影响自然环境中单个行人与多组行人碰撞避免行为的因素

《Human Movement Science》：Factors that contribute to collision avoidance behaviours involving a single pedestrian versus a group of pedestrians in a natural environment

　　穆罕默达明·尼克马内什 | 迈克尔·E·奇内利 | 丹尼尔·S·马里戈尔德
生物医学生理学与运动学系，西蒙弗雷泽大学，不列颠哥伦比亚省本纳比，V5A 1S6，加拿大

**摘要**
在繁忙的步行道上，许多行人会成群行走，这给群体和个人行人的碰撞避免行为带来了挑战。本研究旨在确定影响这些行为的实际因素。我们假设行人群体规模、群体间的空间距离、第三方干扰者的存在、行人的注意力分散程度、行人的行动限制（例如携带或推动物体）以及行人的年龄会显著影响行人互动过程中的路径偏离概率和程度。我们分析了在繁忙城市道路上，单个行人接近并穿过行人群体的未预设场景中的行人行走行为视频。我们应用深度学习算法来检测和提取行人行走轨迹，并由无偏評估者对行人互动进行描述，然后通过多元回归分析来确定影响行为的因素。分析结果表明，接近的行人之间的内外侧间距较小以及区域内没有第三方干扰者时，一方或双方发生路径偏离的概率更高。此外，区域内存在第三方干扰者、群体规模较小以及行人注意力分散时，过马路时的内外侧间距也会增大。总体而言，这些发现可能为改进碰撞避免的计算模型和控制与行人互动的机器人算法提供有价值的见解。

**1. 引言**
在拥挤的空间中穿行是我们日常生活的一部分。无论是在早晨通勤时穿过火车站还是在城市人行道上行走，每个动作都需要仔细考虑周围环境。在这种环境中，避免碰撞要求个体不断评估并调整自己的行走轨迹以防止与他人发生碰撞。然而，关于是否、何时以及如何偏离以避免碰撞的决定是在不断变化的环境中做出的，而环境中还有其他独立的行人，这使得任务变得复杂。

许多行人在繁忙的公共场所成群行走，群体被定义为两个或更多具有社交联系且彼此靠近行走的行人（Aveni, 1977; Moussa?d et al., 2010; Nicolas & Hassan, 2023; Zhang et al., 2022）。群体规模可能因地点或环境而异。例如，在火车站或户外集市，36-51%的行人可能成对行走，20-45%的行人可能成较大群体行走（Nicolas & Hassan, 2023; Singh et al., 2009）。在拥挤的商业步行道上，高达70%的行人可能成群体行走（Moussa?d et al., 2010）。此外，群体规模还会影响行走过程中个体行人之间的相对位置（Nicolas & Hassan, 2023）。例如，两人一组可能并排行走，三人一组可能呈V形，四人或五人一组可能呈U形；随着群体规模的增大，由于空间限制，人们倾向于一个接一个地行走（Moussa?d et al., 2010; Nicolas & Hassan, 2023）。在有双向人流的环境中，较大的群体通常会分裂成较小的子群体以减少与相向行人的冲突，而较小的群体则倾向于绕行（Zhang et al., 2022）。群体的不同特征可能会影响接近行人的避免行为。然而，我们目前对这些行为所涉及的各种因素的了解仍然有限。

当单个行人接近一个群体或反之亦然时，他们可能会如何表现？单个行人可以选择在群体成员之间穿行（即入侵或干扰），或者绕过群体（即绕道）。同时，群体也可以作为一个社会单位来避免碰撞或分散。群体的规模（Knowles, 1973; Zhang et al., 2022）、人际间距（Bruneau et al., 2015; Cheyne & Efran, 1972）、成员之间的社会关系和地位（Gregorj et al., 2023; Knowles, 1973）、社会互动的强度（Cheyne & Efran, 1972; Gregorj et al., 2023）以及性别（Cheyne & Efran, 1972; Knowles, 1972）都会影响碰撞避免行为。具体来说，单个行人更有可能入侵松散结合的群体（如同事），而不是关系紧密的群体（如情侣）（Gregorj et al., 2023）；高地位群体比低地位群体更有可能被入侵，其中地位基于感知年龄和穿着（Knowles, 1973）；此外，当两人都是女性或性别混合时，人们不太可能入侵两人一组（Cheyne & Efran, 1972）。由一男一女组成的双人组在避免碰撞时通常更加团结——不太可能会分开——而由两名女性或两名男性组成的双人组则更容易分开（Knowles, 1972）。上述研究的局限性在于它们单独考察了各个变量（如群体规模、人际间距或社会纽带），而没有探讨这些因素如何相互作用以影响碰撞避免行为。鉴于现实环境的复杂性，当群体参与互动时，可能还有许多其他因素会影响避免行为。关于一对一行人互动的研究结果可能为这些额外因素的身份提供线索。

