作者：戴庭轩
摘 要：针对文化遗产虚拟展示中“重建模、轻分析”以及传统景区导览缺少个体差异的问题，本研究以大理崇圣寺三塔为对象，设计并实现一套融合三维场景、虚拟现实交互和图论路径优化的个性化导览原型。首先利用图像生成三维资源的方式制作古建筑与景观模型，在Unity中完成比例校准、空间布局、道路铺设和导航网格构建，缓解高面数模型造成的性能与材质问题。其次，将景点抽象为带权图节点，综合问卷偏好与虚拟场景交互记录，采用主成分分析和K-means聚类形成建筑、视觉与文化三个偏好维度，再比较Dijkstra、A*与遗传算法的适用性。 项目记录表明，遗传算法方案的兴趣覆盖率由64.5%提高到83.2%，路径总长缩短至495 m，用户满意度由3.4分提高到4.5分。研究说明，将用户画像、图论模型与VR场景联动，能够在游览距离和文化兴趣覆盖之间建立可计算的平衡；同时，原始问卷样本量、实验日志和设备性能数据仍需在后续研究中补充。
关键词：崇圣寺三塔；虚拟现实；图论；用户画像；遗传算法；路径优化
1 引言
崇圣寺三塔是大理古建筑景观的重要组成部分。实体参观能够提供真实的空间感受，但游客受到游览时间、体力、道路组织和信息呈现方式的影响，往往只能按固定路线快速经过景点，难以根据个人兴趣安排停留次序。与此同时，文化遗产数字化项目常把主要精力用于模型外观复原，完成“可看”的三维场景后便停止开发，场景中的道路、景点关系和游客行为数据没有继续转化为可分析、可优化的信息。由此，虚拟展示与实际导览之间仍存在脱节。
图论为描述景点及其连接关系提供了清晰方法：景点可以视为节点，道路可以视为边，距离、时间和拥挤程度可以作为边权。Dijkstra算法能够求解非负权图中的最短路径，A*算法利用启发函数缩小搜索范围，遗传算法则适合在路线顺序、兴趣覆盖和距离限制同时存在时搜索近似最优组合。然而，单纯追求最短距离可能绕过用户真正感兴趣的文化节点，因此还需要把用户偏好转化为可计算的景点权重。
基于上述问题，本研究围绕三个问题展开：第一，如何在有限设备性能下构建能够连续游览的崇圣寺三塔VR场景；第二，如何把问卷与VR交互记录转化为用户偏好参数；第三，如何在路径长度、游览时间与兴趣覆盖率之间取得平衡。研究最终形成由三维资源层、Unity交互层、Python算法层和JSON数据交换层组成的原型系统。
2 研究思路与技术框架
2.1 研究对象与数据
研究对象不是对崇圣寺全部建筑进行考古级复原，而是围绕个性化导览建立可运行的数字场景。根据项目材料，场景中关键节点包括入口、三塔、水池、佛殿、凉亭、祭坛与出口等。节点之间由可通行道路连接，形成导览图。数据来源分为三类：一是场景中各节点的坐标、道路长度和连通关系；二是问卷所反映的建筑、视觉、文化偏好；三是用户在VR场景中的停留位置、停留时间和交互记录。材料未给出问卷样本量、个体原始回答和完整埋点日志，因此本文只说明处理流程，并将已有指标视为项目阶段性结果。
2.2 系统流程
系统流程依次为：收集建筑与景观参考图；生成并筛选三维资源；导入Unity完成比例、位置、碰撞体与材质调整；构建道路系统与导航网格；记录用户偏好和交互数据；在Python端进行降维、聚类与路径求解；将路径节点序列、目标函数值及迭代记录写入JSON；最后由C#脚本读取结果并在VR场景中绘制导引线。该流程使场景制作和算法分析不再是两个孤立部分，每次用户画像更新都可以触发新的路线计算。
3 VR场景构建与工程优化
3.1 三维资源生成与筛选
前期制作从牌坊、殿宇、塔、凉亭、水池和喷泉等典型对象开始。将参考图输入Meshy AI的图像转三维模块，生成带纹理或可继续贴图的模型，再按轮廓完整性、结构辨识度和是否便于导入Unity进行筛选。图1展示了牌坊参考图、模型生成界面与工作区中的多个资源。AI生成缩短基础资产制作时间，但生成模型并不等于历史建筑的精确复原；其尺寸、拓扑和纹理仍需人工检查，故本文把这些模型定位为导览原型资产，而不将其表述为测绘成果。
图1 基于参考图生成并筛选三维场景资源
