{
  "paper_id": "e48c9ad1d4b97bfb4eec20fc10eabf67",
  "paper_title": "Using Lidar to Examine Human Occupancy and Collisions within a Shared Indoor Environment",
  "paper_authors": [
    "Addison Harris Flack"
  ],
  "publication_date": "2024-05-08",
  "publication_venue": "Virginia Polytechnic Institute and State University",
  "abstract": "Indoor spaces, where we spend the majority of our lives, greatly impact our work, social interactions, and well-being. In recognition of the central role that buildings play in our lives, architects and designers have increasingly focused on creating spaces that intentionally promote interaction and collaboration between building occupants. One challenge arising from this trend is evaluating the efficacy of new designs. This study used object tracking data for the Fall 2023 semester from a collection of lidar sensors installed in a portion of a mixed-use academic building on a university campus to algorithmically detect occupancy and serendipitous collisions between people - patterns of simultaneous movement and pause that indicate that two or more individuals have stopped and had a meaningful interaction. The algorithm detected over 14,000 collisions throughout the semester with high spatial and temporal precision. Occupancy and collisions were highly related over several scales of temporal and spatial analysis. Furthermore, several interesting patterns emerged, including (a) collisions peaked early in the semester, then declined before leveling off, (b) occupancy peaked in mid-afternoon, while collisions peaked in the late afternoon and early evening, (c) collisions peaked later in the week than did occupancy, and (d) specific hotspots were apparent at important nodes such as the bottom of stairs and near elevators. The patterns found in this study can provide insight as to how interactions can be measured using remote sensing data, and can aid designers in attempting to increase collaboration in shared indoor environments.\n",
  "keywords": [
    "indoor geography",
    "lidar",
    "remote sensing",
    "placemaking",
    "interaction"
  ],
  "paper_institutions": [
    "Virginia Polytechnic Institute and State University"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:48.292553Z",
  "template_tag": "deep_read",
  "summary": "# Using Lidar to Examine Human Occupancy and Collisions within a Shared Indoor Environment\n\n\n**作者 / Authors:** Addison Harris Flack\n\n\n**单位 / Institutions:** Virginia Polytechnic Institute and State University (Virginia Tech)\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2024-05-08\n\n\n\n**期刊/会议 / Publication Venue:** Virginia Polytechnic Institute and State University (Virginia Tech) – Master of Science in Geography thesis\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## 论文元数据\n\n- **标题**：Using Lidar to Examine Human Occupancy and Collisions within a Shared Indoor Environment\n- **作者**：Addison Harris Flack（署名 Addison H. Flack）；所属机构：Virginia Polytechnic Institute and State University（Virginia Tech）；背景：地理学（Geography）硕士生，论文委员会成员包括 Thomas Pingel、Timothy Baird、Nicole Abaid。\n- **发表载体**：弗吉尼亚理工大学（Virginia Tech）地理学理学硕士（Master of Science in Geography）学位论文；答辩日期：2024年5月8日；地点：Blacksburg, Virginia。\n\n## 研究定位\n\n- **研究领域**：室内地理学（indoor geography）、激光雷达遥感（lidar remote sensing）、地理信息科学、行为地理学、空间-地方动态（space-place dynamics）。\n- **具体任务**：利用固定式激光雷达网络和对象跟踪数据，算法化检测共享室内空间中的人流占用（occupancy）与“碰撞”（serendipitous collisions），并分析其时空分布（RQ1/RQ2，第1.1节）。\n- **目标用户/应用场景**：建筑设计师、大学校园规划者、研究室内人类交互与场所营造的研究者；应用场景为大学混合用途建筑（CID Community Assembly）的公共空间。\n\n## 分类理由\n\n- 论文的主要贡献是提出并验证了一种基于 lidar 对象跟踪数据的碰撞检测算法（Python 实现，包含位移、运动、时空、航向、去重等过滤器，第3.4节），属于新方法/算法，而非综述或系统。\n- 虽然涉及传感器部署和系统参数，但核心交付物是检测方法及其时空分析，因此归类为 `method`。\n\n## 输入材料清单\n\n- **PDF**：是（提供的文档为论文全文，含图表、参考文献）\n- **附录/补充材料**：附录 A（碰撞检测算法代码）被提及，但未包含在提供的文本中\n- **代码链接**：未提供（算法为自定义 Python，附录 A 未给出）\n- **数据集链接**：未提供；仅提到示例视频链接 <https://youtu.be/Ixklw3qsCIA>（第3.5.1节）\n\n## 缺失材料与风险\n\n- **缺失项**：附录 A（Python 算法代码）；原始 Percept JSON 日志/数据集；补充视频/动画；图1-21的高分辨率版本（文本中为图片占位）。\n- **可能影响**：无法复现算法细节和参数调优过程；无法独立验证检测结果；对方法部分的理解依赖文字描述。\n\n## 阅读路线\n\n- **步骤 1**：先读摘要、引言（第1节）、结论（第6节），把握研究问题、假设和主要发现。\n- **步骤 2**：读方法（第3节）和结果（第4节），重点理解碰撞检测算法的五个过滤器（第3.4.1-3.4.6节）和时空分析（第3.5节）。\n- **步骤 3**：读讨论（第5节）和背景（第2节），理解与室内地理学、行为地理学、空间-地方理论的联系。\n- **步骤 4**：回到图表（图12流程图、图15-21结果图、表1参数），对照方法验证结论。\n- **步骤 5**：评估局限性和未来工作（第5.2、5.3节），形成批判性意见。\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## 1. 论文类型与类别\n\n- 类型：方法型（method）论文，兼有案例研究/实证分析。核心是提出并验证一个基于 lidar 对象跟踪数据的“碰撞”检测算法（第3.4节），并用该算法对弗吉尼亚理工大学 CID 建筑 Community Assembly 空间进行时空分析（第4节）。\n- 载体：地理学理学硕士学位论文（Virginia Tech），非期刊会议论文。\n- 子类别：室内地理学 / 激光雷达遥感 / 行为地理学 / 空间-地方动态。\n\n## 2. 背景与研究脉络\n\n- 室内空间对人类生活影响巨大（Klepeis et al., 2001 引用，第2.1节）；室内制图与室内定位技术发展（第2.1节）。\n- 已有研究用对象跟踪研究室内人类行为（Otsuka & Mukawa, 2004; Teixeira et al., 2010; He et al., 2020，第2.2节），但缺少用遥感/对象跟踪量化“空间变为地方”过程中偶遇/碰撞的研究（第1节）。\n- 本研究在 CID 的 Community Assembly 部署 11 台 Blickfeld Cube 1 激光雷达，使用 Percept 对象跟踪软件，获取 2023 秋季学期（8/21-12/13）匿名轨迹数据（第3.2、3.3节）。\n- 研究问题：RQ1 如何用 lidar 检测碰撞；RQ2 碰撞的时空分布及关联属性（第1.1节）。假设 H1 碰撞与流量成正比；H2 碰撞随时间线性增加；H3 碰撞发生在移动与停留区域的边界（第1.2节）。\n\n## 3. 直觉正确性检查\n\n- 核心假设：碰撞可由“两人分别移动→减速→在1.5m内同时停留→来向夹角>90°”的时空模式识别（第3.4节）。该假设与日常“偶遇后停下交谈”的行为一致，直觉上合理。\n- 位移过滤器（>4m）用于排除噪声和非人对象（如椅子），合理但可能漏掉短距离移动后的碰撞（第3.4.1节）。\n- 速度阈值0.3 m/s且减速中，低于常人步行速度1.34 m/s（第3.4.2节），能捕捉“停下”但可能漏掉“边走边谈”或未完全停下的碰撞。\n- 1.5m空间阈值参考社交距离，但作者也承认2.5m可能更符合Pacchierotti et al. (2005) 的1.2-3.5m社交交互距离（第5.3节），因此该阈值存在一定主观性。\n- 航向差>90°用于排除同行/计划性互动，合理但会漏掉同向相遇后停下交谈的情况（第3.4.4节）。\n- 去重过滤器（2m/5s）用于处理群体碰撞和事件，合理但可能低估连续多次互动（第3.4.6节）。\n- 总体：算法参数经过人工观察（12小时、35次碰撞）和动画回放调优（第3.4节、第3.5.1节），但验证仅基于3小时、127次检测，且未检测到conjoining碰撞，说明假设对碰撞类型的覆盖有限。\n\n## 4. 核心贡献\n\n1) 提出并实现了一个基于 lidar 对象跟踪数据的碰撞检测算法，包含位移、运动、时空、航向、去重五个过滤器（第3.4.1-3.4.6节，图12）。\n2) 在真实共享室内环境（CID Community Assembly）中部署 11 台 lidar 并生成整个秋季学期的匿名轨迹数据，检测出 14,022 次碰撞（第4.1节）。\n3) 提供了算法性能评估：真阳性率约78.7%，假阳性率11.0%，两向碰撞假阴性率46%，conjoining碰撞未被检测（第4.1节）。\n4) 揭示了碰撞的时空规律：学期初高峰、下午/傍晚高峰、周五/周六高峰，以及电梯、楼梯底部、座位区等热点（第4.2、4.3节）。\n5) 发现“摩擦效应”：走廊有座位一侧比无座位一侧碰撞更多，碰撞在通道两侧呈双峰分布（第4.3节，图20-21），为设计促进偶遇的空间提供依据。\n\n## 5. 清晰度评估\n\n- 结构清晰：摘要→引言→背景→方法→结果→讨论→结论，符合学位论文规范；章节编号完整（第1-6节）。\n- 图表丰富：图1-21覆盖概念、研究区、点云、轨迹、流程图、结果图；表1给出Percept参数。图12流程图对理解算法最关键。