基于运动轨迹追踪和压力传感器网络分析公共空间界面的体感交互机制

邓慧姝

1 体感交互：空间体验的一个维度

体感，即躯体感觉（Somatosensory），包括与皮肤压力相关的触觉、与平衡和速度相关的身体运动感觉（Kinesthesis），以及与肢体位置和方向相关的本体感觉（Proprioception）等。在视觉之外，体感系统被认为是另一种获取空间信息的重要媒介[1]。

自1960 年代开始，以莫里斯· 梅洛-庞蒂（(Maurice Merleau-Ponty）的《知觉现象学》（Phénoménologie de la perception）[2]和尤哈尼·帕拉斯玛（Juhani Pallasmaa）《肌肤之目：建筑与感官》（The Eyes of the Skin Architecture and the Sences）[3]为代表，学者们提出肉身化的身体是知觉感知的主体，揭示了身体知觉的整体性特征，从而有力地批判了当时流行的身心二元论。他们认为，身心二元论将人视为空间中的“观众”，即人通过视网膜感知并通过以图形为基准的格式塔心理对空间形成认知，这一观念压制了空间对其他感官的关注，造成了身体与空间的割裂。其后，具身认知理论进一步提出，人对空间的认知过程并不完全发生在脑内，基于身体与周围空间界面进行相互作用的体感交互与基于眼—脑的视觉信息传递共同构建了人对空间结构的认知过程[4]。

在以体感交互为主导的空间认知过程中，感受空间的主体是运动的身体。人通过身体的动作和动态来接触空间界面，开展各种行为运动，并形成相应的记忆与经验；又基于过往的经验与记忆来认知当下的空间。因而，基于体感交互对空间体验进行塑造主要体现在两个方面：其一，预判性，即如果空间界面的特征能够契合人在过往体感交互作用中留下的良好记忆，其更能够产生舒适和愉悦的体验[5]；其二，游戏性，即人们利用特殊的空间界面来探索和创造性地挑战身体的非常规动作或动态，进而产生兴奋与快乐的情绪。游戏性也被认为是环境—行为3 类关系（功能性、可达性和社交性）之外的第四类关系[6]。

从城市人因的角度出发，对上述两个方面进行定量分析并作用于设计实践，就需要关注身体动作与动态的多样性及人与空间界面接触的强度[7]。基于对这些数据的采集和分析，本文所介绍的两项研究分别针对体感交互作用在不同尺度下的呈现。在近体尺度下，研究以城市公共空间中人们自发进行的各种身体运动为对象，通过运动轨迹数据，提取开展这些运动时的运动模式，并推导出能够容纳、支持或鼓励这些运动的空间条件。在体表尺度下，研究以身体皮肤与空间界面的接触为对象，通过接触的频次和位置，探索人们更有兴趣与之进行互动的空间界面形态。

2 体感交互机制的量化方法

2.1 身体动作与动态的多样性

对动作与动态的量化研究多从实际的城市生活场景中采集多种行为运动的数据，以建立身体动作与空间特征的耦合关系。常见的测量工具包括早期的在场摄影、运动痕迹标记与近期的运动轨迹追踪和动作捕捉技术。怀特[8]（William H.Whyte）通过摄影和摄像的方式，记录了人与城市公共空间中物理构件的互动方式，例如，针对坐下停留这一行为，他拍摄了纽约市内18 个公共空间中坐着的数百名市民，记录他们对坐的位置的选择偏好、坐时的身体姿态、保持同一姿态的时长等等。盖尔[9]（Jan Gehl）则通过草地和雪地上留下来的步行痕迹来提取城市广场中行人轨迹。随着计算机视觉等技术的发展，计算机能够取代人眼来进行更详细和准确的识别和记录。具体而言，这一方法可以分为两个部分：首先是作为终端的传感器或广角摄像头，这些终端可以固定在建筑空间中不干扰使用的角落位置，使研究人员可以离场对原始数据进行长时间记录；随后，作为核心的计算机对原始数据进行二次解析，并获得可视化结果。杨与福赛斯[10]（Yan Wei &David A.Forsyth）开发了识别并测算每帧视频中人数的系统，用以统计进入公共空间中各个位置的人数和他们的停留时长等数据，以分析人们使用公共空间的方式。而近些年，运动轨迹被用来作为评价空间活力度的指标，例如，通过分析运动轨迹的形状和时空变化，用运动速度、轨迹形状的多样度和复杂度作为反映行为运动的强度和多样性的指标[11]。此外，除运动轨迹之外，最新的计算机视觉技术已经能够实现通过少量摄像头在室外空间中实现多人的身体关节识别，并实现身体姿势的3D 模型重建[12]。这些测量技术的迭代使得更快速和多变的动态动作数据具有了被准确采集的可能，人在公共空间中的行为运动模式也将随着数据量的增加而能够被揭示。尽管如此，如何将定量数据与空间形态进行映射并反馈到公共空间设计上，是此类研究无法避免的问题。