多种因素有助于决定两个接近行人的碰撞避免行为（Knorr et al., 2016; Nikmanesh et al., 2025a）。例如，不同的接近角度可能导致不同的策略：当面对面接近行人时，改变方向是必要的；而在行人垂直接近的情况下，个体可能会调整行走速度同时保持直线路径（Basili et al., 2013; Huber et al., 2014）。此外，当接近行人之间的内外侧间距减小时，路径偏离的概率会增加（Nikmanesh et al., 2025a）。步行道的拥挤程度、行人的注意力分散程度，以及行人是否携带或推动物体（从而限制了他们的行动自由）也会影响避免行为（Murakami et al., 2022; Nikmanesh, Cinelli and Marigold, 2025a, Nikmanesh, Cinelli and Marigold, 2025b; Souza Silva et al., 2019）；这些行为包括路径偏离的概率以及行人经过彼此时的内外侧间距。目前尚不清楚类似的因素是否也影响单个行人和群体的互动方式，这激发了本研究。

在本研究中，我们试图通过在自然、真实环境中考察多种因素在未预设的一对一行人互动中的相互作用，来扩展我们对碰撞避免行为的理解，超越了受控实验室条件的限制。为了克服基于实验室的实验的局限性（这些实验通常单独研究不同因素并缺乏真实世界的复杂性），我们使用了在繁忙城市道路上自然行走的行人互动视频。随后，我们使用多元逻辑回归（或线性回归）来验证不同的假设。具体来说，我们测试了以下假设：接近时行人之间的内外侧间距、群体规模、区域内第三方干扰者的存在、行人的注意力分散程度、年龄和行动限制可以预测路径偏离的概率；此外，我们还测试了群体规模和区域内第三方干扰者的存在、行人的注意力分散程度、年龄和行动限制可以预测行人过马路时的内外侧间距。

**2. 方法**
为了解决我们的研究问题，我们拍摄了加拿大不列颠哥伦比亚省温哥华英语湾沿线铺设的城市道路上的自然行走行为，并使用深度学习计算机算法和主观观察来分析一对一行人互动。我们的分析步骤如图1所示，与我们之前的工作（Nikmanesh et al., 2025a）类似。下面我们详细描述每个步骤。

**2.1. 数据收集**
我们在加拿大温哥华英语湾沿线铺设的城市道路上拍摄了行人的行走行为。一台索尼FDR-AX43 UHD 4K便携式摄像机从高位角度以60 Hz的频率记录了行为。我们选择这种高位角度是为了确保行人跟踪算法的有效性。道路的长度在18到25米之间（取决于拍摄当天的摄像机位置和缩放级别），宽度大约为3.5到3.8米。这代表了研究区域，允许双向行人流动。我们在2020年和2021年的交通高峰期（6月、7月和8月）的中午到下午5点之间收集数据。行人没有意识到自己被拍摄，因此我们获得了自然、未预设的真实生活行为数据。由于我们在公共场所拍摄，因此没有隐私方面的期望。此外，我们没有与任何行人互动，也没有收集任何个人信息。因此，我们不需要获得同意。西蒙弗雷泽大学的研究伦理办公室批准了该研究计划（#30000463），所有方法均符合相关指南和法规。

**2.2. 视频分析准备**
为了便于运动学分析并使其更具直观性，我们将每个视频转换为鸟瞰视图。这涉及创建一个透视变换矩阵，以便在以后的视频分析中使用。作为此功能的输入，我们从每个视频的第一帧中选择了四个点，形成了一个感兴趣的区域（AOI）（图2）。我们使用AOI的左下角作为新坐标系的原点（0,0）。接下来，我们选择了三个之间距离已知的点，用于将像素转换为厘米（图2）。最后，我们选择了行走道路上或附近任何障碍物（如长椅、垃圾桶、路灯杆）的左下角的一个点；与这最后一步相关的分析在本研究中没有使用。

