没有合适的资源?快使用搜索试试~ 我知道了~
虚拟环境和自我表征对定向跳跃知觉和体能的影响:实验结果及解读
引文:李翊君,王淼,靳德荣,Frank STEINICKE,胡世民,赵勤平。虚拟环境与自我表征对定向跳跃知觉与体能表现之影响。 虚拟现实智能硬件,2021,3(6):451-469DOI:10.1016/j.vrih.2021.06.003虚拟现实智能硬件2021年11月3日第6·文章·虚拟环境和自我表征对定向跳跃YijunLI1,MiaoWANG1,2*,DerongJIN1,FrankSTEINICKE3,QinpingZHAO1,21. 北京航空航天大学计算机科学与工程学院,虚拟现实技术与系统国家重点实验室,北京1000832. 彭诚实验室,深圳5180553. 汉堡大学,汉堡21071,德国*通讯作者,miaow@buaa.edu.cn投稿时间:2021年4月26日修订日期:2021年5月29日接受日期:2021年6月14日国家自然科学基金(61902012);中国科协青年人才支持项目。摘要背景重定向跳跃(RDJ)允许用户通过虚拟相机运动操纵将小的真实世界跳跃缩放为更大的虚拟跳跃来自然地探索虚拟环境(VE),从而解决VR应用中物理空间有限的问题。以前的RDJ研究主要集中在检测阈值估计。然而,价值工程或自我表征(SR)对RDJ的知觉或表现的影响尚不清楚。方法在本文中,我们报告的实验,以测量知觉(检测阈值的增益,存在,体现,内在动机,和cybersickness)和物理性能(心率强度,准备时间,和实际跳跃距离)的重定向向前跳跃下的6种不同组合的VE(低和高视觉丰富度)和SR(无形的,鞋,和人类一样)。结果我们的研究结果表明,水平平移增益的检测阈值范围显着较小的VE与高,而不是低视觉丰富度。当应用不同的SR时,我们的结果并没有表明检测阈值有显著差异,但与其他两个SR相比,它确实报告了无形体情况下更长的实际跳跃距离。在视觉丰富度较高的虚拟环境中,与人类一样的化身跳跃的准备时间明显长于与其他SR。最后,知觉与身体表现之间存在一定的相关性。结论VE和SR都影响着RDJ中使用者的感知和表现,在设计运动技术时必须加以考虑。关键词 虚拟现实;虚拟运动;定向跳跃2096-5796/©版权所有2021北京中科学报出版有限公司Elsevier B. V.代表KeAi Communization Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。www.vr-ih.com虚拟现实智能硬件2021年11月3日第61 介绍对虚拟现实(VR)沉浸式体验的需求不断增加。为了在虚拟环境(VE)中移动,双足人类行走操作员使用与VE最自然的交互[1,2]。然而,当在有限的物理空间内探索大型VE时,用户可能会碰到障碍物并被打断,甚至遇到安全问题。为了解决这些问题,已经提出了各种运动技术,包括原地行走( Walking-in-place , 简称RDW )[3 , 4] 、 基于 节拍 的 运动[5 , 6] 、 远距 离传 送[5- 7] 和 重定 向行 走(Redirected Walking,简称RDW)[6,8,9]。其他运动技术,如触发步行[10]和全向旋转[11- 13]也是有用的替代方案。其中,RDW比在全方位跑步机上行走相对便宜,并为用户提供更自然的行走体验。一些RDW方法删除了在行走时不可感知地操纵用户的视点,但是这些方法需要估计各种增益的检测阈值[14]。图1研究虚拟环境(VE)和自我表征(SRs)对定向跳跃影响的实验条件示意图。