语音交互模块**：使用Google Speech-to-Text API识别用户命令，解析并执行对应操作。\n4. **机器学习模块**（第5.3节）：\n   - YOLO11-cls-m用于活动分类（13种活动）。\n   - YOLO11m用于人体检测（确定人体位置、尺寸，用于调整区域）。\n   - 训练数据：自采集，12名参与者，5种分辨率，每种活动60帧。\n5. **可视化模块**：\n   - 投影仪显示区域边界、原始数据（以2D像素投射到身体或地面）、可检测活动列表、分辨率级别、动态区域图标等。\n\n#### 子分区逻辑（Sub-zoning Logic）\n\n- **基础分区**：沿x轴将视场划分为多个子区域（当前实现为1D）。\n- **每个子区域可配置属性**：分辨率（5级：40×30、80×60、160×120、320×240、640×480）、开关状态、位置、尺寸（通过调整扫描角度范围）。\n- **区域模式**：静态（固定位置）或动态（“follow me”跟随用户移动）。\n- **区域合并**：当两个区域重叠时，合并为一个区域，分辨率取两者中较低者（更保守的隐私设置）。\n\n#### 训练和推理流程\n\n- **离线训练**：采集数据→预处理→训练YOLO11-cls-m（13类别）和YOLO11m（人体检测）→评估（F1阈值90%）。\n- **在线推理**：LiDAR实时扫描→获取点云→投影到2D平面→YOLO11m检测人体位置→根据区域配置调整子区域→YOLO11-cls-m识别活动（用于显示可识别活动列表，但实际应用中可能用于活动识别）。\n\n### 3. 重要图表解释（至少两幅）\n\n**图1（Figure 1）**：展示系统的核心概念。\n\n- **(a)** 显示LiDArgus将LiDAR感测区域划分为三个可配置的子感应区（高分辨率区、禁用区、低分辨率跟随区），Illustrates the core concept。\n- **(b)** 房主Bob在高分辨率区域工作（如坐姿阅读），系统识别他的活动。\n- **(c)** 沙发区域被设置为禁用感应的区域，Bob的某些敏感行为（如挠背）不会被捕捉。\n- **(d-f)** 访客Alice进入房间后创建低分辨率区域，该区域跟随她移动，防止她的活动被识别。图中展示了原始数据的投影对比：Alice在低分辨率下身体轮廓模糊，而手臂伸入高分辨率区域时轮廓清晰。\n- **重要性**：此图直观说明了子分区如何在同一物理空间内同时满足不同角色的隐私和功能需求。\n\n**表1（Table 1）**：系统在不同分辨率下可检测的活动列表（基于yolo11m-cls，F1>90%）。\n\n- 表格列出13种活动（如刷牙、喝水、吃饭、跌倒、阅读、切菜、走路、抠鼻孔、使用手机、穿衣、脱衣、伸展、挠背）在五种分辨率（640×480、320×240、160×120、80×60、40×30）下是否可检测（空白表示不可检测）。\n- 关键发现：在最低分辨率（40×30）下，只有“走路”和“跌倒”仍可检测，其余活动均不可识别，特别是隐私敏感活动基本消失。\n- **重要性**：该表是系统向用户展示“可检测活动”的依据，帮助用户理解不同分辨率下隐私保护的程度，支撑系统的透明性设计。\n\n### 4. 实验或评估细节\n\n#### 实验设计总览\n\n本文包含两项用户研究（Study 1和Study 2），均使用同一原型系统。\n\n#### 用户研究1：理解视觉反馈\n\n- **目标**：评估视觉反馈是否清晰传达子感应区的位置、覆盖范围、分辨率和可检测活动信息。\n- **参与者**：12人（8男4女），平均年龄25.5岁（SD=2.53），全部有语音交互经验，视力听力正常。\n- **装置**：原型系统，包括M30 LiDAR、投影仪、Sony扬声器、HyperX麦克风。\n- **任务**：通过语音命令触发不同反馈（如“create zone”、“remove zone”、“disable sensing”、“increase resolution”等），并评估反馈的可立即理解性和清晰度（5点Likert量表）。\n- **过程**：随机顺序展示反馈，无预训练，不告知隐私意图，确保首次使用效果。\n- **结果（图14）**：整体高评分。“移除区域”反馈得分最高（所有参与者均5分）；“用户进入区域”约60%强烈同意；“创建区域”最初理解较难（>50%不同意立即理解），但理解后>70%认为清晰表达。定性发现：原始数据可视化有帮助，但存在信息过载、颜色映射不直观、投影在身体上易误解等问题。\n- **改进**：添加缩略图显示原始数据、对禁用区域用颜色编码、增加文字标签。\n\n#### 用户研究2：LiDArgus的有效性\n\n- **目标**：比较LiDArgus（有子分区）与基线（无子分区，整个空间高分辨率感应）在支持用户隐私偏好方面的效果，同时考虑房主和访客两种角色。\n- **参与者**：同一组12人，在研究1后一周进行，避免记忆效应。\n- **装置**：LiDArgus条件有三种区域（高分辨率办公区、禁用沙发区、访客低分辨率区）；基线条件为单一高分辨率区（640×480），无视觉反馈。\n- **任务**：角色扮演。访客任务（9步）：进入房间、创建自己的区域、调整分辨率、切换动态模式、走动、脱外套、使用手机、抠鼻子、离开。房主任务（7步）：进入办公区、阅读、喝水、抠鼻子、走到沙发、脱夹克、挠背。\n- **过程**：第一步先以访客角色体验基线条件，然后其他角色-条件随机；要求出声思考；半结构化访谈。\n- **量化指标**：5点Likert量表，涉及：对传感器操作状态的感知、系统透明度、隐私保护选项的可用性、表达隐私偏好的自由。使用Friedman检验。\n- **结果（图15-16）**：LiDArgus在各项指标上均显著优于基线（如访客：感知操作状态X²=3.11, p<0.01；透明度X²=3.16, p<0.01；隐私保护选项X²=3.10, p<0.01；隐私表达X²=3.04, p<0.01）。定性分析：参与者普遍认为子分区提供了更有意义的控制，尤其是动态区域带来安全感，但也提到多用户共享时的社交尴尬和学习成本。\n- **关于子分区功能的额外数据（图17）**：动态区域成为最受欢迎的功能，其次为区域边界、分辨率信息、原始数据（访客看重）、可检测活动（房主更关心）。\n\n#### 机器学习模型评估（附录表2、表3）\n\n- **数据集**：自采集，12名参与者（身高163-185cm），每种活动60帧，5种分辨率。\n- **模型**：YOLO11-cls-m（分类）和YOLO11m（检测）。\n- **评估指标**：Precision、Recall、F1。分类阈值：F1>90%视为可检测。