**2.3. 帧-by-帧跟踪：行人识别及一对一行人互动**
为了检测行人，我们使用了一种基于YOLOV5架构的深度学习算法FairMOT来处理原始视频素材（Zhang et al., 2021）。FairMOT专门设计用于识别视频中的多个行人并跟踪他们的个体运动。我们使用了该算法的预训练版本，并针对我们的实验进行了定制，包括使用该算法、嵌入式行人跟踪、距离转换和提取运动学数据（Nikmanesh et al., 2025a）。

在每一帧中，所有构成行人的像素都被识别出来。随后，算法为每个单独的行人创建一个带有唯一ID的边界框（图2），这有助于区分个体并测量它们之间的距离。我们使用之前创建的透视变换矩阵将每个边界框的左下角转换为鸟瞰视图。最后，对于代表每个边界框的每个点，我们使用以下公式将像素坐标转换为厘米：
(1) \(L_{\text{cm}} = \frac{L_{\text{pix}}{L_1 - L_2}} \times 180\)
(2) \(W_{\text{cm}} = \frac{W_{\text{pix}}{W_1 - W_3}} \times 180\)
其中 \(L_1 – L_2\) 表示两个选定点之间的像素长度差异（y坐标），在实际世界中表示180厘米；\(W_1 – W_3\) 表示两个选定点之间的像素宽度差异（x坐标），在实际世界中表示180厘米。\(L_{\text{pix}}\) 和 \(W_{\text{pix}}\) 表示视频中点的像素位置，\(L_{\text{cm}}\) 和 \(W_{\text{cm}}\) 表示该点在厘米中的位置。

为了跨帧跟踪每个行人，我们使用了FairMOT库中的JDETracker，该工具比较连续帧中行人的位置。如果在当前帧中，某个个体（即代表边界框的点）的坐标与上一帧中同一人的坐标位于指定范围内，则认为它们属于同一行人。在检测和跟踪视频中的行人后，我们手动搜索了涉及一个行人接近一群行人的情况（即一对一互动）。我们使用“互动”一词来表示一个行人走在另一群行人路径上的情况。对于每一互动，我们记录了行人的ID以及他们彼此经过的时间（即穿越时间）。有可能有两组朝相同方向行走的行人紧密相邻，一组在另一组前面。为了确定这些组是否应该合并成一组更大的群体，我们计算了当最近的一组接近的行人距离单个行人8米时的最小距离（ML）和前后距离（AP）。我们这里使用8米是因为所有偏差都发生在这一范围内（Nikmanesh等人，2025a；另见结果部分）。如果接近的行人群体的AP距离小于1米，我们就将它们合并，因为proxemics研究表明这是朋友和熟人之间互动的个人空间范围（Hall，1966；Hecht等人，2019）。

在某些情况下，当两组行人走得很近时，由于他们在行走路径上的相对位置，后面的群体或前面的群体可能不会对与单个行人的互动产生很大影响。当两组接近的行人之间的AP距离大于1米但小于4米时，我们使用特定标准来确定是否以及如何将这一互动包括在内。这是因为在现实世界中，路径偏差通常在行人之间的距离约为4米时开始发生（Nikmanesh等人，2025a）；任何超过这个距离的行人都不会影响另一人的路径轨迹，因此后面的接近行人群体将被视为一个单独的潜在避让互动。然而，在1到4米的范围内，一组或两组接近的行人可能会影响避让行为。确定哪一组在与接近的单个行人互动中不重要的标准在图3中进行了说明。具体来说：1）如果最近和最远的群体之间的角度小于10度或大于-10度，我们将两组视为与单个行人的独立互动；2）如果群体之间的角度大于或等于10度，我们排除了单个行人与最远群体的互动，因为我们认为在这种情况下，最近的群体更有可能导致路径偏差；3）如果群体之间的角度小于或等于-10度，我们排除了单个行人与最近群体的互动，因为我们认为在这种情况下，最远的群体更有可能导致路径偏差。总的来说，我们只有10次互动需要使用上述标准。请注意，将角度阈值改变2或3度并没有改变结果。

