{
"paper_id": "f633428bfe16ab55f6e5c9fb6c249faf",
"paper_title": "Lidar-Based Detection and Analysis of Serendipitous Collisions in Shared Indoor Spaces",
"paper_authors": [
"Addison H. Flack",
"Thomas J. Pingel",
"Timothy D. Baird",
"Shashank Karki",
"Nicole Abaid"
],
"publication_date": "2025-09-18",
"publication_venue": "Remote Sensing",
"abstract": "Indoor environments significantly influence human interaction, collaboration, and well-being, yet evaluating how architectural designs actually perform in fostering social connections remains challenging. This study demonstrates the use of 11 static-mounted lidar sensors to detect serendipitous encounters—collisions—between people in a shared common space of a mixed academic-residential university building. A novel collision detection algorithm achieved 86.1% precision and detected 14,022 interactions over 115 days (67 million person-seconds) of an academic semester. While occupancy strongly predicted collision frequency overall ( $R^2 \\geq 0.74$), significant spatiotemporal variations revealed the complex relationship between co-presence and social interaction. Key findings include the following: (1) collision frequency peaked early in the semester then declined by ~25% by mid-semester; (2) temporal lags between occupancy and collision peaks of 2–3 h in the afternoon indicate that social interaction differs from physical presence; (3) collisions per occupancy peaked on the weekend, with Saturday showing 52% higher rates than the weekly average; and (4) collisions clustered at key transition zones (elevator areas, stair bases), with an additional “friction effect”, where proximity to seating increased interaction rates (>30%) compared to open corridors. This methodology establishes a scalable framework for post-occupancy evaluation, enabling evidence-based assessment of design effectiveness in fostering the spontaneous interactions essential for creativity, innovation, and place-making in built environments.\n",
"keywords": [
"indoor geography",
"lidar",
"movement tracking",
"post-occupancy evaluation"
],
"paper_institutions": [
"Virginia Polytechnic Institute and State University",
"Binghamton University"
],
"output_language": "zh",
"provider": "doubao",
"model": "deepseek-v4-flash",
"prompt_template": "simple",
"extracted_at": "2026-08-18T10:30:40.096194Z",
"template_tag": "deep_read",
"summary": "# Lidar-Based Detection and Analysis of Serendipitous Collisions in Shared Indoor Spaces\n\n\n**作者 / Authors:** Addison H. Flack, Thomas J. Pingel, Timothy D. Baird, Shashank Karki, Nicole Abaid\n\n\n**单位 / Institutions:** Virginia Polytechnic Institute and State University, Binghamton University\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2025-09-18\n\n\n\n**期刊/会议 / Publication Venue:** Remote Sensing (MDPI), 2025, 17, 3236, DOI: 10.3390/rs17183236\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: 阅读对齐与输入校验\n\n### 1. Paper metadata\n\n- **Title**: Lidar-Based Detection and Analysis of Serendipitous Collisions in Shared Indoor Spaces\n- **Authors**:\n - Addison H. Flack（弗吉尼亚理工大学地理系）\n - Thomas J. Pingel（宾汉姆顿大学地理系，通讯作者）\n - Timothy D. Baird（弗吉尼亚理工大学地理系）\n - Shashank Karki（弗吉尼亚理工大学地理系）\n - Nicole Abaid（弗吉尼亚理工大学数学系）\n- **Publication venue / outlet**: Remote Sensing (MDPI), 2025, 17, 3236；2025年9月18日在线发表；开放获取（CC BY）。\n\n### 2. Research positioning\n\n- **Research area**: 室内地理学、激光雷达感知、人类移动追踪、使用后评估（post-occupancy evaluation）\n- **Concrete task**: 利用静态激光雷达网络产生的时空轨迹数据，检测共享室内空间中人与人之间“偶然碰撞”（serendipitous collisions），并分析其时空分布规律。\n- **Target users / application scenario**: 建筑师、空间规划师、室内地理与GIS研究者；用于评估建筑设计是否有效促进自发性社会互动。\n\n### 3. Input material checklist\n\n- **PDF**: 是（本文档为完整正文，含图表与参考文献）\n- **Appendix / supplement**: 是（MDPI补充材料：Video S1 碰撞算法动画、File S2 Percept样本数据、File S3 碰撞数据集）\n- **Code link**: 未在论文中提供\n- **Dataset link**: 补充材料可下载；完整数据需向作者申请\n\n### 4. Missing materials and risks\n\n- **Missing items**: 算法源代码、完整原始轨迹数据、补充材料文件（未嵌入本文档）、人工验证的详细标注数据。\n- **Likely impact**: 无法直接复现碰撞检测算法；只能依据论文描述理解算法逻辑；验证结果依赖作者报告，难以独立核查；补充材料需另行下载或申请。\n\n### 5. Reading route (3-6 steps)\n\n- **Step 1**: 第一遍快速浏览：阅读摘要、引言、结论、图表（图1-11，表1），把握核心贡献与主要发现。\n- **Step 2**: 第二遍精读方法部分（第2节）：理解传感器配置、Percept轨迹生成、六步碰撞检测滤波器（位移、运动、时空、方向、去重等）及参数选择依据。\n- **Step 3**: 精读结果部分（第3节）：关注算法性能（86.1%精度）、时间分析（周/日/小时尺度、R²、滞后效应）和空间分析（GLR/GWR、摩擦效应）。\n- **Step 4**: 阅读讨论与局限性（第4节及Limitations）：评估结论的稳健性、未解决的偏差（如静止人员漏检、高密度事件误检）。\n- **Step 5**: 对照参考文献与补充材料，检查方法可复现性，并思考该方法迁移到其他建筑场景的适用性。\n\n**分类理由**：论文核心贡献是提出并验证一种新的碰撞检测算法（基于六重滤波器的规则方法），并用于实证分析；虽然涉及激光雷达系统部署，但主要创新在算法/方法层面，因此归为 `method`。\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## Module B: 第一遍概览（First-Pass Overview）\n\n### 1. 论文类型与类别\n\n- 类型：方法/算法论文（method paper），兼有实证案例研究。核心贡献是提出并验证一个基于规则（rule-based）的碰撞检测算法，并将其应用于真实室内激光雷达轨迹数据。\n- 子类别：室内地理 / 激光雷达感知 / 使用后评估（post-occupancy evaluation）。\n- 依据：摘要与第2节 Materials and Methods 描述“A custom algorithm was written...”；第3.1节给出算法性能评估；第5节结论强调“scalable framework for post-occupancy evaluation”。（定位：Abstract; Section 2; Section 3.1; Section 5）\n\n### 2. 背景与研究脉络\n\n- 室内空间对人际互动、协作和幸福感有重要影响，但建筑设计是否真正促进社交连接难以评估。\n- 现有室内遥感多聚焦于物理空间建模（SLAM、数字孪生、NeRF等），较少用于连续观测人的行为。\n- 激光雷达相比摄像头具有不受光照影响、匿名性、三维密度高等优势；静态激光雷达网络可用于“lidar perception”。\n- 轨迹分析传统来自时间地理学（Hägerstrand）和GPS轨迹，但高密度室内追踪需要新的方法。\n- 本文填补的空白：用静态激光雷达网络检测“偶然碰撞”（serendipitous collisions），并分析其时空规律，为建筑师提供量化反馈。\n- 依据：Section 1 Introduction 全文；参考文献[1-9,20-22,57-67]。\n\n### 3. 直觉正确性检查（关键假设与合理性）\n\n- 假设1：人与人“停下来并近距离共处”可代表一次自发的社交互动。合理但有局限：算法实际捕捉的是“暂停+邻近”，并非直接测量对话或社交意图（作者在Limitations中承认）。\n- 假设2：碰撞检测的六步滤波器（位移、运动、时空、方向、去重等）能区分计划性同行与偶然相遇。方向滤波器要求来向夹角≥90°，直觉上能排除“一起进入”的情况，但可能漏掉从相近方向接近的偶然互动。\n- 假设3：占用率（person-seconds）是碰撞频率的基线预测变量。合理，因为互动需要共现；但作者发现时间滞后和空间“摩擦效应”，说明共现不是充分条件。\n- 假设4：人工验证127个检测结果可支撑86.1%精度。样本量较小，且只验证了“被检测到的碰撞”，无法估计漏检率；作者也承认这一点。\n- 总体：核心假设在直觉上可接受，但精度和泛化性需谨慎解读。\n- 依据：Section 2（算法设计）、Section 3.1（验证）、Limitations and Future Work。\n\n### 4. 核心贡献\n\n1) 提出一种基于六重滤波器的碰撞检测算法，能从静态激光雷达轨迹数据中识别自发的“偶然碰撞”，在人工验证集上达到86.1%精度（Section 2; Section 3.1）。\n2) 构建并公开了大规模实证数据集：115天、67 million person-seconds、14,022次碰撞，并附补充材料（Video S1, File S2, File S3）（Abstract; Supplementary Materials）。