基于硬件实现的:
1. Ungrounded Vari-Dimensional Tactile Fingertip Feedback for Virtual Object Interaction
进行了两个实验:形状辨别和质量辨别
2. GamesBond: Bimanual Haptic Illusion of Physically Connected Objects for Immersive VR Using Grip Deformation
可以模拟刚性杆的柔顺性也可以通过移除虚拟连接来模拟断裂
原理:首先测量手的位置和方向,然后根据之前测量的来计算虚拟对象的属性,最后移动手持设备的上段以与虚拟对象的计算点对齐。
这样用户就会产生同步抓握的触觉反馈,感觉到两个手持设备的联系。
3. Juicy Haptic Design: Vibrotactile Embellishments Can Improve Player Experience in Games
弹球撞击砖块,增加触觉反馈,将触觉反馈表示为音频反馈
探究两个问题:
1.哪些原则和概念对于设计吸引人的触觉装饰是有效的?
2.作为触觉装饰对于玩家体验实施的多汁触觉的附加价值是什么?
搜集了10个用于触觉装饰的初步设计原则
4. ThermoCaress: A Wearable Haptic Device with Illusory Moving Thermal Stimulation
通过在温度刺激的固定位置上重叠压力冲程来产生热移动的错觉
3种温度、3个热水袋位置、5个气囊
5.GuideBand: Intuitive 3D Multilevel Force Guidance on a Wristband in Virtual Reality
一种穿戴式设备,可为用户的前臂提供直观的3D多级力引导,产生前臂被虚拟向导或远距助手拉动的效果。
(选择20mm宽的扣带,戴松点)
(持续拉动腕带进行引导会使⽤⼾⿇⽊并降低受力⽅向和⽔平的可分辨性。因此,我们 选择离散的力刺激)
进行了最小可觉差研究(just noticeable difference)(用户在某个刺激程度下可以感觉到的最小变化量),以实现用户在三个轴上可区分的引导力水平。
在VR中寻找10个目标,记录时间和准确性。
三组对照:Visual guidance only
Visual guidance+vibrotactile guidance
Visual guidance+force guidance
评价realism现实性和distinguish-ability可区分性
基于软件实现的:
1. Understanding, Detecting and Mitigating the Efects of
Coactivations in Ten-Finger Mid-Air Typing in Virtual Reality
如果没有按键的物理阻力,有意的手指移动可能会导致其他手指意外移动,从而产生不必要的按键激活,消除它们可以提高信息输入的效率
第一步:采集24个人的数据集,在VR环境中用10根手指在空中虚拟键盘打字越45-60分钟
第二步:确定用于区分共激活与预期激活的特征。通过在单个特征上训练神经网络并记录其性能来评估这些特征,低性能的特征被移除。
最后保留了四个:产生当前键激活的手指速度、前一个键激活的手指深度、当前和前一个键激活之间的时间间隔以及相关性
第三步:使用最终的特征,分别用神经网络、支持向量机、朴素贝叶斯训练了三个模型。其中神经网络模型获得了最高的F1分数,因此被选择实施到现有的统计解码器中。
第四步:现有解码器计算输入字符是预期的概率,并使用结果进行更准确的自动更正,共激活检测被合并到这个概率中,如果预测超过某个阈值,就删除字符。
错误率相对降低10%,绝对降低0.9%,检测精度超过97%
2. XRgonomics: Facilitating the Creation of Ergonomic 3D Interfaces
解决创造属实的跨现实体验很困难的问题
三步实现:
第一步:交互空间的离散化,交互空间由用户可以用手到达的所有3D位置组成。为了便于计算,将连续空间转换为离散体素表示。用简单的运动链和启发式方法来确定哪些体素不再用户范围内。
第二步:计算手臂姿势,使用逆运动学来计算各种可能的姿势,手臂可以到达的每个位置。
第三步:计算人体工程学代价,对于每个手臂姿势,使用已建立的指标来计算人体工程学代价。
为了使创作者能够获得可视化的人体工程学代价,我们开发了一个工具包,可以根据不同的指标来可视化人体工程学成本,这个工具包还允许创作者修改交互空间的粒度以及对逆运动学算法进行调整
3.Gesture Kniter: A Hand Gesture Design Tool for Head-Mounted Mixed Reality Application
目标是设计一个系统,这个系统能够生成富有表现力的手势,并将它们编码到识别器中,同时是低数据密集型,以实现快速原型设计。
将手势分为两部分:
第一种是粗手势:手的质心运动
第二种是精细手势:手指的运动
通过可视化声明脚本将这些原始手势逐个节点连接起来,创作者可以按顺序放置节点以及循环特定节点,以创建一个复杂的手势。
使用隐马尔科夫模型将各个原始手势的识别器串联起来(允许重用组件识别器),形成复杂的手势识别器。
最后使用从HoloLens2的参与者那里收集的数据评估识别率,从而评估了Gesture Knitter的潜力(参与者之间的综合训练、交叉验证和合成数据准确率)
4. Armstrong: An Empirical Examination of Pointing at Non-Dominant Arm-Anchored UIs in Virtual Reality
经度、纬度、高度
探究用户手臂周围的哪些区域可以最快速最准确地定位?
