会聚匹配：在3D环境中通过注视辅助选择推断对物体的注意力

文献标题

Vergence Matching: Inferring Attention to Objects in 3D Environments for Gaze-Assisted Selection

文献信息

• 主题领域: 人机交互与虚拟现实 (VR)
• 关键词: 选择技术, 注意力检测, 虚拟现实 (VR), 注视, 辐辏 (Vergence), 运动相关性, 小目标

研究背景与问题

• 发现的问题或挑战:

  • 当前基于凝视的注意力检测技术在支持复杂虚拟环境中的小目标选择时存在精度限制。
  • 由于眼动追踪工具的追踪精度以及双眼注视点校准问题，通常难以可靠地选择小且接近的目标。
  • 在交互中需要通过改良的目标选择方式支持对多目标进行精确分辨，同时减少目标选择中的错误率。

• 重要性:

  • 解决这一问题可以显著提高虚拟环境中用户的交互体验。
  • 支持更小的目标选择减少必要显示空间，同时支持更自然和隐含的交互方式。

• 研究动机与相关工作:

  • Vergence（辐辏）眼动是双眼对不同深度目标进行聚焦的一种自然过程，往往没有校准依赖性。
  • 现有技术如基于运动相关性的 Smooth Pursuit 方法虽能避免传统方法的局限，但在3D场景中存在多目标分辨困难。

解决方案

• 提出的方法或解决方案:

  • 提出了一种名为 Vergence Matching 的交互技术，通过目标在深度方向上的平滑移动引导用户的辐辏眼动，并根据用户眼动与目标运动之间的相关性检测注意力。
  • 此技术不依赖目标大小，为选择小目标提供了支持，且减少了对环境的视觉扰动。

• 解决方案的创新之处:

  • 借助辐辏眼动的自然反应特性，在不需要校准的情况下推断用户注意力。
  • 创建了多目标运动的独特位相，并结合核心相关性指标实现多目标区域的选择。

• 实施步骤:

  1. 候选目标选择: 在场景中预选出潜在感兴趣目标，并通过系统或用户的指向行为触发。
  2. 目标深度运动生成: 在选定候选目标上施加与用户观察方向垂直的平滑深度运动。
  3. 注意力检测: 根据用户的双眼辐辏运动与目标深度变化之间的 Pearson 相关性判定用户聚焦的目标。

研究成果

• 具体成果:

  • 通过两项用户实验验证了 Vergence Matching 技术的可行性：在不丢失自然注视行为情况下检测对细小目标的注意，并区分最多四个同时移动的目标。
  • 实验结果展示了选择宽度仅为 0.25°的目标的能力，这远远超出了现有眼动追踪器的精度。

• 与现有解决方案的优势:

  • 将目标选择误差率降至最低，尤其是在多目标场景中。
  • 不需要显示的额外空间或缩放，减少场景视觉干扰。

• 实验或评估结果:

  • 优化参数（包括目标运动幅度和周期）使系统在复杂场景下保持较高注意力检测准确率。
  • 触发辅助（trigger-assisted）版本优于阈值辅助（threshold-based）版本，展示了更高的精确度和用户控制。

• 局限性与未来方向:

  • 辐辏检测依赖视线方向的深度运动，对用户出现的双视问题等可能存在影响。
  • 当前方案存在一定时间下界，完成目标选择需耗时约3-4秒，可能限制部分高交互场景应用。
  • 对自然环境和更加动态场景的实验验证仍需进一步开展。
  • 未来可探索 AI 技术实现个性化优化，以减少选目标错误率并提高检测效率。

总结

Vergence Matching 提供了极具潜力的技术来解决虚拟环境中小目标选择的技术挑战。通过利用辐辏眼动与目标运动间的相关性，它巧妙地绕过了传统方法的精度瓶颈，并支持更隐含、更自然的交互方式，同时为未来 AR/VR 空间的应用开发提供了新思路。