\n3) 揭示碰撞与占用率在时间上的解耦：碰撞峰值比占用率峰值滞后2–3小时，且周五/周六的单位占用碰撞率显著更高（Section 3.2; Figure 7d; ANOVA结果）。\n4) 识别空间上的“摩擦效应”：碰撞聚集在电梯、楼梯底部、座位区与通道的边界，而非单纯高流量走廊；座位区邻近通道比开放侧产生更多碰撞（Section 3.3; Figures 9-11）。\n5) 提出可扩展的使用后评估（POE）框架，将激光雷达感知与建筑设计效果评估连接起来，支持证据导向的设计迭代（Section 4; Section 5）。\n\n### 5. 清晰度评估\n\n- 结构：清晰。摘要→引言→材料与方法→结果→讨论→局限→结论，符合实证方法论文的常规结构。\n- 图表：图1-11有效支撑关键论点；图4算法流程图、图7时间模式、图9-11空间模式尤其重要。表1给出Percept参数，便于复现。\n- 公式：较少，主要使用统计模型（OLS、GLR、GWR、ANOVA）和R²、F、p值；对非统计背景读者可能略陡，但结果解释充分。\n- 可读性：总体易读；术语（如“collision”“friction effect”）有明确定义；但算法参数选择部分依赖经验调试，缺少系统敏感性分析。\n- 依据：全文结构；Section 2; Section 3; Figures 1-11; Table 1。\n\n### 6. 继续阅读还是停止的建议\n\n- 建议：继续阅读（进入Module D/E）。\n- 理由：该论文属于方法+实证型，算法细节、参数选择、验证过程和空间统计方法值得深入拆解；其局限（静止人员漏检、高密度事件误检、验证样本小）为后续研究提供了明确切入点。若只关注“激光雷达能否检测社交互动”的结论，第一遍已足够；若要复现或扩展该方法，则需要精读方法部分并获取补充材料。\n\n### 7. 结构大纲图（Markmap）\n\n```markmap\n# Lidar-Based Detection and Analysis of Serendipitous Collisions\n## 1. Introduction\n### 室内空间与遥感背景\n### 激光雷达感知 vs 摄像头\n### 时间地理学与轨迹分析\n### 研究空白与目标\n## 2. Materials and Methods\n### 研究场地：CID大楼\n### 11台静态激光雷达配置\n### Percept轨迹生成与参数\n### 碰撞定义与三种类型\n### 六步碰撞检测算法\n#### 位移过滤\n#### 运动过滤\n#### 时空过滤\n#### 方向过滤\n#### 去重过滤\n### 人工验证方法\n### 时间与空间分析方法\n## 3. Results\n### 算法性能（86.1%精度）\n### 时间模式（周/日/小时、滞后）\n### 空间模式（GLR/GWR、摩擦效应）\n## 4. Discussion\n### 碰撞随学期下降的解释\n### 时间解耦与社交节奏\n### 空间摩擦与设计启示\n### 局限与未来工作\n## 5. Conclusions\n### 方法贡献\n### 实证发现\n### POE框架意义\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: 论文要解决什么问题？\n\n### 1. 一句话问题定义\n\n论文要解决的核心问题是：如何利用静态安装的激光雷达（lidar）网络产生的匿名时空轨迹数据，可靠地检测共享室内空间中人与人之间非计划的“偶然碰撞”（serendipitous collisions，即自发的社交互动），并分析其时空分布规律，从而为建筑使用后评估（post-occupancy evaluation）提供可扩展的量化方法（摘要；Section 1；Section 2）。\n\n### 2. 痛点或不足\n\n- **室内遥感偏重物理空间测绘，而非人类行为观测**：现有室内制图与建模多聚焦于SLAM、BIM、点云、数字孪生等物理空间表达，较少连续、细粒度地观测人在空间中的互动行为（Section 1，第2段；参考文献[3,9,23–25]）。\n- **相机方案在隐私、光照和成本方面存在局限**：多相机与AI视觉方法虽可追踪室内活动，但依赖环境光、易受动态光照影响，且RGB图像在采集点即涉及更多身份信息；lidar则具有匿名性、不受光照影响、覆盖范围大等优势（Section 1，第3段；参考文献[21,48–51]）。\n- **“共现/占用”不等于“社交互动”**：仅用占用率或人员计数无法区分“恰好同时在场”与“真正停下来交谈”；论文发现碰撞与占用在时间上存在2–3小时滞后、在空间上存在“摩擦效应”，说明需要专门的碰撞检测算法而非简单占用统计（摘要；Section 3.2；Section 3.3；Section 4）。\n- **现成跟踪软件不直接提供互动语义**：Blickfeld Percept只能输出匿名轨迹（位置、速度、ID等），无法识别“碰撞”；且Percept对长时间静止的人会丢失跟踪，高密度时段也容易产生误检，因此需要额外算法从轨迹中提取互动事件（Section 2，第3–4段；Limitations and Future Work）。\n\n### 3. 形式化目标/优化目标\n\n论文没有给出显式的数学优化目标或损失函数；其算法层面的目标是：设计一个规则化、参数化的六步顺序滤波器（位移过滤、运动过滤、时空邻近过滤、方向/航向过滤、去重过滤），从Percept生成的时空轨迹中识别“两个及以上个体从不同方向接近、减速/停顿、并在近距离内互动”的事件，同时尽量降低假阳性并保持参数可解释性（Section 2，碰撞检测算法部分；Figure 4）。参数通过地面真值观测（n=35）迭代调定，但作者明确说明“未完全优化”，只是众多合理配置之一（Section 2；Limitations and Future Work）。\n\n### 4. 成功标准（指标/期望性质）\n\n- **检测精度**：在127个检测到的碰撞中，经人工验证，68.5%为真阳性、11.0%为假阳性、20.5%为不明确；仅基于明确案例计算，算法精度为86.1%（Section 3.1）。\n- **数据规模与可扩展性**：115天共收集约6700万人-秒的Percept数据，算法检测到14,022次碰撞（平均每天121.9次、每小时5.1次），证明该方法可支撑长期连续监测（Section 3.1；摘要）。\n- **时间维度有效性**：占用与碰撞在小时、日、周尺度上均呈强相关（二次多项式拟合R²分别为0.76、0.74、0.92；小时数据经正弦/余弦变换后多元回归R²=0.99），且能揭示星期效应（周六碰撞率比周均值高51.90%）和2–3小时滞后等非占用性规律（Section 3.2；Figure 7；Figure 8）。\n- **空间维度有效性**：广义线性回归（GLR）显示占用与碰撞关系显著（R²=0.598），地理加权回归（GWR）改进至R²=0.84；空间残差能定位电梯、楼梯底部等“高于预期”的碰撞热点，以及走廊等“低于预期”的区域（Section 3.3；Figure 10）。\n- **期望性质**：方法应保持匿名性（lidar低分辨率、无RGB光谱信息）、连续性（全天候自动采集）、可迁移性（可部署于其他建筑进行短期评估），并能与调查、访谈等主观评估互补（Section 1；Section 4；Limitations and Future Work）。\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（Strongest baselines）与比较轴\n\n- **基线1：以“占用率（occupancy）”作为碰撞频率的预测器**（第3.2节，图7-8）。论文将 occupancy（人-秒）作为最强基线：小时尺度 R²=0.76，日尺度 R²=0.74，周尺度 R²=0.92（第3.2节）。比较轴：碰撞的社会性 vs 单纯共现/物理在场。论文证明 occupancy 只能解释大部分方差，但存在2-3小时时间滞后、周末/傍晚更高、空间“摩擦效应”等系统性偏差。\n- **基线2：人工观察/人工标注（ground truth）**（第2节 Materials and Methods；第3.1节）。12次一小时现场观察 + 127次检测的人工复核。比较轴：算法检测精度（86.1% precision）与人工判断的一致性。\n- **基线3：Percept 原始轨迹输出**（第2节）。Percept 只提供匿名轨迹，不识别“碰撞”行为；本文算法是在其上的后处理。比较轴：从“移动轨迹”到“社会交互事件”的语义提升。\n\n### 2. 最接近的方法（Closest approaches）与关键差异\n\n- **Karki et al. (2024) [^47]：基于 YOLO 的 lidar 人体跟踪 vs Percept**。\n - Method：对比 YOLO 类深度学习方法与 Blickfeld Percept 在数字孪生中的人体移动跟踪性能。\n - Core idea：用深度学习替代传统聚类跟踪，以提升检测鲁棒性。\n - Limitation：基于帧处理，缺乏轨迹上下文；本文指出其不擅长处理 Percept 擅长的连续轨迹信息（Limitations and Future Work 一节）。\n - 关键差异：Karki 等聚焦“跟踪”（tracking），本文聚焦“交互事件检测”（collision detection）；本文采用规则型六重滤波器，而非端到端深度学习。\n\n- **Brown et al. (2014) [^17]：追踪办公室中的偶然互动**。\n - Method：使用传感器/移动数据研究个体文化如何塑造办公室中的 serendipitous interactions。\n - Core idea：偶然互动可被传感数据捕捉，并受个体文化影响。\n - Limitation：更侧重个体/文化层面，难以推广到大范围、长时间、匿名化的公共空间。\n - 关键差异：本文使用静态 lidar 网络 + 时空轨迹，实现连续、匿名、高时空分辨率的碰撞检测；Brown 等不依赖 lidar，且关注个体差异。\n\n- **Whyte (2010) [^19]：公共空间的社会生活（观察法）**。\n - Method：通过直接观察记录公共空间中人的停留、交谈与空间使用。\n - Core idea：设施具有“社会磁力”，人们会在边界/停顿区自然互动。\n - Limitation：观察法难以长时间覆盖大范围空间，且难以量化。\n - 关键差异：本文用遥感数据将 Whyte 的定性观察转化为可量化、可扩展的碰撞分布证据（第4节）。\n\n- **时间地理学/时空轨迹分析框架（Hägerstrand [^57], Kwan [^60] [^61] [^62], Space-Time Cube [^63], MovingPandas [^64], Trackintel [^65]）**。\n - Method：用时空路径、时空立方体、轨迹库等表达和分析人类移动。\n - Core idea：移动轨迹是理解人类行为的基础单元。\n - Limitation：这些工具提供轨迹表达与分析，但不直接定义“碰撞”或“社会交互”事件。\n - 关键差异：本文在轨迹数据上叠加六重滤波器（位移、运动、时空邻近、方向、去重等，图4），将“暂停+接近+不同方向”模式识别为偶然碰撞。\n\n### 3. 正交方向（Orthogonal directions）\n\n- **室内建图与数字孪生（SLAM、BIM、NeRF、gaussian splatting）**（第1节 [3,9,23-26]）：关注物理空间重建，而非人类行为。\n- **室内定位系统（IPS）与导航**（[^7] [^8]）：关注位置服务，不检测社会交互。\n- **基于 GPS 的移动分析**（[^52] [^53] [^54] [^55] [^56]）：室外、稀疏采样，无法捕捉室内近距离互动。\n- **基于声学/访谈/调查的社交测量**（第4节 Limitations）：可提供“为什么”和主观体验，但缺乏连续时空精度；本文提出未来融合声学传感器。\n- **隐私保护感知（privacy-preserving sensing）**（[^21] [^48]）：lidar 的匿名性是一个正交优势，而非本文核心贡献。\n\n### 4. 一句话定位\n\n本文在“室内遥感 + 时间地理学 + 环境行为研究”交叉处，提出并验证了一个基于静态 lidar 轨迹的六重滤波碰撞检测算法，以86.1%的精度将“共现”提升为“偶然社会互动”的连续测量，从而为建筑使用后评估提供可扩展的量化工具。\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. 核心机制概览\n\n论文提出一个基于静态激光雷达网络、商业目标追踪软件和自定义六阶段规则滤波器的碰撞检测与时空分析框架。核心思路是：先用 11 台天花板安装的 Blickfeld Cube 1 激光雷达持续采集室内点云，再用 Blickfeld Percept 1.6.3 生成匿名化的时空轨迹，然后通过六重滤波器从轨迹中识别“偶然碰撞”（即两人或多人从不同方向接近、减速/停顿、近距离接触），最后对碰撞结果进行时间尺度（周/日/小时）和空间尺度（1 m 网格、GLR/GWR、10 cm 走廊剖面）的统计分析。\n\n关键创新不在底层目标追踪，而在于“如何从轨迹数据中可靠地提取社会性交互事件”。论文将碰撞定义为一种可操作的模式：位移足够大、出现减速停顿、与其他轨迹在 1.5 m 内同时出现、航向差至少 90°、且不是重复计数。\n\n### 2. 