\n- 公式/符号：较少，主要统计量（R²、F、p）和速度/加速度概念清楚；第3.5.2节对循环时间变量的正弦/余弦变换说明充分。\n- 可读性：一般读者可通过“General Audience Abstract”理解；方法部分细节较多，但分节明确。\n- 不足：附录A（Python代码）未包含在提供的文本中，无法直接复现代码；图15-21为图片占位，需查看原PDF；个别文字有轻微笔误（如“spice”应为“space”，第3.3节末尾），但不影响理解。\n\n## 6. 继续或停止建议\n\n- 建议：继续进入第二遍（Module D）和第三遍（Module E）精读。\n- 理由：该论文的核心价值在于算法细节和验证过程；第一遍已确认方法新颖、结果有实际意义，但算法参数选择、验证偏差（如未检测conjoining碰撞）和空间统计方法（GLR/GWR）需要深入评估。若读者只关心“lidar能否检测室内偶遇”的结论，可在此停止；但若要复现或借鉴算法，必须继续。\n\n## 7. 结构大纲图\n\n```markmap\n# 论文概览\n## 引言（第1节）\n### 研究问题 RQ1/RQ2\n### 假设 H1/H2/H3\n## 背景（第2节）\n### 室内地理学\n### 室内人类/对象跟踪\n### 行为地理学与人类生态学\n### 时空分析（MAUP/UGCoP/MTUP）\n### 物理环境与协作\n### 大学环境中的空间-地方动态\n## 方法（第3节）\n### 研究目标\n### 研究区与时段（CID, Fall 2023）\n### Lidar与Percept对象跟踪\n### 碰撞检测算法\n#### 位移过滤\n#### 运动过滤\n#### 时空过滤\n#### 航向过滤\n#### 生成碰撞\n#### 去重过滤\n#### 时间戳调整\n### 分析\n#### 算法性能评估\n#### 时间分析\n#### 空间分析\n## 结果（第4节）\n### 算法性能（14,022次碰撞；78.7%真阳性）\n### 时间分析（学期初高峰、日/周模式）\n### 空间分析（电梯/楼梯/座位热点；摩擦效应）\n## 讨论（第5节）\n### 一般讨论\n### 局限性\n### 未来工作\n## 结论（第6节）\n## 参考文献\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## 模块 C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文试图解决的核心问题是：如何利用固定式激光雷达（lidar）网络产生的匿名对象跟踪数据，在共享室内环境中算法化地检测“碰撞”（serendipitous collisions，即两人或多人相遇并停下进行有意义互动的非计划性事件），并分析这些碰撞的时空分布及其与占用/人流等环境因素的关系（RQ1/RQ2，第1.1节；第3.1节）。\n\n### 2. 痛点或不足\n\n- 室内空间对人类生活至关重要（美国人约87%时间在室内，Klepeis et al., 2001；第2.1节），但室内交互难以分类和分析（General Audience Abstract）；现有研究多依赖问卷调查或直接观察，缺乏对“空间变为地方”（space-place）过程的连续、客观、细粒度量化（第1节）。\n- 技术层面，室内人体/对象跟踪常用相机，存在隐私泄露、遮挡、光照变化、多相机无缝跟踪困难等问题；lidar 具有匿名性、不受光照影响、数据密度高且含几何位置等优势，但如何从 lidar 对象跟踪数据中识别“碰撞”这一特定行为模式尚无成熟算法（第2.2节；第3.4节）。\n- 现有对象跟踪软件（如 Percept）在人员长时间静止时会丢失对象并重新分配 ID，导致“静止型碰撞”难以可靠检测；同时算法需要区分真正的自发碰撞与计划性同行、瓶颈处减速、事件/群体互动等干扰（第3.4节；第5.2节）。\n- 缺乏对碰撞检测算法的系统验证方法：真负例无法以算法一致方式定义，假阴性难以完全确定，导致性能评估存在不确定性（第3.5.1节；第5.2节）。\n\n### 3. 正式目标或优化目标\n\n论文没有给出显式的数学优化目标，但研究目标可形式化为：\n\n- 检测目标：给定 Percept 输出的时间戳位置/速度轨迹集合，设计过滤器序列（位移、运动、时空、航向、去重），识别满足“两人从不同方向接近、减速、在1.5 m内同时停留”条件的碰撞事件（第3.4节，图12）。\n- 分析目标：量化碰撞与占用（person-seconds）在多个时空尺度上的关系，检验 H1（碰撞与流量成正比）、H2（碰撞随时间线性增加）、H3（碰撞发生在移动区与停留区边界）（第1.2节；第3.5节）。\n- 隐含的调参目标：在最大化检测率的同时最小化误报（false positives）和漏报（false negatives）；例如速度阈值0.3 m/s、距离阈值1.5 m、航向差>90°、去重窗口2 m/5 s等参数均经迭代调整以平衡精度与召回（第3.4.1–3.4.6节）。\n\n### 4. 成功标准（指标或期望性质）\n\n- 算法性能指标（第4.1节；第3.5.1节）：\n  - 检测总量：115天检测到14,022次碰撞（平均121.9次/天，5.1次/小时）。\n  - 真阳性率/准确率：人工验证3小时（低/中/高占用各1小时）共127次检测，68.5%确定真阳性，11.0%确定假阳性，20.5%不明确；若将不明确的一半视为真，估计准确率78.7%。\n  - 假阴性率：12小时现场观察记录11次双向碰撞，算法检测到6次，估计双向碰撞假阴性率46%；6次合流型碰撞均未检测到（>50%假阴性）。\n- 期望性质：\n  - 高空间与时间精度：碰撞定位到具体坐标和精确时间戳，可生成逐小时/逐日/逐周及1 m网格的时空分布（第3.5节；第4.2–4.3节）。\n  - 低误报：通过位移、运动、航向、去重等过滤器抑制噪声、事件和群体互动造成的假阳性（第3.4节）。\n  - 匿名性与可扩展性：使用lidar匿名跟踪数据，算法可处理18 GB/115天数据（分20块并行，约5.5小时完成）（第3.4节）。\n  - 统计可解释性：占用与碰撞在小时、日、周尺度上R²分别为0.76、0.74、0.92（p<0.001）；空间GLR R²=0.598，GWR R²=0.84（第4.2–4.3节），用于支持H1/H3等假设检验。\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：相关工作定位\n\n### 1. 最强基线及比较轴\n\n- **最强基线（技术类）**：基于摄像头的多目标跟踪方法，尤其是 He et al. (2020) 的多目标多摄像头跟踪（MTMC tracking）和 Tiozzo-Fasiolo et al. (2022) 的 RGB 相机 + CNN 行人检测；以及 Teixeira et al. (2010) 提出的人类感知五级框架（presence, count, location, track, identity）。\n  - **方法**：多摄像头/多视角关联、深度学习目标检测、轨迹关联。\n  - **核心思想**：通过视觉信息持续估计人的位置和轨迹。\n  - **局限**：依赖外观/身份特征，存在遮挡和跨摄像头切换问题；摄像头会采集可识别身份信息，隐私保护弱；只输出轨迹，不直接判断“偶遇/碰撞”。\n- **最强基线（应用类）**：基于问卷、访谈和人工观察的场所营造/偶遇研究（Chow & Healey, 2008; Rubin et al., 2011; Jansz et al., 2022; Björneborn, 2017）。\n  - **方法**：自我报告、调查、行为观察。\n  - **核心思想**：偶遇和互动对大学适应、场所依恋和协作有正向作用。\n  - **局限**：样本有限、主观性强、无法提供连续数月的高时空分辨率分布。\n- **比较轴**：传感模态（lidar vs camera vs survey）、匿名性/隐私保护、时空分辨率与覆盖时长、是否将“碰撞”操作化为可计算事件、能否支撑空间-地方动态的量化分析。\n\n### 2. 最接近的方法及关键差异\n\n- **Otsuka & Mukawa (2004)**：多视角遮挡分析，用于密集人群跟踪。\n  - **方法**：多摄像头 2D 视角融合解决遮挡。\n  - **核心思想**：用多视角几何恢复被遮挡目标的连续轨迹。\n  - **局限**：面向跟踪而非交互检测；摄像头方案有隐私问题。\n- **Teixeira et al. (2010)**：人类感知系统综述。\n  - **方法**：定义 presence/count/location/track/identity 五级指标。\n  - **核心思想**：为室内人体感知提供统一框架。\n  - **局限**：是分类框架而非碰撞检测算法；未处理“暂停-互动”语义。\n- **He et al. (2020)**：多目标多摄像头跟踪。\n  - **方法**：tracklet-to-target assignment。\n  - **核心思想**：跨摄像头关联轨迹片段。\n  - **局限**：需要身份/外观特征；跨摄像头连续性差；不检测社交性碰撞。\n- **Karki (2024)**：用深度学习和 OpenCV 替代 Percept 的 lidar 跟踪。\n  - **方法**：基于深度学习的行人检测/跟踪。\n  - **核心思想**：提高 lidar 跟踪的鲁棒性。\n  - **局限**：尚未与碰撞检测算法集成，也未做碰撞级验证。\n- **关键差异**：本文使用固定式 Blickfeld lidar 网络 + Percept 对象跟踪，提出一个五阶段过滤算法（位移、运动、时空邻近、航向、去重）来检测“双向/汇合型碰撞”；不依赖身份，保留匿名性；将碰撞定义为“独立移动→同时减速→近距离暂停”的时空模式，而不是单纯轨迹关联。\n\n### 3. 正交方向\n\n- **室内制图、SLAM 与室内定位（IPS）**（Zlatanova et al., 2013; Otero et al., 2020; Durrant-Whyte & Bailey, 2006; Zou et al., 2022）：关注空间建模、导航和定位，不涉及人际交互语义。\n- **行为地理学与寻路**（Hochmair & Frank, 2000; Hölscher et al., 2006; Vanclooster et al., 2014; space syntax）：关注路径选择、认知地图和空间句法，不依赖遥感数据。\n- **时空分析方法论**（Kwan, 2004; Openshaw, 1983; Chen & Kwan, 2015; Coltekin et al., 2011）：提供 MAUP/UGCoP/MTUP 等尺度与情境分析框架，但不解决数据获取和事件检测。\n- **空间-地方理论与大学过渡研究**（Tuan, 1975; Chow & Healey, 2008; Temple, 2009）：提供理论动机和解释框架，但缺乏可操作化的测量手段。\n\n### 4. 一句话定位\n\n本文在共享室内环境中，用固定式地面激光雷达与对象跟踪数据，将“偶遇/碰撞”操作化为可计算的时空运动-停顿模式，从而把室内地理学的技术手段与空间-地方理论连接起来，填补了问卷式场所营造研究与技术性室内追踪之间的空白。\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## 核心机制概览\n\n论文提出一种基于固定式激光雷达网络与对象跟踪数据（Percept）的碰撞检测算法，用于在共享室内环境中识别“偶然碰撞”（serendipitous collisions）。整体机制为：11台Blickfeld Cube 1激光雷达采集点云 → Percept实时对象跟踪生成带时间戳的(x,y)位置、速度、UUID等JSON日志 → 自定义Python算法（附录A）通过位移、运动、时空、航向、去重等过滤器，从轨迹数据中提取“两人先分开移动、后同时减速并停留”的时空模式，判定为一次碰撞。算法输出碰撞点（含双方UUID、时间戳、几何平均位置），并用于后续时空分析（第3.1、3.3、3.4节）。\n\n## 逐步分解\n\n1. **数据采集与对象跟踪**（第3.2、3.3节）：11台Blickfeld Cube 1传感器安装于CID Community Assembly天花板，视场70°×30°，探测距离1.5–75 m；Percept以混合高斯背景建模、均值漂移聚类等参数（Table 1）输出对象轨迹JSON，记录x/y坐标、速度、UUID等。\n2. **数据预处理与并行化**（第3.4节）：整个学期Percept数据约18 GB（二进制），拆分为20等份分别运行算法，再合并；处理时间约5.5小时（Dell Precision 5820, i9-10980XE, 256GB RAM）。\n3. **位移过滤**（第3.4.1节）：按UUID分组，计算从首次出现位置起的总位移；位移<4 m的轨迹视为噪声或非人对象（如移动椅子），予以删除。\n4. **运动过滤**（第3.4.2节）：由Percept记录的x/y方向速度计算瞬时线速度，再计算加速度；仅保留速度<0.3 m/s且正在减速（加速度为负）的数据点，以匹配“停下交谈”的运动特征。\n5. **时空过滤**（第3.4.3节）：在同一时间戳下，计算不同UUID之间的欧氏距离；仅保留彼此距离≤1.5 m的记录，作为碰撞的空间基础。\n6. **航向过滤与碰撞生成**（第3.4.4、3.4.5节）：对每个UUID取3秒滚动平均航向（使用SciPy循环统计）；当两个候选UUID在同一时间戳满足空间阈值后，比较二者航向差；航向差≤90°视为“同行/计划同行”并剔除，>90°则记录为一次碰撞。碰撞记录包含双方UUID、精确时间戳、以及两人几何位置的空间平均。\n7. **去重过滤**（第3.4.6节）：对已生成的碰撞列表，删除5秒内且距离<2 m的后续碰撞，避免群体事件或同一组人多次交互被重复计数。\n8. **时间戳校正**（第3.4.7节）：Percept使用UTC；2023年11月5日夏令时结束后，将当地时间偏移从UTC-4调整为UTC-5，对之后发生的碰撞时间戳统一加1小时。