(a)用户在现实世界中发起一次双腿向前跳跃动作;(b)在高视觉和人类化身条件下的VE和SR;(c)在低视觉和鞋子条件下的VE和SR;(d)具有平移增益gt = 1.4的增强跳跃的准备和着陆状态的图示(在与(b)中相同的条件下);以及(e)具有平移增益gt = 1.4的衰减跳跃的图示。0.6(条件与(c)项相同)。(d)和(e)中的半透明SR表示gt = 1.0的未修改跳跃。随着可穿戴VR设备的普及,VR运动技术不仅应用于行走,还应用于跳跃。最近有人提出了一种新的重定向跳跃(RDJ)技术,用于VR中的一次性双腿跳跃。在跳跃过程中,如果相应的增益不超过检测阈值,则可以不知不觉地操纵诸如水平距离、高度和旋转角度之类的参数。根据Kruse et al.[16],用户在很大程度上依赖于VE的视觉提示和脚的建模来感知RDW中的平移增益的操纵。对于跳跃运动,我们观察到,现实世界中的跳跃通常始于一个准备过程,在这个过程中,用户通常会观察周围的环境或摆动他们的身体来调整他们的平衡和力量。此外,用户可以通过在着陆在地面上之后确定他们在环境中的位置来感知地测量跳跃距离。本文报告了一项全面的用户研究,我们进行了调查的影响,价值工程和自我表征(SRs)的知觉和身体表现的RDJ。构建了视觉上简单而丰富的场景来测试VE。与此同时,通过将跟踪器绑定到身体关节,452YijunLIetal:虚拟环境的有效性,以及对重复执行和物理重复执行的重复执行数据,以实现重复执行的重复执行实时作为一个无形的身体,一双鞋,或一个类似人类的化身。这导致了六种条件,在这些条件下,被招募的参与者被要求完成一定距离的一次性向前跳跃。基于客观的实验数据和主观的调查结果,我们证实了VE和SR可以影响RDJ的性能和感知。这项工作的主要贡献是:• 我们设计了VE条件,提供低层次和高层次的视觉丰富性和SR条件与不同的虚拟身体可视化,并进行了一个主题内的伪二选一强迫选择(伪2AFC)实验RDJ。• 我们报告的相关性结果在客观和主观的措施,并提供新的见解,未来的VE和SR设计RDJ。2相关工作2.1获得重定向行走在VR运动技术中,真实行走在简单性、直接性和自然性方面优于原地行走和飞行等替代方案[17]。有限的物理空间对用户来说是一个挑战,甚至是不可能的任务,在没有任何重定向技术的情况下在大型VE中自由行走。为了使用户能够在不失去沉浸感的情况下体验大型VE,RDW是一种常见且有用的重定向技术,通常用于操纵玩家的移动[2,8,9,18- 21]或VE架构[22- 26]。一些RDW技术[9,19- 21,27,28]基于当在跟踪区域中行走时在VE中对用户的视点(PoV)的不可感知的操纵,其中每个操纵是缩放比率(即,此外,基于强化学习的RDW方法已被证明是有效的,即使对于多个用户[29- 31]。虚拟行走操纵的增益可以分为四种类型:旋转增益操纵用户的旋转角度,平移增益操纵直线上的行走距离,曲率增益弯曲直线行走路线[9],弯曲增益调整弯曲行走轨迹的曲率[32]。在由增益操纵的物理和虚拟距离之间,通常进行基于伪2AFC任务和心理测量曲线拟合技术的用户研究[9],以测试参与者是否可以分辨出在现实世界中行走和在由不同增益操纵的虚拟环境中行走之间的差异。例如,Steinicke et al.[9]和Langbehn et al.[32]采用的方法来估计平移,旋转,曲率和弯曲增益的检测阈值。为了确定视觉刺激的丰富性是否会影响对增益的敏感性,Kruse等人进行了一项用户研究,通过改变虚拟脚的可见性和VE的视觉丰富性来测量平移增益的检测阈值[16]。他们发现,VE的视觉丰富性对用户的增益感知的影响要比用户脚的SR可见性大得多。Reimer等人研究了全身化身对平移和曲率增益的影响[33]。