逐步分解\n\n1. **数据采集与融合**：11 台 Blickfeld Cube 1 激光雷达以 72°×30° 视场、230 扫描线、2.4 Hz 输出频率持续扫描；通过 Blickfeld API 将各传感器数据融合到统一建筑坐标系中，生成点云；点云按 1 Hz 栅格化保存，完整点云按 0.1 Hz 保存为 LAZ（Section 2, Figure 2）。\n2. **轨迹生成**：使用 Blickfeld Percept 1.6.3 进行实时目标检测，输出 JSON 格式的时空轨迹，包含时间戳、x/y 坐标、速度、体积、唯一 ID 等；每天约 100 MB 数据；共收集 67 million person-seconds（Section 2, Table 1）。\n3. **碰撞定义与类型**：定义三种碰撞类型——two-way collisions（两人从不同方向接近、停下互动、再分开）、stationary collisions（移动者与静止者互动）、conjoining collisions（两人从不同方向接近、停下互动、再一起离开）；分析聚焦于 two-way 和 conjoining 两类（Section 2）。\n4. **六重滤波器**（Section 2, Figure 4）：\n - 位移滤波器：按唯一 ID 分组，计算每个轨迹从初始检测点起的最大位移，剔除总位移小于 4 m 的轨迹，用于消除噪声和短暂跟踪错误。\n - 运动滤波器：由 Percept 记录的 x/y 速度分量计算线速度，并由瞬时速度变化推导加速度；只保留速度低于 0.3 m/s 且加速度为负（减速）的轨迹，用于识别潜在停顿。\n - 时空滤波器：搜索同一时间戳内其他轨迹是否进入 1.5 m 范围；若某 ID 在相同时间戳与另一 ID 距离小于 1.5 m，则保留，否则剔除。\n - 航向滤波器：要求两个体的航向差至少 90°，确保他们来自不同方向，排除结伴同行、教室门口、电梯口等瓶颈处的自然减速。\n - 去重滤波器：移除 2 m 和 5 秒内重复出现的碰撞，避免群体互动被重复计数（例如 3 人组与 3 人组互动可能被记为 9 次）。\n - 事件滤波器：论文在 Limitations 中提到 event filter 用于限制高密度活动的影响，但未在六步主流程中详细展开。\n5. **人工验证**：将检测结果叠加到激光雷达动画上，人工审查 127 个检测到的碰撞（覆盖低、中、高占用三个时段），区分真阳性、假阳性、不明确案例，计算精度（Section 3.1）。\n6. **时间分析**：按周、星期、小时聚合数据；对小时数据做正弦-余弦变换处理周期性；用多元 OLS 回归检验碰撞、占用和学期周数之间的关系（Section 3.2）。\n7. **空间分析**：在 1 m 网格上做广义线性回归（GLR）并绘制残差图；用地理加权回归（GWR）处理空间自相关；在主要走廊上设置 10 cm 网格线，分析占用、平均速度和碰撞的细粒度空间关系，检验“摩擦效应”（Section 3.3）。\n\n### 3. 关键公式/模块作用\n\n- **占用率（occupancy）**：某网格单元内被占用的总秒数（person-seconds），用于表征活动水平；相比唯一 ID 计数，更能反映停留时间对碰撞潜力的贡献（Section 2）。\n- **线速度**：由 Percept 记录的 x/y 速度分量计算；阈值 0.3 m/s 用于判定“接近停顿”。\n- **加速度**：由瞬时速度变化推导；要求负加速度（减速），以识别轨迹中的停顿。\n- **距离判据**：1.5 m 人际距离阈值；大于 1.5 m 会引入同时停顿但无互动的假阳性，小于 1.5 m 会漏掉无身体接触的互动。\n- **航向差判据**：≥90°，用于保证“来自不同方向”的自发性。\n- **去重窗口**：2 m 和 5 秒，用于合并同一群体互动产生的重复碰撞。\n- **统计模型**：\n - 二次多项式拟合：hourly R²=0.76, F(2,2672)=4128.97, p<0.001；daily R²=0.74, F(2,112)=161.97, p<0.001；weekly R²=0.92, F(2,14)=81.22, p<0.001（Figure 8）。\n - 正弦-余弦变换后的多元回归：R²=0.99, F(3,21)=801.1, p<0.001（Section 3.2）。\n - GLR：R²=0.598, F(3,785)=390.02, p<0.001；GWR 改进为 R²=0.84（Section 3.3）。\n- **算法精度**：基于确认案例计算为 86.1%；127 个检测中 68.5% 为真阳性、11.0% 为假阳性、20.5% 不明确（Section 3.1）。\n\n### 4. 流程示意图\n\n```mermaid\nflowchart TD\n A[\"11台静态激光雷达
72°×30° FOV, 2.4Hz\"] --> B[\"Blickfeld API 融合点云
统一建筑坐标系\"]\n B --> C[\"Blickfeld Percept 1.6.3
目标检测与轨迹生成\"]\n C --> D[\"JSON轨迹数据
时间戳, x/y, 速度, ID\"]\n D --> E[\"位移滤波器
总位移 ≥ 4m\"]\n E --> F[\"运动滤波器
速度 < 0.3m/s 且减速\"]\n F --> G[\"时空滤波器
1.5m内同时出现\"]\n G --> H[\"航向滤波器
航向差 ≥ 90°\"]\n H --> I[\"去重滤波器
2m/5s内去重\"]\n I --> J[\"碰撞事件集
14,022次\"]\n J --> K[\"时间分析
周/日/小时 + OLS\"]\n J --> L[\"空间分析
1m网格 GLR/GWR + 10cm剖面\"]\n K --> M[\"结论：占用与碰撞存在时空错位、摩擦效应\"]\n L --> M\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## 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- **主要数据集**：Blickfeld Percept 1.6.3 生成的时空轨迹数据，来自 11 台静态安装的 Blickfeld Cube 1 激光雷达，部署于弗吉尼亚理工大学 CID 社区集会空间（Figure 1）。规模：115 天（2023-08-21 至 2023-12-13），约 67 million person-seconds；每天约 100 MB JSON 轨迹文件，原始点云约 155 GB/天（Section 2）。场景：混合学术-住宿建筑底层共享空间，含走廊、电梯、中央楼梯、座位区。\n- **碰撞检测结果数据集**：算法检测到 14,022 次碰撞，平均 121.9 次/天、5.1 次/小时（Section 3.1）；作为补充材料 File S3 提供。\n- **人工标注/真值数据**：开发阶段进行 12 次 1 小时现场观察（7 周内），记录 n=35 次碰撞，用于设计和调整算法参数（Section 2）。验证阶段选取 3 个 1 小时时段（低/中/高占用），共 10,800 帧，人工审查 127 个检测到的碰撞（Section 3.1）。\n- **基准情况**：无第三方公开基准；本文为自建数据集与验证集。\n\n### 2. 预处理与划分/覆盖设置\n\n- **原始点云融合**：11 台传感器通过以太网接入私有网络，自定义 Python（1.0.5）使用 Blickfeld API 将各传感器数据融合为统一建筑坐标系点云；按强度和高度栅格化，1 Hz 写入本地硬盘；完整点云以 LAZ 格式 0.1 Hz 写出（Section 2）。\n- **轨迹生成**：Percept 1.6.3 实时目标检测，输出 JSON 格式时空轨迹（x, y, time, volume, velocity, unique ID）；关键参数见表 1（Dynamic Background: Mixture of Gaussians；Initialization Frames: 10；Exponential Decay: 0.005；Minimum Weight Threshold: 0.17；Minimum # of Neighbor Points: 3；Neighbor Radius: 0.5 m；Point Clustering Method: Mean Shift；Minimum Points for a Cluster: 30；Average Radius of Objects: 0.33）。\n- **轨迹预处理**：JSON 文件转换为 GeoDataFrames，合并为连续记录，再按块切分为 shapefile 进行处理（Section 2）。\n- **空间栅格化**：研究区按 1 m 分辨率栅格化；占用率定义为每个栅格单元内 person-seconds；备选的 unique ID 计数因短暂经过者权重问题被弃用（Section 2）。\n- **碰撞算法六步滤波**：位移滤波（总位移 ≥ 4 m）、运动滤波（速度 < 0.3 m/s 且减速）、时空邻近滤波（1.5 m 内同时刻）、方向滤波（航向差 ≥ 90°）、去重滤波（2 m 和 5 s 内合并）等（Section 2, Figure 4）。\n- **划分/覆盖设置**：无传统训练/测试划分；阈值由 35 个真值观察迭代确定，未完全优化；验证使用独立于开发的 3 小时动画回放（低/中/高占用），覆盖不同拥挤程度；时间覆盖整个学期（16 周），空间覆盖 1 m 网格及 10 cm 精细走廊分析（Section 3.3）。\n\n### 3. 训练/推理/评估环境\n\n- **传感器配置**：Blickfeld Cube 1，量程 75 m，72°×30° 视场角，230 scanlines，输出频率 2.4 Hz（Section 2）。\n- **计算环境**：私有网络中央计算机采集数据；Percept 安装在标准工作站 PC 上实时处理；碰撞检测算法用 Python 及 Numpy、Pandas、Geopandas、Scipy 实现（Section 2）。\n- **评估方法**：将检测结果叠加到栅格化激光雷达数据的正交渲染动画上，人工回放审查；对 127 个检测碰撞分类为 True Positive、Unclear、False Positive；基于明确案例计算 precision = 86.1%（68.5% true positives，11.0% false positives，20.5% unclear）；未发现假阳性空间聚集（Section 3.1）。\n- **统计分析环境**：时间分析用 OLS 回归、sine-cosine 变换、ANOVA；空间分析用 GLR 和 GWR（Section 2, 3.2, 3.3）。\n\n### 4. 这些选择为何重要及验证了什么\n\n- 自建真实场景数据集验证了“静态激光雷达网络 + 轨迹后处理”可检测偶然社交碰撞；86.1% precision 说明在明确案例中误检率较低（13.8%），支持后续时空模式分析（Section 3.1, 4）。\n- 多尺度时间覆盖（周/日/小时）和 1 m 空间栅格使研究能发现占用与碰撞的 2–3 h 滞后、周末效应、电梯/楼梯/座位区聚集等模式（Section 3.2, 3.3）。\n- 10 cm 精细走廊分析用于验证“摩擦效应”，即座位区与通行区边界产生更多碰撞（Section 3.3, Figure 11）。\n- 局限性：验证样本量小且只审查检测到的碰撞，无法系统估计漏检；静止人员可能被 Percept 丢失；高密度事件期间算法表现较差；电梯附近“碰撞”可能只是等待而非社交（Section 4, Limitations）。因此该设置验证的是“可检测性”和“聚合模式可靠性”，而非对每次交互的完整召回。\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## Module C5: 指标与结果\n\n### 1. 指标定义\n\n- **碰撞（collision）**：两人及以上从不同方向接近后停下互动（非计划性偶遇），分为双向、静止、汇合三类；分析聚焦双向与汇合碰撞（Section 2, Materials and Methods）。\n- **占用（occupancy）**：栅格单元内被占用的总人-秒（person-seconds），用于表征活动量（Section 2）。\n- **精度（precision）**：在人工验证的127次检测中，以“明确案例”计算：真阳性数 /（真阳性数 + 假阳性数）= 68.5% / (68.5% + 11.0%) ≈ 86.1%（Section 3.1）。\n- **假阳性率（false-positive rate）**：在明确案例中为13.8%（11.0% / (68.5% + 11.0%)），另有20.5%被判定为“不明确”（Section 3.1, Discussion）。\n- **拟合优度 R²、F统计量、p值**：用于评估碰撞-占用回归关系（Section 3.2, 3.3）。\n- **对数-对数斜率 n**：用于判断尺度依赖关系（超线性/次线性）（Section 3.2）。\n\n### 2. 主要结果\n\n- **数据规模**：115天，约6700万人-秒Percept轨迹数据；算法检测到14,022次碰撞，平均121.9次/天、5.1次/小时（Section 3.1）。\n- **算法性能**：人工验证127次检测，68.5%真阳性、11.0%假阳性、20.5%不明确；基于明确案例精度86.1%；假阳性无空间聚集（Section 3.1）。\n- **时间模式**：\n - 学期初碰撞最多，随后下降；摘要指出到学期中下降约25%；感恩节与寒假之间回升（Abstract; Section 3.2, Figure 7a,b）。