FlexNav：通过连接的可运行区域进行灵活的导航和探索

文献标题

FlexNav: Flexible Navigation and Exploration through Connected Runnable Zones

文献信息

• 主题领域: 人机交互技术在跑步和探索中的应用
• 关键词: 跑步, 路线推荐, 行人导航, 体育, 探索, 适应性导航支持, 多模态反馈, 地理围栏

研究背景与问题

• 问题与挑战:

  • 当前跑步者在不熟悉区域跑步时，容易迷路，且相关导航系统多依赖“逐个方向”（Turn-by-Turn, TbT）导航支持，使用者常常觉得这种方式令人不悦和具有干扰性。
  • 跑步者倾向于更灵活的探索，而非严格遵循固定路线，但现有工具无法很好地支持这种行为。
  • 在城市区域找到既有吸引力又适合跑步的片区挑战较大。

• 重要性:

  • 灵活探索和跑步活动的结合对于休闲跑步者，尤其是不熟悉地区的跑步者，是一种未被完全满足但需求强烈的体验。
  • 路线推荐系统的发展能够催生新一代跑步技术，并推动人机交互（HCI）领域的发展。

• 研究动机与相关工作:

  • 作者提出一种中和“完全规划路径”和“完全自由探索”的方法，即在推荐高质量"可跑区域"的同时，为连接路径提供逐步导航指引。
  • 本研究基于已有文献关于灵活探索和反馈模式的探讨，借鉴和扩展了现有系统（如RunNav）的关键功能，旨在提供更平衡、以用户为中心的跑步体验。

解决方案

• 提出的方案:

  • FlexNav 系统结合了部分固定路径导航和高质量“可跑区域”的灵活探索，采用一种适配性导航支持机制，既支持明确的路径导航，也允许跑步者在特定区域内自由探索。

• 创新之处:

  • 设计了一种划分"可跑区域"（Runnable Zones）的方法，利用地图数据评分路径跑步质量。
  • 实现了基于智能手表的系统，提供多模态反馈（音频、视觉和触觉），以最小化干扰并同时保证用户的安全性。
  • 提供了一种动态适应的导航支持，能根据环境特征实时调整指引方式。

• 实施步骤与关键技术:

  1. 区域定义: 使用算法识别高质量跑步区域，基于地图数据的跑步适宜性评分（包括绿化、交通量等）。
  2. 路线生成: 选取并连接多个"可跑区域"，通过评分优化连接路径，确保跑步整体距离目标达成。
  3. 导航支持:
     • 在连接路径中，用逐步指引（TbT导航）提供精确导航支持。
     • 在"可跑区域"中，跑步者可自由选择路径，仅在关键时刻提供警告或导航辅助。
  4. 多模态反馈:
     • 使用语音为主反馈形式，结合视觉地图显示和触觉提醒。
     • 实现系统所有反馈模式（语音、地图与触觉）的无缝集成。

研究成果

• 具体成果:

  • FlexNav 被成功构建为一种运行于智能手表的应用，并被用来进行27次线上测试。
  • 用户普遍认可系统在探索新场所的有效性，认为FlexNav比传统TbT导航更适合探索和提供跑步自由。
  • 数据表明参与者在“可跑区域”（最小导航支持）下的空间记忆学习效果较好，显示了部分导航的有效性。

• 与现有解决方案的比较:

  • FlexNav 比传统TbT导航干扰更小，跑步者在“可跑区域”的自主选择路径权力更大，探索体验更佳。
  • 它结合了探索性和导航性，在两者之间实现了平衡。

• 实验与评估结果:

  1. 导航模式偏好:
     • 超过80%的参与者偏好FlexNav的导航支持方式，认为系统提供的指导信息合理、非冗杂。
  2. 探索行为:
     • 参与者在模拟运行的“可跑区域”内积极探索不同路径，表明该区域划分和系统设计达到了预期目标。
  3. 反馈模式接受度:
     • 音频反馈被普遍接受，触觉和视觉反馈作为补充作用良好，但个别用户提出功能和指令可定制化的需求。
  4. 空间学习:
     • 结果表明“最小化指导”有助于参与者对环境的空间学习，但仍有一定个体差异性。

• 局限性与未来方向:

  • 局限性:
    • GPS和传感器精度问题偶发影响导航体验。
    • 系统目前不支持个性化定制（如可跑区域自定义、多模式选择）。
  • 未来方向:
    • 改进可跑区域识别算法和多模态反馈方式。
    • 为用户提供关于区域自定义和反馈定制的更多选择。
    • 探索该方法在其他领域（如旅游或骑行导航）的更广泛应用场景。