TraceRing: 通过个性化学习实现单IMU环的类触控板指向

文献标题

TraceRing: Touchpad-like Pointing with a Single IMU Ring through Personalized Learning

出版信息

• 主题领域: 可穿戴技术与人机交互
• 关键词: IMU, 触控板, 可穿戴交互, 个性化学习, 光标控制, 机器学习, AR/VR, 手势输入, Fitts定律, 可用性评估

背景与问题

• 问题/挑战: 使用单一IMU环实现精确的二维指向存在挑战，原因在于运动数据不完整以及显著的用户差异性。此前的单IMU解决方案通常在性能上不如多传感器或多环设置。
• 重要性: 一种便携、精准且普适的指向解决方案可以增强与AR/VR设备、大型显示屏以及移动计算平台的交互能力，从而解决当前输入方法的局限性。
• 动机与相关工作: 先前基于IMU的环或其他可穿戴设备的研究通常依赖额外传感器或校准，削弱了便携性。单IMU系统由于生理差异性和运动映射的挑战，缺乏准确性。本文基于这些研究成果，提出了一种个性化学习框架以克服这些限制。

解决方案

• 提出的方法: TraceRing，一种采用个性化学习框架的单IMU环系统，实现触控板式指向功能。
• 创新点:
  1. 引入结合监督学习与对比学习的多任务个性化框架，实现无需校准的用户特定适配。
  2. 开发一种专家混合架构（Mixture-of-Experts, MoE），通过用户嵌入动态选择适合的模型。
  3. 展示实时可用性及性能相较于现有IMU系统的提升。
• 流程与关键技术:
  • 数据预处理: 重力补偿以消除加速度计的无关读数。
  • 任务编码器: TCN-LSTM架构用于捕捉任务相关的时间模式。
  • 用户编码器: 带时间注意力的BiLSTM用于提取用户特定特征。
  • MoE模块: 多个MLP专家通过用户嵌入动态加权，用于速度预测。
  • 训练: 多组件损失结合速度预测、对比学习和基于原型的聚类。
  • 实时推理: 事件驱动触摸检测、CD增益应用以及高效的用户嵌入更新。

结果

• 具体发现:
  • 相较于MouseRing，速度预测误差降低33.9%（1.48 cm²/s² vs. 2.24 cm²/s²）。
  • 实时任务完成时间显著优于AirMouse（2.26s vs. 3.01s）。
  • 用户嵌入能够有效区分未见用户并具有良好的泛化能力。
• 相较基线的优势: TraceRing在速度预测和任务完成效率方面优于MouseRing和AirMouse，同时保持了便携性和可用性。
• 实验/评估:
  • 数据集: 50名参与者，多模态数据收集，包括IMU、运动捕捉和压力垫。
  • Fitts定律可用性测试: 在不同任务难度下将TraceRing与触控板、鼠标和AirMouse进行比较。
  • 表面测试: 评估在不同材料（木材、亚克力、橡胶、塑料、大腿）上的性能。
  • 主观反馈: 高用户接受度（87.5%愿意采用TraceRing），并设想了多样化的应用场景。
• 局限性与未来工作:
  • 对细粒度控制和小目标的精度问题。
  • 由于BLE通信和系统延迟导致的延迟问题。
  • 数据集覆盖范围有限，尤其是软质或非平面表面。
  • 未来改进包括自适应DPI调整、增强点击检测以及扩展数据集以实现跨表面泛化。

总结

TraceRing提出了一种通过个性化学习实现触控板式指向的单IMU环系统，解决了此前单IMU方法的局限性。它将速度预测误差降低了33.9%，并显著改善了任务完成时间（相较于AirMouse）。可用性研究证实了其便携性、易学性以及高用户接受度，应用范围涵盖AR/VR、大型显示屏和移动计算。尽管在精度和延迟方面仍存在挑战，TraceRing展示了轻量化、个性化可穿戴交互的可行性，并为传感器驱动的机器学习未来发展奠定了基础。