\n - 碰撞与占用在小时、日、周尺度均呈强二次关系：小时 R²=0.76 (F(2,2672)=4128.97, p<0.001)，日 R²=0.74 (F(2,112)=161.97, p<0.001)，周 R²=0.92 (F(2,14)=81.22, p<0.001)（Section 3.2, Figure 8）。\n - 对数-对数斜率：日 n=1.17、周 n=1.15（略超线性），小时 n=0.78（次线性）（Section 3.2）。\n - 小时数据经正弦/余弦变换后多元回归 R²=0.99 (F(3,21)=801.1, p<0.001)（Section 3.2）。\n - 星期效应显著（ANOVA p<0.001）：相对周均值，周六 +51.90%、周五 +24.53%；周二 -32.37%、周一 -17.13%、周三 -12.07%（Section 3.2）。\n - 小时尺度上占用峰值在15:00，碰撞峰值在17:00–20:00，存在2–3小时滞后（Abstract; Section 3.2, Figure 7d）。\n- **空间模式**：\n - GLR：占用与碰撞显著相关，R²=0.598 (F(3,785)=390.02, p<0.001)；GWR改进至 R²=0.84（Section 3.3, Figure 10）。\n - 碰撞高发于电梯（>2000次）、楼梯底部、社区中心；走廊和部分高占用座位区低于预期（Section 3.3, Figure 9,10）。\n - “摩擦效应”：座位区邻近走廊一侧的碰撞率比开放走廊高>30%（Abstract; Section 3.3, Figure 11）。\n - 走廊内呈“河流”模式：中心高速通道碰撞少，两侧边缘碰撞集中；座位侧比开放侧产生更多碰撞（Section 3.3, Figure 11）。\n\n### 3. 与基线或代表性工作的比较\n\n- 论文未提供与其他碰撞检测算法的定量基准对比；主要基线是“占用”作为碰撞频率的预测变量。结果显示占用能解释大部分方差（R²≥0.74），但时空残差表明碰撞并非仅由共现决定（Section 3.2, 3.3; Discussion）。\n- 与 Harari et al. (2020) 的对话感知研究一致：年轻人对话频率在周五/周六最高、周二最低，且下午/傍晚高于上午/夜间（Discussion, Ref [^86]）。\n- 与 Whyte (2010) 的公共空间研究一致：设施的社会磁性和“刺激物”会诱导人们停留和互动；本研究为“高摩擦边界”提供定量证据（Discussion, Ref [^19]）。\n- 与 Cöltekin et al. (2011) 的可修改时间单元问题（MTUP）一致：不同时间尺度下碰撞-占用关系不同（Discussion, Ref [^84]）。\n- 在局限性中提及 Karki et al. (2024) 的YOLO-based跟踪方法（Ref [^47]）作为替代对象跟踪方案，但未做端到端碰撞检测对比（Limitations and Future Work）。\n\n### 4. 消融/敏感性/跨论文差异综合\n\n- 算法由六个顺序滤波器组成：位移（>4m）、运动（速度<0.3 m/s且减速）、时空邻近（1.5m）、航向（≥90°）、去重（2m/5s）等；阈值通过地面真值观察迭代确定，未完全优化（Section 2, Figure 4）。\n- **敏感性观察**：\n - 时空阈值>1.5m时假阳性率显著升高（纳入无互动的同时停顿）；<1.5m会漏掉无身体接触的互动（如握手、拥抱）（Section 2）。\n - 速度阈值过低会漏掉“路过式”短暂互动；过高会把拥挤时段的擦肩而过误判为碰撞（Section 2）。\n - 航向阈值测试了多个角度，90°在假阳性最小化与主走廊方向匹配上最佳（Section 2）。\n - 去重滤波器避免群体互动被重复计数（如3人×3人可能产生9次记录，只计1次）（Section 2）。\n- 验证覆盖低、中、高占用三个时段，共3小时/10,800帧；但人工验证仅针对已检测到的碰撞，无法系统量化漏检（Section 3.1）。\n- 已知局限：Percept对长时间静止者会丢失跟踪，导致涉及静止人员的碰撞漏检；高密度活动期间算法表现变差、验证更困难（Limitations and Future Work）。\n- 跨论文差异：与基于相机的YOLO方法相比，Percept能利用轨迹上下文但帧式处理不足；未来拟用视觉语言模型或连续数据表示改进（Limitations and Future Work）。\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: 后续可探索方向\n\n### 1. 理论方向\n\n- **碰撞行为的随机过程建模**：当前算法是规则/参数化的六步滤波器（位移、运动、时空、方向、去重等，见 Figure 4），阈值是经验确定的（Section 2, Materials and Methods）。后续可建立概率生成模型，将碰撞视为时空点过程（如 Hawkes process），估计 occupancy 与碰撞之间的动态依赖，并量化 2–3 h 滞后（Section 3.2, Figure 7d）的机制。\n- **时间尺度与空间尺度的统一理论**：论文发现 occupancy–collision 关系在小时、日、周尺度上呈现不同幂律指数（hourly n=0.78, daily n=1.17, weekly n=1.15, Section 3.2），并引用 MAUP/MTUP（Cöltekin et al. [^84]）。后续可发展多尺度理论解释为何社会互动在粗时间尺度上超线性、在细时间尺度上次线性，并推导尺度不变或尺度依赖的标度律。\n- **“摩擦效应”的形式化**：论文提出 seating-adjacent 边界产生更多碰撞（Section 3.3, Figure 11）。后续可定义“运动-暂停边界”的几何/拓扑度量（如速度梯度、停留时间分布、视线可达性），建立摩擦系数与碰撞率的理论关系，并推广到其他建筑类型。\n- **计划性 vs 偶然性交互的判别理论**：heading filter 用 90° 阈值区分自发碰撞与结伴同行（Section 2）。后续可引入社会心理学中的 weak ties 理论（Sandstrom & Dunn [^14]）和 place-making 理论（Tuan [^13] [^73] [^74]），构建可检验的假设：碰撞频率与场所依恋、社区感之间的因果路径。\n\n### 2. 工程方向\n\n- **提升静止人员跟踪能力**：作者明确指出 Percept 对长时间静止者会丢失跟踪，导致 stationary collisions 漏检（Limitations and Future Work）。后续可开发融合轨迹上下文与点云连续表示的跟踪器，或采用 YOLO/VLM 方法（[^47] [^87]）作为替代/补充，利用本文生成的样本作为训练数据。\n- **实时/近实时处理管线**：当前数据量为 155 GB/day 原始点云、~100 MB/day JSON（Section 2），算法离线处理。后续可工程化流式处理框架（如 Kafka + Spark/Flink），将碰撞检测延迟降到分钟级，支持建筑管理实时反馈。\n- **多模态传感器融合**：作者提出用声学传感器和频率特定空间声强算法判断是否在交谈（Limitations and Future Work）。工程上可设计 lidar+麦克风阵列的同步采集与融合模块，在保持匿名性的同时区分“单纯靠近”与“真实社交互动”。\n- **事件/高密度场景专用算法**：高密度活动期间算法性能下降，事件过滤器只能限制影响（Limitations and Future Work）。后续可设计二级算法，针对事件场景（如聚会、展览）单独建模，或使用密度自适应阈值/深度学习方法处理拥挤场景。\n- **可复现性与参数自动调优**：阈值（4 m、0.3 m/s、1.5 m、90°、2 m/5 s）是经验确定的（Section 2）。后续可提供开源实现，并用贝叶斯优化/网格搜索在多个标注集上自动调参，减少人工迭代成本。\n\n### 3. 数据与评估方向\n\n- **扩大建筑类型与用户群体**：作者建议在非社交导向建筑中做数周短期部署，并使用移动半球形 lidar（Limitations and Future Work）。后续可建立多建筑、多人群的公开基准数据集，包含不同布局（走廊、中庭、开放办公、宿舍）的轨迹与碰撞标注。\n- **更系统、更大规模的真值验证**：当前人工验证仅 127 个检测、3 小时、10,800 帧（Section 3.1），且无法系统识别漏检。后续可设计多观察者交叉标注协议，结合视频（在隐私允许下）或可穿戴传感器（如蓝牙/RSSI）建立更完整的真值，报告 recall 与 F1 而不只是 precision。\n- **纵向与跨学期研究**：作者提出跨多个学术周期监测以区分季节/学年效应（Limitations and Future Work）。后续可收集春季/秋季、多学年数据，检验碰撞模式是否稳定，并控制课程表、天气、校园事件等混杂变量。\n- **实验干预与因果推断**：作者建议通过布置艺术品、调整家具等干预措施测量碰撞变化（Limitations and Future Work，基于 Vroman & Lagrange [^88]）。后续可采用 A/B 测试或中断时间序列设计，比较干预前后碰撞率、空间分布和 occupancy 调整后的残差，提供因果证据。\n- **评估指标扩展**：除碰撞次数外，可增加碰撞持续时间、参与人数、方向分布、网络结构（谁与谁在何处碰撞）等指标，并结合调查/访谈数据验证“碰撞→弱关系→场所依恋”的链条（Section 4）。\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: 现实世界应用中的表现\n\n### 1. 部署约束\n\n- **硬件与场地要求**：系统依赖 11 台 Blickfeld Cube 1 激光雷达，需吊顶安装并保证对目标区域的视线覆盖（第2节，Figure 1）。传感器视场角为 72°×30°、230 条扫描线、输出频率 2.4 Hz，需按建筑空间定制安装位置与朝向；多传感器数据需通过以太网汇聚到本地私有网络，并由中央计算机融合为统一坐标系下的点云（第2节）。\n- **数据存储与带宽**：原始数据量约 155 GB/天，全点云以 LAZ 格式按 0.1 Hz 落盘，栅格化数据按 1 Hz 写入本地硬盘；Percept 轨迹数据约 100 MB/天（JSON）。115 天研究期累计产生约 17.8 TB 原始数据，实际部署需规划大容量存储、备份与传输方案（第2节）。\n- **软件与算法依赖**：轨迹生成依赖商业软件 Blickfeld Percept 1.6.3，需在标准工作站上实时运行；碰撞检测算法为自定义 Python 程序，依赖 Numpy、Pandas、Geopandas、Scipy 等开源库（第2节）。部署时需同时维护商业软件许可、API 版本兼容和 Python 环境。\n- **人员与标定成本**：Percept 参数需人工调优（Table 1），碰撞检测阈值需通过实地观察和动画回放迭代确定；本研究使用 12 次、每次 1 小时的现场观察和 3 小时人工验证（第2节、第3.1节）。真实部署需要具备激光雷达、GIS、运动轨迹分析等技能的团队，且初始标定和验证耗时较长。\n- **隐私与合规**：激光雷达在采集端提供匿名性，Percept 为每个对象分配随机唯一 ID，人离开再进入会获得新 ID（第2节）。但长期连续监测仍涉及数据存储、访问控制和伦理审批；若部署在公共建筑，需明确告知 occupants 并遵守当地隐私法规。\n\n### 2. 计算与延迟影响\n\n- **实时性分层**：Percept 在本地工作站上执行实时目标检测，输出轨迹 JSON；但碰撞检测算法是离线后处理流程，先将 JSON 转为 GeoDataFrame、合并、分块为 shapefile，再依次施加六个滤波器（位移、运动、时空、方向、去重等，Figure 4）。因此系统不提供实时碰撞告警，而是按天或按周批量产出分析结果。\n- **计算开销**：原始点云融合、栅格化、LAZ 压缩、轨迹合并和空间连接（1.5 m 邻域匹配）均需较大内存与 CPU 资源；研究期 115 天、6700 万人-秒数据，最终检测出 14,022 次碰撞（第3.1节）。若扩展到更大建筑或多楼层，计算量会线性增长，需考虑分布式处理或更高效的索引结构。\n- **延迟特征**：从数据采集到碰撞结果生成存在明显延迟（至少数小时至数天），适合使用后评估（POE）等非实时场景；若用于实时空间管理或事件响应，需重新设计在线算法并降低点云处理频率。\n- **模型复杂度**：时间分析使用 OLS 回归、正弦/余弦变换、GLR 和 GWR（第2节、第3.2节、第3.3节），这些统计计算在 1 m 栅格和 10 cm 细粒度走廊分析中可接受，但 GWR 在大范围高分辨率网格上可能较慢。\n\n### 3. 鲁棒性与安全性问题\n\n- **检测精度与漏检**：算法在人工验证集上达到 86.1% 精确率（基于明确案例），但仍有 11.0% 假阳性和 20.5% 模糊案例（第3.1节）。Percept 对长时间静止的人会丢失跟踪，导致涉及静止者的碰撞大量漏检（Limitations and Future Work）。高密度时段（如社交活动）算法性能下降，验证也更困难。\n- **场景误判**：在电梯口等区域，人员因等待而停留可能被算法记为碰撞，但实际未必发生社交互动（第4节 Limitations）。这提示在真实部署中需结合具体空间功能解释结果，或增加声学等辅助信号。\n- **参数敏感性**：位移阈值 4 m、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 均为经验值，未完全优化（第2节、Limitations）。