2.2虚拟跳转和重定向跳转跳跃是日常生活中重要的运动方式,在VR体验中也很常见。博尔特和 引入了一个跳跃隐喻,以帮助用户在完全沉浸式虚拟环境(IVE)中移动更远的距离[34]。为了使用这种运动方法,用户通过观察目标来指定着陆的目标位置,然后以高于给定阈值的加速度向目标移动以激活跳跃过程。实验表明,该方法可以为虚拟企业的开发提供更有效的方法453虚拟现实智能硬件2021年11月3日第6但可能会引起轻微的定向障碍。一些研究调查了特定VR场景中的虚拟跳跃[35- 38]。Kim等人设计了一个电缆驱动的系统来操纵跳跃,并应用视觉增益来模拟VR中月球和火星表面重力降低的体验[36]。Kang等人探索了物理轨迹和视觉增益操纵的组合效应,得出结论认为这些操纵可以同时应用于解决空间限制问题[37]。为了在沉浸式VR体验中模拟跳伞,Sasaki等人提出并实现了一种基于虚拟超级跳跃的系统,作为一种非侵入性,低干扰和安全的方法[38]。最近,重定向和增强跳跃已经成为VR运动中的热门话题。重定向跳跃技术首先由Hayashi等人提出。[15]在用户研究中,他们测量了水平和垂直平移和旋转的不明显增益的阈值。Jung等人通过要求用户在具有五个凸起的三角肌的VE中跳跃来测量跳跃中曲率增益的感知[39]。RDJ的检测阈值比RDW的检测阈值具有更宽的范围,这意味着如果我们应用RDJ技术而不是RDW,则甚至更小的物理空间就足够了。Wolf等人在虚拟跑酷场景中进行了一项研究,比较了远距离传送与缩放跳跃和向前跳跃,从中得出结论,大多数缩放跳跃条件可以为用户带来更高的沉浸感和动力,而不会增加模拟器疾病[40]。2.3存在在场是一种主观感觉,参与者认为他们实际上在一个地方,而在现实世界中,他们位于另一个地方[41,42]。在虚拟现实中,存在是一种在虚拟环境中“存在”的感觉,而不是真实的物理空间[43],这意味着高度沉浸式的虚拟环境可以说服参与者相信他们实际上位于那里。诸如Witmer和Singer存在问卷(WS)[41]、Slater-Usoh- Steed(SUS)问卷[44]和Igroup存在问卷(IPQ)[45]等测试是在用户在IVE中的体验之后测量存在的最常见工具。在这项研究中,我们使用的IPQ问卷调查的存在感的RDJ经验的参与者。2.4化身与化身在VR中,自我表征有助于用户的认知过程,可以减轻他们在任务中的精神负担[46- 50]。相反,虚拟身体的缺失可能会导致对感知和非实体现象的负面影响[51,52]。Maselli等人得出结论,为了产生全身所有权,可以采用从第一人称视角可视化的化身来实时表示参与者的动作[53]。由于其通用性和易用性,化身感通常通过主观问卷来测量。最常用的测量体现感的问卷之一是Gonzalez-Franco和Peck(GFP)体现问卷[49],它包含六个主要组成部分(身体所有权,代理和运动控制,触觉,身体位置,外观和对外部刺激的反应)。研究人员可以根据研究目标选择适用的问题。Peck等人发现,在相同的手放置设置(近端或非近端)下,在Stroop干扰任务中,具有化身的条件在GFP实施例得分上优于没有化身的条件[54]。Fribourg等人通过要求用户匹配给定的化身配置来进行实验,以帮助理解化身外观、化身控制和用户点的因素之间的相互关系。454YijunLIetal:虚拟环境的有效性,以及对重复执行和物理重复执行的重复执行数据,以实现重复执行的重复执行见[55]。实验结果表明,设置一个最佳的化身配置是不必要的。相反,提供令人满意的实施例体验的更高程度的控制将是优选的。受此启发,我们测量了RDJ中不同SR的实施感知。3重定向跳跃3.1跳跃距离Hayashi等人。