下载：下载高分辨率图片（147KB）
下载：下载全尺寸图片

图3. 说明了我们如何判断两组接近的行人中哪一组没有影响力，并从分析中移除它们与单个行人的互动。我们使用了行人边界框的左下角进行所有计算。当单个接近的行人距离最近的一组8米时，我们计算了两组行人之间的前后距离（AP）和中内外侧距离（ML）。然后我们计算了两组之间的角度（θ）。如果两组之间的距离小于1米，它们被视为一个群体。如果两组之间的距离大于4米，它们被视为与单个行人有独立互动的独立群体。如果两组之间的距离在1到4米之间，我们确定了三种不同的情况（详见方法部分）。在左侧面板中，角度小于或等于-10度，因此较远的群体更有可能影响与单个行人的互动。因此，我们排除了与最近群体的互动。在中间面板中，角度在±10度以内，两组被视为独立群体。在右侧面板中，角度大于或等于10度，因此最近的群体更有可能影响与单个接近行人的互动。因此，我们排除了与较远群体的互动。

2.4. 路径偏差识别和最小距离分离
为了发现哪些因素会影响行人或一组行人是否偏离初始行走轨迹，我们首先必须确定是否有一个、一些或所有行人发生了偏差以及何时发生偏差。我们使用了单个行人与群体中最近行人之间的最小距离分离的变化，这代表了相互之间的最小距离分离。选择群体中的一个的原因是为了简化检测偏差的过程。此外，这个群体中的行人离单个行人最近的，如果发生任何偏差，这个行人最有可能发生偏差。从这两个行人相遇的时间开始，我们倒退回去检测偏差点。如果这两个行人之间的最小距离分离低于我们在相遇时间前1秒到后0.5秒期间计算出的平均最小距离分离的两个标准差，那么就确定了偏差点。这种方法使我们能够确定这两个行人增加最小距离分离以避免碰撞的最近时间。这种方法确保我们检测到与感兴趣的行人相关的偏差点，而不是由于与其他人的互动而可能早些时候发生的偏差。我们还计算了两个行人相距8米时的最小距离分离，作为我们统计分析中的预测变量，因为所有偏差都发生在行人之间的AP距离小于8米时（见结果部分）。此外，我们还计算了单个行人与群体中最接近的成员相遇时的最小距离分离，作为我们统计分析中的响应变量。

2.5. 区域内存在额外的干扰者
在所有行人互动中，都可能存在一个不属于已识别互动的额外行人，可能会干扰任何潜在的避让行为。为了计算额外干扰者的数量，我们首先确定了单个行人与群体中最远的行人之间的距离为8米的确切时间（因为所有偏差都发生在行人之间的AP距离小于8米时）。此时，我们计算了行人之间8米范围内的行人数量，再加上每个行人后面的额外2米，总共是AP方向上的12米。在ML方向上，这个区域包括了行人之间的最小距离分离，再加上每个行人外侧的额外0.8米。我们包括了每个行人周围的额外区域，因为这提供了足够的空间来包括那些虽然不在直接路径上但仍在合理范围内的行人，他们理论上可能会影响偏差行为。我们没有将单个行人或群体中的成员包括在计算中。每次只有一个额外的行人（或干扰者），因此我们将这一测量被编码为二元（是或否）。

2.6. 互动的主观评估
我们在实验室中有研究助理（但对研究目的不知情）来观看视频并回答与每个互动相关的11个问题的全面问卷。三名研究助理评估了每个互动，以确保准确性。问卷捕捉了我们无法通过运动数据量化的行人互动方面，包括1）行人的大致年龄组；2）潜在的移动限制；3）分心因素，如使用手机；4）即使远离其他人也偏离直线的理由。每个研究助理对其答案的信心水平进行了0到100%的评分。我们只使用了所有研究助理的平均信心水平超过75%的回答。问卷包含在补充材料中。