2.2 人与空间界面接触的强度

对人体与空间界面接触的定量研究常见于座椅、地垫、家具和房间等小尺度界面下的身体姿势研究。常见的测量工具以压力传感器矩阵网络为基础媒介，具体呈现形式包括柔性布料和刚性地板。柔性布料常铺设在座椅或床铺等曲面家具上，内置于其中的压力传感器网络的单元精度在1～3cm 左右，用以测量人坐或躺在这些界面上时身体各部位受到的压力强度。这些数据用于改善家具的曲面形态，使身体所受到的压力更均布，规避因特定身体位置长期极端受压而造成的健康问题。刚性地板具有更大单元精度的压力传感器网络，常在15～50cm 左右，铺设在房间内的地板下，基于其开展的研究场景也更多样。例如，通过开发三角形单元的压力感应地板系统，开展“环境辅助生活”（Ambient Assisted Living）的可行性研究，包括摔倒检测、步行轨迹定位、人流计数等功能的实现[13]。进一步地，还可以通过身体留在地板上的压力分布印迹来研究人们在起居室内的行为方式，其基于印迹的形状和压力强度构建机器学习算法，来识别身体以何种姿势与地板进行接触[14]。基于压力传感器网络的研究在家具设计和室内居住场景下已较为成熟，但如果以公共空间为研究对象，则需要对现有的测量工具进行改造。因为柔性布料受限于成本，难以进行大面积铺设，对于公共空间中的身体运动也无需过于精细的单元精度；而刚性地板只能铺设在平整面上，难以适用于公共空间中所具有的多种界面形态。

3 近体尺度：基于运动轨迹追踪分析自发性运动的基础空间界面形态

本研究以发生在城市公共空间而非专业体育场中的自发性体育运动为研究对象，着重关注跑酷、滑板、极限单车、休闲足球等与空间具有强交互性的运动。这些运动不仅是当代城市休闲生活的必要组成元素，也拉近了身体与空间之间的距离。同时，由于这些运动具有运动速度快、占用空间尺寸多变的特性，其数据难以被GPS 等典型的时空定位工具采集，对其的研究也较为薄弱。因此，本研究旨在采用基于视频的运动轨迹追踪技术解析这些运动的运动规律，以提取出能够支持这些运动以最佳性能开展的最基础的空间界面形态，即使运动者能够获得良好空间体验的临界值。

1 城市公共空间案例

3.1 数据采集

本研究从城市公共空间案例中采集市民实际进行运动时的运动数据和相关的空间数据。被筛选的案例需要具有大量进行自发运动的市民，并具有丰富的空间界面形态。案例（图1）包括北京市的大望京中央公园、钟鼓楼文化广场、莲花河公园；和意大利都灵市的艾乌拉巴尔博花园（Giardino Aiuola Balbo）、多拉公园（Parco Dora）和瓦尔多富斯广场（Piazzale ValdoFusi）。本研究对每个案例进行周期性现场访问，并进行定点视频拍摄，在天气晴好的5-9 月周末下午到访2～3 次，每次拍摄时长20～30min，在场地周边高处区域分别架设两台广角摄像机进行拍摄，拍摄范围覆盖运动者进行运动时经常占据的空间区域。所拍摄的定点视频总时长约6h，共采集264 名运动者样本。

3.2 运动轨迹提取

本研究采用计算机视觉（computer vision）技术对在案例现场拍摄的视频进行处理，其能够直接对视频素材进行分析，准确地追踪其中特定对象的运动轨迹。具体技术路径如下：

（1）目标检测：选定目标后，以目标为中心建立224×224 修剪图像；采用YOLOv4 算法检测对修剪图像中人物目标，获得坐标（x,y,w,h）；根据修剪图像在原图中的位置坐标（Cx,Cy）与人物目标在修剪图像中的坐标（x,y,w,h），还原人物目标在原图中的坐标（Ox,Oy,w,h），其中采用目标中心为（Ox,Oy）和目标宽高为（w,h），同时根据算选图像在视频中的位置，帧坐标f，最终得到的坐标形式（f,Ox,Oy,w,h）。