\n- **主要结果**：在最低分辨率（40×30）下，只有“跌倒”和“走路”达到F1>0.9，其余活动基本不可检测（如“抠鼻子”F1=0.63，“挠背”F1=0.38）。\n- **局限性**：结果受模型架构、训练策略影响，不视为权威结论，仅用于系统内显示可检测活动。\n\n### 5. 图示（根据论文类型：系统类）\n\n```text\n+---------------------+      +---------------------+\n|  用户语音命令       |----->|  语音识别模块       |\n+---------------------+      | (Google API)       |\n                             +---------------------+\n                                        |\n                                        v\n+---------------------+      +---------------------+      +---------------------+\n|  外部环境           |<----|  LiDAR硬件 (M30)    |<----|  软件控制模块       |\n|  用户活动           |----->|  LCM波束控制        |      | (Lumotive SDK      |\n+---------------------+      | 子区域配置          |      |  虚拟传感器)       |\n                             +---------------------+      +---------------------+\n                                        |                             |\n                                        v                             v\n                             +---------------------+      +---------------------+\n                             | 点云数据 (TCP)     |----->| 投影与校准模块     |\n                             +---------------------+      +---------------------+\n                                        |                             |\n                                        v                             v\n                             +---------------------+      +---------------------+\n                             | 人体检测 (YOLO11m) |      | 可视化输出         |\n                             | 活动分类 (YOLO11-cls-m) |->| (投影仪、音频)     |\n                             +---------------------+      +---------------------+\n                                        |                             |\n                                        v                             v\n                             +---------------------+      +---------------------+\n                             | 子区域管理（创建、调整、合并、动态跟随） |\n                             +---------------------+\n```\n\n**说明**：该图展示了系统的核心流程：用户通过语音控制LiDAR扫描子区域，机器学习模型处理原始数据，最终通过投影和音频向用户提供反馈，同时区域配置可实时调整。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 第三遍深度审阅（Module E）\n\n### 1. 可重构性（Reconstructability）\n\n#### 系统重构要点\n\n- **硬件层**：使用Lumotive M30 LiDAR开发套件（LCM™超表面光束控制技术），水平/垂直视场角120°×90°，支持亚毫秒级随机光束扫描控制。配备Sony VPL-PHZ50投影仪用于可视化，Sony XE300扬声器用于音频反馈，HyperX SoloCast用于语音输入（第5.1节）。\n- **软件层**：使用Lumotive SDK控制光束转向，通过虚拟传感器功能定义多个子视场区域，每个区域可独立设置扫描分辨率和帧率，数据通过TCP通信获取。语音命令使用Google Speech-to-Text API，投影校准确保像素与物理空间对齐（第5.2节）。\n- **机器学习层**：采用YOLO11-cls-m进行活动分类，YOLO11m进行人体检测。数据集自采，12名参与者（身高163-185cm），每个动作60帧，5种分辨率（640×480至40×30），训练/验证/测试按70%/15%/15%划分。预训练模型初始化为COCO和ImageNet，采用早停和数据增强（第5.3节）。