\n\n## 关键公式/模块作用\n\n- **位移过滤**：D = sqrt((x_t - x_0)^2 + (y_t - y_0)^2)，要求 D ≥ 4 m（第3.4.1节）。\n- **运动过滤**：v = sqrt(v_x^2 + v_y^2)，a = dv/dt；保留 v < 0.3 m/s 且 a < 0 的点（第3.4.2节）。\n- **时空过滤**：同一时间戳下两人距离 d_ij = ||p_i - p_j||_2 ≤ 1.5 m（第3.4.3节）。\n- **航向过滤**：Δθ = |θ_i - θ_j|（循环角度差），要求 Δθ > 90°（第3.4.4节）。\n- **去重过滤**：对已记录碰撞，若后续碰撞满足 Δt ≤ 5 s 且 Δd ≤ 2 m，则删除（第3.4.6节）。\n- **占用率（occupancy）操作化**：person-seconds，即某栅格单元内被占用的总秒数，用于与碰撞进行回归分析（第3.3节）。\n\n## 流程图\n\n```mermaid\nflowchart TD\n  A[\"11台Blickfeld Cube 1 激光雷达\"] --> B[\"Percept 对象跟踪<br/>(JSON日志: UUID, x/y, vx, vy, t)\"]\n  B --> C[\"数据拆分: 18GB -> 20份\"]\n  C --> D[\"位移过滤<br/>(位移 >= 4m)\"]\n  D --> E[\"运动过滤<br/>(速度 < 0.3 m/s 且减速)\"]\n  E --> F[\"时空过滤<br/>(同时间戳距离 <= 1.5m)\"]\n  F --> G[\"航向过滤 + 创建碰撞<br/>(航向差 > 90°)\"]\n  G --> H[\"去重过滤<br/>(5s内且2m内删除)\"]\n  H --> I[\"时间戳校正<br/>(UTC -> 本地时间)\"]\n  I --> J[\"碰撞结果: UUID对, 时间戳, 空间平均位置\"]\n```\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## 数据集与基准\n\n### 1. 数据集/基准列表\n\n- **Percept 对象跟踪数据集**：由 11 台 Blickfeld Cube 1 激光雷达传感器在弗吉尼亚理工大学 CID 社区集会空间（Community Assembly）采集。研究时段为 2023 秋季学期（8月21日至12月13日，共115天）。规模：约 6700 万 person-seconds，原始二进制数据 18 GB，典型每日 JSON 日志约 800–1000 MB。场景：混合用途学术/住宿建筑的地面层公共空间，包含走廊、电梯、楼梯、休息区等。\n- **地面真值观测数据**：作者在 7 周内进行 12 次一小时现场观察，记录 35 次碰撞；另由 Dr. Tim Baird 提供其自身碰撞的日期时间和位置。用于算法设计与参数调优。\n- **算法性能验证数据**：选取低、中、高占用率三个一小时时段，算法检测到 127 次碰撞，人工通过激光雷达动画分类为真阳性、不明确、假阳性。另有 12 小时现场观察用于估计假阴性率。\n\n### 2. 预处理与划分/覆盖设置\n\n- **Percept 参数设置**（表1）：动态背景使用混合高斯模型，初始化帧数 10，指数衰减 0.005，最小权重阈值 0.17，最小邻域点数 3，邻域半径 0.5 m，点聚类方法为 Mean Shift，最小簇点数 30，对象平均半径 0.33 m。这些参数经过长期测试以在降低噪声的同时保持高检测率。\n- **数据格式与读取**：Percept 日志为 JSON 文件，使用 Pandas 读取，通过 GeoPandas 转换为 GeoDataFrame，可输出为 shapefile 等 GIS 格式。\n- **数据划分**：整个学期数据（18 GB 二进制）被拆分为 20 个等大小子块，分别运行碰撞检测算法后再合并，以加速处理。\n- **时间戳校正**：Percept 记录为 UTC，需转换为东部时间；2023年11月5日夏令时结束后，偏移从 4 小时改为 5 小时，算法对时变后碰撞时间戳统一加 1 小时。\n- **碰撞检测算法流程**：位移过滤（总位移≥4 m）、运动过滤（速度<0.3 m/s 且减速）、时空过滤（两人距离≤1.5 m）、航向过滤（航向差>90°）、去重过滤（2 m 和 5 s 内只保留一次）。无传统训练/测试划分，参数通过地面真值迭代调优。\n\n### 3. 训练/推理/评估环境\n\n- **硬件**：Dell Precision 5820 Tower X-Series，Intel Core i9-10980 XE CPU @ 3.00GHz，256 GB RAM。\n- **软件**：Python，依赖 Numpy、Pandas、Geopandas、Scipy；使用 ffmpeg 生成叠加动画；对象跟踪由 Blickfeld Percept 软件完成。\n- **处理耗时**：115 天数据（20 个子块）约 5.5 小时。\n- **评估方法**：将算法检测结果叠加到原始激光雷达正射最大高程表面（Digital Surface Model）动画上，人工回放计数真阳性、假阳性、不明确。统计指标：127 次检测中 68.5% 确定真阳性、11.0% 确定假阳性、20.5% 不明确；假设不明确中一半为真，估计准确率 78.7%。现场观察中 11 次双向碰撞检测到 6 次，估计假阴性率 46%；6 次合流碰撞均未检测到。\n- **统计分析环境**：使用 OLS 回归、广义线性回归（GLR）、地理加权回归（GWR）、ANOVA 等分析时空模式。\n\n### 4. 这些选择的意义与验证内容\n\n- 真实世界连续一学期的激光雷达跟踪数据提供了高生态效度，能够捕捉共享室内空间中人类交互的长期时空模式。\n- 地面真值观测和人工验证为算法性能提供了基准，但存在局限：不明确案例难以判定，真阴性无法系统评估，假阴性率仅基于少量样本。\n- 参数和过滤器的选择在假阳性与假阴性之间取得平衡；评估验证了算法能以可接受的精度检测大量碰撞样本，但也揭示了漏检合流碰撞和静止碰撞的不足。\n- 硬件与软件环境支持大规模数据处理，20 等分处理展示了可扩展性。\n- 统计检验验证了 H1（碰撞与占用率成正比）和 H3（碰撞发生在移动与暂停区域的边缘），而 H2（碰撞随学期线性增加）未获支持。\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\n\n- **占用（Occupancy）**：以“人-秒”（person-seconds）为单位，即某区域（栅格单元）内被人员占用的总秒数（第 3.3 节）。该指标用于衡量碰撞潜力，避免简单人数统计中“短暂经过者”与“长时间停留者”被同等加权的问题。\n- **碰撞（Collision）**：算法检测到的“偶然/计划外人际互动”，定义为两人或以上在空间中相遇并发生有意义的停留互动；算法主要检测“双向碰撞”（two-way）和“聚合碰撞”（conjoining），不检测“静止碰撞”（stationary）（第 3.4 节）。\n- **真阳性率 / 准确率**：通过人工回放动画对算法检测结果进行三类标注：确定真阳性、不确定、确定假阳性。127 个检测结果中，68.5% 为确定真阳性，11.0% 为确定假阳性，20.5% 不确定；若将“不确定”的一半视为真阳性，则估计准确率为 78.7%（第 4.1 节）。\n- **假阴性率**：基于 12 小时现场观察，11 次双向碰撞中算法检测到 6 次，估计双向碰撞假阴性率为 46%；6 次聚合碰撞全部漏检（第 4.1 节）。\n- **统计指标**：使用 R²、F 统计量、p 值、对数-对数回归斜率（n）、ANOVA、GLR/GWR 的 R² 等（第 4.2、4.3 节）。\n\n### 2. 主要结果\n\n#### 2.1 算法性能\n\n- 研究期共 115 天，采集约 6700 万人-秒的 Percept 数据；算法检测到 **14,022 次碰撞**，平均 **121.9 次/天**、**5.1 次/小时**（第 4.1 节）。\n- 人工验证：3 小时（低/中/高占用各 1 小时）内算法检测到 127 次碰撞，其中 68.5% 为确定真阳性，11.0% 为确定假阳性，20.5% 不确定；估计准确率 78.7%（第 4.1 节）。\n- 现场观察：12 小时观察到 11 次双向碰撞和 6 次聚合碰撞；算法检测到其中 6 次双向碰撞，假阴性率 46%，聚合碰撞全部漏检（第 4.1 节）。\n\n#### 2.2 时间分析\n\n- **学期趋势**：碰撞和占用在学期前几周最高，随后总体下降；9 月 18 日之前每天碰撞数均不低于 100 次，之后有 45 天低于 100 次；感恩节后到寒假前出现明显反弹（第 4.2 节，图 15a、15b）。\n- **周内模式**：占用在工作日最高，碰撞在周五和周六达到峰值（第 4.2 节，图 15c）。\n- **日内模式**：占用在 9:00–20:00 较高，15:00 达到峰值；碰撞在 17:00–20:00 达到峰值，比占用滞后约 2–3 小时（第 4.2 节，图 15d）。\n- **占用-碰撞关系**：以二次多项式拟合，按小时（R² = .76, F(2,2672) = 4128.97, p < 0.001）、按天（R² = .74, F(2,112) = 161.97, p < 0.001）、按周（R² = .92, F(2,14) = 81.22, p < 0.001）均显著（第 4.2 节，图 16）。\n- **对数-对数回归**：小时尺度斜率 n = 0.78（略亚线性），日尺度 n = 1.17，周尺度 n = 1.15（略超线性），说明时间聚合尺度影响关系形态（第 4.2 节）。\n- **时间效应**：OLS 回归中，峰值时间余弦分量不显著（p = .22），但峰值前后正弦分量显著（p < .001）；ANOVA 显示星期几显著影响每千占用碰撞数（p < .001）。相对周平均值，周五（+24.53%）和周六（+51.90%）碰撞率更高，周一（-17.13%）、周二（-32.37%）、周三（-12.07%）更低（第 4.2 节，图 17）。\n\n#### 2.3 空间分析\n\n- **占用与碰撞分布**：占用集中在走廊、楼梯底部、座位区和电梯附近；碰撞高发区为楼梯底部、座位区周围和电梯附近，其中电梯周围包含超过 2,000 次碰撞（占全学期 14,022 次的 14.2%）；走廊、边缘空间和出口处碰撞较少（第 4.3 节，图 18）。\n- **GLR 结果**：1 米渔网上占用与碰撞显著相关（R² = .598, F(3,785) = 390.02, p < 0.001）。残差显示：左侧和中央走廊及楼梯处碰撞低于预期；右侧走廊（有教室和艺术品展示）与预期相当；高占用座位区低于预期，但许多其他座位区高于预期；楼梯底部、社区集会中心（常举办活动）和电梯处高于预期（第 4.3 节，图 19）。\n- **GWR 结果**：考虑空间自相关后，R² 提高到 .84（第 4.3 节）。\n- **“摩擦效应”分析**：在西部走廊用 0.10 米网格线分析，碰撞在靠座位一侧更高，且呈双峰分布；速度梯度和占用在走廊中心最高，靠座位一侧速度下降更陡；碰撞在走廊中心和座位区边缘最少（第 4.3 节，图 20）。\n- **每千占用碰撞数**：对距走廊中心距离做 OLS，靠座位一侧 R² = 0.76（p < 0.001），无座位一侧 R² = 0.62（p < 0.001）；两侧均在距中心 2.5 米后下降（第 4.3 节，图 21）。\n\n### 3. 与基线/代表性先前工作的比较\n\n- 本文没有直接与某个现成碰撞检测算法进行基准对比；其“基线”是人工现场观察和基于原始 lidar 帧的动画回放验证（第 3.5.1、4.1 节）。\n- 与 Harari 等（2020）的对话频率研究一致：年轻人对话在周五/周六最高、周二最低，且下午/晚上高于早晨/夜间；本文的碰撞周内和日内模式与之吻合（第 5.1 节）。\n- 与 Pacchierotti 等（2005）提出的公共空间社交互动距离 1.2–3.5 米相比，本文采用 1.5 米空间阈值；作者指出若增大到 2.5 米可提高召回但增加误报（第 5.1、5.3 节）。\n- 与 Teixeira 等（2010）的人类感知五级指标（presence, count, location, track, identity）框架对应，本文使用 lidar 对象跟踪数据实现到 track 级别，并刻意不保留 identity 以保护匿名性（第 2.2、3.3 节）。\n- 与 Karki（2024）基于深度学习和 OpenCV 的替代跟踪方法相比，本文使用 Blickfeld Percept 商业跟踪软件；作者认为未来可结合或替换以提升碰撞检测精度（第 5.2、5.3 节）。\n\n### 4. 消融/敏感性/跨论文差异综合\n\n- **算法过滤器敏感性**：碰撞检测算法由五个连续过滤器组成——位移过滤器（总位移 ≥ 4 米）、运动过滤器（速度 < 0.3 m/s 且减速）、时空过滤器（两人距离 ≤ 1.5 米）、航向过滤器（航向差 > 90°）、去重过滤器（2 米/5 秒内合并）（第 3.4.1–3.4.6 节，图 12）。\n- **阈值敏感性讨论**：作者在开发中迭代测试了不同阈值。空间阈值大于 1.5 米会显著提高假阳性率，小于 1.5 米会漏掉无身体接触的互动；航向阈值 90° 能最好地平衡误报与主要交通走廊方向；速度阈值 0.3 m/s 用于平衡“擦肩而过”与真实停留互动（第 3.4.2–3.4.4 节）。\n- **未做全参数优化**：作者明确说明“未对参数值进行全面优化”（第 5.3 节），因此本文没有正式消融实验；敏感性分析主要体现为阈值讨论和放宽空间阈值至 2.5 米的影响估计（第 5.1 节）。\n- **Percept 参数敏感性**：Percept 软件参数（动态背景、初始化帧数、指数衰减、最小权重阈值、邻域点数/半径、均值漂移聚类、最小簇点数、对象平均半径等）经过长时间测试以“最大化检测率并最小化误报”（第 3.3 节，表 1）。