（2）目标跟踪：根据人物目标在原图中的坐标（f,Ox,Oy,w,h），采用SimaRPN 算法跟踪目标得到下一帧中的目标坐标；若选定目标在下一帧与其他目标重合时（目标跟踪概率值偏低），对目标位置进行手动调整，直到恢复稳定自动跟踪状态；若目标在视频中不在出现，则停止继续跟踪。

（3）标记绘图：根据目标出在视频中坐标信息（f,Ox,Oy,w,h），在目标出现的首张图中将所有跟踪点依次连线，绘制出轨迹线。

3.3 运动规律统计

将视频的二维坐标信息与实际空间的三维坐标进行映射,就可以对运动轨迹的实际尺寸进行测量。结合运动轨迹的形状，通过对同一种运动中的同一数值组（图2 中的X，Y 值）进行统计，可以得出2～3 组众数峰值（图2 中X0，X1，X2），即这些尺寸在开展运动时出现的可能性更高。这些众数峰值可以用来表示该运动对其他外界干扰在不同兼容度下的临界值，例如：

X ≤X0：“密集运动区”：该区域为运动密集发生的区域，在属性上完全排他——他人或空间干扰因素的介入会打断运动的发生。

X0＜X ≤X1：“密集缓冲区”：在属性上高度排他——运动者会频繁出现在该区域中，但其他时间可以允许他人或空间干扰因素临时介入。

X1＜X ≤X2：“疏松缓冲区”：在属性上轻度排他——运动者会偶尔出现在该区域中，可以允许他人或空间干扰因素经常介入。

3.4 运动规律的可视化编码

通过提取运动轨迹的空间尺寸与形态特性，在正交网格中对各项运动的运动规律进行“像素化”的抽象转译，其目的在于让各项运动处于同一测度体系下，并使空间信息离散化，以便在后续使用计算机程序模拟计算多项运动的动态共存情况。

图3a 显示了在网格单元精度为150cm×150cm 时各项运动的空间平面图案库，其中不同的灰度表示了不同的兼容度（黑色—密集运动区；深灰色—密集缓冲区；浅灰色—疏松缓冲区），蓝色位置表示了与之互动的空间物理构件。而图3b 则进一步显示了滑板运动与各种物理构件互动时的运动规律在精度30cm×30cm 的网格下的空间三维图案。

3.5 运动容纳量的模拟分析

基于各项运动的平面空间图案，并设定各项运动对其他运动的兼容度,可以对多项运动在同一空间中的共存互斥情况进行模拟。进而，本研究构建了一个可以分析某一空间对各项运动容纳情况的模拟工具。通过对场地尺寸与形状、运动类型和缓冲区可重叠程度进行预设，即可产出各项运动在空间中的排布结果。

2 运动轨迹数值提取及众数统计示例

3a 空间平面图案库（部分）3b 滑板运动的空间三维图案

对于场地尺寸与形状，此工具将场地也用网格单元进行抽象表达，可以自由设定场地的占格范围。对于运动类型，可以从上述的空间平面图案库中自由进行挑选图案，只有被挑选的图案才会在场地中进行排布。对于缓冲区兼容度，可以从数理上对密集活动区、密集缓冲区、疏松缓冲区这3 个区域的可重叠程度进行预设，如公式（3-1）所示

Ai为“密集运动区”，Bj为“密集缓冲区”，Cz为“疏松缓冲区”；n为同一个网格中叠加的密集活动区图标的数量，m为同一个网格中叠加的密集缓冲图标的数量，z为同一网格中叠加的疏松缓冲区图标的数量。此智能分析系统为A、B、C 值设定10 个档位，即以10%为分挡间隔，使用者可以按照需求对档位进行调节。其中，推荐值为Ai=100%，100%＞Bj≥50%，50%＞Cz＞0%。此组推荐值指代密集运动区不能与任何区域叠加，密集缓冲区可以去疏松缓冲区叠加，但不能与另一个密集缓冲区叠加，疏松缓冲区可以与除密集运动区外的任何区域叠加，但叠加数量有限。