3.2 Unity导入与空间布局
模型导入Unity后，先统一坐标轴和尺度，再依据游览关系调整位置、旋转角度和地面高度。图2中可见塔、殿宇、荷花池、喷泉、凉亭与地形已经进入同一场景，检视器中的Transform组件用于校准对象位置和大小，材质采用Universal Render Pipeline/Lit。随后切换至俯视视角检查节点之间的间距、道路预留空间和整体层次，避免只在单一视角下摆放而造成穿插或遮挡。图3中单个网格超过2 097 152个三角形，说明性能优化是系统能够进入VR端运行的必要步骤。
图2 三维资源导入Unity后的比例与位置调整
图3 俯视视角下的景点空间布局与高面数提示
3.3 渲染与模型性能优化
针对复杂模型造成的同屏面数过高问题，项目按观看距离配置LOD层级，使远处对象调用低面数模型；对不移动的建筑启用静态批处理，减少重复提交；利用遮挡剔除避免渲染被墙体、山体或大型建筑完全遮挡的对象。对于导入后出现的粉红材质，检查原材质着色器并转换到URP兼容材质，再复核贴图通道。上述处理解决“模型能够导入但无法稳定显示”的问题。支撑材料描述系统已实现稳定高帧率运行，但没有附Unity Profiler截图、VR设备型号、分辨率及优化前后帧率，因此本文不报告具体FPS，也不把稳定性扩大为跨设备结论。
3.4 道路与导航系统
在场景布局基本确定后，使用道路编辑工具沿景点间的可通行区域布置控制点，形成带宽度与转弯形状的道路网。图4中的蓝色控制点表明道路不是简单直线连接，而是根据地形和景点边界逐段调整。道路既是视觉场景的一部分，也是后续构图时确定边连接关系和距离的依据。完成道路后烘焙导航网格，并设置导航代理的半径、跨步高度与坡度限制。初版导航网格在台阶和道路接缝处发生断裂，导致代理停止或绕行；通过调整连接区域和代理参数后，路径可连续通过。图5展示了运行状态下的路线提示线。
图4 基于控制点搭建的场景道路网络
图5 Unity运行状态下的导航路线显示
3.5 个人实践与迭代记录
在项目实施中，笔者主要承担参考图整理、AI模型筛选、Unity场景布置、道路与导航调试，以及Python路径算法和C#数据读取的联调。制作过程不是一次完成：第一版场景仅能展示建筑，随后发现模型面数、材质管线和台阶连通性会直接影响VR体验；第二版加入LOD、URP材质转换和导航参数调整；在路线可以稳定显示后，才继续加入用户偏好权重与算法输出。这样的顺序使每一次修改都对应一个明确问题，也使图1至图5能够分别证明资源生成、场景集成、总平面检查、道路搭建和导航测试等环节。
4 用户建模与个性化路径优化
4.1 用户偏好
表示为了避免把所有游客视为同一种需求，本研究把问卷和VR交互记录整理为特征向量。问卷主要描述用户对建筑形制、整体视觉和历史文化内容的关注程度；交互记录则可包含节点停留时长、是否主动查看说明以及重复访问情况。对连续变量先进行缺失检查和标准化，再利用主成分分析减少指标相关性，随后用K-means聚类形成偏好类型。每一类的中心经过归一化后得到建筑维度α、视觉维度β和文化维度γ，且α+β+γ=1。对景点i，若其三个属性评分为bi、vi、ci，则个体兴趣权重可表示为：
wᵢ = αbᵢ + βvᵢ + γcᵢ (1)
该表达式的作用不是给游客贴固定标签，而是把偏好转换为路径模型可读取的权重。当新的问卷或交互记录进入后，权重可以重新计算。材料没有提供各指标量表、聚类数选择依据和轮廓系数，因此现阶段只能确认模型结构，不能判断聚类是否已经达到稳定、可推广的分类效果。
4.2 景区图模型与目标函数
将景区表示为带权图G=(V,E)。V为景点集合，E为可通行道路集合；每条边e具有距离de和预计通行时间te，每个节点i具有个体兴趣权重wi。一条从入口到出口的可行路径P，其总距离L(P)为所经过边长之和，兴趣覆盖率C(P)为路径中已访问景点兴趣权重占全部候选景点权重的比例。为同时控制距离、时间和兴趣覆盖，构造归一化目标函数：
F(P) = λ₁Lₙ(P) + λ₂Tₙ(P) − λ₃C(P) + μQ(P) (2)