\n\n#### 重构伪代码（概念性）\n\n```text\n初始化：连接M30 LiDAR（TCP），投影仪，麦克风\n设置默认子区域：全局高分辨率（640×480）\n循环监听语音命令：\n  如果命令 == \"create zone\"：\n    确定用户当前位置（通过YOLO11m检测）\n    创建新子区域，默认低分辨率（40×30），静态模式\n    更新投影显示（区域边界、原始数据、可检测活动）\n  如果命令 == \"increase/decrease resolution\"：\n    调整当前子区域分辨率（离散级别1-5）\n    更新投影显示（更新原始数据和活动列表）\n  如果命令 == \"disable sensing\"：\n    关闭该区域的光束扫描（仅投影边界）\n  如果命令 == \"follow me\"：\n    切换为动态模式，实时跟踪用户位置，更新区域边界\n  如果命令 == \"remove zone\"：\n    移除该子区域，恢复默认高分辨率\n  如果检测到新用户进入：\n    投影显示所有区域边界和可检测活动列表\n  若两个区域重叠：\n    合并区域，分辨率取两者较低值\n```\n\n### 2. 假设（Assumptions）\n\n- **单一场景假设**：系统面向典型的智能家居/办公混合场景，用户角色分为房主和访客，且各角色隐私需求相对明确（访客偏向低分辨率，房主偏向高分辨率）。\n- **技术可行性假设**：硬件支持按区域随机光束控制，且延迟可忽略（无latency），这一假设基于Lumotive M30的LCM技术，但未在文中对硬件性能进行量化评估。\n- **用户理性假设**：用户理解分辨率与隐私的对应关系，并能做出符合自身偏好的配置决策（如P12选择160×120而非最低分辨率），未考虑用户可能因便利或惯性而忽略隐私设置。\n- **环境静态假设**：系统不区分不同个体，假设环境中只有有限数量的用户（如1-2人），且不会出现大量并发用户（如聚会场景），否则系统无法正确分配区域。\n- **数据隐私假设**：假设降低分辨率能有效防止活动被识别，但文中也承认极端情况下低分辨率仍可能泄露隐私（第9节），存在用户误解风险。\n- **投影可视化假设**：假设投影在物理空间的视觉反馈（如人体上的像素）能被用户直观理解，且不会干扰用户活动或引起不适（虽然研究中有部分用户反馈混淆）。\n\n### 3. 失败模式或盲区（Failure modes / blind spots）\n\n- **分辨率与隐私的非线性关系**：降低分辨率并不保证隐私。文中显示某些隐私敏感活动（如抠鼻子、抓背）即使在80×60时F1仍>90%（表2-3），用户可能误以为低分辨率即安全，导致实际隐私泄露。\n- **多用户重叠区域冲突**：当两个动态区域重叠时，系统自动采用较低分辨率，这可能牺牲房主的功能性需求，且无法处理多个用户同时要求不同配置的情况，系统设计偏向访客隐私而非平衡两者。\n- **视觉反馈的信息过载和误解**：研究1中发现用户可能忽略关键信息（如活动图标），同时颜色映射和身体投影易引起混淆，尤其对首次使用者。该系统的可用性依赖用户对技术原理的理解，未充分覆盖不同技术素养的人群。\n- **环境适应性有限**：当前仅支持1D（x轴）分区域，无法适应复杂物体轮廓（如沙发）或选择性感知身体部位，硬件限制可能使概念推广受到约束。\n\n### 4. 优势与不足（Strengths and weaknesses）\n\n#### 优势\n\n- **创新性**：首次提出在LiDAR硬件层面实现可配置子区域划分，通过光束转向实现真正的\"按区感测\"，避免了传统后处理的浪费，为隐私保护提供了新范式（第2节，图1）。\n- **用户研究扎实**：通过两项用户研究（n=12）系统评估了视觉反馈的可用性和系统对隐私偏好的支持，结果统计显著（Friedman检验，p<0.05），并给出了定性和定量证据（第7-8节）。\n- **设计以用户为中心**：充分考虑了不同角色（房主/访客）和不同场景（固定区域/动态跟踪）的需求，提供了语音控制、投影反馈等交互手段，增强了透明度和控制感，符合以往隐私研究结论（第3.3节）。\n- **坦诚的局限性讨论**：作者在限制部分明确指出了子区域划分的1D限制、投影的共享性、用户对隐私保护的误解等，为后续研究提供了清晰方向（第9节）。\n\n#### 不足\n\n- **样本量小而单一**：两项研究均使用同一组12名参与者，且为年轻成人（平均25.5岁），代表性有限，且研究在受控实验室环境进行，缺乏真实住宅场景的外部效度（第9节）。\n- **缺乏定量的系统性能评估**：未测量不同分辨率下的系统延迟、功耗、硬件精度等，也未对比子区域划分与全量扫描-后处理方案的性能差异。\n- **分类模型的可泛化性存疑**：自采数据集仅12名参与者，且作者承认模型架构和训练策略可能影响可检测性结论，表中结果作为参考而非权威（第5.3节）。\n- **隐私保证较弱**：系统仅通过降低分辨率来避免活动识别，但并未提供严格的隐私保证（如差分隐私），且未解决多用户共享时视觉反馈的暴露问题（如他人看到用户的身体像素）。\n\n### 5. 下一步研究方向（Next-step research directions）\n\n1. **多维子区域划分**：扩展硬件能力，支持2D/3D区域划分，允许选择性感知身体部位（如只检测手部）或适应物体轮廓，并评估不同划分策略对隐私和功能性的影响（第9节）。\n2. **隐私-功能平衡算法**：研究在多个用户同时在场时，如何自动协商区域配置，在满足最低隐私要求的同时最大化整体功能性，可借鉴多目标优化或博弈论方法。\n3. **增强隐私保证机制**：结合数据后处理（如差分隐私、数据最小化）与硬件级控制，提供可量化的隐私保护级别，并开发有效的用户沟通方式，避免对低分辨率的盲目信任。\n4. **真实环境长期研究**：在真实家庭或办公室部署原型（或改用智能手机等用户自有设备实现区域检测），进行纵向用户研究，评估长期使用中的可用性、隐私态度变化以及社会动态影响（如多人聚会场景）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## Module F: 术语表与概念依赖图\n\n### 术语表（15-40个条目）\n\n1. **LiDAR (Light Detection and Ranging)** / 光探测与测距\n   - **定义**: 一种通过发射激光束并测量反射光来感知环境的遥感技术，生成三维点云数据。\n   - **直觉**: 类似雷达但使用光，能精确测量距离和物体形状。\n   - **论文中的角色**: 核心传感技术，用于智能家居中的活动识别，相比摄像头不捕获纹理细节，更保护隐私。\n   - **前置知识**: 基本的光学原理、距离测量。\n\n2. **Light Control Metasurface (LCM™)** / 光控超表面\n   - **定义**: Lumotive公司开发的一种固态光束控制技术，无需机械部件即可实现激光束的快速、随机访问式转向。\n   - **直觉**: 一种可编程的微型镜面阵列，像数字微镜但用于激光束。\n   - **论文中的角色**: 使硬件级子分区成为可能，允许跳过特定区域扫描、调整分辨率。