\n- **数据缺失/中断**：研究期内有 4 次传感器中断（09/21 18:00–09/22 11:00、09/29 22:00 不足 1 小时、10/10 21:00–10/11 14:00、11/06 16:00–11/07 12:00），可能影响局部时段统计（第 3.3 节）。\n- **跨论文差异综合**：与 Harari 等（2020）的对话行为模式一致；与 Pacchierotti 等（2005）的社交距离范围相比，本文阈值偏保守；与 Karki（2024）的替代跟踪方法相比，本文依赖 Percept 的局限（静止对象丢失、UUID 重分配）导致静止碰撞和聚合碰撞漏检率较高（第 5.2、5.3 节）。\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：下一步可探索的方向\n\n### 理论方向\n\n- **空间-地方动态与碰撞频率的因果机制**：论文发现碰撞在学期初最高、随后下降并趋于平稳，与 H2 的线性增长假设不符（第 4.2 节、第 5.1 节）。下一步可建立更精细的理论模型，区分三种可能解释：学生社交圈变窄、碰撞变得更微妙而难以被算法捕捉、或碰撞转移到宿舍等非公共空间。可结合纵向行为日志或访谈数据验证这些机制，从而将碰撞频率变化与 place-making 理论更紧密地联系起来（第 2.6 节）。\n- **尺度效应与 MAUP/MTUP/UGCoP 的深化**：论文已指出空间和时间聚合尺度会影响碰撞-占用关系（第 2.4 节、第 5.1 节），但未系统量化这种尺度敏感性。下一步可设计多尺度分析（如 0.1 m、1 m、5 m 网格；小时、天、周聚合），绘制 R² 随尺度变化的曲线，并引入 UGCoP 框架讨论个体活动空间与碰撞语境的不确定性，从而为室内地理分析提供尺度选择指南。\n- **摩擦效应与行为地理学理论整合**：论文发现走廊边缘、座位区附近碰撞呈双峰分布，支持 H3 的边界/摩擦效应（第 4.3 节、图 20-21）。下一步可将 least-angle strategy、space syntax、least risk path 等行为地理学模型（第 2.3 节）用于预测碰撞热点，形成可检验的空间配置假设，例如：在移动通道与停留区交界处设置视觉或物理障碍是否会系统性地改变碰撞分布。\n\n### 工程方向\n\n- **算法并行化与可扩展性**：论文将 18 GB 数据拆成 20 份、耗时约 5.5 小时完成处理（第 3.4 节）。下一步可重构为分布式计算或 GPU 加速流程，并设计增量式处理管道，使碰撞检测能够接近实时运行，为建筑管理或现场干预提供及时反馈。\n- **过滤器与参数优化**：论文指出当前 1.5 m 空间阈值、0.3 m/s 速度阈值和 90° 航向差阈值是经验调优结果（第 3.4.2-3.4.4 节），且未做全参数优化（第 5.3 节）。下一步可引入网格搜索、贝叶斯优化或基于模拟数据的最优化方法，并参考 Pacchierotti 等提出的 1.2-3.5 m 社交距离范围来调整阈值，以在误报率和漏报率之间取得更优平衡。\n- **跟踪器融合与 UUID 重关联**：Percept 在对象静止约 15 秒后会丢失跟踪，重新移动时分配新 UUID（第 5.2 节），这导致静止碰撞和 conjoining 碰撞难以检测。下一步可结合 Karki (2024) 的深度学习和 OpenCV 跟踪结果，或实现 UUID 重关联算法，将同一人的新旧轨迹连接起来，从而支持更完整的碰撞类型检测（第 5.3 节）。\n- **多模态传感器融合**：论文建议加入声学传感器，通过音量与方向三角定位来验证碰撞是否发生，同时保持匿名性（第 5.3 节）。工程上可设计一个低功耗音频阵列同步系统，将声音事件的空间坐标与 lidar 碰撞候选点进行时间-空间匹配，以降低误报率。\n\n### 数据与评估方向\n\n- **更完整的 ground truth 与召回率估计**：当前性能评估仅基于 12 小时人工观察和 3 小时动画回放，且无法可靠估计 false negatives（第 3.5.1 节、第 4.1 节）。下一步可设计受控实验，例如安排志愿者按脚本执行已知碰撞，或使用多视角视频同步标注，从而计算精确率、召回率和 F1 分数，并量化不同碰撞类型（two-way、conjoining、stationary）的检测差异。\n- **高密度与事件场景的分层评估**：论文指出算法在事件和高密度时段表现较差，且事件过滤器会删除大量碰撞（第 3.4.6 节、第 5.2 节）。下一步应收集事件日程表，将数据分为事件/非事件时段，分别评估算法性能，并开发更细粒度的事件分类器，以区分计划性互动与自发性碰撞。\n- **跨学期、跨场地与自然实验数据**：当前研究仅覆盖 2023 秋季一个学期、一个建筑（第 3.2 节）。下一步可收集春季学期数据、其他建筑数据，或利用家具移动、临时障碍、展览布置等自然实验（第 5.3 节），检验碰撞-占用关系、摩擦效应和空间-地方动态的普适性。\n- **时间滞后与外部变量建模**：论文发现碰撞峰值比占用峰值晚 2-3 小时（第 4.2 节），且星期几显著影响碰撞率（第 4.2 节）。下一步可引入课程表、天气、校园活动、传感器中断记录（第 3.3 节）等外部变量，使用滞后回归、格兰杰因果检验或时间序列模型，检验占用与碰撞之间的方向性和因果性，而不仅是相关性。\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## 模块C7：现实世界使用中的表现\n\n### 部署约束\n\n- **硬件/传感器部署**：11台Blickfeld Cube 1前向激光雷达固定安装于CID Community Assembly天花板（第3.3节），需以太网供电/通信，通过本地网络UI或Python API配置；每台视场70°×30°，有效范围1.5–75 m，帧率1.5–50 Hz（第3.3节）。部署需保证天花板安装位置、电源/网络布线、视场覆盖与多传感器时间同步。\n- **场地与时段**：研究区域为弗吉尼亚理工CID一楼公共空间（Community Assembly），数据采集自2022年8月起，本研究的分析时段为2023年8月21日至12月13日（第3.2、3.3节）。实际部署需考虑建筑平面、家具布局、人流通道；文中指出家具移动会改变走廊和碰撞模式（第5.2节）。\n- **数据规模与存储**：Percept日志以JSON或protobuf/MQTT输出；典型一天约800–1000 MB纯文本JSON，整个学期二进制数据18 GB（第3.3、3.4节）。长期部署需要大容量存储、数据备份与日志轮转。\n- **传感器故障/中断**：研究期间出现4次传感器软件停录（9/21 18:00–9/22 11:00、9/29 22:00不足1小时、10/10 21:00–10/11 14:00、11/6 16:00–11/7 12:00）（第3.3节）。现实部署需监控传感器健康状态、自动告警与冗余设计。\n\n### 计算与延迟影响\n\n- **实时跟踪**：Percept为实时对象跟踪软件，基于运动检测，输出带时间戳的位置(x,y)、体积、速度等（第3.3节）。因此原始跟踪阶段可实时，但碰撞检测算法是离线后处理。\n- **离线处理成本**：碰撞检测算法用Python（Numpy/Pandas/Geopandas/Scipy）处理115天数据，分成20等份并行/分块处理，在Dell Precision 5820（Intel Core i9-10980XE @ 3.00GHz，256 GB RAM）上约5.5小时完成（第3.4节）。若需实时碰撞告警，需将算法流水线化、优化并行化并降低延迟；论文未来工作也提到改进并行化、优化和可扩展性（第5.3节）。\n- **参数与调优**：Percept参数（表1）和算法阈值（位移≥4 m、速度<0.3 m/s、距离≤1.5 m、航向差>90°、去重2 m/5 s）经过人工迭代调优（第3.4节）。现实部署中不同场地需重新标定，计算资源需求会随传感器数量、空间大小和人流量增长。\n\n### 鲁棒性与安全性问题\n\n- **检测鲁棒性**：算法对两向碰撞的估计准确率约78.7%（127次检测中68.5%确定真阳性、11.0%确定假阳性、20.5%不明确；假设一半不明确为真则78.7%），两向碰撞假阴性率约46%，conjoining碰撞未检出，stationary碰撞不可靠（第4.1、5.1、6节）。高密度时段算法表现更差，验证也更困难（第5.2节）。\n- **跟踪软件限制**：Percept在人员静止约15秒后会丢弃跟踪对象，重新移动时分配新UUID，导致静止/汇合碰撞难以匹配（第3.4、5.2节）。这会影响长时间停留场景的计数。\n- **事件与人群干扰**：计划性活动、群体碰撞会虚增碰撞数；去重过滤器（2 m/5 s）只能部分缓解（第3.4.6、5.2节）。现实部署需结合事件日历或密度分类来区分自发与计划互动。\n- **隐私与安全**：lidar低分辨率、无颜色，保留匿名性；离开再进入不会恢复原UUID（第3.3节）。但持续监控公共空间仍可能引发隐私/监控伦理问题；需明确数据保留政策、访问控制和知情同意。论文未讨论数据安全加密、脱敏存储等细节。\n- **安全风险**：系统本身无主动干预，但若用于实时人群管理或建筑运营，误报/漏报可能误导决策；例如电梯口、楼梯底部等热点区域碰撞密集（第4.3节），若据此调整设计需谨慎。\n\n### 可维护性\n\n- **软件依赖**：算法依赖开源Python生态（Numpy、Pandas、Geopandas、Scipy）和Blickfeld Percept专有软件；Percept参数需通过Blickfeld UI/Python API维护（第3.3、3.4节）。专有组件可能限制长期可维护性和可移植性。\n- **代码与文档**：算法代码在附录A中，但提供的文档未包含附录A；论文给出流程图（图12）和过滤器说明，但缺少完整代码、配置文件和数据集链接（第3.4节）。现实部署需要版本控制、单元测试、参数配置文档和可复现的构建环境。\n- **场地变更维护**：家具布局变化会改变移动走廊和碰撞模式（第5.2节），因此部署后需定期重新校准传感器、更新背景模型和算法阈值；Percept的动态背景（混合高斯）和对象参数（表1）需随环境调整。\n- **可扩展性**：当前处理方式为分块离线处理，未来工作建议改进并行化/优化/可扩展性（第5.3节）。若扩展到更多楼层或建筑，需考虑分布式计算、流式处理和自动化运维。\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## 总结段落\n\n本研究利用弗吉尼亚理工大学 CID 社区集会空间内 11 台 Blickfeld Cube 1 激光雷达在 2023 秋季学期采集的 Percept 对象跟踪数据，提出并验证了一种基于 Python 的碰撞检测算法（第3.3-3.4节）。算法通过位移、运动、时空、航向和去重五个过滤器，识别两人或多人“移动后共同减速并停留”的偶然互动（第3.4.1-3.4.6节）。在 115 天、约 6700 万人-秒的数据中检测到 14,022 次碰撞，平均每天 121.9 次（第4.1节）。人工验证显示约 78.7% 的检测为真阳性，但双向碰撞的假阴性率约 46%，且无法可靠检测静止型和汇合型碰撞（第4.1节）。时间上，碰撞在学期初最高，随后下降；占用在工作日/下午达到峰值，而碰撞在周五/周六和傍晚/夜间达到峰值，存在 2-3 小时滞后（第4.2节，图15）。空间上，碰撞集中在电梯、楼梯底部和座位区边缘，走廊中心较少，支持“移动-暂停边界摩擦”假设（第4.3节，图18-21）。总体而言，激光雷达对象跟踪可用于量化共享室内空间中的偶然互动，为空间-地方转化和建筑设计提供证据（第6节）。\n\n## 五个关键要点\n\n1. **碰撞检测算法可操作化**：五个过滤器（位移≥4 m、速度<0.3 m/s且减速、间距≤1.5 m、航向差>90°、去重2 m/5 s）能有效检测双向碰撞，但漏检率较高（双向碰撞假阴性率约46%）（第3.4节、第4.1节）。\n2. **占用与碰撞强相关**：按小时/天/周聚合的 R² 分别为 0.76、0.74、0.92；log-log 斜率分别为 0.78、1.17、1.15，显示关系随聚合尺度变化（第4.2节，图16）。\n3. **时间模式**：碰撞在学期初最高、期中下降、感恩节后反弹；碰撞峰值比占用晚 2-3 小时，且周五/周六的每千占用碰撞率显著高于周一至周三（第4.2节，图15、17）。\n4. **空间模式**：电梯周围贡献了 14.2% 的碰撞且每占用碰撞率最高；楼梯底部和社区集会中心高于预期，走廊和部分高占用座位区低于预期（第4.3节，图18-19）。\n5. **设计启示**：碰撞更多发生在移动与暂停区域的边界而非通道中心；座位区一侧的速度梯度更陡、碰撞更多，支持通过空间设计促进偶然互动（第4.3节，图20-21；第5.1节）。\n\n## 核心公式/机制\n\n碰撞检测的核心判定条件（第3.4节）可写为：\n\n\\[ \\text{Collision}(i,j,t) = \\mathbb{1}\\big[ D_i \\ge 4\\,\\text{m} \\land D_j \\ge 4\\,\\text{m} \\land v_i(t),v_j(t) < 0.3\\,\\text{m/s} \\land a_i(t),a_j(t) < 0 \\land \\|\\mathbf{x}_i(t)-\\mathbf{x}_j(t)\\| \\le 1.5\\,\\text{m} \\land |\\Delta\\theta_{ij}(t)| > 90^\\circ \\big] \\]\n\n其中 \\(D\\) 为 UUID 生命周期内的总位移，\\(v\\) 为瞬时速度，\\(a\\) 为加速度，\\(\\mathbf{x}\\) 为位置，\\(\\Delta\\theta\\) 为两人航向差。满足条件后，再对同一对 UUID 在 2 m 和 5 s 内去重，以避免群体事件和重复计数。\n\n占用与碰撞的经验关系可近似为幂律：\n\n\\[ C \\propto O^{\\beta}, \\quad \\beta_{\\text{hour}}=0.78,\\ \\beta_{\\text{day}}=1.17,\\ \\beta_{\\text{week}}=1.15 \\]\n\n该公式表明碰撞-占用关系具有尺度依赖性（对应 MAUP/MTUP 讨论）。