采用吞吐量TP作为指标,TP和起始距离D,目标大小W,和移动时间相关。通过选择最高的整体TP来选择最佳区域。设置了一个unity插件以自动应用我们的模型。
5.Phonetroller: Visual Representations of Fingers for Precise Touch Input with Mobile Phones in VR
低成本的系统,可将手机用作支持触控的VR控制器,并通过操作手的视觉反馈来促进精确的触控输入
该系统由一个安装在手机上的支架组成,屏幕上方有一面镜子,可以反射前置摄像头,镜子顶部添加了一个VR跟踪器,用于在3D空间中跟踪设备。
捕获操作由前置摄像头通过反射来执行
可以对屏幕上的拇指阴影化处理,作为半透明纹理叠加在虚拟触摸界面,以帮助精确瞄准触摸目标。
受U-NET 影响的深度神经网络可以允许从掩码图像中推断指尖在屏幕上方的位置,这允许基于悬停点的输入和反馈,而不依赖于其他传感器。
拇指存在与否可用作显示和因此HUD的条件,这允许用户仅在需要时召唤工具,否则保持VR空间完全开放视图。
用户可以更改UI控件的位置:方法是在手机处于直立时抓住它,将其移动到另一个位置然后向后倾斜以脱离接触。
将UI界面靠近手机耳机位置时会切换到只有图标轮廓的中央屏幕HUD。
最后使用两种目标尺寸(虚拟手机和固定的HUD上的拇指阴影)对目标速度和精度进行用户评估,与其他三个基线(手机电容感应,没有悬停反馈,没有VR的真实手机)对比。用拇指阴影瞄准比通过自电容感应的悬停点要快得多
6. Ninja Hands: Using Many Hands to Improve Target Selection in VR
为了解决VR中很难选择远处的物体的问题
一种方法是增加虚拟手的增益,使其能够触碰到远处的物体,但是存在精度问题,因为需要映射用户的物理范围到更大的虚拟空间。
论文中则是考虑增加更多的手,这样即使在很远的地方,这种增益也可以最小化。
单个物理手的运动映射到许多虚拟手,减少了从手到环境中任何给定点的最短距离,这意味着用户可以更快的到达那。
考虑三个参数:
一是手的数量和排列,二是物理手和虚拟手之间的映射函数或者说是增益。三是用于解决多只手同时触摸物体的消歧方法。(文中采用的是先进先出的队列,只有第一只触碰到的虚拟手继续运动,其他虚拟手进入等待队列)
实验一:一个单一的,四网格,或8个位置的立方体的虚拟手
一个分布着低密度或者高密度干扰物的环境。
证明小环境下,使用Ninja Hands获得显著的收益。
实验二:扩展到整个虚拟房间来研究,10*5*10的房间,1,8,27,64只手进行对比实验,虚拟手多没有明显更快,所以作者区分了每次实验开始移动所需的时间以及参与者做决策的时间(也就是反应时间)
实验证明,虚拟手越多,做决策时间越长,移动所花费时间依然是显著降低的。