\n   - **前置知识**: 超表面、光束转向、固态激光雷达。\n\n3. **Sub-sensing Zone / Sub-zoning** / 子感知区 / 子分区\n   - **定义**: 将LiDAR传感器的整个感知区域划分为多个可独立配置的子区域，每个子区域具有可调的分辨率、尺寸和位置。\n   - **直觉**: 像把一块大蛋糕切成小块，每块可以有不同的配料和大小。\n   - **论文中的角色**: 核心创新，旨在满足不同用户（如房主和访客）的多样化隐私偏好。\n   - **前置知识**: LiDAR扫描原理。\n\n4. **Point Cloud** / 点云\n   - **定义**: 由激光测距产生的三维空间坐标点集合，表示物体表面。\n   - **直觉**: 像用弹珠撒在物体上形成的三维图案。\n   - **论文中的角色**: 原始传感器数据的基础形式，投影到2D平面用于显示。\n   - **前置知识**: 三维坐标、传感器数据。\n\n5. **Field of View (FoV)** / 视场角\n   - **定义**: 传感器能够感知的空间角度范围，通常用水平和垂直角度表示（如120°×90°）。\n   - **直觉**: 像相机能看到的范围。\n   - **论文中的角色**: 决定LiDAR的覆盖区域，子分区在此范围内进行。\n   - **前置知识**: 角度、几何。\n\n6. **Sensing Resolution** / 感知分辨率\n   - **定义**: 传感器扫描的角分辨率或像素密度，如640×480、40×30等。分辨率越高，细节越丰富，但隐私风险也越高。\n   - **直觉**: 像屏幕像素数，像素越多图像越清晰。\n   - **论文中的角色**: 子分区可独立调整分辨率，以平衡功能与隐私。系统提供十个等级（表1）。\n   - **前置知识**: 分辨率概念。\n\n7. **Activity Recognition** / 活动识别\n   - **定义**: 通过传感器数据自动识别用户正在进行的动作或行为（如走路、喝水）。\n   - **直觉**: 让机器理解人在做什么。\n   - **论文中的角色**: 应用目标，LiDAR用于活动识别，子分区影响可识别的活动种类。\n   - **前置知识**: 机器学习分类。\n\n8. **Privacy Preferences** / 隐私偏好\n   - **定义**: 个体对不同数据收集和信息暴露的可接受程度，因角色、上下文而异。\n   - **直觉**: 每个人心里有一杆秤，不同场景衡量不同。\n   - **论文中的角色**: 研究动机和设计的核心，需要适应房主和访客的不同需求。\n   - **前置知识**: 隐私保护、用户研究。\n\n9. **Smart Home** / 智能家居\n   - **定义**: 集成传感器和自动化系统的居住环境，提供便捷管理或健康监测等功能。\n   - **直觉**: 会“思考”的房子。\n   - **论文中的角色**: 应用场景，LiDAR系统部署在此。\n   - **前置知识**: 物联网、人机交互。\n\n10. **Voice Command** / 语音命令\n    - **定义**: 通过语音输入控制系统的指令，如“create zone”、“increase resolution”。\n    - **直觉**: 像对智能助手说话。\n    - **论文中的角色**: 用户与LiDArgus交互的主要方式，用于创建、调整、删除子分区。\n    - **前置知识**: 语音识别（Google Speech-to-Text）。\n\n11. **Visual Feedback** / 视觉反馈\n    - **定义**: 通过投影仪将系统状态（如区域边界、原始数据、可识别活动）可视化到物理环境中。\n    - **直觉**: 让不可见的传感器视野变得可见。\n    - **论文中的角色**: 提高透明度和用户理解，用户研究1中评估其清晰度。\n    - **前置知识**: 投影技术、可视化设计。\n\n12. **Dynamic Zone** / 动态区域\n    - **定义**: 跟随用户移动的子感知区，通过“follow me”命令激活，实时追踪用户位置。\n    - **直觉**: 像跟随你的聚光灯。\n    - **论文中的角色**: 允许访客移动时保持隐私掩膜，避免被高分辨率区捕获。\n    - **前置知识**: 传感器跟踪、实时系统。\n\n13. **Static Zone** / 静态区域\n    - **定义**: 位置固定的子感知区，不随用户移动。\n    - **直觉**: 像房间里的固定围栏。\n    - **论文中的角色**: 用于固定区域（如门口、沙发）的隐私设置。\n    - **前置知识**: 基本区域概念。\n\n14. **Zone Merging** / 区域合并\n    - **定义**: 当两个子区域重叠时，系统自动将它们合并为一个更大的区域，并采用较低的分辨率（更严格的隐私设置）。\n    - **直觉**: 像两团水融合。\n    - **论文中的角色**: 处理多用户场景，确保隐私保护优先。\n    - **前置知识**: 集合运算、优先级策略。\n\n15. **Detectable Activities** / 可检测活动\n    - **定义**: 在特定分辨率下，机器学习模型能可靠识别（F1>90%）的活动列表，如表1所示。\n    - **直觉**: 系统能“看懂”什么行为。\n    - **论文中的角色**: 向用户展示，帮助理解隐私影响。\n    - **前置知识**: 分类阈值、F1分数。\n\n16. **Machine Learning Model (YOLO11)** / 机器学习模型 (YOLO11)\n    - **定义**: 使用YOLO11-cls-m进行活动分类，YOLO11m进行人体检测，用于识别活动并定位人体位置。\n    - **直觉**: 高效的CNN模型，适合边缘设备实时推理。\n    - **论文中的角色**: 确定哪些活动可被检测，支撑动态区域跟踪。\n    - **前置知识**: YOLO、卷积神经网络、监督学习。\n\n17. **Data Collection** / 数据采集\n    - **定义**: 论文自建数据集，采集13类活动在5种分辨率下的数据，采用类似NTU120的方法。\n    - **直觉**: 为模型准备训练样本。\n    - **论文中的角色**: 训练和评估模型性能。\n    - **前置知识**: 数据集构建、实验设计。