利用行人头部和眼部运动预测空间熟悉度：开启个性化导航新篇章

研究人员为探究空间熟悉度相关行为，开展行人导航实验，发现 IMU 数据可有效区分熟悉度，助力个性化导航系统发展。

　　在人们日常出行中，找路是再常见不过的事了。想象一下，当你身处熟悉的街道，可能轻松就能找到目的地；但到了陌生地方，或许就会迷茫。这种对所处空间的熟悉程度，也就是空间熟悉度，一直是找路研究领域的热门话题。然而，奇怪的是，以往竟然没有研究系统地去探究空间熟悉度与行为之间的联系，比如我们的眼睛和身体在面对熟悉和陌生环境时的运动差异。

为了解开这些谜团，来自维也纳技术大学（TU Wien）等机构的研究人员展开了一项意义非凡的研究。他们的研究成果发表在《Scientific Reports》上。这项研究旨在填补此前研究的空白，深入了解空间熟悉度与行人行为之间的关系，为未来开发更智能、更个性化的导航系统提供依据。

研究人员采用了多种关键技术方法。在实验对象方面，招募了 52 名行人作为参与者。实验过程中，使用移动眼动追踪设备收集参与者的眼动数据，获取他们的注视点和扫视特征；利用高精度的全球导航卫星系统（GNSS）接收器记录位置信息；还通过头戴式惯性测量单元（IMU）来捕捉头部和身体的运动数据，包括加速度、俯仰、滚动和偏航等。之后，对收集到的大量原始数据进行复杂的处理和分析，像数据同步、滤波、降采样等，还提取了各种特征用于后续的机器学习实验。

研究结果如下：

1. 分类模型精度对比：研究人员运用梯度提升树（Gradient Boosted Trees）构建预测模型，对仅使用注视特征（gaze only）、仅使用 IMU 特征（IMU only）以及两者结合（gaze + IMU）这三种情况进行了二元分类实验。结果令人惊讶，仅使用 IMU 数据时，分类准确率最高可达 89.9%，而仅使用注视数据的准确率仅在 53.4 - 76.8% 之间，两者结合的准确率也低于仅使用 IMU 数据的情况。这表明在判断行人对环境的熟悉度方面，IMU 数据的分类性能远超注视数据。
2. 重要特征分析：通过计算 SHapley Additive exPlanations（SHAP）值来分析不同特征的重要性。结果发现，仅使用注视数据时，与注视分散度相关的特征最为重要；而基于 IMU 数据进行分类时，偏航（yaw）和加速度相关特征占主导地位。例如，在某些情况下，平均、最小和最大偏航是最重要的特征。这进一步说明，头部运动相关的 IMU 特征在区分熟悉和陌生环境方面具有关键作用。

研究结论和讨论部分指出，此次研究成果具有重要意义。IMU 数据在区分行人对环境的熟悉度方面表现出色，其高准确率为开发个性化导航系统带来了新的希望。通过监测行人的头部运动，未来的导航系统或许能够实时感知用户对环境的熟悉程度，从而提供更贴合用户需求的导航指引。不过，该研究也存在一些局限性。比如，研究中把熟悉度简单地概念化为二元变量，未能充分体现其作为心理变量的复杂性；实验仅采用了听觉路线指令，不确定结果是否适用于其他指令呈现方式；而且仅使用了单个头戴式 IMU，难以区分头部与其他身体部位的旋转。

尽管存在不足，但这项研究无疑为后续研究指明了方向。未来，研究人员计划开发更复杂、更精确的空间熟悉度测量方法，探索不同风格和模式的路线指令对研究结果的影响，并且通过评估全身运动来更深入地研究熟悉度分类。相信在不断探索和改进下，我们离更智能、更个性化的导航时代将越来越近。