不同建筑布局、人流密度和移动模式需要重新标定，否则误检/漏检率会变化。\n- **传感器与遮挡**：激光雷达不依赖环境光，适合动态光照和夜间（第1节），但静态安装仍可能被家具、装饰物或人群遮挡；多传感器融合可部分缓解，但遮挡区域的数据质量仍影响轨迹连续性。\n- **安全与伦理**：系统设计初衷是匿名行为分析，不应被用于个人身份识别或监控；部署方需防止数据被滥用，限制原始点云和轨迹数据的访问权限，并在发布结果时避免可重识别信息。\n\n### 4. 可维护性\n\n- **长期运行维护**：研究项目计划持续四年（Limitations and Future Work），长期监测需要定期检查传感器状态、清洁镜头、校准坐标、维护网络和存储设备；155 GB/天的数据量对硬盘寿命和备份策略提出较高要求。\n- **软件更新与兼容性**：Percept 版本（1.6.3）和 Blickfeld API 可能更新，自定义 Python 代码需随之适配；开源库版本变化也可能影响可复现性。论文未提供算法源代码，仅提供补充材料（视频、样本数据、碰撞数据集），外部复现和维护难度较大。\n- **可扩展性**：从 11 个传感器扩展到更多建筑，需要增加网络带宽、存储、计算节点和标定工作量；作者建议短期部署可采用移动式半球激光雷达以提高效率（Limitations），但移动部署的覆盖范围和长期一致性仍需验证。\n- **数据管理与共享**：完整数据集需向作者申请，补充材料仅含样本；长期维护需建立清晰的数据目录、元数据和版本管理，以支持跨学期、跨年度的对比分析。\n- **结果解释与更新**：碰撞频率随学期阶段、星期和小时变化（第3.2节），部署方需定期重新分析并更新基线；若建筑布局或使用功能改变，算法阈值和空间分析网格也需相应调整。\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### 1. 总结段落\n\n本文提出并验证了一种基于静态激光雷达网络的“偶然碰撞”（serendipitous collisions）检测与分析方法，用于评估共享室内空间设计是否有效促进自发性社会互动。研究在弗吉尼亚理工大学CID建筑底层公共空间部署11台Blickfeld Cube 1激光雷达，连续采集115天（2023年秋季学期）共约6700万人·秒的轨迹数据，并利用Blickfeld Percept生成匿名时空轨迹。作者设计了一个六重顺序滤波算法（位移、运动、时空邻近、航向、去重等），从轨迹中识别两人及以上因偶遇而停留互动的碰撞事件，算法在人工验证集上达到86.1%的精确率，共检测到14,022次碰撞。时间分析显示，占用率与碰撞频率总体高度相关（小时R²=0.76、日R²=0.74、周R²=0.92），但碰撞峰值比占用率峰值滞后2–3小时，且周末（尤其周六）单位占用率的碰撞率显著更高。空间分析发现碰撞聚集在电梯口、楼梯底部等过渡区，并存在“摩擦效应”：靠近座位的走廊边缘比开放走廊产生更多碰撞（>30%）。作者认为该方法可作为使用后评估（POE）的可扩展框架，为建筑师和规划者提供关于设计如何影响社交互动的连续定量证据。\n\n### 2. 五个关键要点\n\n1. **碰撞可检测**：基于激光雷达轨迹的六重滤波算法能以86.1%精确率检测偶然碰撞（第3.1节，图5）。\n2. **时间错位**：碰撞峰值较占用率峰值滞后2–3小时，说明社交互动并非简单地跟随人流量（第3.2节，图7d）。\n3. **周内差异**：单位占用率的碰撞率在周五（+24.53%）和周六（+51.90%）显著高于周一至周三（第3.2节，ANOVA p<0.001）。\n4. **空间聚集与摩擦效应**：碰撞集中在电梯、楼梯底部等过渡区；座位区与通道交界处的“摩擦”地带碰撞率比开放走廊高30%以上（第3.3节，图10、图11）。\n5. **POE应用价值**：该方法为建筑使用后评估提供连续、客观、匿名的行为数据，可补充问卷与访谈（第4节、第5节）。\n\n### 3. 核心公式/机制\n\n碰撞检测的核心机制是六重顺序滤波器，可概括为：\n\n\\[\n\\text{Collision}(i,j) = \\mathbb{1}\\{\nD_i \\ge 4\\,\\text{m} \\;\\land\\; v_i \\le 0.3\\,\\text{m/s} \\;\\land\\; a_i < 0 \\;\\land\\; d_{ij} \\le 1.5\\,\\text{m} \\;\\land\\; |\\theta_i - \\theta_j| \\ge 90^\\circ \\;\\land\\; \\text{not within 2 m / 5 s of prior collision}\n\\}\n\\]\n\n其中 \\(D_i\\) 为轨迹总位移，\\(v_i\\) 和 \\(a_i\\) 为速度与加速度，\\(d_{ij}\\) 为两人同时刻距离，\\(\\theta_i, \\theta_j\\) 为航向角。只有同时满足所有条件才记为一次碰撞；去重滤波器将2米、5秒内的重复/群体互动合并为一次事件（第2节，图4）。\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：第二遍精读理解\n\n### 1. 结构树\n\n```text\n论文标题：基于激光雷达的共享室内空间偶然碰撞检测与分析\n├── 1. 引言\n│ ├── 室内地理与遥感背景\n│ ├── 激光雷达感知与室内追踪\n│ ├── 偶然碰撞/弱联系与场所感\n│ └── 研究目标与贡献\n├── 2. 材料与方法\n│ ├── 2.1 研究场地与传感器部署（CID建筑，11台Blickfeld Cube 1）\n│ ├── 2.2 数据采集与Percept轨迹生成（表1参数）\n│ ├── 2.3 碰撞定义与三类碰撞（双向、静止、汇合）\n│ ├── 2.4 碰撞检测算法（六步滤波器，图4）\n│ ├── 2.5 算法验证（人工动画复核，图5）\n│ └── 2.6 时间与空间分析方法（OLS、GLR、GWR）\n├── 3. 结果\n│ ├── 3.1 算法性能（86.1%精度，14,022次碰撞）\n│ ├── 3.2 时间分析（图7、图8；周/日/小时尺度）\n│ └── 3.3 空间分析（图9、图10、图11；摩擦效应）\n├── 4. 讨论\n│ ├── 学期内下降与感恩节后回升的解释\n│ ├── 时间滞后与社交节奏\n│ ├── 空间摩擦效应与设计启示\n│ └── 对使用后评估（POE）的意义\n├── 局限性与未来工作\n│ ├── 静止人员漏检、高密度事件误检\n│ ├── 电梯区域“伪碰撞”\n│ └── 未来：VLM、声学传感器、跨建筑部署、实验干预\n├── 5. 结论\n└── 补充材料（Video S1、File S2、File S3）\n```\n\n### 2. 方法/系统分解\n\n**输入**：\n\n- 11台静态安装的Blickfeld Cube 1激光雷达（75 m量程，72°×30°视场，230扫描线，2.4 Hz输出频率），部署于弗吉尼亚理工大学CID建筑Community Assembly空间天花板（第2节，图1）。\n- 原始点云经以太网汇聚，155 GB/天；自定义Python API聚合为融合点云，1 Hz栅格化强度/高程，0.1 Hz LAZ存档。\n\n**中间表示**：\n\n- Blickfeld Percept 1.6.3对原始点云做实时目标检测与追踪，输出带时间戳的(x,y)轨迹JSON（约100 MB/天），每个对象有随机唯一ID；共收集67 million person-seconds（115天）。\n- Percept参数见表1：动态背景=混合高斯，初始化帧=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，聚类=Mean Shift，最小簇点数=30，对象平均半径=0.33。\n\n**核心模块——碰撞检测算法（六步顺序滤波器，图4）**：\n\n1. 位移滤波器（Displacement）：按唯一ID分组，剔除总位移<4 m的轨迹，去除噪声与短暂跟踪错误。\n2. 运动滤波器（Movement）：由x/y速度分量计算线速度与加速度，保留速度<0.3 m/s且加速度为负（减速）的轨迹，识别潜在停顿。\n3. 时空滤波器（Spatiotemporal）：查找同一时间戳1.5 m范围内的其他轨迹，匹配两人或多人；阈值>1.5 m假阳性高，<1.5 m漏检无身体接触的互动。\n4. 航向滤波器（Heading）：要求个体航向差≥90°，确保来自不同方向，排除结伴同行、教室/电梯出口等“计划性”聚集。\n5. 去重滤波器（Duplication）：移除初始碰撞2 m、5 s内的后续碰撞，避免群体互动被重复计数（如3人×3人=9次被记为1次）。\n6. 事件滤波器（Event filter）：限制计划性活动/高密度事件对整体数据的影响（在Limitations中提及）。\n\n**输出**：\n\n- 碰撞事件数据集（含时间、位置、参与人数等），共14,022次碰撞；补充材料File S3。\n\n**训练/推理流程**：\n\n- 无监督/规则方法，无损失函数与训练过程。参数通过12次一小时现场观察（n=35个地面真值碰撞）迭代调优，未做全局优化（第2.4节、Limitations）。\n- 推理流程：原始点云→Percept轨迹→GeoDataFrame合并→分块shapefile→六步滤波器→碰撞事件。\n\n### 3. 重要图表解读\n\n**图4（碰撞检测算法流程图）**：\n\n- 位置：第2.4节。该图概括了从Percept轨迹到碰撞事件的六步处理流水线，是理解方法核心的入口。它说明算法是级联过滤而非单一分类器：每一步都基于轨迹几何/运动学/时空邻近性逐步缩小候选集，最终输出满足“来自不同方向、同时减速、近距离停留”的碰撞。该图与正文中的阈值（4 m、0.3 m/s、1.5 m、90°、2 m/5 s）一一对应，便于复现。\n\n**图7（时间模式四联图）**：\n\n- 位置：第3.2节。(a)按天显示碰撞总数，峰值在9月中旬，学期后期下降，感恩节与寒假间回升；(b)按周显示碰撞与占用，第6周秋假、第13周感恩节、第16周期末为低谷；(c)按星期几归一化显示，占用在工作日高，碰撞在周五/周六高；(d)按小时显示，占用峰值在15:00，碰撞峰值在17:00–20:00，呈现2–3小时滞后。该图支撑了“社交互动不同于单纯物理共存”的核心结论。\n\n**图9（占用与碰撞空间分布）**：\n\n- 位置：第3.3节。(a)占用集中在走廊、楼梯底部、座位区和电梯；(b)碰撞高发区为楼梯底部、座位区周围和电梯（电梯区域超过2,000次碰撞），而走廊和边缘空间碰撞低。该图与GLR残差（图10）共同说明“高占用≠高碰撞”，为摩擦效应提供空间证据。\n\n**表1（Percept参数）**：\n\n- 位置：第2.2节。列出10个关键追踪参数及其取值，是轨迹质量的基础。参数影响对象检测的灵敏度、噪声抑制和对象持久性，进而影响后续碰撞检测的输入质量。\n\n### 4. 实验与评估细节\n\n**数据集**：\n\n- 研究时段：2023年8月21日（开学首日）至12月13日（期末考试最后一天），共115天。\n- 数据规模：约67 million person-seconds的Percept轨迹；原始点云155 GB/天；轨迹JSON约100 MB/天。\n- 碰撞总数：14,022次（平均121.9次/天，5.1次/小时）。\n\n**评估指标与验证协议**：\n\n- 人工验证：从低、中、高三种占用场景中各取1小时，共3小时（10,800帧）lidar动画，逐帧复核127个检测到的碰撞。\n- 结果：68.5%真阳性，11.0%假阳性，20.5%不明确；仅基于明确案例计算，精度=86.1%（即真阳性/(真阳性+假阳性)）。\n- 假阳性无空间聚集（第3.1节）。\n- 局限：验证仅覆盖检测到的碰撞，无法系统量化漏检（false negatives）；静止人员因Percept丢失轨迹而漏检。\n\n**时间分析**：\n\n- 二次多项式拟合：小时R²=0.76（F(2,2672)=4128.97, p<0.001）；天R²=0.74（F(2,112)=161.97, p<0.001）；周R²=0.92（F(2,14)=81.22, p<0.001）。\n- 对数-对数斜率：天n=1.17、周n=1.15（超线性），小时n=0.78（次线性）。\n- 正弦-余弦变换后小时级多元回归：R²=0.99（F(3,21)=801.1, p<0.001）。\n- 单因素ANOVA：星期几对“每千占用碰撞数”影响显著（p<0.001）；相对周均值：周五+24.53%，周六+51.90%，周一-17.13%，周二-32.37%，周三-12.07%。\n\n**空间分析**：\n\n- GLR（非零网格单元）：R²=0.598，F(3,785)=390.02，p<0.001；残差图显示左/中走廊和部分高占用座位区碰撞低于预期，电梯、楼梯底部、Community Assembly中心高于预期。\n- GWR：R²=0.84，优于GLR，说明空间自相关被纳入后拟合改善。\n- 摩擦效应：在主走廊10 cm网格分析中，速度与占用在走廊中心最高，速度在座位侧下降更陡；碰撞呈双峰分布，位于高速“河道”两侧，座位侧碰撞更多；座位邻近区域碰撞率比开放走廊高>30%（摘要）。\n\n**对比目标与消融**：\n\n- 无外部基线算法对比；主要对比是“占用-碰撞”关系在不同时空尺度下的模型（OLS/GLR/GWR）。\n- 无正式消融实验；但参数敏感性在正文中定性说明：1.5 m距离阈值、0.3 m/s速度阈值、90°航向阈值均经过迭代测试，过高/过低会分别导致假阳性或漏检（第2.4节）。