\n\n18. **F1 Score** / F1分数\n    - **定义**: 精确率与召回率的调和平均值，用于评估分类模型性能。\n    - **直觉**: 平衡准确率和抓全率。\n    - **论文中的角色**: 判断活动是否可检测（>90%视为可检测）。\n    - **前置知识**: 精确率、召回率。\n\n19. **Baseline Condition** / 基准条件\n    - **定义**: 在用户研究2中，没有子分区的LiDAR系统（单一高分辨率区域）作为对照。\n    - **直觉**: 传统“一刀切”传感器。\n    - **论文中的角色**: 对比突出LiDArgus的优势。\n    - **前置知识**: 实验设计、对照组。\n\n20. **User Study** / 用户研究\n    - **定义**: 论文中的两项评估研究（研究1：视觉反馈清晰度；研究2：隐私支持效果），采用定性访谈和定量评分。\n    - **直觉**: 真实用户测试。\n    - **论文中的角色**: 验证系统可用性和效用。\n    - **前置知识**: 人机交互研究方法、李克特量表、Friedman检验。\n\n21. **Transparency** / 透明度\n    - **定义**: 系统向用户提供关于数据采集、区域功能、分辨率等信息，使用户理解传感行为。\n    - **直觉**: 不藏着掖着。\n    - **论文中的角色**: 核心设计目标，通过视觉反馈实现。\n    - **前置知识**: 隐私设计原则。\n\n22. **User Control** / 用户控制\n    - **定义**: 用户能够自主创建、调整、删除子分区，以及更改分辨率等设置。\n    - **直觉**: 拥有遥控器。\n    - **论文中的角色**: 增强用户隐私代理感。\n    - **前置知识**: 人机交互中的用户自主权。\n\n23. **Privacy Mask** / 隐私掩膜\n    - **定义**: 动态低分辨率区跟随用户，遮挡住身体细节，使系统无法识别动作，起到掩盖作用。\n    - **直觉**: 像一块跟着你的磨砂玻璃。\n    - **论文中的角色**: 访客保护隐私的核心手段（图1d-f）。\n    - **前置知识**: 动态区域、低分辨率技术。\n\n24. **Virtual Sensor** / 虚拟传感器\n    - **定义**: Lumotive SDK中的功能，通过编程控制光束转向来定义多个子视场区域，每个具有不同扫描分辨率和帧率。\n    - **直觉**: 在一个物理传感器内模拟多个虚拟传感器。\n    - **论文中的角色**: 实现子分区的软件基础。\n    - **前置知识**: SDK、可编程控制。\n\n25. **Beam Steering** / 光束转向\n    - **定义**: 控制激光束方向的技术，LCM可实现无机械的快速转向。\n    - **直觉**: 调整激光扫射方向。\n    - **论文中的角色**: 用于跳过特定区域扫描，从而实现子分区。\n    - **前置知识**: 光学、激光物理。\n\n26. **Solid-state Beam Steering** / 固态光束转向\n    - **定义**: 无转动部件的梁转向技术，基于LCM超表面。\n    - **直觉**: 像电子调光，没有机械磨损。\n    - **论文中的角色**: 提供可靠、低延迟的转向，支持实时区域控制。\n    - **前置知识**: 传统机械吊舱对比。\n\n27. **Raw Sensor Data** / 原始传感器数据\n    - **定义**: 未经过处理的距离/点云数据，投影到用户身体或墙上。\n    - **直觉**: 传感器的“裸眼”所见。\n    - **论文中的角色**: 用于显示分辨率差异，提高透明度。\n    - **前置知识**: 数据可视化。\n\n28. **Zone Boundaries** / 区域边界\n    - **定义**: 子区域的可见轮廓，通过投影显示在物理空间中。\n    - **直觉**: 像在地上画的线。\n    - **论文中的角色**: 帮助用户了解感知覆盖范围。\n    - **前置知识**: 空间感知。\n\n29. **One-size-fits-all** / 一刀切\n    - **定义**: 系统中整个感知区域使用统一分辨率的模式，无法针对子区域调节。\n    - **直觉**: 所有问题一个标准答案。\n    - **论文中的角色**: 指出现有系统的局限，激励提出子分区。\n    - **前置知识**: 产品设计中的普遍性问题。\n\n30. **Privacy Assistant (PA)** / 隐私助手\n    - **定义**: 帮助用户发现和管理附近IoT设备数据收集的辅助工具。\n    - **直觉**: 一个虚拟管家帮你处理隐私。\n    - **论文中的角色**: 相关工作，指出其未针对LiDAR且未解决一刀切问题。\n    - **前置知识**: IoT隐私研究。\n\n（以上30个术语满足15-40要求）\n\n### 概念依赖图\n\n```text\n[隐私偏好差异] → [子分区概念] → [动态/静态区域] → [区域合并]\n           ↓           ↓\n[硬件基础] ← [LCM技术] ← [光束转向] ← [虚拟传感器]\n           ↓\n[LiDAR传感] → [点云数据] → [分辨率设置] → [可检测活动]\n           ↓\n[活动识别] ← [YOLO模型]\n\n[用户交互] → [语音命令] → [区域控制] → [视觉反馈] → [透明度]\n           ↓\n[用户研究] → [评估效果]\n\n[原始数据] → [投影显示] → [用户理解] → [隐私决策]\n```\n\n**依赖解释**：\n\n- 子分区概念源于对不同隐私偏好的认识，依赖硬件能够实现分区（LCM技术）。\n- LCM技术提供光束转向和虚拟传感器功能，实现区域的分辨率调节。\n- 点云数据的分辨率决定了可检测活动集合，影响用户隐私感知。\n- 用户通过语音命令交互，系统以可视化反馈提供透明度，支持用户决策。\n- 用户研究验证了系统的有效性，反过来指导设计改进。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G: 验证与引用核查\n\n### 1. 关键事实性声明（每项声明至少两个来源）\n\n#### 声明 1：LiDAR 传感器在智能家居中的应用日益增多，用于活动识别。