全新購物體驗-下世代試衣間

工研院資通所 林冠榮、楊欣曄、陳明彥、潘家慶

美國英特爾公司預估2022年,全球「智慧零售」相關的應用科技設備,像是智慧貨架標籤、數位看板、影像分析及零售系統等技術,商機預估高達538億美元,帶來更便捷的數據、資訊和服務1。在此趨勢下我們嘗試整合資通訊技術與零售產業,發展全新購物體驗,期盼提升消費者購買率。此外,我們亦運用電腦視覺技術,學習各風格特有的服飾特徵,依據服飾風格與顧客偏好,進行穿搭推薦,預期可提升消費者連帶率。

 

沉浸式試衣體驗

智慧零售既是一重要議題,我們針對服飾通路,提出具沉浸式試衣體驗的下世代試衣間,可優化實體通路的試穿體驗,嘗試解決現有試衣間「未凸顯服飾特色」、「取拿服飾需頻繁進出試衣間」、「無法蒐集用戶喜好數據」等三問題,提出「情境試衣間系統」、「AGV(Automated Guided Vehicle) 衣物遞送載具」、「試衣歷程感知模組」等三功能,詳述如下:1.情境試衣間系統下圖1是情境試衣間系統功能概觀,我們以AGV自走車、微動感測器、情境控制機上盒等裝置,打造多重感官情境試衣系統,讓使用者在試衣過程感受服飾對應的情境(即背景、燈光、音樂),目前支援8種情境(即典禮正式、商務休閒、商務正式、休閒、派對休閒婚禮、度假休閒、晚宴、運動風)。使用者透過試衣間平板選取想試穿的衣服,經由自走車遞送至試衣間,並透過服飾上微動感測器調用情境變換與蒐集試衣歷程數據。

圖1 情境試衣間系統主要功能和用途

 

2. AGV 衣物遞送載具除使用者試衣體驗外,後台揀貨店員亦配備一平板,負責服飾配送管理如揀貨、配對微動感測器、回收試穿衣物等功能。當使用者挑選所要的服飾後,揀貨中心平板會收到服飾訂單,待服飾整理備妥後,即透過AGV送達試衣間,試穿完畢後,亦透過AGV原車回收衣物,即上圖1的服飾自動配送/回收功能實現。下方針對AGV功能,與揀貨中心如何控制AGV做介紹。AGV功能(含遙控器模組):

  • 讀取所在路線、即時電量、連線狀態(連線/斷線)、行進狀態(靜止/移動)
  • 受控前往指定路線與定點、回原點、調整車速
  • 遙控器模組,易於整合第三方App,現與揀貨中心平板整合

揀貨中心控制AGV步驟:

  1. 前往試衣間:檢貨中心尋揀、配對、掛載衣物上AGV後,平板(已整合遙控器模組)下達命令,AGV移動至使用者試衣間
  2. 抵達試衣間:揀貨中心平板通知情境控制機上盒解開電子鎖、播放提示音,使用者依指示打開衣櫥門,取出衣物
  3. 返回揀貨中心:經過指定時間且衣櫥門為關閉狀態時,揀貨中心平板下達返回命令,電子鎖鎖住衣櫥門,AGV回到揀貨中心

3. 試衣歷程感知模組除了提供情境試衣體驗服務外,我們也利用微動感測器蒐集使用者試衣歷程,當偵測到特定行為(如穿衣)時,亦會調用情境控制機上盒,切換至搭配該服飾的情境。下圖2是微動感測器掛放位置,與感測器外觀比例。

圖2 微動感測器掛放位置(左)與感測器外觀比例(右)

下圖3是實測試衣蒐集到的多軸數據,我們開發試衣歷程演算法,用以分析試衣行為,共分三階段:

  • 第一階段-取穿行為:當用戶取出複數件衣物(可能在猶豫先試哪件),分析垂直擺動幅度與耗時,判斷哪件衣物最終被選取,並控制場景切換

  • 第二階段-試衣行為:用戶試穿過程(可能轉身欣賞不同角度),分析水平擺動幅度與耗時

  • 第三階段-脫放行為:用戶試衣結束(可能暫置一旁或置入回收籃),分析垂直擺動幅度與耗時

根據上圖3數據觀察,我們發展一試衣歷程分析演算法,透過滑動視窗(sliding window)機制,實時偵測用戶試衣行為。目前演算法對於取穿、脫放兩種行為尚無法精準分離,但已可辨識取穿/試/脫放三種行為。下圖4是擷取單一滑動視窗內某軸微動感測器G值(加權)變化,當一段時間內震幅樣變化劇烈,且維持一段時間時,我們就可推測試衣狀態改變,例如:靜止→拿取。我們以有限狀態機(Finite State Machine)紀錄歷程中狀態的演進,具前後狀態的概念,確保行為不會被誤判。

