薛志荣的知识库
  • CHI 2025
  • AI
  • HCI
  • XR
  • 机器人和数字人
  • 访谈
  • 发布会
  • WWDC
翻译
工具
  • 个人感悟
  • 人工智能
  • 人机交互
  • 采访
  • 用户体验
关于我
  • CHI 2025
  • AI
  • HCI
  • XR
  • 机器人和数字人
  • 访谈
  • 发布会
  • WWDC
翻译
工具
  • 个人感悟
  • 人工智能
  • 人机交互
  • 采访
  • 用户体验
关于我
  • 模拟与评估:面向步行的光学头部显示器阅读行为的计算模型

    • 论文总结
      • 研究机构
      • 摘要
      • 问题发现
      • 解决方案
      • 结果
    • 举一反三

模拟与评估:面向步行的光学头部显示器阅读行为的计算模型

论文总结

研究机构

National University of Singapore, Aalto University, City University of Hong Kong, Delft University of Technology

摘要

本研究开发了一个计算模型,用于模拟用户在使用头戴式显示器(OHMD)行走时的注意力分配。通过结合多层控制和强化学习,模型能够预测用户如何在阅读数字内容和关注周围环境之间切换注意力。研究人员进行了四组实验来评估模型对不同因素(如步行速度、文本布局和任务优先级)的反应,并发现模型能准确模拟用户的行为模式。这为理解并优化OHMD上的交互提供了新视角。

问题发现

使用OHMD行走时,用户必须在阅读数字内容与关注周围环境之间频繁切换注意力,这一过程受到视觉感知、认知负荷及步行动态等多因素影响。

解决方案

研究团队设计了一个分层的强化学习模型,该模型将用户的多任务处理问题分解为几个子决策过程,每个子过程都受制于认知和运动限制。通过模拟用户在不同环境下的阅读和行走行为,模型能预测注意力分配策略,并考虑了步行速度、文本布局和任务优先级等因素。

结果

实验结果显示,模型能够合理地模拟用户的行为特性,包括注意力切换的频率、阅读速度的降低以及在不同因素影响下如何调整阅读和行走。此外,通过与真实人类数据进行比较,验证了模型的有效性和适应性。这表明该模型能准确模拟在OHMD上阅读时的实际多任务处理情况,为未来设计和优化相关设备提供了依据。

举一反三

Q1:用户在行走时使用OHMD阅读文本时,注意力分配的模型是如何模拟的?

A1:我们的模型采用了层次强化学习(HRL)架构,并通过POMDP(部分可观察马尔科夫决策过程)进行建模。模型将注意力切换行为视为受认知和运动因素约束的序列决策过程。

Q2:在研究中,如何评估用户阅读效率受到行走影响的程度?

A2:我们通过对比步行时用户的阅读速度比(考虑到时间成本和阅读错误率),来评估阅读效率。这通过模拟不同场景并使用奖励机制进行测量,以反映真实世界中的阅读体验。

Q3:模型如何适应不同的OHMD文本布局以优化阅读效果?

A3:模型采用可适应的设计,允许通过调整特定模块(如字体大小和行距)来适应不同的OHMD文本布局。通过这种方式,我们可以模拟并评估各种布局对行走中用户阅读性能的影响。


原文地址:https://dl.acm.org/doi/fullHtml/10.1145/3613904.3642540

内容由MiX Copilot基于大语言模型生成,有可能存在错误的风险。

MIT Licensed | Copyright © 2024-present 薛志荣的知识库