\n\n- 来源 1：论文第 1 节引言直接陈述“LiDAR sensors are increasingly being integrated into smart home environments to support user input detection and activity monitoring”，并引用 [^25], [^57], [^23], [^44], [^45], [^64] 等文献。\n- 来源 2：相关工作第 3.2 节回顾了多个 LiDAR 活动识别应用，如 Glandon 等人（[^20]）从点云提取骨骼信息，Zhou 等人（[^75]）使用体素表示，Kodur 等人（[^33]）在医院机器人上应用，Joo 等人（[^30]）在护理设施监测阿尔茨海默病患者等。\n\n#### 声明 2：现有 LiDAR 和相机系统通常采用统一分辨率，无法针对传感区域内的子区域独立配置分辨率。\n\n- 来源 1：论文第 3.2 节末段明确说：“LiDAR and camera-based systems share a common limitation found in most IoT sensors: they typically use a uniform sensing resolution across the entire sensing region.”\n- 来源 2：论文第 1 节引言指出“our approach utilizes a novel LCM-based LiDAR system to create customizable sub-sensing zones”，并指出现有方法“typically rely on a single sensing area with uniform resolution”（第 2 节贡献部分）。\n\n#### 声明 3：Lumotive M30 LiDAR 开发套件支持硬件级子分区，通过光束控制实现。\n\n- 来源 1：第 5.1 节硬件部分描述：“This device incorporates solid-state beam steering based on Light Control Metasurface (LCM™) technology，which enables sub-millisecond steering of the LiDAR beam without relying on mechanical components. ... LCM™ allows for precise, random-access control of scanning patterns, enabling the LiDAR sensor to selectively exclude specific areas within its sensing region.”\n- 来源 2：第 5.2 节软件部分提到“we used its virtual sensor functionality, which allows programmable control of beam steering to define multiple sub-field-of-view regions, each with different scanning resolutions and frame rates.” 这与第 1 节“eliminating the need to first capture the full dataset and discard unnecessary information”一致。\n\n#### 声明 4：用户在不同角色（如房主与访客）对隐私偏好有不同需求。\n\n- 来源 1：第 1 节引言引用 [^42] 和 [^72] 指出“a visitor may prefer not to have their actions sensed”，以及“homeowner might appreciate the detection of health-related behaviors”。\n- 来源 2：第 3.3 节引用 [^35]（访客偏好低保真传感器）和 [^72]（房主可能信任制造商而忽略隐私）。\n\n#### 声明 5：两项用户研究验证了 LiDArgus 的有效性。\n\n- 来源 1：第 8 节用户研究 2 结果报告了统计显著性，例如“LiDArgus scored higher in both user awareness of LiDAR operation (Owner: X²=2.42, p<0.05; Visitor: X²=3.11, p<0.01) 和透明度 (Owner: X²=2.59, p<0.01; Visitor: X²=3.16, p<0.01)”。\n- 来源 2：第 7 节用户研究 1 报告了参与者的评分（图14），指出“Participants found the visual cues to be intuitive and easy to understand.”\n\n### 2. 冲突或不确定性说明\n\n- **分辨率数值不一致**：论文第 5.3 节数据收集中提到“ranging from the system's highest supported resolution of $680 \\times 480$”，而在其他多处（如第 3 节走查、表 1、第 7.1 节）提到最高分辨率为 $640 \\times 480$。这是明显的数值冲突（可能是笔误），需注意。\n- **用户研究样本相同**：两个用户研究都使用了相同的 12 名参与者（第 8.1 节），且研究时间相隔一周。作者承认存在潜在的记忆效应，尽管采取了缓解措施，但无法完全排除偏差（第 9 节）。\n- **隐私保护不完全性**：作者在第 9 节“User Misunderstandings of Privacy Protections”中指出降低分辨率并不保证完全隐私，存在极端场景下隐私泄露风险。这暗示系统声称的隐私保护效果并非绝对，读者需谨慎解读。\n\n### 3. 参考文献列表\n\n以下为论文中引用的主要参考文献（仅列出部分关键条目，完整列表见原文 References 部分）：\n\n- [^1] Google. [n.d.]. Google Speech-to-Text API. <https://cloud.google.com/speech-to-text/docs>\n- [^2] Lumotive. [n.d.]