式中，Ln(P)与Tn(P)分别为归一化距离和时间；λ1、λ2、λ3为目标权重；Q(P)为不可通行、重复访问过多或超出时间预算时的惩罚项；μ为惩罚系数。最小化F(P)意味着在较短路线和较高兴趣覆盖之间寻找折中。若用户只要求最快到达，可提高λ1和λ2；若更重视文化体验，则提高λ3。这样，个性化并非简单推荐更多景点，而是在同一道路约束下改变选择与次序。
4.3 算法比较与跨语言数据交换
Dijkstra算法适合作为最短距离基线，其结果稳定但不直接处理多目标偏好；A*在目标明确且启发函数可用时搜索更快，但仍需把兴趣收益折算为代价；遗传算法把景点访问顺序编码为个体，通过选择、交叉、变异和可行性修复逐代改进，适合处理多个目标与约束。项目据此把Dijkstra和A*作为参照，把遗传算法用于最终的组合路径搜索。为连接Python算法与Unity应用，Python将用户权重、最优节点序列、路径总长、目标函数值和每代最优值写入game_path_optimization_result.json；Unity端的C#脚本读取并校验节点名称，再交给导航与路线显示模块。图6显示了偏好权重、最优路径和演化历史的输出代码，说明算法结果已经形成可供前端读取的数据结构。
图6 Python端用户偏好、最优路径与JSON结果输出
4.4 遗传算法求解过程
遗传算法先生成满足入口和出口约束的候选路线，再计算各路线的目标函数；选择较优个体作为父代，对中间景点次序进行交叉和变异，并删除重复节点、修复断边。若连续若干代最优值变化很小，则停止迭代。图7左侧给出一次求解得到的节点访问顺序，右侧曲线显示目标函数在前几代迅速下降，随后保持稳定，说明该次运行很快找到稳定解。需要注意，单条收敛曲线只能说明这一次参数和随机种子下的表现，不能单独证明全局最优。后续应使用多组随机种子重复运行，并比较最优值、平均值和标准差。
图7 遗传算法生成的游览路线及目标函数收敛过程
5 结果与分析
5.1 系统实现结果
原型系统完成了从三维资源进入场景到路线在VR端显示的技术闭环。模型层面，建筑与景观资源能够在统一地形中按比例布置；渲染层面，高面数警告和材质不兼容问题得到针对性处理；交互层面，道路控制点、导航网格和路线提示共同保证路径可见、可跟随；算法层面，用户偏好和最优路线通过JSON在Python与C#之间交换。与只播放固定动画的展示方式相比，该系统能够根据输入权重改变节点选择，因此具备个性化导览原型的基本功能。
5.2 路径优化结果
表1 项目材料记录的导览效果对比指标
注：表中数值来自支撑材料的阶段性记录；由于未提供原始问卷、样本量和完整基线距离，本研究不对统计显著性作进一步推断。
从表1可以看出，项目记录中的兴趣覆盖率提高18.7个百分点，满意度提高1.1分，说明加入用户偏好后，路线更接近参与者希望看到的内容。优化路线总长为495 m，材料表述其较原方案缩短，但没有给出原方案的具体长度，因此不能计算缩短比例。该结果更适合被解释为“原型系统达到预期方向”，而不是已经完成严格统计检验。若后续补齐匿名化原始问卷、路线日志和重复试验数据，可进一步使用配对检验或非参数检验比较优化前后的满意度，并报告置信区间。
5.3 方法讨论
本研究的主要价值在于把视觉场景和路径算法放在同一数据链中。若只优化模型精度，游客仍然沿固定路线移动；若只在二维地图上计算路径，结果又难以直接检验转弯、台阶和视线遮挡等实际体验。Unity中的道路与导航系统使算法路线能够在三维空间中被执行，用户的实际停留行为又可反向更新偏好。这种闭环为文化遗产数字展示提供了从“复原对象”转向“组织体验”的思路。
同时，三个算法并不存在绝对优劣。Dijkstra便于验证距离数据和连通关系，A*适合快速到达指定终点，遗传算法适合兴趣覆盖与距离同时优化。实际系统可以先用Dijkstra检查基础图，再根据任务选择A*或遗传算法。遗传算法还需注意参数敏感性：种群规模过小可能过早收敛，变异率过高则会降低稳定性。因此，算法比较应在相同节点、权重和时间预算下进行，而不能只比较单次最优结果。
