走进虚拟房间，一件看不见的东西散发出香味。你转动身体、向前移动，试着判断气味从哪里来。若它稳定地随着距离增强，也许比较容易定位；若它像真实空气中的气味一样忽浓忽淡，体验可能更自然，判断却更不确定。

发表于 CHI 2026 的《BernO: A Breath-Driven Odor Display for Spatial Olfactory Interaction in VR》，把气味作为空间线索来研究。团队设计了由吸气带动送味的装置，并比较连续浓度梯度与间歇羽流两种渲染方式，观察真实感、定位精度和完成时间如何取舍。

吸一口气，让装置在需要时送味

不少气味显示器依靠泵、风扇、加热或雾化输送气味。送出的空气、热量或湿度，可能同时成为额外感官线索；散到房间里的气味，还可能影响下一段体验。BernO 尝试将送味限制在吸气过程和靠近鼻部的气道里。

论文图 2：BernO 的气道、气味仓与滑动阀。吸气产生气流，阀门调节带味空气的比例；电机负责调阀，并非完全无电设备。

装置利用气道截面差异产生的流速与压差，引导一部分空气经过气味仓，再汇入吸气气流。微型步进电机改变滑动阀开口，调节带味空气所占的比例。原型为左右鼻孔各提供一条可独立控制的通道，气味材料可以放入或更换。

“呼吸驱动”指送味气流来自人的吸气，电机仍需要供电。论文报告阀门全开到全关的切换不到一秒；这个时间描述机构动作，不能直接写成人感知气味必然零延迟。作者也通过气流模拟建立阀口与相对浓度的关系，尚不等于直接测得每次呼吸中鼻内的实际分子浓度。

论文图 3：气流模拟展示不同阀门开口下的流动变化。模拟为相对浓度控制提供依据，并不等于直接测得鼻内实际气味分子浓度。

这种结构减少了主动向环境吹送气味的需求，为比较变化模式创造了条件。但“无残留”仍应理解为设计目标和作者描述的机制优势，论文没有给出涵盖所有气味与长期使用的环境残留定量保证。持续闻同一气味也可能产生嗅觉疲劳。

让气味平滑变化，还是一阵阵出现？

第一种模型像一张容易读的距离图：越接近气味源，浓度总体越高，并根据面对目标的方向调整。第二种模型叠加间歇的浓度脉冲，让人偶尔闻到一阵明显气味，再进入较弱阶段，模拟羽流的不稳定性。

两者都由虚拟位置与朝向控制装置，而不是在真实房间里建立一条香味路径。人可以转头、转身与移动，通过多次感知积累线索。理论上，左右鼻孔的强度差也可能提供方向信息，但这需要先检验人是否读得出来。

研究招募 33 人，先完成浓度辨别与设备熟悉，再在两种模型下进行方向、距离和二维找箱子任务。研究全程使用迷迭香气味，移动主要通过控制器完成，方向探索包括真实转身；方向和距离任务隐藏气味源，箱子任务则在开启后给出是否成功的视觉反馈。

预实验中，对浓度变强或变弱的正确判断约为 94.4%，而辨别哪侧鼻孔更强仅约 48%，接近二选一随机水平。这说明此设置下，大多数人读不出双鼻差异，并不意味着已经证明人在所有气味和情境中都无法利用这类信息。

更快、更像真的，不等于更准

结果呈现一个清楚的取舍：梯度模型在方向和距离判断中误差更小；羽流模型在三项空间任务中完成更快，但方向和距离误差更大。二维找箱子任务中，两种模型的误开箱次数没有显著差异。

论文图 11：梯度模型的方向、距离判断更准确，羽流模型的任务完成更快；找箱子任务的误开次数没有显著差异，不能把速度优势写成全面性能优势。

访谈里，24 人认为羽流更接近现实气味体验，28 人觉得梯度任务更容易。然而“觉得更容易”的条件，客观上反而耗时更长。稳定线索让规则容易理解，也可能让人反复确认最强位置；间歇强信号更快引导注意，但也可能让人过早认为已经找到目标。

论文图 13：羽流模型的真实感与难度评分更高，梯度模型的方向和距离辨别评分更高；空间在场感没有显著差异。

问卷同样区分了真实感和在场感：羽流的真实感评价更高，方向与距离辨别则偏向梯度，空间在场感没有显著差异。论文讨论中提出远处用羽流吸引接近、近处转为梯度定位的混合策略，但这还没有作为独立条件得到验证。

此外，同一参与者完成多个搜索试次，文中的方向与距离分析各形成 99 对记录，仍来自 33 人。多次测量可以描述任务中的变化，但不会把参与者人数扩大到 99，也需要考虑同一个人结果之间的相关性。

为什么值得关注

BernO 展示了气味如何从环境气氛变成可以探索的交互信息。浓度、时序和身体朝向共同影响判断，设计者可以围绕任务选择表达：需要精确定位，还是需要一段更自然的空间体验？真实感、速度与准确性，应分别衡量。

这些结果仍是概念验证。实验只有一种气味，部分找箱子试次未完成，时间分析使用了可获得的记录；论文还将同一人的多个试次形成数据对，统计显著性需谨慎理解。目标设置与视觉确认方式，也会影响搜索策略。后续需要跨气味、呼吸差异与长期使用检验，不能直接延伸成现实导航能力。值得继续发展的，是让气味变化与人的主动探索相连，同时把每种线索能支持的判断范围说清楚。

资料来源

论文：BernO: A Breath-Driven Odor Display for Spatial Olfactory Interaction in VR；

作者：Yu Zhang, Chih-Hung Lee, Jingtong Cai, Yaqing Hou, Siqi Zheng, Qianyao Xu, Qi Lu；

会议：Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI ’26), April 13–17, 2026, Barcelona, Spain；

DOI：https://doi.org/10.1145/3772318.3791360