DEEP：利用眼睑运动的虚拟现实三维注视点交互技术

文献标题

DEEP: 3D Gaze Pointing in Virtual Reality Leveraging Eyelid Movement

文献信息

• 主题领域: 虚拟现实中的视线交互与目标选择技术
• 关键词: 虚拟现实, 视线交互, 目标选择, 眼睑运动, 模糊目标选择, 深度调整

研究背景与问题

• 问题与挑战:

  • 虽然基于视线的交互因其移动快速和免手势操作的特点受到关注，但存在三大挑战：
    1. 无意触发：由于视线的自然移动，易发生“Midas touch”问题。
    2. 输入精度低：尤其是在处理小目标时，视线的抖动显著影响选择精度。
    3. 目标遮挡：在3D场景中的目标可能被完全或部分遮挡，难以选择。
  • 现有方法对此问题的解决效果有限。

• 重要性:

  • 在虚拟现实（VR）环境中，处理被遮挡和密集目标的选择问题具有广泛的实际意义，涉及CAD设计、智能房间交互和游戏等领域。

• 研究动机与相关工作:

  • 提出一种新方法，利用用户的眼睑运动调整选择目标的可见深度，以突破遮挡目标的选择难题。
  • 基于现有工作（如视线超越调整、动态布局重组和统计优化选择方法）进行改进，使其适用于视线交互。

解决方案

• 方法与创新性:

  • 提出一种名为 DEEP 的新技术，结合眼睑运动和概率模型，提供精确且遮挡鲁棒的3D视线目标选择。
  • 提升：首次结合连续眼睑运动实现视觉深度调整，改善对密集目标的选择性能。

• 主要设计与关键步骤:

  1. 设计核心特性:
     • 眼睑角度（AAE）控制:
       • 用户可通过眨眼和张大眼动作实现视觉深度的连续调整，从而揭示遮挡目标。
     • 概率输入预测模型:
       • 结合目标位置和深度信息，动态选择意图目标。
  2. 用户研究验证基础:
     • 利用一系列用户研究测试眼睑的自然性、控制能力及用户在停留选择任务中的行为模式。
  3. 技术实现:
     • 提供视觉反馈机制，包括滑动条显示当前视觉深度。
     • 考虑视线抖动，将目标扩展到更大范围，提升选择鲁棒性。

研究成果

• 具体成果:

  • 实验验证成果:
    • 选择性能: 在所有测试场景（部分遮挡、完全遮挡、密集目标场景）下，DEEP 显著快于基线技术（如 Naive Dwell）， 达到2.5s的平均目标选择时间，并使目标选择错误率下降至2.3%。
    • 用户偏好: 使用动态算法的 H-DEEP 在用户满意度方面排名最高，成功融合深度与位置选择的优势。
  • 用户数据洞察:
    • 可控性与舒适度: 实验显示用户能够轻松执行自然和刻意的眼睑运动，在小于极限幅度时具有较好的稳定性。
    • 鲁棒性: DEEP 的动态深度调整机制提高了目标选择的成功率。

• 与现有方法的优势:

  • 在完全遮挡目标场景中表现出更好的选择能力。
  • 消除了传统技术中因抖动和区域密集造成的输入不确定性。

• 局限性与未来方向:

  • 算法改进: 当前的深度与位置选择权重动态分配算法可以进一步优化，未来可以尝试引入机器学习或更复杂的上下文模型。
  • 适应性与个性化: 需要针对个体差异（如眼睛自然运动模式）设计更加个性化的算法。
  • 实际应用测试: 当前测试在抽象VR环境下进行，未来需在现实复杂场景中验证技术的适用性，例如加入背景干扰和多形式目标。

该论文展示了如何通过眼睑运动和概率建模极大地改善视线目标选择技术，并为虚拟现实交互提供了一个强有力的解决方案。