6 研究不足与改进方向
第一，场景模型主要用于功能验证，现有证据未包含完整实地测量、激光点云精度或与真实建筑尺寸的误差对比，因而“高保真”只能理解为视觉呈现目标，不能替代文物测绘。后续可选取塔高、建筑间距和道路宽度等控制点，与公开测绘资料或实测结果比较，报告平均误差。
第二，性能评估缺少硬件型号、渲染分辨率、帧率曲线和内存占用。后续应固定VR设备与画质设置，用Unity Profiler记录优化前后的CPU/GPU耗时和最低帧率。
第三，用户研究缺少样本量、问卷题项、信度效度、聚类参数和匿名化原始数据，已有满意度不宜作总体推断。后续应在知情同意和隐私保护前提下收集数据，预先规定纳入与剔除规则，并区分首次游客、熟悉景区者等群体。
第四，路径算法只展示了一次收敛过程，尚缺多次运行、消融实验与真实行走验证。可以分别关闭兴趣项、距离项或交互更新项，观察指标变化；还可加入道路拥挤、节点开放时间和无障碍通行条件，使路线更接近真实导览需求。
7 结论
本研究以崇圣寺三塔为对象，完成了三维资源生成、Unity场景布置、道路与导航搭建、用户偏好建模、图论路径求解及JSON跨语言联调。项目把建筑、视觉和文化偏好转化为景点权重，并利用遗传算法在游览距离与兴趣覆盖之间寻找平衡。阶段性记录显示，兴趣覆盖率由64.5%提高至83.2%，路径总长缩短至495 m，满意度由3.4分提高至4.5分。七张过程图共同记录了从资产生成到算法收敛的实施链条。现阶段结果证明了原型方案的可行性；要形成更可靠的推广结论，还需要补齐测绘精度、设备性能、问卷样本与重复实验数据。
参考文献
[1] DIJKSTRA E W. A note on two problems in connexion with graphs[J]. Numerische Mathematik, 1959, 1: 269-271.
[2] HART P E, NILSSON N J, RAPHAEL B. A formal basis for the heuristic determination of minimum cost paths[J]. IEEE Transactions on Systems Science and Cybernetics, 1968, 4(2): 100-107.
[3] HOLLAND J H. Adaptation in natural and artificial systems[M]. Ann Arbor: University of Michigan Press, 1975.
[4] JOLLIFFE I T. Principal component analysis[M]. 2nd ed. New York: Springer, 2002.
[5] MACQUEEN J. Some methods for classification and analysis of multivariate observations[C]//Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. Berkeley: University of California Press, 1967: 281-297.
[6] UNITY TECHNOLOGIES. AI Navigation[EB/OL]. [2026-07-31]. https://docs.unity3d.com/Packages/com.unity.ai.navigation@latest/.
[7] 国家市场监督管理总局, 国家标准化管理委员会. GB/T 7713.2—2022 学术论文编写规则[S]. 北京: 中国标准出版社, 2022.[8] 国家市场监督管理总局, 国家标准化管理委员会. GB/T 7714—2025 信息与文献 参考文献著录规则[S]. 北京: 中国标准出版社, 2025.
小字号