骑车通勤难题催生新工具

住在国会山的贾里德·黄原本希望每天骑车往返华盛顿大学，但现实中他常常选择公共交通。原因在于：很难找到既安全又舒适、符合自己偏好的骑行路线。

在谷歌地图或 Strava 等常用应用中，只要有自行车道，系统就可能推荐陡坡多、车流量大的街道。为此，黄甚至跑到 Reddit 上向网友“众包”路线建议。

“我当时就觉得，这肯定不是最优解，”黄说。他是华盛顿大学保罗·G·艾伦计算机科学与工程学院的博士生。“相关数据其实都在那儿：我们知道哪里有自行车道、道路状况如何、限速是多少。按理说应该可以一次性、方便地把这些信息整合起来。”

BikeButler：用偏好滑块定制骑行路线

基于这样的想法，黄与华盛顿大学的研究团队开发了 BikeButler——一个面向西雅图的演示版网页应用，用来为骑行者生成个性化路线。

使用方式与常见地图应用类似：用户输入起点和终点。但不同的是，BikeButler 允许骑行者通过八个属性的滑块来调整路线偏好。

例如，用户可以在“低速限制”与“高速限制”之间调节，也可以在“绿化丰富”与“几乎无绿化”之间选择。应用会根据这些偏好生成多条候选路线。

生成路线后，用户可以查看每一段路的街景图片，对比不同街道的优缺点。系统还会给出文字说明，解释该路段如何匹配用户偏好——比如，某一段三街区长的路可能限速较低、路面状况良好，但缺少专用自行车道。

这项研究已于 4 月 17 日在巴塞罗那举行的计算机协会人机交互大会（CHI）上正式发布。

从用户习惯出发构建原型

在设计 BikeButler 之前，研究团队先与 4 名骑行者进行访谈和观察，了解他们平时是如何规划路线的，以及最在意哪些因素。基于这些初步洞察，团队搭建了 BikeButler 的原型系统。

底层的街道网络和基础信息来自 OpenStreetMap 以及政府公开数据集，但这些数据主要是客观信息，并不包含“绿化程度”“路面质量”这类更主观的属性。

借助街景与 VLM 评估主观属性

为了补足主观维度，研究人员转向了谷歌街景图像，并使用视觉语言模型（VLM）这一类人工智能技术，对街景进行自动分析，提取绿化、路面质量等特征。

团队让 VLM 对街道的绿化程度进行打分，并与两名研究人员的人工评分进行对比。结果显示，人类评分者之间的一致性，与人类评分者和 VLM 之间的一致性大致相当，约为 60%。

研究人员表示，未来的工作可能会尝试收集个体用户对“绿化”等属性的主观偏好，以进一步缩小模型与用户感受之间的差距。

在完成对西雅图大部分区域的属性标注后，团队邀请了 16 名参与者对原型系统进行测试。

骑行偏好因情境而变

“整体反馈非常正面，”黄说。“我们发现，人们的偏好会随情境变化。比如，周六出去休闲骑行时，骑手可能更愿意选择更安全、更绿化的路线，而不是最快的通勤路线。大家直觉上都知道这一点，但之前并没有系统性的研究来验证。”

根据用户研究的结果，团队也在思考下一步的改进方向。例如，未来版本可能允许用户直接拖动路线进行微调，或增加“减少转弯次数”的选项。目前，研究人员正在探索如何量化骑行者对路口和转弯的偏好。

数据局限与未来扩展

研究团队指出，BikeButler 的推荐质量在很大程度上取决于底层数据的新旧程度和准确性。比如，新建的自行车道可能还没被收录进地图，或者已经出现在 OpenStreetMap 中，但尚未在谷歌街景里更新。

此外，BikeButler 目前仍是概念验证性质的项目，只覆盖西雅图地区。不过，从技术路线和系统架构上看，它在未来有望扩展到其他城市和地区。

“我是一名终身骑行者，也一直骑车通勤，”资深作者、艾伦学院教授 Jon Froehlich 说。“让我对贾里德这项工作最感兴趣的是，它指向了一个未来：路线规划可以真正围绕个人偏好来定制。无论是带着两个年幼的孩子出门骑车，还是骑车去买菜，我都能找到最适合当下情境的路线。”