问卷的答案通常包含许多类别，以全面描述每个互动。然而，为了增加某些类别的数量并简化分析，我们减少了某些问题的类别数量。具体来说，我们将年龄变量减少到三个类别：所有行人年龄相同（相同），群体内年龄不同（不同），与单个行人年龄不同但群体内年龄相同（不同_相同在群体中）。年龄范围包括儿童（例如，<12岁），青少年或年轻成人（例如，13至20岁），成年早期（例如，21至40岁），成年中期（例如，41至60岁），以及老年人（例如，60岁以上）。此外，我们将移动限制变量减少到两个类别：是和否。我们将移动限制定义为行走时持有的或使用的物体，不包括手机，问卷中的选项包括手杖、两轮或四轮助行器、推自行车、婴儿车或轮椅，以及遛动物。另外，我们将分心的行人变量减少到两个类别：是和否。尽管我们询问了多种可能影响行为的障碍物（例如，长椅、静止的人），但对于障碍物的存在我们只使用了两个类别：是和否。然而，由于案例太少（<5%有障碍物存在），我们排除了与场景中有人在说话相关的问题。我们没有在分析中使用某些问题，因为这些问题旨在提供背景信息，或者我们可以通过运动分析获得更好的准确性（例如，确定路径偏差，计算额外干扰者的存在）。为了评估我们分析中使用的问卷因素（行人年龄组、分心的行人和移动限制）的评分者间可靠性，我们从数据库中随机选择了100个一对一与群体互动的案例。我们发现每个因素的评分者一致性为100%（Fleiss' Kappa = 1）。表1提供了我们在统计分析中使用的所有因素的概述。

表1. 统计分析中使用的因素及其类别。
因素 类别 来源数据
ML分离在8米处 N/A；连续数据
自定义程序 是；否
群体大小 2人组；3人组或4人组
行人年龄组 相同（所有行人年龄相同）；不同_相同在群体中（与单个行人年龄不同但群体内年龄相同）；不同（群体内年龄不同且与单个行人年龄不同）
问卷 分心的行人 是；否
问卷 移动限制 是；否

2.7. 统计分析
为了确定哪些因素可以预测单个行人或一组行人在互动过程中是否会偏离，我们使用了多重逻辑回归模型。我们包含了二元响应变量“偏差”（是/否；参考=无偏差），以及以下预测变量：8米处的ML分离、额外干扰者的存在、群体大小、年龄组、分心和移动限制。在二次分析中，我们专注于只有偏差的互动，以确定哪些因素可以预测行人相互经过时的路径偏差时间（即，从偏差通过的时间）。在线性回归模型中，我们将从偏差通过的时间作为响应变量（对数转换以辅助正态性），并将8米处的ML分离、额外干扰者的存在、群体大小、年龄组、分心和移动限制作为预测变量。为了确定哪些因素可以预测单个行人与群体在相遇时的ML分离（包括有和没有路径偏差的情况），我们使用了线性回归模型。在这个模型中，我们将机器学习测得的步行者之间的距离（在交叉时刻）作为响应变量，年龄组、分心因素、行动限制、群体大小以及额外的干扰者的存在作为预测变量。我们使用了RStudio 2023.06.1版本和R 4.3.1版本，并为所有统计分析设置了0.05的显著性水平。我们使用了sjPlot包2.8.15版本的plot_model函数来生成结果图。

3. 结果
在我们的数据集中，我们共识别出877起行人与群体之间的互动事件。我们排除了139起互动，原因如下：（1）参与互动的行人中有一个或多个在视频画面中的时间不够长，无法收集到足够的运动数据（123起互动）；（2）三名研究助理的问卷回答不一致（9起互动）；或者（3）研究助理提供的答案的置信度低于75%（7起互动）。最终，我们分析了738起行人与群体的互动事件，在这些事件中，有369起（占50%）情况下，行人的行走轨迹发生了偏离。我们没有观察到任何碰撞发生。所有的偏离都发生在行人彼此相距1到8米之间时，其中83%的偏离发生在相距2到6米之间（偏离时的平均距离±标准差=400.3±162.5厘米；中位数，四分位数范围=354至511厘米）。所有互动中都没有涉及单个行人强行插入群体中。