\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## 结构树\n\n- **第1节 引言**：研究背景、RQ1/RQ2（第1.1节）、H1-H3（第1.2节）\n- **第2节 背景**：室内地理学（2.1）、室内人类/物体追踪（2.2）、行为地理学与人类生态学（2.3）、时空分析（2.4）、物理环境对表现与协作的影响（2.5）、大学环境中的空间-地方动态（2.6）\n- **第3节 方法**：研究目标（3.1）、研究区域与时段（3.2）、CID中的激光雷达与对象追踪（3.3）、碰撞检测（3.4，含3.4.1-3.4.7子步骤）、分析（3.5，含算法评估/时间分析/空间分析）\n- **第4节 结果**：算法性能（4.1）、时间分析（4.2）、空间分析（4.3）\n- **第5节 讨论**：总体讨论（5.1）、局限性（5.2）、未来工作（5.3）\n- **第6节 结论**\n- **参考文献**\n\n## 方法/系统分解\n\n- **输入**：11台Blickfeld Cube 1激光雷达（70°×30°视场角，1.5-75m范围，1.5-50Hz）在CID Community Assembly采集；Percept对象追踪软件输出JSON日志，含时间戳、x/y坐标、体积、速度、UUID；研究时段为2023-08-21至2023-12-13，共115天，约6700万person-seconds，原始二进制数据约18GB（第3.2、3.3、4.1节）。\n- **输出**：碰撞事件表/Shapefile，每条记录包含双方UUID、碰撞时间戳、两人几何位置的空间平均；全学期共检测到14,022次碰撞（日均121.9次，每小时5.1次）（第3.4.5、4.1节）。\n- **处理流程**：将18GB数据拆分为20等份，分别运行算法后合并；在Dell Precision 5820（Intel Core i9-10980XE @ 3.00GHz，256GB RAM）上总耗时约5.5小时（第3.4节）。\n- **算法模块（第3.4.1-3.4.7节）**：\n  1. **位移过滤器（Displacement Filter）**：按UUID分组，剔除总位移<4m的轨迹，去除噪声和短暂非人对象（如移动椅子）。\n  2. **运动过滤器（Movement Filter）**：仅保留瞬时速度<0.3 m/s且正在减速（加速度为负）的数据点，对应“停下交谈”的运动特征。\n  3. **时空过滤器（Spatiotemporal Filter）**：在同一时间戳下，保留与其他UUID距离≤1.5m的点，作为两人接近的判据。\n  4. **航向过滤器（Heading Filter）**：用3秒滚动平均计算航向（Scipy圆统计），要求两人航向差>90°，排除结伴同行或通道瓶颈造成的假阳性。\n  5. **生成碰撞（Creating Collisions）**：匹配满足上述条件的UUID对，记录碰撞事件（双方UUID、时间戳、空间平均几何）。\n  6. **去重过滤器（Duplication Removal Filter）**：删除5秒内且距离<2m的后续碰撞，避免群体事件和同一对人多次计数。\n  7. **时间戳调整（Timestamp Adjustment）**：将UTC转换为本地时间，并在2023-11-05冬令时后对碰撞时间戳加1小时。\n- **训练/推理流程**：本方法无监督、无训练损失；算法参数通过12次、每次1小时的现场观察（记录35次碰撞）及合作者提供的碰撞时间地点进行人工调参（第3.4节）。\n- **分析流程**：时间上按周、星期几、小时聚合，用多元OLS回归（含正弦/余弦循环时间项）检验碰撞与占用关系；空间上用1m渔网做广义线性回归（GLR）和地理加权回归（GWR），并用0.1m横向网格线分析“运动摩擦”与碰撞的关系（第3.5节）。\n\n## 重要图表解读\n\n- **Figure 12（算法流程图）**：直观展示碰撞检测算法的流水线：Percept数据→位移过滤→运动过滤→时空过滤→航向过滤→生成碰撞→去重→时间调整。该图是理解方法核心的入口，说明每个过滤器按顺序缩小候选集，最终输出碰撞事件。\n- **Figure 15（时间模式）**：四联图展示（a）每日碰撞数在学期初最高、9月中旬后下降，感恩节后反弹；（b）按周聚合的碰撞与占用均随学期下降，并在秋假、感恩节、期末出现低谷；（c）按星期几归一化后，占用在工作日最高，而碰撞在周五/周六最高；（d）按小时看，占用在15:00左右达峰，碰撞在17:00-20:00达峰，存在2-3小时滞后。该图直接支持H1（碰撞与占用相关）并否定H2（线性增长）。\n- **Figure 18（空间分布）**：1m渔网上的占用（a）和碰撞（b）显示，占用集中在走廊、楼梯底部、座位区和电梯；碰撞高发区为楼梯底部、座位区周围和电梯（电梯附近超过2,000次，占全学期14.2%），走廊和边缘空间碰撞低。该图支持H3中“运动与暂停区域边缘”的假设。\n- **Figure 19（GLR残差）**：在控制占用后，左/中走廊和部分高占用座位区碰撞低于预期；电梯、楼梯底部和Community Assembly中心碰撞高于预期。该图用于识别“超出流量预期”的碰撞热点，是空间分析的关键证据。\n- **Table 1（Percept参数）**：列出动态背景（混合高斯）、初始化帧数10、指数衰减0.005、最小权重阈值0.17、邻域点数3、邻域半径0.5m、均值漂移聚类、最小簇点数30、对象平均半径0.33m。这些参数决定对象追踪质量，进而影响碰撞检测的输入数据质量。\n\n## 实验/评估细节\n\n- **评估数据集**：从115天数据中选取3个各1小时时段（低/中/高占用），算法共检测到127次碰撞；另在12小时现场观察中记录11次两向碰撞和6次汇合碰撞（第3.5.1、4.1节）。\n- **指标与结果**：\n  - 真阳性率68.5%，假阳性率11.0%，不确定20.5%；若将一半不确定视为真，估计准确率78.7%（第4.1节）。\n  - 两向碰撞假阴性率约46%（11次中检测到6次）；6次汇合碰撞全部漏检，假阴性率>50%；静止碰撞未可靠检测（第4.1、6节）。\n- **对比目标**：无现成baseline；以人工视频/动画复核和现场观察为参照。未做系统消融，但开发中测试了不同阈值（如1.5m vs 2.5m、0.3 m/s、90°航向差）对假阳性/假阴性的影响（第3.4.2-3.4.4、5.1节）。\n- **统计检验**：\n  - 占用与碰撞按小时/天/周聚合的二阶多项式拟合：R²=0.76（F(2,2672)=4128.97, p<0.001）、R²=0.74（F(2,112)=161.97, p<0.001）、R²=0.92（F(2,14)=81.22, p<0.001）（第4.2节）。\n  - 对数-对数斜率：小时n=0.78（亚线性），日n=1.17、周n=1.15（超线性）（第4.2节）。\n  - OLS循环时间项：峰值时间余弦项p=0.22不显著，峰值前后正弦项p<0.001显著（第4.2节）。\n  - 星期几对每千占用碰撞数ANOVA p<0.001；周五+24.53%、周六+51.90%高于周均值，周一-17.13%、周二-32.37%、周三-12.07%（第4.2节）。\n  - 空间GLR：R²=0.598（F(3,785)=390.02, p<0.001）；GWR R²=0.84（第4.3节）。\n  - 走廊两侧0.1m网格线OLS：有座位侧R²=0.76（p<0.001），无座位侧R²=0.62（p<0.001）（第4.3节）。\n- **公平性**：未涉及人群属性分析；激光雷达匿名化设计保护隐私，但算法可能对不同密度、不同碰撞类型存在系统性偏差（第5.2节）。\n\n## 方法图（适用于method论文）\n\n```text\nPercept JSON (11 lidar sensors)\n        ↓\n[Displacement Filter: 总位移 ≥ 4m]\n        ↓\n[Movement Filter: 速度 < 0.3 m/s 且减速]\n        ↓\n[Spatiotemporal Filter: 同一时刻距离 ≤ 1.5m]\n        ↓\n[Heading Filter: 航向差 > 90°]\n        ↓\n[Creating Collisions: 匹配UUID对并记录]\n        ↓\n[Duplication Removal: 5s内且2m内去重]\n        ↓\n[Timestamp Adjustment: UTC→本地, DST+1h]\n        ↓\nCollision Shapefile / GeoDataFrame\n```\n\n## 关键结论与推理链\n\n- **碰撞可被激光雷达数据算法化检测**：基于位移、运动、时空、航向、去重五类过滤器，最终得到14,022次碰撞；验证显示低假阳性率（11.0%）但较高假阴性率（两向46%），说明检测结果是真实碰撞的一个保守样本（第4.1、6节）。\n- **H1成立**：占用与碰撞在小时、日、周尺度上均强相关（R²=0.76/0.74/0.92），空间GLR也显著（R²=0.598），但存在局部时空差异（第4.2、4.3节）。\n- **H2不成立**：碰撞频率在学期初最高，随后下降并趋于平稳，而非线性增加；感恩节后虽有反弹，但整体不支持“线性增长”假设（第4.2、5.1节）。\n- **H3成立**：碰撞在电梯、楼梯底部、座位区边缘等“运动-暂停边界”高于预期；走廊有座位一侧的碰撞/占用比高于无座位一侧，且呈双峰分布（第4.3、5.1节）。\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## 1. 可重建性（Reconstructability）\n\n- **数据与处理**：研究使用 11 台 Blickfeld Cube 1 激光雷达的 Percept 对象跟踪输出（JSON 日志），覆盖 2023 年 8 月 21 日至 12 月 13 日共 115 天，约 6700 万 person-seconds 数据；原始二进制数据约 18 GB，被拆分为 20 个等份并行处理，总耗时约 5.5 小时（第 3.3、3.4 节）。\n- **算法流程**：第 3.4 节和第 3.4.1–3.4.7 节描述了五个主要过滤器：位移过滤、运动过滤、时空过滤、航向过滤、去重过滤，以及时间戳调整；图 12 给出了流程图。\n- **伪代码重构**：由于附录 A（Python 代码）未包含在提供的文本中，以下伪代码是根据论文文字描述重构的：\n\n```python\n# 输入: Percept 轨迹 GeoDataFrame (UUID, timestamp, x, y, vx, vy)\n# 输出: 碰撞事件 GeoDataFrame (UUID_pair, timestamp, geometry)\n\n1. 按 UUID 分组\n2. 位移过滤 (3.4.1):\n   for each UUID:\n       if max_distance(first_point, any_point) < 4 m:\n           remove UUID\n3. 运动过滤 (3.4.2):\n   compute speed = sqrt(vx^2 + vy^2)\n   compute acceleration = diff(speed)\n   keep points where speed < 0.3 m/s and acceleration < 0 (decelerating)\n4. 时空过滤 (3.4.3):\n   for each timestamp:\n       for each pair of UUIDs:\n           if distance < 1.5 m:\n               keep pair\n5. 航向过滤 + 创建碰撞 (3.4.4, 3.4.5):\n   compute rolling 3s heading (circular mean)\n   for each candidate pair:\n       if angular_difference(heading1, heading2) <= 90°:\n           remove pair\n       else:\n           record collision at spatial average of positions\n6. 去重过滤 (3.4.6):\n   sort collisions by time\n   for each collision:\n       remove subsequent collisions within 5 s and 2 m\n7. 时间戳调整 (3.4.7):\n   if timestamp after 2023-11-05 02:00 UTC:\n       subtract 1 additional hour (UTC-4 -> UTC-5)\n```\n\n- **重建限制**：附录 A 的原始代码、Percept 参数调优细节、传感器原始点云和视频动画均未提供；因此无法完全复现算法实现，只能依据文字描述重建逻辑。\n\n## 2. 假设（Assumptions）\n\n- **碰撞的操作化定义**：碰撞被定义为两个或以上个体在空间中相遇并发生有意义的互动，其时空特征为“分别移动—减速—共同停留”；算法只依赖时空特征，不包含声音或语义信息（第 3.4 节）。\n- **Percept 轨迹代表真实行人**：位移过滤假设移动距离小于 4 米的轨迹主要是噪声或非人物体（如被移动的椅子），而非真实行人（第 3.4.1 节）。\n- **速度阈值有效性**：0.3 m/s 的减速阈值能够区分“正在发生的碰撞”与“单纯路过”；该阈值是在误报与漏报之间折中选取的（第 3.4.2 节）。\n- **1.5 米距离阈值有效性**：1.5 米以内的同时停留被视为潜在互动；大于该距离的互动（如隔空挥手）不会被检测（第 3.4.3、5.2 节）。