\n\n**公平性与偏差**：\n\n- 静止人员漏检：Percept对长时间静止者会丢失追踪，导致“静止碰撞”系统性低估。\n- 高密度事件误检：计划性活动期间算法表现变差，事件滤波器只能部分缓解。\n- 电梯区域“伪碰撞”：算法捕捉的是“停顿+邻近”，不一定是社交互动；电梯等待场景可能高估。\n\n### 5. 面向方法类论文的流程图示\n\n```text\n11× Blickfeld Cube 1 激光雷达（2.4 Hz, 72°×30°, 230线）\n │\n ▼\n原始点云（155 GB/天）→ 自定义Python API融合点云（1 Hz栅格化/0.1 Hz LAZ）\n │\n ▼\nBlickfeld Percept 1.6.3 目标检测与追踪（表1参数）\n │\n ▼\n时空轨迹JSON（x, y, t, 速度, 唯一ID；约100 MB/天）\n │\n ▼\nGeoDataFrame合并与分块\n │\n ▼\n碰撞检测六步滤波器：\n 位移(≥4 m) → 运动(速度<0.3 m/s且减速) → 时空(≤1.5 m)\n → 航向(≥90°) → 去重(2 m/5 s) → 事件过滤\n │\n ▼\n碰撞事件（14,022次；86.1%精度）\n │\n ▼\n时间分析（OLS/ANOVA/正弦-余弦） + 空间分析（GLR/GWR/10 cm摩擦分析）\n```\n\n该图对应论文第2节（数据采集与算法）和第3节（结果分析），突出“传感器→轨迹→滤波器→碰撞→统计建模”的完整流水线，符合方法类论文的“输入-处理-输出-验证”结构。\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## Module E: 第三遍深度评审\n\n### 1. 可重建性（Reconstructability）\n\n**重建要点**：论文未提供源代码，但算法流程描述足够详细（第2节、图4），可依据伪代码重建。依赖 Blickfeld Percept 1.6.3 输出轨迹 JSON；需复现表1中的参数。主要不确定性在事件过滤器未在方法中详述（Limitations 提及）。\n\n**伪代码**：\n\n```python\n输入: Percept轨迹集合 T（每条轨迹含唯一ID、时间戳、x,y、速度分量）\n输出: 碰撞事件集合 C\n\n# 1. 位移过滤器\nfor track in T:\n if max_distance(track, start_point) < 4m:\n remove(track)\n\n# 2. 运动过滤器\nfor track in T:\n v = instantaneous_velocity(track)\n a = derivative(v)\n if not (v < 0.3 m/s and a < 0): # 减速/暂停\n remove(track)\n\n# 3. 时空过滤器\nfor each pair (track_i, track_j):\n if any timestamp t where distance(pos_i(t), pos_j(t)) <= 1.5m:\n keep pair\n else:\n remove pair\n\n# 4. 航向过滤器\nfor each candidate pair:\n if angle_between(heading_i, heading_j) < 90°:\n remove pair\n\n# 5. 去重过滤器\nfor each detected collision at (loc, time):\n remove any other collision within 2m and 5s\n\n# 6. 事件过滤器（论文提及但未详述）\nif collision occurs during planned event:\n apply_event_suppression_or_labeling()\n\nC = remaining collisions\n```\n\n**重建注意事项**：\n\n- 需要将 Percept JSON 转为 GeoDataFrame，并按时间分块（第2节）。\n- 速度/加速度计算方式未完全明确：线性速度由 x,y 分量计算，加速度由瞬时速度变化推导（第2节）。\n- 事件过滤器参数与逻辑缺失，是复现最大障碍（Limitations）。\n- 验证需人工查看动画，难以自动化（第3.1节）。\n\n### 2. 假设（Assumptions）\n\n- **轨迹完整性假设**：Percept 能持续跟踪移动个体；静止超过一定时间的人会被丢失（第2节、Limitations），因此碰撞检测偏向“移动-移动”和“移动-短时静止”交互。\n- **碰撞操作化假设**：碰撞=暂停+近距离+不同方向接近；算法检测的是“暂停与接近”，并非直接测量社交互动（Limitations 明确说明）。\n- **阈值普适性假设**：4 m、0.3 m/s、1.5 m、90°、2 m/5 s 等阈值经小样本地面真值（n=35）调参，但作者承认未完全优化，且可能不适用于其他建筑/人群（第2节、Limitations）。\n- **占用率代理假设**：person-seconds 是碰撞潜力的有效代理；唯一ID计数被放弃，因为短暂经过者会被高估（第2节）。\n- **验证样本代表性假设**：127 个检测、3 小时、低/中/高占用场景的人工评审足以估计精度；但无法估计召回率（第3.1节）。\n- **空间平稳性假设**：GLR/GWR 残差分析假设碰撞-占用关系在学期内稳定；时间上仅用周/日/小时聚合，未考虑逐日天气等外部因素（第3.2、3.3节）。\n\n### 3. 失败模式或盲点（Failure Modes / Blind Spots）\n\n- **静止人员漏检**：Percept 对长时间静止者停止跟踪，导致“静止-移动”碰撞大量漏计；作者预计若补全会使“摩擦效应”梯度更陡（Limitations）。\n- **高密度事件误检/漏检**：计划性活动期间算法表现变差，人工验证也困难；事件过滤器只能部分抑制，未分类事件可能污染数据（Limitations）。\n- **电梯区域假阳性**：在电梯等候区，算法将“暂停+接近”判为碰撞，但这些人可能并未社交互动（Limitations）。\n- **验证盲区**：只验证了检测到的碰撞，无法系统识别漏检；因此精度 86.1% 仅基于“明确案例”，且 unclear 占 20.5%，若将 unclear 视为假阳性则精度降至 68.5%（第3.1节）。\n\n### 4. 优势与劣势（Strengths and Weaknesses）\n\n**优势**：\n\n- 新颖性：首次将静态激光雷达网络用于检测室内“偶然碰撞”，连接室内地理、时间地理与使用后评估（第1、5节）。\n- 隐私保护：激光雷达低分辨率、无RGB，采集时匿名（第1节）。\n- 长时间大样本：115天、67 million person-seconds、14,022次碰撞，支持多尺度时空分析（第3节）。\n- 分析深度：时间上发现2-3小时滞后和周末效应（图7d、第3.2节）；空间上识别电梯、楼梯底部、摩擦效应（图10、图11）。\n- 可扩展框架：方法可迁移至其他建筑，为建筑师提供量化反馈（第4、5节）。\n\n**劣势**：\n\n- 验证规模小且无召回率：仅127个检测、3小时；无法量化漏检（第3.1节）。\n- 规则算法依赖人工调参：阈值未优化，可能过拟合单一建筑（第2节、Limitations）。\n- 事件过滤器不透明：方法部分未描述，影响复现（Limitations）。\n- 数据与代码不可得：仅补充材料提供样本，完整数据需申请，源代码未提供（Data Availability）。\n- 单建筑、单学期：外部效度有限，无法区分建筑设计与用户群体效应（Limitations）。\n\n### 5. 下一步研究（Next-Step Research Directions）\n\n- **多模态融合提升检测**：结合 YOLO/VLM 或声学传感器，识别静止人员与真实对话，提高召回率并区分“接近”与“互动”（Limitations）。\n- **跨建筑/跨学期泛化**：在非社交导向建筑中短期部署，比较春秋学期与多年数据，检验阈值与模式的普适性（Limitations）。\n- **实验干预研究**：在受监测空间内布置艺术品、调整座椅，测量碰撞频率变化，建立因果证据（Limitations，引用Vroman & Lagrange）。\n- **事件感知算法**：开发专门针对高密度/计划事件的次级算法，对事件内碰撞分类，避免污染常规分析（Limitations）。\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\n\n1. **Lidar (Light Detection and Ranging) / 激光雷达**\n - **定义**：一种通过发射激光脉冲并测量反射时间来计算物体距离的主动遥感技术。\n - **直觉**：像“光学雷达”，用光代替无线电波，快速生成周围环境的三维点云。\n - **在本文中的作用**：11台静态安装的Blickfeld Cube 1激光雷达构成感知网络，是全部轨迹与碰撞检测的数据源头（第2节）。\n - **前置知识**：电磁波、测距原理、点云。\n\n2. **Static-mounted lidar / 静态安装激光雷达**\n - **定义**：固定安装在某一位置（如天花板）持续扫描场景的激光雷达，区别于移动/手持扫描。\n - **直觉**：像固定摄像头一样“盯住”一个空间，但以3D点云记录。\n - **在本文中的作用**：部署于CID社区大厅天花板，实现连续、匿名、全天候的室内行为观测（第2节）。\n - **前置知识**：Lidar、传感器部署。\n\n3. **Point cloud / 点云**\n - **定义**：由大量三维坐标点（可含强度等属性）组成的空间数据集合。\n - **直觉**：用数百万个“点”拼出空间的立体轮廓。\n - **在本文中的作用**：11个传感器融合生成建筑坐标系下的点云，用于渲染和后续轨迹生成（图2）。\n - **前置知识**：三维坐标、激光雷达测量。\n\n4. **Space-time trajectory / 时空轨迹**\n - **定义**：对象在空间中随时间移动所形成的有序位置序列，通常表示为(x, y, t)顶点序列。\n - **直觉**：在三维时空立方体中画出一条“生命线”。\n - **在本文中的作用**：Percept输出的核心数据结构，是碰撞检测算法的输入（第2节）。\n - **前置知识**：时间地理学、轨迹数据模型。\n\n5. **Time geography / 时间地理学**\n - **定义**：Hägerstrand提出的研究个体在时空约束下活动路径的理论框架。\n - **直觉**：把“在哪里”和“何时”放在同一个坐标系中理解人的行为。\n - **在本文中的作用**：为时空轨迹分析和碰撞检测提供理论背景（引言、第2节）。\n - **前置知识**：地理学、时空建模。\n\n6. **Occupancy (person-seconds) / 占用（人·秒）**\n - **定义**：某网格单元内被人员占用的总秒数，是活动量的度量。\n - **直觉**：像“空间使用时间”的积分，停留越久数值越大。\n - **在本文中的作用**：作为碰撞频率的基准预测变量，用于时间与空间回归分析（第2、3节）。\n - **前置知识**：栅格分析、时间积分。\n\n7. **Serendipitous collision / 偶然碰撞（偶遇）**\n - **定义**：两个或以上个体从不同方向接近后停下进行非计划性互动的行为。\n - **直觉**：走廊里“不期而遇”并停下来聊天。\n - **在本文中的作用**：核心研究对象；算法检测的目标行为（摘要、第1节）。\n - **前置知识**：社会互动、弱连接概念。\n\n8. **Weak ties / 弱连接**\n - **定义**：Granovetter意义上的熟人/泛泛之交关系，与亲密朋友等强连接相对。\n - **直觉**：点头之交可能带来新信息和归属感。\n - **在本文中的作用**：解释为何偶然碰撞对幸福感和场所感重要（第1节）。\n - **前置知识**：社会网络理论。\n\n9. **Collision detection algorithm / 碰撞检测算法**\n - **定义**：本文提出的六步滤波规则算法，用于从轨迹数据中识别偶然碰撞。\n - **直觉**：一个“漏斗”，逐层筛掉不符合碰撞特征的轨迹对。\n - **在本文中的作用**：方法核心，输出14,022个碰撞事件（第2、3节）。\n - **前置知识**：轨迹数据处理、滤波逻辑。\n\n10. **Displacement filter / 位移滤波器**\n - **定义**：去除总位移小于4米的轨迹的滤波步骤。\n - **直觉**：太短的轨迹多半是噪声或跟踪错误，先扔掉。\n - **在本文中的作用**：六步滤波的第一步，降低噪声（第2节）。\n - **前置知识**：轨迹位移计算。\n\n11. **Movement filter / 运动滤波器**\n - **定义**：根据速度（<0.3 m/s）和负加速度（减速）保留可能停顿的轨迹。\n - **直觉**：找人“慢下来/停下来”的时刻。\n - **在本文中的作用**：识别碰撞前的减速停顿行为（第2节）。\n - **前置知识**：速度、加速度、阈值设定。\n\n12. **Spatiotemporal filter / 时空滤波器**\n - **定义**：在同一时间戳下寻找1.5米范围内其他轨迹的滤波步骤。\n - **直觉**：检查两个人是否“同时同地”足够近。\n - **在本文中的作用**：将独立轨迹配对为潜在碰撞（第2节）。