3.1. 预测路径偏离的因素
我们使用多元逻辑回归来确定单个行人或群体中至少有一个人偏离原始行走轨迹的可能性。统计模型包括了来自我们运动数据的变量（个体行人与群体在8米时的距离、额外干扰者的存在以及群体大小），以及基于视频审查者的变量（年龄组、分心程度和行动限制）。我们得到了一个显著的总体模型（p=2.2e-16；McFadden伪R2=0.18）。在各种因素中，个体行人与群体在8米时的距离以及额外干扰者的存在被证实是路径偏离的显著预测因子（表2；图4A）。具体来说，个体行人与群体在8米时的距离较小时，偏离的可能性更高（图4B）。我们的分析显示，当这个距离小于大约165厘米时，路径偏离的概率为50%，而当距离降至约110厘米时，概率上升到75%。此外，额外干扰者的存在降低了偏离的可能性（图4B），这表明当行人周围有更多的人时，他们改变初始路径的倾向较小。实际上，在没有额外干扰者的情况下，54%的互动发生了偏离，而在有额外干扰者的情况下，这一比例为36%。其他预测因子——年龄组差异、分心程度、行动限制和群体大小——并未显著影响偏离的可能性。

表2. 预测路径偏离的多元逻辑回归结果
变量 系数（β） 标准误差 卡方值 P值 比值 95%置信区间
截距 3.38 0.48 7–3.45e-12 29.53 1.567, 78.247
个体与群体距离 -0.02 0.002 15.84 2.52e-36 0.980 0.976, 0.984
年龄（不同/相同群体内） -0.085 0.388 0.884 0.643 0.918 0.429, 1.972
年龄（相同） -0.228 0.377 0.884 0.643 0.796 0.379, 1.673
分心（是） 0.461 0.269 2.957 0.085 1.585 0.938, 2.700
行动限制（是） -0.382 0.205 3.490 0.062 0.683 0.455, 1.019
额外干扰者（是） -0.393 0.200 3.906 0.048 0.675 0.455, 0.997
群体大小（3人或4人） -0.425 0.335 1.612 0.204 0.653 0.337, 1.262

3.2. 预测行人从偏离时刻开始相互经过时间的因素
在发生偏离的互动中，我们确定了哪些因素预测了偏离相对于交叉事件的时间（即从偏离开始到相互经过的时间）。回归模型（调整后R2=0.04，p=1.29e-3），该模型包括上述相同的预测因子，结果显示个体行人与群体在8米时的距离是唯一显著的预测因子（表3；图5A）。具体来说，当接近的行人在8米时横向距离较远时，他们偏离交叉点的时间更早（图5B）。其他因素——额外干扰者的存在、群体大小、年龄差异、分心程度或行动限制——并未显著影响行人偏离初始轨迹的时间。

表3. 预测从偏离时刻开始相互经过时间的多元线性回归结果
变量 系数（β） 95%置信区间
截距 0.085 -0.138, 0.308 0.453
个体与群体距离 0.001 0.0006, 0.002
额外干扰者（是） 0.088 -0.025, 0.201 0.126
行动限制（是） 0.036 -0.062, 0.134 0.466
年龄（不同/相同群体内） 0.084 -0.123, 0.291 0.576
年龄（相同） 0.048 -0.154, 0.251 0.576
分心（是） 0.089 -0.213, 0.034 0.156
群体大小（3人或4人） 0.117 -0.058, 0.293 0.189

3.3. 预测行人交叉时刻机器学习距离的因素
接下来，我们确定了哪些因素影响了行人相互经过时的机器学习距离。回归模型（调整后R2=0.05，p=3.64e-7）显示，额外干扰者的存在、分心程度和群体大小是交叉时刻机器学习距离的显著预测因子（表4；图6A）。额外干扰者的存在与交叉时刻更大的机器学习距离有关（图6B），这表明尽管环境更加拥挤，行人仍会保持更大的横向间距。同样，分心的行人参与互动时，交叉时的机器学习距离也更大（图6B），这可能意味着由于对分心行人行走轨迹的不确定性，行人或群体选择了更大的距离。相比之下，接近更大的群体（3人或4人）时，交叉时的机器学习距离更小（图6B），表明当群体规模较大时，单个行人与群体之间的距离会更近。年龄差异和行动限制并未显著预测交叉时刻的机器学习距离。

