AttentionAR：通过注意力建模和 MLLM 推理实现真实世界安全的 AR 适应与警告

增强现实正在迅速改变日常生活体验，但在动态真实世界环境中的部署往往会削弱用户安全和态势感知。现有的AR界面通常采用静态设计，无法适应波动的环境条件和用户注意力的变化。在本文中，我们引入了 AttentionAR，这是一个概念验证系统，其主要贡献是将实时注意力监测与情境危害评估相结合，以动态调整AR覆盖层。我们的方法包括三个互补模块：一个注意力感知模块，处理生理和行为信号以区分内部和外部注意力；一个场景感知模块，利用多帧图像分析和通过多模态语言模型的思维链推理来评估风险；一个AR适应和警告模块，调节界面透明度并及时发出警报。我们的用户研究初步表明，与静态界面相比，这种集成方法可以增强态势感知并减轻与分心相关的风险。最后，我们讨论了我们发现的含义，包括模型泛化性的挑战，这突出了个性化的关键需求，将 AttentionAR 定位为迈向更稳健、更具注意力感知的安全系统的基础步骤。