[15]进行了实验,以测量一次性双腿takeo跳跃的平移,高度和旋转增益的检测阈值。在这项研究中,我们主要集中在水平平移增益gt =d虚拟/d真正的,定义的比例水平跳跃距离在虚拟环境中,其对应的在现实世界中,在一次两条腿takeo跳跃。在我们的实验中,平移增益gt的值在每次向前跳跃之前在预定义的范围内选择,并用于在跳跃期间操纵用户的视角(PoV)。虚拟跳跃距离dvirtual=gt ×dreal根据操纵因子gt相应地缩放。3.2跳变检测实时跳变检测对于RDJ中跳变参数的控制至关重要。根据以前的RDJ工作[15,39],跳跃动作可以分为五个阶段,即站立,准备,上升,下降和着陆。• 站立:用户直立并保持静止。如果使用者降低他或她的头部和腰部,则站立阶段过渡到准备阶段,但也可以从着陆阶段过渡。• 准备:用户弯曲膝盖,脚保持在地面上。用户可以通过直立从准备阶段转换回到站立阶段,或者当用户的头部和腰部的位置向上移动同时脚离开地面时转换到上升阶段。• 上升:在这个阶段,用户的头、腰和脚的位置在空中向上移动。当相应的位置开始向下移动时,该阶段过渡到下降阶段。• 下降:上升后,用户在空中下降• 着陆:用户在下降后降落在地面上。如果用户在着陆后直立,则用户转换到站立阶段。图2显示了跳跃阶段。在我们的实验中,所有的跳跃试验仅限于一次图2五个跳跃阶段的图示。从左到右:站立,准备,上升,下降和着陆。455虚拟现实智能硬件2021年11月3日第6两足takeo跳跃,并在上升和下降阶段应用虚拟跳跃距离的缩放。4实验在本节中,我们将详细介绍在各种VE和SR条件下测量RDJ中具有水平平移增益的物理性能和感知的实验。我们测试了两个视觉丰富度水平的VE,其中一个是具有低视觉丰富度的简单场景,另一个是具有高视觉丰富度的真实感户外场景。测试了三种SR条件:完全透明的身体,类似人类的化身,以及仅显示用户鞋子的表示。总共测试了六种化身和VE条件的组合,从中我们收集了物理性能的客观数据和参与者对跳跃操作的主观感知,存在感,内在动机和对实施例问卷的响应。预期VE和SR条件都将检测用户对增益操纵和其他感知测量的敏感度。更准确地说,高视觉丰富度VE预计比低视觉VE提供更高的享受和对翻译增益的更好敏感性[16]。对于SR条件,类人化身旨在提供比来自鞋表示和不可见身体的那些更高的享受和对平移增益的更好的灵敏度。这个假设是基于这样一个想法:在提供全身运动可视化时,类人化身应该引导参与者以与他们实际上在物理空间中相同的方式进行行为和感知。因此,我们提出以下假设:• H1:对于高视觉丰富度VE,不明显的翻译增益的范围小于对于低视觉丰富度VE的不明显的翻译增益的范围。• H2:当参与者的身体被表示为类似人类的化身时,不明显的平移增益的范围最小。• H3:高视觉丰富度VE中的享受感高于低视觉丰富度VE中的享受感,并且在所有自我表征类型中以类人化身的享受感最高。4.1参与者共招募15名受试者完成实验(男12名,女3名,平均年龄:25.73,SD=4.79;平均身高:172.53cm,SD=6.29cm)。他们都是当地研究所的研究人员或学生。所有受试者均声称无视力障碍,并确认具有进行研究所需的良好一般身体条件。至于VR体验,两个人没有体验,九个人的体验少于五个,其余的人有五个以上的体验。八名参与者在参加实验时戴着眼镜。4.2装置实验在4m×4m的物理跟踪空间中进行,高度为2.5m。实验装置包括重约0.6 kg的头戴式显示器(HMD)(HTC Vive Pro Eye耳机,每只眼睛1440× 1600像素分辨率,110°对角视野),两个手持控制器和三个附加的跟踪器绑定到腰部和脚部。