\n- **航向差大于 90 度代表自发性**：该假设用于排除结伴同行、教室门口或电梯口等瓶颈处的计划性停留（第 3.4.4 节）。\n- **去重过滤将群体互动视为一次碰撞**：5 秒和 2 米内的重复碰撞被合并，以避免群体事件导致碰撞计数膨胀（第 3.4.6 节）。\n\n## 3. 失败模式或盲点（Failure Modes / Blind Spots）\n\n- **高漏报率**：算法对双向碰撞的漏报率估计为 46%；6 次 conjoining 碰撞全部未被检测；stationary 碰撞基本无法可靠检测。因此检测到的 14,022 次碰撞很可能低估了真实碰撞数量（第 4.1、6 节）。\n- **高密度与活动场景表现不佳**：在计划性社交活动或高密度时段，算法误报率上升，且人工验证困难；事件过滤虽能抑制部分误报，但也可能删除真实碰撞（第 5.2 节）。\n- **Percept 跟踪丢失静止目标**：Percept 会在人静止约 15 秒后丢弃对象，重新移动时赋予新 UUID，导致静止碰撞无法匹配，并可能造成同一对个体的碰撞被重复计数或漏计（第 5.2、5.3 节）。\n- **尺度效应与验证盲区**：空间分析采用 1 米渔网和 0.1 米网格线，时间聚合采用小时/天/周，MAUP/MTUP 可能影响结论；验证仅基于三小时动画（低/中/高占用各一小时），且无法评估真阴性率（第 3.5.1、5.1 节）。\n\n## 4. 优势与劣势（Strengths and Weaknesses）\n\n### 优势\n\n- **创新性与规模**：首次在学期尺度上利用地面激光雷达对象跟踪数据检测共享室内空间中的“偶遇碰撞”，覆盖 115 天、6700 万 person-seconds，检测到 14,022 次碰撞（第 4.1 节）。\n- **隐私保护**：激光雷达数据不包含颜色和身份信息，Percept 使用随机 UUID 且离开再进入会分配新 ID，保护了个人匿名性（第 2.2、3.3 节）。\n- **多级过滤降低误报**：位移、运动、时空、航向和去重过滤组合使用，估计准确率为 78.7%，确定误报率仅 11.0%（第 4.1 节）。\n- **多尺度时空分析**：同时进行小时/天/周时间分析和 1 米渔网、0.1 米网格线空间分析，并使用 OLS、GLR、GWR 等方法，提供了较全面的模式刻画（第 3.5、4.2、4.3 节）。\n- **结合实地观察**：算法开发过程中使用了 12 小时直接观察和 35 次碰撞记录作为地面真值，增强了生态效度（第 3.4 节）。\n\n### 劣势\n\n- **漏报率较高**：双向碰撞漏报率 46%，conjoining 碰撞完全无法检测，stationary 碰撞未纳入，导致结果只能视为“碰撞样本”而非全量（第 4.1、5.1、6 节）。\n- **验证方法有限**：性能评估依赖动画目视判读，且“unclear”占 20.5%，真阴性无法定义，因此准确率估计存在不确定性（第 3.5.1、4.1 节）。\n- **参数未系统优化**：速度、距离、航向等阈值是人工迭代调优的，未进行全参数空间优化；不同建筑或场景可能需要重新标定（第 5.3 节）。\n- **数据完整性与可复现性不足**：存在四次传感器中断（共约 55 小时），且附录 A 代码、原始日志和视频未公开，第三方难以复现或验证（第 3.3 节）。\n\n## 5. 下一步研究 directions（Next-Step Research Directions）\n\n- **改进算法性能与可扩展性**：优化并行化和计算效率；结合 Pacchierotti 等提出的 1.2–3.5 米社交距离范围重新调整时空阈值；利用 UUID 起点而非 3 秒滚动平均航向来判断来向；将重新出现的 UUID 与旧 UUID 关联以减少重复计数（第 5.3 节）。\n- **区分事件与非事件碰撞**：引入活动日程数据，将碰撞分类为“活动中”和“非活动中”，从而更准确地分析非正式使用模式，并减少高密度事件对统计的干扰（第 5.3 节）。\n- **融合多模态数据**：在保持隐私的前提下，增加声学传感器（仅记录音量与方向）进行声源定位，作为碰撞检测的验证通道（第 5.3 节）。\n- **开展环境干预实验**：参考 Vroman 和 Lagrange 的研究，通过有意放置视觉吸引物或调整家具布局，检验环境变化对移动路径和碰撞频率的因果影响（第 5.3 节）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## 术语表（Glossary）\n\n### 1. LiDAR（激光雷达）\n\n- **定义**：一种主动遥感技术，通过发射激光脉冲并测量其从物体反射返回的时间来测距，从而生成环境的三维点云。\n- **直觉**：像“光学雷达”，用光代替无线电波，能精确知道物体在哪里。\n- **在论文中的作用**：CID 公共空间安装了 11 台 Blickfeld Cube 1 激光雷达，用于匿名采集人员位置与运动数据（第 3.3 节）。\n- **前置知识**：主动遥感、测距原理、点云。\n\n### 2. Point cloud（点云）\n\n- **定义**：由大量三维坐标点组成的空间数据集合，表示物体表面或场景几何。\n- **直觉**：用很多“点”拼出空间的形状。\n- **在论文中的作用**：11 台传感器融合生成研究区的点云，是 Percept 对象跟踪的输入（图 8）。\n- **前置知识**：三维坐标、激光雷达扫描。\n\n### 3. Object tracking（对象跟踪）\n\n- **定义**：在连续帧中识别并关联同一对象，输出其位置、速度、轨迹等。\n- **直觉**：让计算机“盯住”每个人，记录他从哪走到哪。\n- **在论文中的作用**：Percept 软件对点云中的行人进行实时跟踪，生成带 UUID 的轨迹数据（第 3.3 节）。\n- **前置知识**：目标检测、数据关联、轨迹。\n\n### 4. Percept（Blickfeld 对象跟踪软件）\n\n- **定义**：Blickfeld 提供的实时对象跟踪软件，基于运动检测从多传感器融合点云中识别对象并输出位置、体积、速度等参数。\n- **直觉**：一个“黑盒”跟踪器，把点云变成表格化的人物轨迹。\n- **在论文中的作用**：论文使用的全部跟踪数据均来自 Percept 日志（JSON），而非自研跟踪方法（第 3.3 节）。\n- **前置知识**：对象跟踪、点云处理、参数调优。\n\n### 5. UUID（通用唯一标识符）\n\n- **定义**：Percept 为每个被跟踪对象分配的随机唯一 ID；人离开再进入会获得新 ID。\n- **直觉**：每个人的“临时身份证”，但不可跨重新出现追溯。\n- **在论文中的作用**：算法按 UUID 分组轨迹，用于位移、运动、航向等过滤；匿名性由此保证（第 3.3 节）。\n- **前置知识**：标识符、匿名化。\n\n### 6. Occupancy（占用）\n\n- **定义**：论文将其操作化为“人-秒”，即某区域在一定时间内被人员占据的总秒数。\n- **直觉**：不仅数“有几个人”，还看“人待了多久”。\n- **在论文中的作用**：作为碰撞的对照变量，用于检验 H1（碰撞与流量成正比）及空间回归（第 3.3 节）。\n- **前置知识**：时间积分、空间统计。\n\n### 7. Person-seconds（人-秒）\n\n- **定义**：占用量的单位，等于一个人占据某空间一秒的累积量。\n- **直觉**：一个人待 10 秒 = 10 人-秒；比单纯人数更能反映碰撞潜力。\n- **在论文中的作用**：用于量化占用，并与碰撞数在不同时空尺度上做回归（第 3.3 节、第 4 节）。\n- **前置知识**：单位换算、聚合。\n\n### 8. Collision（碰撞/偶然互动）\n\n- **定义**：两人或多人相遇后停下并发生有意义互动的时空模式，即 serendipitous interaction。\n- **直觉**：走廊里偶遇朋友、停下来聊天。\n- **在论文中的作用**：核心研究对象；算法检测的目标（RQ1）。\n- **前置知识**：行为地理学、空间互动。\n\n### 9. Two-way collision（双向碰撞）\n\n- **定义**：两人从不同方向走来，停下互动，然后各自继续前行。\n- **直觉**：面对面碰上，聊完各走各路。\n- **在论文中的作用**：算法主要检测的碰撞类型之一；验证中 11 次地面真值里有 6 次被检测到（第 3.4 节、第 4.1 节）。\n- **前置知识**：碰撞分类、轨迹方向。\n\n### 10. Stationary collision（静止碰撞）\n\n- **定义**：一人移动中停下，与一个原本静止的人互动，然后继续前行。\n- **直觉**：走过去找坐在座位上的人聊天。\n- **在论文中的作用**：论文未重点检测，因为 Percept 会丢失长时间静止对象，难以匹配（第 3.4 节）。\n- **前置知识**：对象跟踪的静止问题。\n\n### 11. Conjoining collision（汇合碰撞）\n\n- **定义**：两人从不同方向走来，停下互动，然后一起继续前行。\n- **直觉**：偶遇后结伴同行。\n- **在论文中的作用**：算法理论上可检测，但验证中 6 次地面真值均未被检测到，假阴性率高（第 4.1 节）。\n- **前置知识**：轨迹合并、碰撞分类。\n\n### 12. Displacement filter（位移过滤器）\n\n- **定义**：移除总位移小于 4 米的轨迹，以去除噪声和非人对象。\n- **直觉**：只保留“真正走过一段路”的人，排除椅子被挪动等干扰。\n- **在论文中的作用**：碰撞检测算法的第一步（第 3.4.1 节）。\n- **前置知识**：轨迹位移、阈值过滤。\n\n### 13. Movement filter（运动过滤器）\n\n- **定义**：保留速度低于 0.3 m/s 且正在减速的数据点，以捕捉“停下互动”的瞬间。\n- **直觉**：只关心“慢下来准备停”的人。\n- **在论文中的作用**：碰撞检测算法的第二步，用于识别运动-暂停特征（第 3.4.2 节）。\n- **前置知识**：速度、加速度、阈值。\n\n### 14. Spatiotemporal filter（时空过滤器）\n\n- **定义**：保留同一时间戳下两人距离小于 1.5 米的数据点。\n- **直觉**：两个人必须“同时同地”足够近，才算有互动可能。\n- **在论文中的作用**：碰撞检测算法的核心空间判据（第 3.4.3 节）。\n- **前置知识**：空间距离、时间同步。\n\n### 15. Heading filter（航向过滤器）\n\n- **定义**：要求两人接近时的航向差大于 90 度，以排除结伴同行或通道瓶颈造成的假阳性。\n- **直觉**：只有“从不同方向来”的相遇才算偶然碰撞。\n- **在论文中的作用**：减少计划性互动和拥堵误检（第 3.4.4 节）。\n- **前置知识**：方向角、循环统计。\n\n### 16. Duplication removal filter（去重过滤器）\n\n- **定义**：移除 5 秒内、2 米范围内的重复碰撞记录，避免群体事件被重复计数。\n- **直觉**：一群人的互动只算一次，而不是两两组合多次。\n- **在论文中的作用**：碰撞检测算法的最后一步，控制事件和群体碰撞的膨胀（第 3.4.6 节）。\n- **前置知识**：空间聚类、时间窗口。\n\n### 17. Timestamp adjustment（时间戳调整）\n\n- **定义**：将 Percept 的 UTC 时间转换为当地东部时间，并处理夏令时结束导致的一小时偏移。\n- **直觉**：把“世界标准时间”拨回本地时钟，保证时间分析正确。\n- **在论文中的作用**：确保碰撞时间与占用时间可比（第 3.4.7 节）。\n- **前置知识**：时区、夏令时。\n\n### 18. Space-place dynamics（空间-地方动态）\n\n- **定义**：地理学中“空间”是移动的场所，“地方”是人们在空间中停留并赋予意义后形成的概念。\n- **直觉**：走过的是空间，停下来产生感情的地方才是地方。\n- **在论文中的作用**：为碰撞研究提供理论动机：碰撞是空间变成地方的过程的一部分（第 2.6 节）。\n- **前置知识**：人文地理学、Tuan 的理论。\n\n### 19. Placemaking（场所营造）\n\n- **定义**：通过设计和管理公共空间，促进人们互动、归属感和意义生成的过程。\n- **直觉**：设计师“搭台”，让人与人自然相遇。\n- **在论文中的作用**：论文的应用目标：用碰撞检测评估建筑设计是否促进了互动（第 1 节、第 5 节）。\n- **前置知识**：城市设计、环境心理学。\n\n### 20. MAUP（可修改面积单元问题）\n\n- **定义**：空间分析结果可能随分析单元（如 census tract、网格）的划分方式而改变。\n- **直觉**：切土豆的方式不同，炒出来的菜可能不一样。\n- **在论文中的作用**：提醒碰撞-占用关系可能受 1 m 渔网格等尺度选择影响（第 5.1 节）。\n- **前置知识**：空间统计、聚合效应。\n\n### 21. MTUP（可修改时间单元问题）\n\n- **定义**：时间聚合方式（如小时、天、周）可能影响分析结论。\n- **直觉**：按小时看和按周看，趋势可能不同。\n- **在论文中的作用**：论文在小时、天、周三个时间尺度上分析碰撞与占用关系（第 2.4 节、第 4.2 节）。\n- **前置知识**：时间序列、聚合。\n\n### 22. UGCoP（不确定地理情境问题）\n\n- **定义**：个体实际经历的地理情境可能跨越多个预定义单元，导致情境测量不确定。\n- **直觉**：人不是被 census tract 绑死的，他上班、上学、购物在不同地方。\n- **在论文中的作用**：论文引用该概念说明应关注“真实因果相关”的空间单元，而非任意边界（第 2.4 节）。\n- **前置知识**：地理情境、空间分析。