表4. 预测交叉时刻机器学习距离的多元线性回归结果
变量 系数（β） 95%置信区间
截距 163.5 148.7 3, 178.25 17e-16
额外干扰者（是） 16.8 79.09 24.58 2.227e-5
行动限制（是） -3.7 -11.7 4.166 0.351
年龄（不同/相同群体内） -5.1 -20.27 6.926 0.748
年龄（相同） -5.7 -20.39 8.986 0.748
分心（是） 10.9 0.282, 21.53 0.044
群体大小（3人或4人） -29.2 -42.39 -16.0 1.6e-5

4. 讨论
在这项研究中，我们探讨了多种因素——包括情境特定的（如群体大小、额外干扰者的存在、分心程度）和个人特定的（如年龄、行动限制）——如何影响自然城市环境中行人与群体互动中的避碰行为。我们识别了单个行人接近并穿过群体路径的互动事件，提取了行人体偏离初始轨迹的程度、偏离前的时间以及交叉时刻最终的机器学习距离。我们发现，个体行人与群体在8米时的距离较小时，以及没有额外干扰者存在时，路径偏离的可能性更高。在这些发生偏离的互动中，个体行人与群体在8米时的距离增加与行人在偏离后相互经过的时间延长有关。最后，额外干扰者的存在、群体大小和分心程度都预测了交叉时刻的机器学习距离：额外干扰者的存在、较小的群体规模以及一个或多个行人分心时，交叉时刻的机器学习距离更大。下面我们将讨论这些发现的意义。

个体行人在8米时距离较小时，路径偏离的概率增加。具体来说，当个体行人与群体在8米时的距离约为165厘米时，路径偏离的概率为50%；当距离约为110厘米时，概率为75%。考虑到行人的位置是基于视频中边界框的左下角追踪的，并使用了一个保守的平均肩宽值45厘米（Pfaff & Cinelli, 2018; Rapos et al., 2021），机器学习距离相当于120厘米和65厘米。尽管个体行人与群体在8米时的距离大于65厘米，碰撞的可能性较低，但路径偏离仍然频繁发生。这种行为可能与保持足够的保护区域有关（或个人空间范围），这使行人能够及时察觉环境中的突然变化并采取避让动作（Bourgaize et al., 2021; Gérin-Lajoie et al., 2005; Liu et al., 2019; Shimizu et al., 2020）。交叉时刻的机器学习距离在偏离情况下为160.6±48.3厘米（考虑到边界框后为115.6±48.3厘米），在非偏离情况下为159.9±43.3厘米（考虑到边界框后为114.9±43.3厘米）。这些距离略小于我们之前关于一对一行人互动的实地研究结果（Nikmanesh et al., 2025a），可能是由于群体的存在。然而，这些值明显高于基于实验室的研究结果（Bourgaize et al., 2021; Gérin-Lajoie et al., 2005; Shimizu et al., 2020）。这可能是因为室外路径比大多数实验室空间更宽，允许更大的路径偏离，或者是因为实验室的数据收集区域较小，迫使人们更接近。

我们没有观察到任何单个行人穿过（或干扰）接近的群体。这进一步支持了在繁忙的行走路径中保持个人空间的观点。尽管其他研究在某些情况下也发现了这种分离行为（Knowles, 1973; Zhang et al., 2022），但我们推测这是因为群体成员之间的个人距离较近（Bruneau et al., 2015）。我们预测，在路径较窄或行人群体规模超过四人时，分离行为的可能性更大，但后者在我们的研究中并未出现。

行人与较大群体的互动中，交叉时刻的机器学习距离较小。这与过去的一项研究结果相反，那项研究发现，随着坐在长椅上的人数增加，行人会与长椅保持更大的距离（Knowles et al., 1976）。这种差异可能是由于不同的情境造成的。在之前的研究中，长椅上坐着的人数不同，因此行人根据固定位置调整他们的路径。然而，在我们的研究中，群体和单个行人从路径的两侧相互接近，因此双方都可以根据对方的动作调整自己的路径。我们研究中交叉时刻机器学习距离较小的两个潜在原因可能是：首先，绕过较大群体所需的偏离力度更大（Bruneau et al., 2015），因此减少偏离可以节省能量；其次，更可能的是，交叉时刻的机器学习距离较小是因为较大群体中成员并排行走，导致路径上的可用空间较少。无论如何，我们的结果支持群体规模可以影响避碰策略的观点（Bruneau et al., 2015; Knowles et al., 1976; Zhang et al., 2022）。