圖4 單一滑動視窗內X軸G值(加權)變化

 

沉浸式試衣體驗系統場域實證

上述沉浸式試衣體驗系統,已在工研院中興院區場域建置完成,下圖5、6、7為情境試衣間的現場設置,包含外場配置、內部的控制面板、以及對應試衣情境的燈光與背景。我們邀請單位內25歲~55歲女性同仁試用(各年齡層分散),歸納出以下意見:

  • 95%使用者對於穿搭推薦功能有興趣

  • 90%使用者認為體驗時間以80分鐘內為佳 (超過則失去耐心)

  • 60%使用者認為「免接觸店員」、「衣服自動遞送」最吸引人

  • 60%使用者接受增加5%內的服飾單價漲幅 (因較好的體驗)

圖5 工研院場域試衣間外場
圖6 工研院場域試衣間控制面板
圖7 工研院場域試衣間情境 (渡假休閒以及晚宴)

使用者反饋意見中,對於穿搭推薦的支持度高達95%,促成研發團隊積極布局下階段重點功能。經過研究,2011年新創公司STITCH FIX透過大數據與專家挑選推薦訂閱者服飾與配件2,訂閱者提供身型、尺碼、風格、價格的偏好,STITCH FIX依據偏好寄送推薦的服飾與配件,訂閱者可選擇保留或退回,STITCH FIX根據回饋意見,修正下次配送給訂閱者的推薦商品。此外,「GU Style Studio」於2018年在東京原宿新開業的一間純試衣概念店,店內除了當季所有服飾外,還有兩款魔鏡。其中一面收錄GU最新線上型綠與潮人街拍,以及消費者自助刷條碼查詢商品庫存量與穿著評價;另一面魔鏡叫做「GU STYLE CREATOR STAND」,此魔鏡結合UL see的3D建模技術,針對模特與服飾均建立3D模型,消費者可設定虛擬Avatar的髮型、五官,亦可透過攝影鏡頭創建自己的3D頭像替換至虛擬Avatar上,因此消費者可以藉由Avatar輕鬆試衣搭配,免去穿脫與尋找的麻煩3、4,如下圖8所示。

圖8 GU STYLE CREATOR STAND 示意圖

 

穿搭推薦技術

穿搭推薦技術,是運用電腦視覺技術學習各風格特有的服飾特徵,依據查詢服飾的風格推薦其搭配。顧客可於實體試衣間選擇欲試穿的衣服或於電商網站上選購欲購買之商品,系統將自動擷取服飾屬性特徵,如:袖長、衣長、花樣、款式等,透過屬性特徵辨識服飾風格,依據風格推薦對應之搭配。下圖9是服飾屬性擷取示意圖。研發過程中需考量衣服在不同場域光源下的屬性擷取準確率,以及服飾因拍攝角度或配件而造成遮蔽的問題,並透過演算法與擴增資料來克服。例如:服飾電商因應服裝適合之場景,服飾之背景均不同,對屬性擷取模型而言,背景會造成特徵擷取誤判而無法準確識別屬性,此時需要將服飾區域先行偵測出來,針對服飾區域進行屬性特徵擷取與識別;抑或服飾本身因配件或因拍攝角度而造成遮蔽時,透過演算法偵測服飾局部區域,如:領口、袖子、花紋等,針對局部區域進行服飾屬性識別。本技術可直接在整合於實體試衣間中或現有服飾電商網站。實用上,顧客進入試衣間挑選感興趣之服飾,如:上衣。針對該服飾擷取屬性特徵識別風格,並依據風格推薦其搭配,如:褲子、裙子。顧客可同時選擇搭配進行試穿,過程中若有問題可尋求店員協助。

圖9 服飾屬性擷取示意圖

 

試穿體驗優化 提升顧客的購買率

沉浸式試衣體驗與穿搭推薦技術,可優化實體服飾通路的試穿體驗,提供顧客試衣時背景、光線、音樂對應不同感官之體驗,將個別服飾以最能提升其質感的方式展現,進而提升顧客的購買率。此外,我們發展衣物屬性擷取與相似度比較技術,精準分析顧客對衣物之喜好,進而提升商品連帶率。

參考文獻

  1. “2019關鍵數位科技”, 英語島English Island, 2018年12月號

  2. “讓大數據與造型師幫你挑衣服,Stitch Fix靠宅配試穿營收223億!”, 今周刊, 21 July 2017.

  3. “東京直擊! 虛擬科技魔鏡幫你試衣、線上結單…GU全球首家高科技概念店特色一覽”, 美麗佳人, 19 December 2018.

  4. “GU原宿店,一家不能“買”衣服的店”, 電商報, 06 December 2018.

文章轉載自工業技術研究院電腦與通訊月刊