\n\n### 23. Space-time path（时空路径）\n\n- **定义**：以 x、y 表示空间位置、z 轴表示时间的连续轨迹可视化。\n- **直觉**：把“在哪”和“何时”画成一条三维线。\n- **在论文中的作用**：用于概念化碰撞的时空模式（图 11），并作为分析框架（第 2.4 节）。\n- **前置知识**：三维可视化、时间地理学。\n\n### 24. OLS regression（普通最小二乘回归）\n\n- **定义**：一种线性回归方法，通过最小化残差平方和估计因变量与自变量的关系。\n- **直觉**：画一条“最合适”的直线穿过数据点。\n- **在论文中的作用**：用于检验时间上碰撞与占用、周几、时刻的关系（第 3.5.2 节、第 4.2 节）。\n- **前置知识**：线性回归、假设检验。\n\n### 25. GLR（广义线性回归）\n\n- **定义**：论文中实际指在 1 m 渔网上以占用为解释变量、碰撞为因变量做的回归模型，用于分析空间残差。\n- **直觉**：看“哪里碰撞比预期多/少”。\n- **在论文中的作用**：生成残差图，识别电梯、楼梯底部等碰撞热点（第 3.5.3 节、第 4.3 节）。\n- **前置知识**：回归分析、残差。\n\n### 26. GWR（地理加权回归）\n\n- **定义**：一种局部回归方法，允许回归系数随空间位置变化，以处理空间非平稳性。\n- **直觉**：不同地方的关系强度可能不同，所以“因地而异”地拟合。\n- **在论文中的作用**：用于更准确地估计占用与碰撞的空间关系，R² 从 0.598 提升到 0.84（第 4.3 节）。\n- **前置知识**：空间自相关、局部回归。\n\n### 27. Fishnet（渔网格）\n\n- **定义**：将研究区划分为规则网格（论文用 1 m 网格）作为空间分析单元。\n- **直觉**：像渔网一样把地图分成小格子，逐格统计。\n- **在论文中的作用**：用于汇总占用和碰撞，并作为 GLR/GWR 的输入（第 3.5.3 节）。\n- **前置知识**：栅格、空间聚合。\n\n### 28. Mean shift clustering（均值漂移聚类）\n\n- **定义**：一种基于密度估计的非参数聚类算法，通过迭代移动窗口中心到局部密度最大处来发现簇。\n- **直觉**：像“爬山”一样往点最密的地方聚拢。\n- **在论文中的作用**：Percept 使用 Mean Shift 将点云中的点聚类为对象（表 1）。\n- **前置知识**：聚类、核密度估计。\n\n### 29. Dynamic background / Mixture of Gaussians（动态背景/高斯混合模型）\n\n- **定义**：一种背景建模方法，用多个高斯分布描述每个像素/体素的背景变化，从而分离前景运动对象。\n- **直觉**：让软件学会“哪些是背景，哪些是突然出现的人”。\n- **在论文中的作用**：Percept 的动态背景参数设置为“Mixture of Gaussians”，用于运动检测（表 1）。\n- **前置知识**：背景减除、概率模型。\n\n### 30. False positive / false negative（假阳性/假阴性）\n\n- **定义**：假阳性是算法报告了并未发生的碰撞；假阴性是算法漏掉了真实发生的碰撞。\n- **直觉**：假阳性是“冤枉好人”，假阴性是“放走坏人”。\n- **在论文中的作用**：算法验证中，假阳性率 11.0%（加 unclear 后估计准确率 78.7%），双向碰撞假阴性率 46%（第 4.1 节）。\n- **前置知识**：分类评估、混淆矩阵。\n\n## 概念依赖图（Concept Dependency Map）\n\n```text\nLiDAR 传感器\n   ↓ 点云融合\nPoint cloud\n   ↓ Percept 对象跟踪（Mean Shift、动态背景、UUID）\nTrack data（时间戳、x/y、速度、UUID）\n   ├→ 占用计算（person-seconds）→ 时空聚合 → OLS/GLR/GWR\n   └→ 碰撞检测算法\n         Displacement filter → Movement filter → Spatiotemporal filter\n         → Heading filter → Creating Collisions → Duplication Removal\n         → 碰撞数据集（14,022 个）\n              ↓\n         与占用/环境变量联合分析\n              ↓\n         时空分布、热点、摩擦效应\n              ↓\n         结合 space-place 理论解释 H1/H2/H3\n              ↓\n         讨论 MAUP/MTUP/UGCoP 对尺度的影响\n```\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## 1. 验证范围与方法\n\n- 本模块基于论文全文（摘要、方法、结果、讨论、结论、参考文献）进行内部一致性核查，并对关键事实性论断进行双重来源验证。\n- 验证方式：优先使用论文内位置（章节号、图号、表号）作为第一来源；再以论文参考文献列表中的原始文献或论文内其他交叉验证位置作为第二来源。\n- 未使用外部数据库（如 Scopus/Web of Science）进行独立检索；外部验证以论文引用的原始文献为准。\n\n## 2. 关键事实论断与来源\n\n| 论断 | 来源1（论文内） | 来源2（原始文献/交叉验证） |\n|---|---|---|\n| 美国人约87%的时间在室内度过 | 第2.1节，引用 Klepeis et al. (2001) | Klepeis et al. (2001), *Journal of Exposure Science & Environmental Epidemiology*, 11(3) |\n| 研究区为弗吉尼亚理工大学 CID 的 Community Assembly，研究期为2023年8月21日至12月13日 | 第3.2节；摘要 | Virginia Tech (2023) 设施页面；第3.3节“数据收集始于2022年8月” |\n| 使用11台 Blickfeld Cube 1 激光雷达，并采用 Percept 目标跟踪软件 | 第3.3节；图8 | Blickfeld (2021) Cube 1 产品页；Blickfeld (2021) Percept 产品页 |\n| 算法检测到14,022次碰撞，数据量约6700万 person-seconds | 第4.1节；第5.1节 | 摘要“over 14,000 collisions”；第4.1节“67 million person-seconds” |\n| 算法验证：127次检测中68.5%为确定真阳性，11.0%为确定假阳性，20.5%不明确；估计准确率78.7% | 第4.1节 | 第6节“低假阳性率（21.3%）” |\n| 两向碰撞的假阴性率估计为46%；conjoining 碰撞未被检测到 | 第4.1节 | 第6节“false negative rate (46%) for two-way collisions” |\n| 占用与碰撞在小时、日、周尺度的 R² 分别为0.76、0.74、0.92 | 第4.2节；图16 | 第4.2节 F 检验结果（p < 0.001） |\n| 占用峰值在15:00左右，碰撞峰值在17:00–20:00，存在2–3小时滞后 | 第4.2节；图15d | 第6节“2-3 hour temporal lag” |\n| 碰撞在学期初最高，之后下降并趋平；感恩节后出现反弹 | 第4.2节；图15a/15b | 第5.1节“Collisions peaked during the first five weeks” |\n| 周五、周六的每占用碰撞率高于周中 | 第4.2节；图17 | Harari et al. (2020) 发现年轻人对话频率在周五、周六最高，周二最低 |\n| 电梯周围发生超过2000次碰撞（占14.2%），每占用碰撞率最高 | 第4.3节；图18/19 | 第5.1节“the elevator ... more than 2,000 of the semester’s total collisions (14.2%)” |\n| 走廊有座位一侧比无座位一侧的每占用碰撞率更高，且呈双峰分布 | 第4.3节；图20/21 | 第5.1节“friction effect”讨论 |\n| Percept 在人员静止约15秒后会丢失目标，重新移动时分配新 UUID | 第5.2节 | 第3.4节“when people remain stationary for a long period of time, they are often lost by the software” |\n| 研究期间发生四次传感器中断 | 第3.3节 | 第3.3节列出的具体中断时间（09/21、09/29、10/10、11/06） |\n\n## 3. 冲突或不确定性说明\n\n- **“true negative rate”表述冲突**：第5.1节称“true negative rate for two-way collisions of 47%”，但第4.1节和第6节均表述为“false negative rate of 46%”。结合上下文，第5.1节应为笔误，实际含义是两向碰撞的假阴性率约46%。\n- **假阳性率口径不一致**：第4.1节给出确定假阳性11.0%、不明确20.5%；第6节称“低假阳性率（21.3%）”。21.3%实际上是“100% − 78.7%”的补数，即假设一半不明确事件为真阳性后的估计错误率，并非严格意义上的确定假阳性率。\n- **摘要与正文数字精度差异**：摘要称“over 14,000 collisions”，正文第4.1节给出精确值14,022，二者一致但精度不同。\n- **H2未被支持**：第1.2节假设碰撞频率随学期线性增加，但第4.2节和第5.1节显示碰撞在学期初最高、随后下降并趋平，因此该假设不成立。\n- **算法验证的局限性**：第3.5.1节说明无法可靠计算真阴性；假阴性率仅基于12小时现场观察中的11次两向碰撞，样本量较小；conjoining 碰撞完全未检出，stationary 碰撞未可靠检测。\n- **电梯区域可能的局部假阳性**：第5.1节指出，等待电梯的运动模式与碰撞运动模式相似，可能导致电梯附近局部假阳性偏高；但现场观察支持电梯是重要碰撞空间。\n- **尺度效应（MAUP/MTUP）**：第5.1节指出，占用与碰撞的关系随时间和空间聚合尺度变化；不同栅格大小或时间分箱可能改变结论。\n- **传感器中断影响**：第3.3节列出四次中断，合计约55小时；论文未说明是否对缺失时段进行插补，可能轻微影响总量统计。\n\n## 4. 参考列表\n\n- Ahmed, S. (1999). Home and away: Narratives of migration and estrangement. *International Journal of Cultural Studies*, 2(3), 329–347.\n- Alves, F., Santos Cruz, S., Ribeiro, A., Silva, A., Martins, J., & Cunha, I. (2020). Walkability Index for Elderly Health: A Proposal. *Sustainability*, 12, 7360.\n- Blickfeld. (2021). Cube 1—Blickfeld. <https://www.blickfeld.com/lidar-sensor-products/cube-1/>\n- Blickfeld. (2021). Percept—Blickfeld. <https://www.blickfeld.com/lidar-sensor-products/percept/>\n- Chen, J., & Clarke, K. C. (2019). Indoor cartography. *Cartography and Geographic Information Science*, 47(2), 95–109.\n- Chow, K., & Healey, M. (2008). Place attachment and place identity: First-year undergraduates making the transition from home to university. *Journal of Environmental Psychology*, 28(4), 362–372.\n- Coltekin, A., De Sabbata, S., Willi, C., Vontobel, I., Pfister, S., Kuhn, M., & Lacayo-Emery, M. (2011). Modifiable Temporal Unit Problem.\n- Günter, A., Böker, S., König, M., & Hoffmann, M. (2020). Privacy-preserving People Detection Enabled by Solid State LiDAR. *2020 16th International Conference on Intelligent Environments (IE)*, 1–4.\n- Harari, G. M., Müller, S. R., Stachl, C., Wang, R., Wang, W., Bühner, M., Rentfrow, P. J., Campbell, A. T., & Gosling, S. D. (2020). Sensing sociability: Individual differences in young adults' conversation, calling, texting, and app use behaviors in daily life. *Journal of Personality and Social Psychology*, 119(1), 204–228.