额外干扰者的存在预测了路径偏离的可能性和交叉时刻的机器学习距离。在这项研究中，我们将额外干扰者定义为另一个行人，他不是已识别互动的一部分，可能会干扰任何潜在的避碰行为（详见方法部分）。额外干扰者的存在与路径偏离的可能性降低和交叉时刻的机器学习距离增大有关。起初，这些结果可能看起来违反直觉。然而，在有额外干扰者的情况下，行人可能在接近时在机器学习方向上起始的距离更远。我们对8米时机器学习距离的事后分析支持了这一解释：在有额外干扰者的情况下，8米时的平均机器学习距离比没有额外干扰者的情况下多出26.5厘米。因此，这些发现应当谨慎对待。在交叉口互动中，如果存在一个或多个注意力分散的行人，那么行人间的人体最小距离（ML separation）会增大。一种解释是，当其中一方注意力分散时，其他行人可能会采取更为保守的行为，保持更大的距离以减少碰撞的可能性，这是因为他们对这种情况的不确定性（Murakami等人，2022年）。实际上，注意力分散的行人更有可能增加他们的横向偏移（Lamberg & Muratori，2012年），并与其他行人发生碰撞（Souza Silva等人，2019年；Souza Silva, McFadyen, Fung和Lamontagne，2020年），因此需要采取谨慎的策略。总体而言，我们的发现将基于实验室的实验结果扩展到了现实世界中，展示了分心对行走和避碰行为的影响（Gérin-Lajoie等人，2006年；Lamberg & Muratori，2012年；Lin & Huang，2017年；Murakami等人，2022年；Souza Silva等人，2019年；Souza Silva, McFadyen, Fung和Lamontagne，2020年）。尽管我们的研究为人类避碰行为提供了宝贵的见解，但它也存在一些潜在的局限性。首先，虽然我们的自然观察方法捕捉到了现实世界的复杂性，但它不允许我们系统地控制特定因素。此外，我们也没有像在实验室实验中那样与相同的人进行重复互动，从而更好地捕捉避碰行为的一致性。其次，我们对个人特征的估计仅限于从视频视角能够观察到的内容。第三，我们只关注一对一的互动，而没有考虑多个群体同时互动的情况，因此目前的发现可能不适用于其他情况。第四，虽然我们在回归模型中包含了额外干扰者的存在作为一个预测变量，但这个变量仅限于两个类别（是或否），这可能限制了我们发现的普遍性。最后，我们的数据来自特定的城市环境，因此可能不适用于其他环境或场景，例如路径宽度不同的情况、多方向行人流动常见的情况，或在不同天气条件下的情况。

总之，我们的结果表明，在现实世界环境中，行人之间的人体最小距离、额外干扰者的存在、群体大小以及行人的注意力分散程度可以预测避碰行为。此外，我们的结果强调了在繁忙的步行区域保持适当个人距离的重要性。重要的是，这项工作加深了我们对现实世界行人行为的理解，提供了有价值的见解，有助于改善城市规划、设计辅助导航技术、制作更真实的视频游戏，以及为旨在预测密集公共空间中行人流动和互动的模拟提供信息。例如，城市规划者可以根据具体需求设计人行道的宽度，或者战略性地设置隔离区以降低碰撞风险。对于导航机器人，当检测到行人似乎分心（例如看着手机）时，算法可以动态调整机器人的横向位置。在这种情况下，机器人可以增加其空间阈值，确保保持更安全的距离。

**作者贡献声明：**
Mohammadamin Nikmanesh：撰写——原始草稿，可视化，软件，方法论，调查，形式分析，概念化。
Michael E. Cinelli：撰写——审阅与编辑，监督，方法论，概念化。
Daniel S. Marigold：撰写——审阅与编辑，可视化，监督，方法论，形式分析，概念化。

**资助：**
加拿大自然科学与工程研究委员会（NSERC RGPIN-2019-04440, D.S.M. & 2019-05894, M.E.C.）。M. Nikmanesh获得了Mitacs研究培训奖。资助者并未参与研究的任何方面。