. M30 LiDAR Development Kit. <https://lumotive.com>\n- [^10] Eun Kyoung Choe, et al. 2011. Living in a glass house: a survey of private moments in the home. UbiComp '11.\n- [^13] Jessica Colnago, et al. 2020. Informing the Design of a Personalized Privacy Assistant for the Internet of Things. CHI '20.\n- [^16] Pardis Emami-Naeini, et al. 2017. Privacy expectations and preferences in an IoT world. SOUPS '17.\n- [^20] A. Glandon, et al. 2019. 3D Skeleton Estimation and Human Identity Recognition Using Lidar Full Motion Video. IJCNN.\n- [^30] Ji-Eun Joo, et al. 2022. An Indoor-Monitoring LiDAR Sensor for Patients with Alzheimer Disease Residing in Long-Term Care Facilities. Sensors.\n- [^33] Krishna Kodur, and Maria Kyrarini. 2023. Patient-Robot Co-Navigation of Crowded Hospital Environments. Applied Sciences.\n- [^35] Adam J. Lee, et al. 2018. Sensing or Watching? Balancing Utility and Privacy in Sensing Systems via Collection and Enforcement Mechanisms. SACMAT '18.\n- [^37] Jun Liu, et al. 2019. NTU RGB+D 120: A Large-Scale Benchmark for 3D Human Activity Understanding. TPAMI.\n- [^42] Karola Marky, et al. 2020. \"I don't know how to protect myself\": Understanding Privacy Perceptions Resulting from the Presence of Bystanders in Smart Environments. NordiCHI '20.\n- [^72] Yaxing Yao, et al. 2019. Privacy Perceptions and Designs of Bystanders in Smart Homes. Proc. ACM Hum.-Comput. Interact.\n- [^73] Shikun Zhang, et al. 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.\n- [^74] Serena Zheng, et al. 2018. User Perceptions of Smart Home IoT Privacy. Proc. ACM Hum.-Comput. Interact.\n- [^75] Yin Zhou, and Oncel Tuzel. 2018. VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection. CVPR.\n\n注：以上引用编号与论文原文对应，读者如需完整列表可参照论文末尾的 References 部分。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## 图表提取（Module H）\n\n### 1. 完整索引\n\n| 编号 | 标题（原图题） | 类型 | 位置 | 支持的论点 | 评分（1-5） |\n|------|----------------|------|------|------------|-------------|\n| Figure 1 | (a) 系统概念：分区后多个子感应区；(b-f) 场景示例（房主高分辨率、私人区域禁用、访客低分辨率动态隐私掩码） | 图 | 第1节（引言） | 展示子分区方法能同时满足不同角色的隐私与传感需求；说明动态隐私掩码概念 | 5 |\n| Figure 2 | (a) 语音命令“Create Zone”；(b) 生成子感应区并可视化原始数据、分辨率、可检测活动 | 图 | 第4节（走查） | 说明用户如何通过语音创建私人区域，以及系统提供的透明反馈 | 4 |\n| Figure 3 | (a) Bob离开书桌；(b) 进入私人区域（感应禁用） | 图 | 第4节（走查） | 展示隐私区域的用途（用户可进入不受感应） | 3 |\n| Figure 4 | (a) 访客进入房间触发边界可视化；(b) 可检测活动列表；(c) 原始数据投在身体上，伸臂展示分辨率差异；(d) 传感器数据缩略图 | 图 | 第4节（走查） | 说明透明反馈如何向访客传达区域覆盖、分辨率差异和原始数据 | 5 |\n| Figure 5 | (a) Alice创建新区域；(b) 新区域与Bob的私人区域重叠，以最低分辨率感应 | 图 | 第4节（走查） | 展示访客可自行创建区域，且系统会并合区域取更低分辨率 | 3 |\n| Figure 6 | (a) “follow me”激活动态模式；(b-c) 区域跟随Alice移动，即使进入高分辨率区域也不被高分辨率感应 | 图 | 第4节（走查） | 展示动态区域（隐私掩码）能实时跟随用户，防止其被高分辨率感应 | 4 |\n| Figure 7 | (a) Bob坐在摇椅上；(b) Alice的区域与Bob相邻；(c) 两区域合并，分辨率取较低者 | 图 | 第4节（走查） | 说明系统自动处理区域重叠，优先保护隐私 | 3 |\n| Figure 8 | LiDArgus硬件设置：M30 LiDAR开发套件（Lumotive）与投影仪 | 图 | 第5.1节（硬件） | 展示原型硬件组成，支撑实现部分 | 3 |\n| Figure 9 | “创建区域”的视觉反馈 | 图 | 第7.1节（任务） | 展示视觉反馈界面，用于研究1评估 | 2 |\n| Figure 10 | “移除区域”的视觉反馈 | 图 | 第7.1节（任务） | 展示视觉反馈界面，用于研究1评估 | 2 |\n| Figure 11 | “禁用感应”的视觉反馈 | 图 | 第7.1节（任务） | 展示视觉反馈界面，用于研究1评估 | 2 |\n| Figure 12 | “增加/减少分辨率”的视觉反馈 | 图 | 第7.1节（任务） | 展示视觉反馈界面，用于研究1评估 | 2 |\n| Figure 13 | “最大化/最小化分辨率”的视觉反馈 | 图 | 第7.1节（任务） | 展示视觉反馈界面，用于研究1评估 | 2 |\n| Figure 14 | 研究1参与者对两种问题的评分（立即理解、清晰传达） | 图 | 第7.2节（结果） | 展示视觉反馈整体容易被理解，特别“移除区域”获得满分，但“创建区域”存在理解困难 | 5 |\n| Figure 15 | 研究2中，房主角色下的基线条件与LiDArgus条件的Likert评分（操作状态意识、透明度、隐私保护选项、隐私表达） | 图 | 第8.2.1 / 8.2.2节 | 展示LiDArgus在多个维度显著高于基线（统计检验支持） | 5 |\n| Figure 16 | 研究2中，访客角色下的基线条件与LiDArgus条件的Likert评分 | 图 | 第8.2.1 / 8.2.2节 | 展示访客角色下LiDArgus同样显著优于基线 | 5 |\n| Figure 17 | 研究2中参与者对LiDArgus各特征的评分（子感应区、区域边界、感应分辨率、原始数据、可检测活动） | 图 | 第8.2.3节 | 展示各特征评分，动态区域最受欢迎，原始数据在访客眼中更重要 | 4 |\n| Figure 18 | 动作数据采集样本（五个分辨率级别下的各动作图像） | 图 | 附录（第11节） | 提供不同分辨率下的视觉样本，辅助理解数据隐私级别 | 3 |\n| Figure 19 | 动作数据采集样本（另一组） | 图 | 附录（第11节） | 同上 | 3 |\n| Table 1 | 不同分辨率下可检测的活动（基于yolo11m-cls，F1>90%） | 表 | 第5.3节（结果） | 展示各分辨率可识别的活动类别，最低分辨率（40×30）仅保留行走、跌倒 | 5 |\n| Table 2 | 前6个动作的分类评估结果（Precision/Recall/F1）按分辨率等级 | 表 | 附录（表2） | 提供具体数值，支撑Table 1的阈值判断 | 4 |\n| Table 3 | 剩余7个动作的分类评估结果 | 表 | 附录（表3） | 同上 | 4 |\n\n### 2. 高优先级深度阅读（Top-5）\n\n1. **Figure 1**（系统概念图）：这是理解整个系统核心创新点的关键。它清晰展示了三个子感应区（高分辨率、禁用、低分辨率动态掩码）如何同时满足房主和访客的隐私需求。结合第1节文字，可以定位到背景和贡献。\n2. **Figure 14**（研究1评分）：直接展示视觉反馈的可用性结果。注意“移除区域”满分，“创建区域”理解难度高，这提示设计改进需求。需结合第7.2.1节讨论（颜色映射、信息过载、身体投影等）。\n3. **Figure 15 & 16**（研究2评分）：两图对比基线与LiDArgus，在操作状态意识、透明度、隐私保护选项、隐私表达四个维度显著提升（统计检验p<0.05或p<0.01）。支撑论文核心主张。\n4. **Figure 17**（特征评分）：展示用户对各反馈特征的态度。动态区域最受欢迎（“我拥有这个地方”），原始数据对访客更重要，可检测活动对所有者更有用。\n5. **Table 1**（可检测活动表）：该表决定了系统展示哪些活动可被识别，也是系统透明度的核心信息。它表明最低分辨率（40×30）仅能识别行走和跌倒，这支撑了隐私掩码的设计。需结合附录的表2、表3详细数据验证F1>90%的阈值。\n\n### 3. 图关系与实验设置图\n\n```text\n[用户角色] → [语音命令] → [接口（投影仪）] → [视觉反馈] → [用户理解] → [隐私决策]\n        ↑                ↑\n        |                +---→ [系统状态]（分辨率、活动列表）\n        +-------> [用户移动] -> [动态区域更新] -> [投影更新]\n\n实验设置（研究1与2）：\n房间布局：包含三个固定区域（高分辨率书桌区、禁用感应摇椅区、低分辨率门旁区）\n设备：M30 LiDAR（Lumotive）、Sony投影仪、扬声器、麦克风\n角色：房主（Bob）与访客（Alice）\n条件：LiDArgus（有子区域+视觉反馈） vs 基线（无子区域，仅统一高分辨率）\n数据采集：12名参与者，任务流程按步骤引导，问卷（5点Likert），统计分析（Friedman检验）\n```\n\n### 4. 图/表与结论的映射\n\n| 结论（论文中的主要论点） | 支撑图/表 | 位置（节/图号） |\n|--------------------------|-------------|----------------|\n| 子分区能够同时满足不同角色的隐私偏好（房主高分辨率、访客低分辨率） | Figure 1 | 第1节 |\n| 用户通过语音命令可创建、调整、禁用区域，并获得透明反馈 | Figure 2, 5, 9-13 | 第4节，第7.1节 |\n| 动态区域（“follow me”）能跟随用户，防止其被高分辨率感应，被视为“隐私盾牌” | Figure 6, 17 | 第4节，第8.2.3节 |\n| 区域重叠时自动采用较低分辨率，优先保护隐私 | Figure 7 | 第4节 |\n| 视觉反馈总体上易于理解和传达信息（研究1） | Figure 14 | 第7.2节 |\n| LiDArgus相比基线显著提升操作状态意识和透明度（研究2，房主与访客角色） | Figure 15, 16 | 第8.2.1节 |\n| LiDArgus提供更多隐私保护选项，更好支持隐私偏好表达 | Figure 15, 16 | 第8.2.2节 |\n| 不同分辨率下可检测活动存在差异，最低分辨率仅保留行走、跌倒，支撑隐私掩码设计 | Table 1 | 第5.3节 |\n| 分类模型在不同分辨率下的性能指标（F1得分）用于界定可检测性 | Table 2, 3 | 附录 |\n| 原始数据投影和活动列表有助于用户理解系统能力，但存在信息过载等问题 | Figure 4, 17 | 第4节，第8.2.3节 |\n| 用户对实时调整分辨率感到满意，但相邻级别差异不明显 | Figure 12, 17 | 第7.2.2节，第8.2.3节 |\n| 动态区域让用户感到被“聚光灯”跟随，既有吸引力也有注意 | Figure 6, 17 | 第8.2.3节 |"
}