\n- Karki, S. (2024). Tracking Human Movement Indoors Using Terrestrial Lidar. Virginia Polytechnic Institute and State University.\n- Klepeis, N. E., Nelson, W. C., Ott, W. R., Robinson, J. P., Tsang, A. M., Switzer, P., Behar, J. V., Hern, S. C., & Engelmann, W. H. (2001). The National Human Activity Pattern Survey (NHAPS). *Journal of Exposure Science & Environmental Epidemiology*, 11(3).\n- Mahajan, T., Singh, G., & Bruns, G. (2021). An Experimental Assessment of Treatments for Cyclical Data. Computer Science Conference for CSU Undergraduates.\n- Openshaw, S. (1983). The Modifiable Areal Unit Problem. *Concepts and Techniques in Modern Geography*, 38.\n- Otsuka, K., & Mukawa, N. (2004). Multiview occlusion analysis for tracking densely populated objects based on 2-D visual angles. *CVPR 2004*.\n- Pacchierotti, E., Christensen, H. I., & Jensfelt, P. (2005). Human-robot embodied interaction in hallway settings: A pilot user study. *ROMAN 2005*, 164–171.\n- Pingel, T. (2022). Buildtools (Version 1) [Computer software]. <https://github.com/thomaspingel/buildtools>\n- Rubin, V. L., Burkell, J., & Quan-Haase, A. (2011). Facets of serendipity in everyday chance encounters. *Information Research*, 16(3).\n- Schimpl, M., Moore, C., Lederer, C., Neuhaus, A., Sambrook, J., Danesh, J., Ouwehand, W., & Daumer, M. (2011). Association between Walking Speed and Age in Healthy, Free-Living Individuals Using Mobile Accelerometry. *PLOS ONE*, 6(8), e23299.\n- Teixeira, T., Dublon, G., & Savvides, A. (2010). A Survey of Human-Sensing: Methods for Detecting Presence, Count, Location, Track, and Identity. *ENALAB Technical Report*, 1(1).\n- Virginia Tech. (2023). Creativity and Innovation District Living-Learning Program Residence Hall. <https://facilities.vt.edu/>\n- Zlatanova, S., Sithole, G., Nakagawa, M., & Zhu, Q. (2013). Problems In Indoor Mapping and Modelling. *ISPRS Archives*, XL-4/W4, 63–68.\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## 模块 H：图表提取\n\n### 1. 图表全索引\n\n评分说明：1-5，5 为最高优先级（对理解方法/结果最关键）。\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的论断/用途 | 评分 |\n| --- | --- | --- | --- | --- | --- |\n| Figure 1 | 室内空间的不同表达：CAD、BIM、点云、纹理网格（Chen & Clarke, 2019） | 引用示意图 | 2.1 | 说明室内制图的主要表达方式 | 1 |\n| Figure 2 | 人体感知的五个时空属性：presence、count、location、track、identity（Teixeira et al., 2010） | 概念图 | 2.2 | 为对象跟踪数据层级提供概念框架 | 2 |\n| Figure 3 | 相机、雷达、激光雷达的优缺点对比（Analog Devices / dSPACE, 2017） | 对比图 | 2.2 | 支持选用 lidar 的理由（匿名性、不受光照影响、几何信息） | 1 |\n| Figure 4 | 时空棱柱（Space-Time Prism；Wu & Miller, 2001；改编自 Miller, 1991） | 概念图 | 2.3 | 说明行为地理学中的时空建模 | 1 |\n| Figure 5 | 建成环境、出行态度与出行行为之间的关联（De Vos, 2022） | 概念图 | 2.3 | 说明环境-行为关系 | 1 |\n| Figure 6 | 美国哥伦布市某女性出行时空路径，颜色表示情绪（Kwan） | 可视化 | 2.4 | 说明时空路径分析可用于跟踪数据 | 1 |\n| Figure 7 | CID 社区集会空间首层平面，红色为 lidar 数据采集范围 | 研究区地图 | 3.2 | 界定研究区域与传感器覆盖范围 | 4 |\n| Figure 8 | 11 个 lidar 传感器融合后的点云 | 数据可视化 | 3.3 | 展示传感器部署与点云覆盖 | 3 |\n| Figure 9 | CID 内一小时 Percept 轨迹示例 | 数据可视化 | 3.3 | 展示对象跟踪输出形式 | 3 |\n| Figure 10 | Percept JSON 日志截图，含每个对象的带时间戳位置与速度 | 数据格式截图 | 3.3 | 说明输入数据字段与格式 | 2 |\n| Figure 11 | 描述两向碰撞的时空路径图（蓝/红两点） | 概念/数据可视化 | 3.4 | 定义碰撞的时空特征 | 3 |\n| Figure 12 | 碰撞检测算法流程图（各过滤器顺序） | 算法流程图 | 3.4 | 方法核心：算法步骤与顺序 | 5 |\n| Figure 13 | 两帧正交 lidar 影像叠加碰撞检测结果：a 接近，b 停止互动，红点为检测到的碰撞 | 验证可视化 | 3.5.1 | 提供算法真阳性示例 | 4 |\n| Figure 14 | 走廊剖面示意图：a 座位区旁高流量通道，b 开放通道 | 示意图 | 3.5.3 | 支撑 H3 的边界/摩擦效应分析设计 | 4 |\n| Figure 15 | (a) 每日碰撞数；(b) 每周碰撞与占用；(c) 按星期归一化碰撞与占用；(d) 按小时均值与四分位 | 结果图（时间序列） | 4.2 | 展示时间分布与 H1/H2 相关模式 | 5 |\n| Figure 16 | (a) 小时、(b) 日、(c) 周尺度的占用-碰撞关系及指数趋势线 | 结果图（散点/回归） | 4.2 | 支持 H1：占用与碰撞强相关 | 5 |\n| Figure 17 | 按星期符号化的碰撞-占用散点与二次趋势线 | 结果图（散点/回归） | 4.2 | 支持星期对碰撞率的影响 | 4 |\n| Figure 18 | (a) 占用空间分布；(b) 碰撞空间分布（1 m 渔网） | 结果图（空间分布） | 4.3 | 展示碰撞与占用的空间格局 | 5 |\n| Figure 19 | GLR 残差图：走廊/部分座位低于预期，电梯/楼梯底部/社区中心高于预期 | 残差图 | 4.3 | 支持 H1/H3 的空间异质性 | 5 |\n| Figure 20 | 0.1 m 网格线上归一化平滑的平均速度、占用与碰撞（走廊两侧） | 剖面图 | 4.3 | 展示移动摩擦与碰撞的关系 | 4 |\n| Figure 21 | 走廊两侧每千占用碰撞数及四次多项式拟合 | 结果图（回归） | 4.3 | 支持 H3：座位侧碰撞率更高 | 4 |\n| Table 1 | Percept 对象跟踪软件参数设置 | 参数表 | 3.3 | 说明传感器/软件配置，影响数据质量 | 4 |\n\n### 2. 优先深度阅读（Top 5）\n\n1. **Figure 12（算法流程图）**：这是方法部分的核心。需要逐框核对五个过滤器（位移、运动、时空、航向、去重）的输入输出，并与 3.4.1-3.4.6 的文字描述对照，确认每个阈值（4 m、0.3 m/s、1.5 m、90°、2 m/5 s）在流程中的位置。该图直接决定能否复现算法。\n\n2. **Table 1（Percept 参数表）**：这些参数（动态背景、指数衰减、最小权重、邻域半径、均值漂移聚类等）决定了原始轨迹质量，是碰撞检测的上游误差来源。阅读时应关注哪些参数会影响静止目标丢失、噪声和对象 ID 切换，从而解释 46% 的假阴性率。\n\n3. **Figure 15（时间序列结果）**：包含四个子图，分别对应日、周、星期、小时尺度。应重点观察 (b) 中碰撞与占用在学期初的峰值和感恩节后的反弹，(d) 中占用峰值（15:00）与碰撞峰值（17:00-20:00）的滞后。这是 H1/H2 的主要证据。\n\n4. **Figure 18（空间分布图）**：1 m 渔网上的占用与碰撞分布。应对比 (a) 与 (b) 的热点位置，特别是电梯、楼梯底部、中央座位区与走廊的差异。该图是空间分析的基础，也是后续 GLR/GWR 残差图的输入。\n\n5. **Figure 19（GLR 残差图）**：展示扣除占用影响后碰撞偏高/偏低的区域。应结合文中标注的 1-5 号区域理解：走廊和部分座位低于预期，电梯、楼梯底部、社区中心高于预期。该图直接支持 H3 和关于电梯瓶颈的讨论。\n\n### 3. 图表关系 / 实验设置图\n\n```text\n[11× Blickfeld Cube 1 lidar 传感器]\n        ↓ 原始点云\n[Percept 对象跟踪软件（参数见表1）]\n        ↓ JSON 日志（UTC 时间戳、x/y 坐标、速度、UUID）\n[数据预处理：按 20 等分，Pandas/GeoPandas 读取]\n        ↓\n[碰撞检测算法（图12）]\n  1. 位移过滤（≥4 m）\n  2. 运动过滤（<0.3 m/s 且减速）\n  3. 时空过滤（≤1.5 m）\n  4. 航向过滤（夹角 >90°）\n  5. 生成碰撞记录\n  6. 去重过滤（2 m / 5 s）\n  7. 时间戳调整（夏令时）\n        ↓\n[14,022 个碰撞（shapefile）]\n        ↓\n[验证：动画叠加（图13）+ 人工计数]\n[时间分析：图15-17]\n[空间分析：图18-21]\n```\n\n说明：图7-10 属于数据采集与输入；图11-12 属于碰撞定义与算法；图13 属于验证；图14-21 属于分析与结果；表1 属于上游参数配置。\n\n### 4. 图表到结论的映射\n\n| 结论 | 支撑图表 | 文中定位 |\n| --- | --- | --- |\n| 碰撞检测算法可运行于 lidar 对象跟踪数据，检测到 14,022 次碰撞 | Figure 12, Figure 13, Table 1 | 3.4, 4.1 |\n| 算法估计准确率 78.7%，假阳性率 21.3%，两向碰撞假阴性率 46%，合流碰撞假阴性率 >50% | Figure 13, Figure 12 | 4.1, 6 |\n| 占用与碰撞在小时/日/周尺度强相关（R²=0.76/0.74/0.92） | Figure 15, Figure 16 | 4.2 |\n| 碰撞在学期初最高，随后下降并趋于平稳；感恩节后反弹；H2（线性增长）不成立 | Figure 15a, Figure 15b | 4.2, 5.1 |\n| 占用在 15:00 左右最高，碰撞在 17:00-20:00 最高，存在 2-3 小时滞后 | Figure 15d | 4.2, 6 |\n| 星期五和星期六的每占用碰撞率显著高于星期一至星期三 | Figure 15c, Figure 17 | 4.2 |\n| 碰撞空间上集中于电梯、楼梯底部和座位区，走廊和边缘空间较低 | Figure 18 | 4.3 |\n| 电梯周围碰撞超过 2,000 次（14.2%），每占用碰撞率最高 | Figure 18, Figure 19 | 4.3, 5.1 |\n| 扣除占用影响后，走廊和部分高占用座位区碰撞低于预期；电梯、楼梯底部、社区中心高于预期 | Figure 19 | 4.3 |\n| 走廊座位侧存在摩擦效应：碰撞在座位侧更高，且呈双峰分布 | Figure 20, Figure 21 | 4.3, 5.1 |\n| H3 成立：碰撞更可能发生在移动区与暂停区的边界 | Figure 14, Figure 20, Figure 21 | 3.5.3, 5.1 |"
}