\n - **前置知识**：时空邻近性、时间同步。\n\n13. **Heading filter / 方向滤波器**\n - **定义**：要求碰撞双方运动方向夹角至少90度，以排除结伴同行等计划性互动。\n - **直觉**：只有“迎面而来”才算偶遇，同路同行不算。\n - **在本文中的作用**：减少通道瓶颈造成的误检（第2节）。\n - **前置知识**：向量方向、角度计算。\n\n14. **Duplication filter / 去重滤波器**\n - **定义**：移除2米和5秒内已记录的碰撞，避免群体互动被重复计数。\n - **直觉**：一群人互相打招呼只算一次“偶遇”。\n - **在本文中的作用**：保证碰撞计数反映独立事件（第2节）。\n - **前置知识**：空间聚类、时间窗口。\n\n15. **Percept (Blickfeld Percept) / 感知软件**\n - **定义**：Blickfeld提供的商业目标检测与跟踪软件，用于从激光雷达流生成轨迹。\n - **直觉**：一个“黑盒”跟踪器，输出匿名化的(x,y,t)轨迹。\n - **在本文中的作用**：提供碰撞检测的输入轨迹；其参数被调优（第2节、表1）。\n - **前置知识**：目标检测、跟踪算法。\n\n16. **Mean shift / 均值漂移**\n - **定义**：一种基于密度估计的聚类算法，通过迭代向高密度区域移动来找到聚类中心。\n - **直觉**：像“滚雪球”，点密集处成为对象。\n - **在本文中的作用**：Percept用于将点云聚类为“对象”的算法（第2节）。\n - **前置知识**：聚类、核密度估计。\n\n17. **Object tracking / 目标跟踪**\n - **定义**：在连续帧中识别并关联同一对象，形成轨迹的过程。\n - **直觉**：给每个移动的人一个临时ID并“跟住”他。\n - **在本文中的作用**：Percept的核心功能，生成匿名轨迹（第2节）。\n - **前置知识**：检测、数据关联。\n\n18. **Precision / 精确率**\n - **定义**：检测出的阳性中真正阳性的比例（TP/(TP+FP)）。\n - **直觉**：算法说“这是碰撞”时，有多少次是对的。\n - **在本文中的作用**：算法性能指标，确认案例中为86.1%（第3.1节）。\n - **前置知识**：混淆矩阵、分类评估。\n\n19. **True positive / False positive / Unclear / 真阳性、假阳性、不明确**\n - **定义**：人工验证中对检测结果的分类：真阳性为真实碰撞，假阳性为误检，不明确为无法判断。\n - **直觉**：给算法“判卷”时的三种给分。\n - **在本文中的作用**：用于计算精确率并评估算法可靠性（第3.1节）。\n - **前置知识**：评估指标。\n\n20. **Generalized linear regression (GLR) / 广义线性回归**\n - **定义**：一种扩展线性回归的统计模型，允许响应变量服从非正态分布。\n - **直觉**：比普通回归更灵活地拟合计数/二值数据。\n - **在本文中的作用**：分析1米网格上占用与碰撞的关系，并绘制残差图（第3.3节）。\n - **前置知识**：线性回归、残差。\n\n21. **Geographically weighted regression (GWR) / 地理加权回归**\n - **定义**：一种局部回归方法，允许回归系数随空间位置变化。\n - **直觉**：不同地方的关系可能不同，GWR给每个位置一个“本地模型”。\n - **在本文中的作用**：验证GLR结果并改善拟合（R²=0.84）（第3.3节）。\n - **前置知识**：空间统计、局部回归。\n\n22. **Friction effect / 摩擦效应**\n - **定义**：在移动与停留区域的边界处，碰撞频率高于单纯通行区域的现象。\n - **直觉**：像河岸的摩擦力让水流减速，人也更容易在“岸边”停下交谈。\n - **在本文中的作用**：核心空间发现之一，指导设计建议（第3.3、4节）。\n - **前置知识**：空间分析、行为地理。\n\n23. **Post-occupancy evaluation (POE) / 使用后评估**\n - **定义**：建筑建成并投入使用后，对其性能（包括社会行为效果）进行系统评估。\n - **直觉**：建筑“交付后”的体检。\n - **在本文中的作用**：论文声称建立可扩展的POE框架（摘要、第4节）。\n - **前置知识**：建筑学、环境行为研究。\n\n24. **Modifiable Temporal Unit Problem (MTUP) / 可修改时间单元问题**\n - **定义**：时间聚合尺度的选择会影响分析结果的现象，是MAUP的时间版本。\n - **直觉**：按小时、天、周统计，结论可能不一样。\n - **在本文中的作用**：解释为何要在多时间尺度上分析占用-碰撞关系（第4节）。\n - **前置知识**：MAUP、时间聚合。\n\n25. **Space-Time Cube / 时空立方体**\n - **定义**：以二维空间加一维时间构成的三维可视化与分析框架。\n - **直觉**：把地图“叠”成时间方向上的立方体。\n - **在本文中的作用**：轨迹可视化和时间地理分析的背景方法（第1节）。\n - **前置知识**：三维可视化、时间地理。\n\n26. **Digital twin / 数字孪生**\n - **定义**：物理空间的数字化镜像，可包含几何、语义和动态数据。\n - **直觉**：现实建筑在电脑里的“分身”。\n - **在本文中的作用**：室内遥感与建筑信息建模的应用背景（第1节）。\n - **前置知识**：BIM、点云建模。\n\n27. **YOLO / You Only Look Once**\n - **定义**：一种基于深度学习的单阶段目标检测算法。\n - **直觉**：看一眼就能框出所有目标，速度极快。\n - **在本文中的作用**：作为Percept的替代方案被讨论，用于未来跟踪改进（第4节）。\n - **前置知识**：深度学习、目标检测。\n\n28. **Vision Language Model (VLM) / 视觉语言模型**\n - **定义**：同时处理视觉和文本信息的模型，可执行跨模态理解任务。\n - **直觉**：让机器“看图说话”并理解场景。\n - **在本文中的作用**：未来工作设想，用于同时跟踪和识别碰撞（第4节）。\n - **前置知识**：多模态学习、大语言模型。\n\n### 概念依赖图（文本形式）\n\n```text\nLidar 静态安装\n └─> 点云融合\n └─> Percept 目标跟踪 (Mean shift)\n └─> 时空轨迹\n ├─> 占用（人·秒）\n └─> 碰撞检测算法\n ├─> 位移滤波\n ├─> 运动滤波\n ├─> 时空滤波\n ├─> 方向滤波\n └─> 去重滤波\n └─> 碰撞事件\n ├─> 时间分析（OLS/MTUP）\n ├─> 空间分析（GLR/GWR）\n └─> 摩擦效应\n └─> 使用后评估\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## Module G: 验证与引用核查\n\n### 1. 关键事实主张核查\n\n以下每项主张均给出论文内至少两处来源（章节/图表/摘要/正文），并注明外部可查证线索。\n\n- **主张1：算法精度为86.1%**\n - 来源1：摘要（Abstract）明确报告“A novel collision detection algorithm achieved 86.1% precision”。\n - 来源2：第3.1节“Algorithm Performance”报告“Based on confirmed cases only, the algorithm achieved 86.1% precision”。\n - 来源3：第5节结论再次提及“achieved 86.1% precision”。\n - 核查说明：精度基于127个检测到的碰撞的人工复核，其中68.5%为真阳性、11.0%为假阳性、20.5%为不明确；仅以明确案例计算得到86.1%。该数字依赖作者人工标注，无法从论文数据独立复算。\n\n- **主张2：检测到14,022次碰撞，覆盖115天、约6700万人秒数据**\n - 来源1：摘要报告“detected 14,022 interactions over 115 days (67 million person-seconds)”。\n - 来源2：第2节“Materials and Methods”说明“67 million person-seconds of Percept data were collected over 115 days”。\n - 来源3：第3.1节报告“the algorithm detected 14,022 collisions (averaging 121.9 per day; 5.1 per hour)”。\n - 核查说明：数据量级可交叉验证（14,022/115≈121.9；14,022/(115×24)≈5.08），与论文报告一致。\n\n- **主张3：占用率与碰撞次数在多个时间尺度上强相关（R²≥0.74）**\n - 来源1：摘要报告“occupancy strongly predicted collision frequency overall (R² ≥ 0.74)”。\n - 来源2：第3.2节给出小时（R²=0.76）、日（R²=0.74）、周（R²=0.92）的二次多项式拟合结果。\n - 核查说明：R²值在正文中均有对应F统计量和p值，可复核。\n\n- **主张4：碰撞峰值比占用率峰值滞后2–3小时**\n - 来源1：摘要报告“temporal lags between occupancy and collision peaks of 2–3 h in the afternoon”。\n - 来源2：第3.2节描述“Occupancy peaked during typical working hours (9:00–20:00) at 15:00, while collisions increased throughout the day to an evening peak from 17:00–20:00”。\n - 来源3：第5节结论再次提及“a notable 2–3 h lag”。\n - 核查说明：滞后量来自小时级曲线观察，论文未给出滞后显著性检验。\n\n- **主张5：周六每千人次占用率的碰撞率比周均值高约52%**\n - 来源1：摘要报告“Saturday showing 52% higher rates than the weekly average”。\n - 来源2：第3.2节报告“Saturday (+51.90%) had much higher collision rates”。\n - 核查说明：数值基本一致（52% vs 51.90%），差异为四舍五入。\n\n- **主张6：碰撞聚集在电梯区、楼梯底部等过渡区，且存在“摩擦效应”**\n - 来源1：摘要报告“collisions clustered at key transition zones (elevator areas, stair bases), with an additional ‘friction effect’”。\n - 来源2：第3.3节报告“Collision counts were high at the base of the stairs, around seating areas... and the area around the elevator, which contained over 2000 of the semester's 14,022 collisions”。\n - 来源3：第4节讨论“the ‘friction’ associated with the seating side was more likely to generate collisions than the open side of the corridor”。\n - 核查说明：空间分析基于GLR残差和GWR（R²=0.84），但“摩擦效应”的量化（>30%）在摘要中给出，正文未给出对应统计检验。\n\n- **主张7：GLR显示占用率与碰撞显著相关（R²=0.598），GWR改进至R²=0.84**\n - 来源1：第3.3节报告“R² = 0.598, F(3,785) = 390.02, p < 0.001”。\n - 来源2：第3.3节报告“A geographically weighted regression... corroborated these patterns with improved model fit (R² = 0.84)”。\n - 核查说明：GLR的F统计量、自由度与R²可相互核对；GWR未报告参数或带宽，难以完全复现。\n\n- **主张8：数据采集使用11台Blickfeld Cube 1激光雷达，配置为72°×30°视场、230扫描线、2.4 Hz输出频率**\n - 来源1：第2节“Eleven Blickfeld Cube 1... Scanners were configured to a 72° × 30° field-of-view, 230 scanlines, and an output frequency of 2.4 Hz”。\n - 来源2：第2节“Sensors were connected by Ethernet to a local private network... 