AlphaPIG：延长扩展现实中的交互手势的最优雅方式

研究背景与问题

• 问题与挑战： 研究指出，XR（扩展现实）应用大多依赖中空手势进行交互，这些手势虽然自然直观，但容易导致肩部疲劳，俗称“Gorilla Arm Syndrome（大猩猩手臂症）”。长期的疲劳会显著降低用户的交互体验、持续使用时间及整体参与度。

  • 当前的解决方法（如基于Fitts定律的技术）虽然在接口的人体工程学方面有所改进，却在XR环境中面临实施复杂性，以及对其它用户体验维度的负面影响（如身体所有权感受的降低）。
  • 此外，现有的疲劳模型和自适应交互研究虽然提出了实时预测和动态调整机制，但缺乏能够独立于具体任务和应用场景的广泛方法。

• 重要性： 在XR开发中解决用户疲劳问题至关重要，因为这关系到系统的可持续使用性，影响游戏、虚拟工作空间、虚拟训练等场景的实际价值。

• 研究动机与相关工作：

  • 受“任务适应型运动游戏”中动态适应用户的设计启发，本研究期望探索一种通用、任务独立的实时疲劳管理方法，填补XR交互中缺乏整体指导性工具和方法的空白。

解决方案

• 方法与技术： 本研究提出了 AlphaPIG（Prolong Interactive Gestures），一种旨在通过实时疲劳预测延长用户手势交互时间的元技术（meta-technique）。它通过动态调整交互参数（如手掌位置映射）和及时干预策略来缓解用户的疲劳。

  • 在AlphaPIG中，交互设计师可控制两个核心参数实现动态调整：
    • 干预触发阈值（Timing, 𝑇𝑓）：何时开始根据疲劳值进行干预。
    • 干预强度衰减速率（Decay Speed, 𝐷𝑅𝛼）：调整交互参数的敏感度和干预强度。
  • 使用最近的NICER（New and Improved Consumed Endurance and Recovery）模型作为实时疲劳指标的基础，结合指数衰减函数动态计算调整参数。
  • 提供开源的AlphaPIG Unity插件，使开发者能够轻松整合疲劳管理功能到现有XR交互中。

• 创新之处：

  1. 任务独立性：AlphaPIG 不局限于特定场景，可广泛应用于各种任务和交互模式。
  2. 实时反馈闭环：结合实时疲劳预测，自动调整用户交互过程，提供一个动态响应的反馈机制。
  3. 多维度权衡探索：提供用于探索疲劳与用户身体感知、控制权及性能之间权衡关系的平台。

• 实施步骤：

  1. 将NICER模型整合到交互系统中，用于实时预测用户的肩部疲劳。
  2. 定义与交互技术相关的参数（如虚拟手的位置映射关系）。
  3. 使用公式和AlphaPIG插件开发动态调整流程，通过调节𝑇𝑓 和𝐷𝑅𝛼 进行实验评估。
  4. 在上下文任务（如Go-Go交互技术）中验证AlphaPIG的适用性。

研究成果

• 具体成果：

  1. 显著减少疲劳：AlphaPIG比默认的直接交互技术以及标准的Go-Go技术显著降低了累积疲劳，尤其是在早期干预和较高强度衰减的设置下。
  2. 高水平身体所有权感：通过任务优化，AlphaPIG既缓解了疲劳又保持了与非自适应接口（如Go-Go）类似的身体所有权和控制感。

• 实验结果：

  1. 实验在22名参与者中验证了AlphaPIG对疲劳累积、任务完成时间（TCT）及身体所有权感的影响。
  2. 最优配置（如“Start-Medium”）能够在降低疲劳的同时保持接近标准Go-Go技术的身体所有权感。
  3. 两个核心参数（Timing 和 Decay Speed）的调节影响疲劳累积及身体所有权感的动态平衡，早期干预和适度的控制衰减被发现是最优设置。

• 与现有解决方案的优势：

  • 与直接交互技术和静态Go-Go技术相比，AlphaPIG首次实现了动态实时干预，而非依赖静态和单一的优化参数。
  • 提供了针对疲劳和用户体验多维度权衡的探索工具，为设计师提供了更广泛的灵活性。

• 局限性与未来方向：

  1. AlphaPIG现阶段依赖于NICER肩部疲劳模型，局限于上肢交互场景。
  2. 全球体验的优化需涉及视觉、触觉和听觉反馈的结合，以更自然地过渡到相应的动态调整。
  3. 当前实验仅限于手部交互，未来扩展方向包括全身交互、双手动作协调，以及更复杂场景的参数调试（如物体交互、虚拟角色动画等）。
  4. 将其他生理测量数据（如心率、应力水平等）纳入疲劳模型以提升适应广度。

总结

AlphaPIG为XR研究实践提出了一个新颖且实用的工具，大幅改善了人机交互中的疲劳管理问题。它的动态实时特性不仅提升了用户体验，也开启了有关多用户场景、全身交互等研究的新方向。