图4 显示了该运动容纳量模拟分析工具所得出的结果示例。这一工具可以辅助设计者判断空间是否能够支持某些自发性运动的良好展开，揭示空间在体感互动方面的潜力。

4 运动容纳量模拟分析示例

5a 装置的界面形态和压力传感器网络

5b 数据可视化界面

6 数据分析结果和实验现场记录

4 体表尺度：基于压力传感器网络分析空间界面形态的互动吸引度

本研究通过一个内置压力传感器的互动装置对“哪种空间界面形态会更吸引人与之进行接触式互动”的问题进行了实验。不同的空间界面的形态能够改变人体重心的位置、影响人对平衡和速度的感知，并可能激发人们进行跑跳玩耍等运动，探索和挑战他们的身体运动机能。本研究通过构建一个集成多种空间界面形态的装置，采集人与此装置各位置的接触次数，对各界面形态的互动吸引度进行评测。此外，人与界面接触所留下的痕迹在一定程度上也反映了人的行为方式。

4.1 实验装置搭建

此实验装置由3 个主要部分组成：空间结构、数据采集系统和实时的数据图形可视化分析。

（1）空间结构：装置由标准的网格单元构成，并被设计成多样化的空间形态。通过从真实的城市公共空间中获得灵感，不同的公共空间类型通过30cm×30cm 的网格单元来抽象转译并在装置中组合集成（图5a）。同时，它被设定为一个可以被自由穿行的空间，每个位置都具有同等的可达性。

（2）数据采集系统：一个基于压力传感器网络的数据采集系统被嵌入此装置的表皮之下，使其能够长期稳定地收集数据，并且不对参与者产生干扰。压力传感器网络由1514 个电容传感元件组成，这些传感元件为直径25cm、厚度1.4mm 的圆形织物。它们以均匀分散的形式被固定在装置上，空间结构中的每一个网格单元上布置一个传感元件。这些传感元件通过电缆连接至集成板，再由集成板连接电脑，进行原始数据的传输。

（3）数据图形可视化分析：原始数据将被进行实时的可视化呈现。可视化界面为一个坐标系网格，与空间结构的网格单元和压力传感器网络的传感元件单元一一对应（图5b）。当参与者与装置表面的任一处发生发生接触时，对应位置的传感元件能够将此次接触的坐标实时反馈到软件中，并自动在坐标系网格中进行标记。同时，这些接触的次数将会进行叠加，并通过不同深度的色彩进行呈现：色彩更深的位置被更多地接触。研究者通过将可视化界面中呈现的图案与实际空间界面对应，就能够了解参与者们在实际空间中的行为方式。最后，可视化界面也会通过投影仪实时展现给参观者，让参与者既是这次实验的被试者，也是实验结果的获取者。

4.2 数据采集

该装置被放置在2019 年深港城市建筑双城双年展的福田高铁站展区，任何参观者都可以用任何形式与其互动，同时，每一个踏上此装置的参观者也都是实验的参与者。每天收集到的数据会以图片的形式保存，并在第二天对数据进行清零重启。在为期两天的实验时间里，共记录了18,732 组身体与空间的接触数据。

4.3 数据分析与结果

如图6 所示，数据显示，更多互动行为出现在A、B、C 3 个区域：其中A 区为18°陡坡区域，结合在场观察可以发现，很多人，尤其是儿童，喜欢从坡上跑下或滑下，并不断重复此行为；B区为具有下沉斜坡的小坑区域，结合在场观察可以发现，人们喜欢沿着小坑周围环绕，并在小坑中跳跃或躺下；C 区为缓坡中的小平台，结合在场观察可以发现，人们喜欢重复踩踏缓坡上的小平台，同时观看投影仪中的实时数据变化。根据此实验结果，可以看出，相比与常规的正交台阶区域，具有斜面的区域与身体发生了更多互动，其互动次数占总次数的66.3%。

5 总结：体感交互机制在多尺度下的特征

在不同尺度下，身体与空间的体感交互作用具有不同的呈现。在近体尺度下，体感交互作用表现为与空间具有强交互性的自发性体育运动，例如跑酷、滑板、极限单车等。它们围绕一个或多个空间中的物理构件开展快速、多变的移动，其所占据的区域具有多个兼容度层级（密集运动区、密集缓冲区、疏松缓冲区）。此时，空间是否能为这些运动提供适量且弹性的边界范围是影响体感交互体验的关键因素。在体表尺度下，体感交互作用表现为人通过身体的各个肢体部位与空间界面的接触，这些接触能够改变人对于平衡、速度、肢体位置的感受。此时，能够使这些躯体感受发生明显改变的空间界面形态，也更能吸引人与之进行互动。通过使用运动轨迹追踪和压力传感器网络等新的技术工具，这些动态的、难以被观察的体感交互作用能够被量化测量，其中的关键空间因素也具有了能够被深入解析的可能。