155 GB/day”。\n - 核查说明：硬件参数可对照Blickfeld Cube 1公开规格（参考文献[^79]），但论文未提供传感器标定文件。\n\n- **主张9：碰撞检测算法由六个顺序滤波器组成**\n - 来源1：第2节“The collision detection algorithm applies six sequential filters... displacement filter... movement filter... spatiotemporal filter... heading filter... duplication filter”。\n - 来源2：图4“Flowchart depicting the order of steps and general process of the collision detection algorithm”。\n - 核查说明：算法逻辑描述清晰，但未提供源代码，无法独立复现。\n\n- **主张10：人工验证基于3小时、10,800帧激光雷达数据**\n - 来源1：第3.1节“manually validated against three hours (10,800 individual frames) of lidar data”。\n - 来源2：第2节“Performance was formally validated by manually reviewing 127 detected collisions across three one-hour periods”。\n - 核查说明：验证样本量较小，作者也承认“validation sample size is limited”。\n\n### 2. 冲突与不确定性说明\n\n- **精度口径不一致**：摘要和结论使用“86.1% precision”，但第3.1节同时报告“68.5% true positives, 11.0% false positives, 20.5% unclear”。86.1%是排除“unclear”后的条件精度；若将“unclear”视为非真阳性，则精度为68.5%。两种口径差异较大，读者需注意。\n- **“摩擦效应”量化不一致**：摘要称“>30%”的碰撞率提升，但正文第3.3节仅以图形（图11）和定性描述支持，未给出具体百分比或统计检验。\n- **滞后效应缺乏统计检验**：2–3小时滞后来自小时级曲线观察，论文未报告滞后相关分析或显著性检验。\n- **静止人员漏检**：作者明确说明Percept可能丢失长时间静止目标，导致涉及静止人员的碰撞被低估（Limitations and Future Work）。\n- **高密度事件误检**：作者指出高密度时段算法表现较差，事件过滤器只能部分缓解（Limitations and Future Work）。\n- **电梯区域语义模糊**：算法将电梯附近的“暂停+接近”判为碰撞，但作者承认其中可能包含非社交性等待（Limitations and Future Work）。\n- **外部可复现性受限**：论文未提供源代码、完整轨迹数据或人工标注数据；补充材料需另行下载，完整数据需向作者申请。\n\n### 3. 参考文献列表（核查中涉及的主要文献）\n\n- Flack, A.H.; Pingel, T.J.; Baird, T.D.; Karki, S.; Abaid, N. Lidar-Based Detection and Analysis of Serendipitous Collisions in Shared Indoor Spaces. Remote Sens. 2025, 17, 3236. DOI: 10.3390/rs17183236\n- Sandstrom, G.M.; Dunn, E.W. Social Interactions and Well-Being: The Surprising Power of Weak Ties. Pers. Soc. Psychol. Bull. 2014, 40, 910–922.\n- Whyte, W.H. The Social Life of Small Urban Spaces; Project for Public Spaces: New York, NY, USA, 2010.\n- Karki, S.; Pingel, T.J.; Baird, T.D.; Flack, A.; Ogle, T. Enhancing Digital Twins with Human Movement Data: A Comparative Study of Lidar-Based Tracking Methods. Remote Sens. 2024, 16, 3453.\n- Comaniciu, D.; Meer, P. Mean Shift: A Robust Approach toward Feature Space Analysis. IEEE Trans. Pattern Anal. Mach. Intell. 2002, 24, 603–619.\n- Harari, G.M.; Müller, S.R.; Stachl, C.; Wang, R.; Wang, W.; Bühner, M.; Rentfrow, P.J.; Campbell, A.T.; Gosling, S.D. Sensing Sociability: Individual Differences in Young Adults' Conversation, Calling, Texting, and App Use Behaviors in Daily Life. J. Personal. Soc. Psychol. 2020, 119, 204–228.\n- Cöltekin, A.; De Sabbata, S.; Willi, C.; Vontobel, I.; Pfister, S.; Kuhn, M.; Lacayo, M. Modifiable temporal unit problem. In Persistent Problems in Geographic Visualization; ICC2011 Workshop: Paris, France, 2011.\n- Openshaw, S. The Modifiable Areal Unit Problem; Geo Books: Norwich, UK, 1983.\n- Blickfeld GmbH. Cube 1—3D LiDAR Sensor. Available online: (accessed on 8 June 2025).\n- Blickfeld GmbH. Blickfeld Percept—LiDAR Perception Software. Available online: (accessed on 8 June 2025).\n\n**总体核查结论**：论文内部数据基本自洽（如日均碰撞数、R²、F统计量），主要结论在摘要、结果和结论中重复一致；但算法精度、滞后效应和摩擦效应的统计证据强度有限，且缺少源代码和完整数据，独立复现难度较高。\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## Module H: 图表提取与深度解读\n\n### 1. 图表全量索引\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的论断 | 优先级（1-5） |\n|------|-----------|------|------|------------|----------------|\n| 图1 | CID Community Assembly 地面层平面图，红色为 lidar 数据采集范围 | 场地平面图/研究区域图 | 第2节 数据采集段 | 界定研究区域与传感器覆盖范围，为空间分析提供地理背景 | 3 |\n| 图2 | 11个lidar传感器融合点云渲染 | 点云可视化 | 第2节 数据采集段 | 展示多传感器融合点云质量，支撑静态lidar网络连续感知室内空间的可行性 | 3 |\n| 图3 | 一小时Percept轨迹2D渲染 | 轨迹可视化 | 第2节 Percept轨迹生成段 | 显示Percept输出轨迹形态，主要通道清晰可见，是碰撞检测的输入数据 | 3 |\n| 表1 | Percept对象跟踪软件参数 | 参数表 | 第2节 Percept参数设置段 | 说明目标跟踪配置（动态背景、衰减、聚类等），影响轨迹质量与后续碰撞检测 | 4 |\n| 图4 | 碰撞检测算法流程图 | 算法流程图 | 第2节 碰撞检测算法段 | 展示六步滤波器（位移、运动、时空、方向、去重）的顺序与逻辑，是方法核心 | 5 |\n| 图5 | 两幅正交视角lidar帧叠加碰撞算法结果（真阳性示例） | 验证示例图 | 第2节 算法性能验证段 | 证明算法能正确检测两人接近并停下互动的碰撞事件 | 4 |\n| 图6 | 研究区域中通道与座位/开放空间布局 | 空间分析区域示意图 | 第2节 空间分析段 | 用于检验“摩擦效应”的走廊剖面设计，一侧座位、一侧开放空间 | 4 |\n| 图7 | (a)每日碰撞数 (b)每周碰撞与占用 (c)按星期归一化 (d)按小时均值与四分位 | 时间序列图 | 第3.2节 时间分析 | 支撑学期内碰撞下降、周末/晚间高峰、占用与碰撞时滞等核心时间结论 | 5 |\n| 图8 | 碰撞 vs 占用，按星期符号化，二次趋势线 | 散点+回归图 | 第3.2节 时间分析 | 支撑占用与碰撞强相关（R²≥0.74），但存在星期差异 | 4 |\n| 图9 | (a)占用 (b)碰撞 1m网格空间分布 | 空间分布图 | 第3.3节 空间分析 | 支撑碰撞聚集在电梯、楼梯底部、座位区等过渡地带 | 5 |\n| 图10 | GLR残差图 | 残差空间图 | 第3.3节 空间分析 | 支撑控制占用后，部分走廊/座位区碰撞低于预期，电梯/楼梯底部/中庭高于预期 | 5 |\n| 图11 | 沿主通道的归一化平滑速度、占用、碰撞 | 剖面线图+走廊示意图 | 第3.3节 空间分析 | 支撑摩擦效应：座位侧碰撞更多，中心高速通道碰撞最少 | 5 |\n\n### 2. 优先深度阅读（Top-priority deep reads）\n\n1. **图4（算法流程图）**：重点理解六步滤波器的顺序与阈值（位移≥4m、速度<0.3m/s且减速、1.5m邻近、航向差≥90°、2m/5s去重）。该图是方法可复现性的关键，需结合第2节文字逐条对照，注意阈值如何平衡真阳性与假阳性。\n2. **图7（时间序列）**：四个子图分别对应日、周、星期、小时尺度。重点观察占用与碰撞峰值的错位（下午2-3小时滞后）、周末每占用碰撞率上升、学期中段下降约25%。这是“社会互动不同于单纯共现”的直接证据。\n3. **图9（空间分布）**：对比(a)占用和(b)碰撞的1m网格分布，识别碰撞热点（电梯、楼梯底部、座位区）与冷点（走廊、边缘）。该图支撑“过渡地带产生更多碰撞”的空间结论。\n4. **图10（GLR残差）**：理解残差正负含义；标注1-5区域显示在控制占用后，哪些地方碰撞高于/低于预期。该图将“设计特征影响互动”从相关推向更接近因果的解读。\n5. **图11（摩擦效应剖面）**：沿走廊的速度、占用、碰撞三变量剖面显示中心高速通道碰撞最少，座位侧碰撞更多。这是“摩擦效应”和“河流模式”最直接的量化证据。\n\n### 3. 图表关系 / 实验设置图\n\n```text\n[11× Blickfeld Cube 1 lidar]\n │ 原始点云 (155 GB/day)\n ▼\n[自定义Python融合 → 栅格化/LAZ]\n │\n ▼\n[Blickfeld Percept 1.6.3 目标跟踪]\n │ 时空轨迹 JSON (~100 MB/day)\n ▼\n[碰撞检测算法（六步滤波器）]\n 位移→运动→时空→方向→去重\n │\n ├──► [人工地面真值 n=35 调参]\n ├──► [动画验证 127次检测 → 86.1%精度]\n ▼\n[碰撞数据集 14,022次]\n │\n ├──► 时间分析（图7、图8）\n └──► 空间分析（图9、图10、图11）\n```\n\n图1-3提供数据采集与轨迹输入的可视化背景；图4-5展示算法与验证；图6-11展示空间/时间分析与结果。\n\n### 4. 图表到结论的映射\n\n| 结论 | 支撑图表 | 说明 |\n|------|----------|------|\n| 算法可检测偶然碰撞，精度86.1% | 图4、图5、表1 | 图4给出算法流程，图5展示真阳性示例，表1给出Percept参数，第3.1节报告127次验证中86.1%精度 |\n| 碰撞与占用强相关但存在时空差异 | 图7、图8 | 图8显示二次拟合R²≥0.74，图7显示星期/小时尺度的系统性偏差 |\n| 碰撞学期初高、中期下降约25% | 图7a、图7b | 日/周尺度曲线显示9月中旬峰值后下降，感恩节至寒假前回升 |\n| 占用与碰撞峰值存在2-3小时滞后 | 图7d | 小时曲线显示占用15:00峰值，碰撞17:00-20:00峰值 |\n| 周末每占用碰撞率更高（周六+52%） | 图7c、图8 | 星期归一化曲线与ANOVA结果（p<0.001），周六相对周均值+51.90% |\n| 碰撞聚集在电梯、楼梯底部、座位区等过渡地带 | 图9、图10 | 图9显示热点分布，图10残差显示电梯、楼梯底部、中庭高于预期 |\n| 摩擦效应：座位邻近区域碰撞率更高（>30%） | 图6、图11 | 图6定义走廊两侧条件，图11显示座位侧碰撞更多、中心通道最少 |\n| 走廊内呈河流模式：中心高速通道碰撞少，边缘多 | 图11 | 速度剖面中心高，碰撞双峰分布在两侧，座位侧更显著 |"
}