HMD、控制器和跟踪器的6自由度姿态由放置在跟踪空间角落的两个HTC Vive基站记录,并映射到用户的头、手、腰和脚的位置。使用Polar OH1+光学心率传感器记录参与者的心率。RDJ系统使用Unity3D(版本号:2019.3.1f1)和SteamVR在PC上运行,456YijunLIetal:虚拟环境的有效性,以及对重复执行和物理重复执行的重复执行数据,以实现重复执行的重复执行Intel Core i7-8700K 3.70GHz CPU、16GB RAM和NVIDIA GeForce RTX 2080 GPU。最终IK插件是反向运动学的实现,用于从记录的头部、腰部、手和脚姿势推断类人化身的身体姿势。HMD的刷新率保持在90Hz。在实验过程中,使用HMD的一副耳机来降低物理环境噪声。参与者的安全由实验室的一名工作人员监督,没有一名参与者在实验过程中摔倒或滑倒。参与者没有报告任何来自物理世界的分心。4.3实验设计和条件根据先前的RDW和RDJ研究[9,15,16],实验设计使用了伪2选择强迫选择(伪2AFC)方法。伪2AFC旨在避免被试在被要求猜测答案时的反应偏差。测试的两种VE条件为:• 低视觉丰富度(LowVisuals):一个简单的场景,由一个天空盒和一个地平面组成,类似于Hayashi等人[15]使用的设置,并由绘制在地面上的5m×5m规则网格组成,如图3a所示。图3我们实验中使用的两个VE。(a)低视觉;(b)高视觉。在训练阶段跳跃的起始位置和目标位置分别由蓝色和红色圆圈表示。• 高视觉丰富度(HighVisuals):一个森林场景,具有丰富的视觉线索,包括桥梁,树木,岩石,草地等。跳跃区域周围的地面保证是水平的,如图3b所示。对于每种VE条件,测试了三种SR条件:• InvisibleBody(不可见体):完全透明的体。• 鞋子(Shoes):一双鞋子。• 类人头像(HumanAvatar):从预先创建的男性和女性头像中选择一个类人头像,根据参与者的大小和肤色修改外观。根据我们的初步研究结果,选择了地面上的5m×5m规则网格格式,以降低视觉丰富度,因为这种环境设置提供了一些视觉线索,同时防止参与者计算网格来测量他们的跳跃距离。为了提供更好的真实感,我们将太阳仰角设置为45°,以便阴影(使用Shoes和HumanAvatar)可见。如图4所示,测试了六种条件,其中九个离散平移增益gt以0.1的增量控制在0.6到1.4之间[15,16],并以随机顺序重复三次。VE的顺序对每名参与者进行随机化,并使用拉丁方设计在参与者之间进行平衡。对于每个VE,三个连续的SR条件进行了测试,并在参与者之间进行平衡,以减轻可能的学习效果。采用受试者内设计,每个参与者完成6个试验块(2个VE × 3个自我表征),每个块中有27次试验(9次增益× 3次重复)为配合457虚拟现实智能硬件2021年11月3日第6图4在我们的实验中组合VE和SR条件的图示。顶部:低视觉;底部:高视觉。从左到右的列:隐形身体,鞋子和人类化身(女性和男性)。根据先前RDJ工作的设置[15],参与者被要求水平跳跃0.8米,这不会产生沉重的身体负荷。4.4措施在用户研究期间,测量了参与者的客观身体表现和主观感知。测量的身体表现包括跳跃前的准备时间、实际跳跃距离和心率强度。采用问卷调查的方式收集主观感知测量结果。4.4.1客观业绩计量准备跳跃的时间。用户在跳跃之前的表现也可能对跳跃操纵的感知产生影响。因此,为了评估条件是否影响跳跃行为,我们记录了每个跳跃动作的准备时间。具体而言,在参与者走回起点并确认下一次试验后,开始记录时间,直到参与者的脚离开地面。计算每个条件的平均准备时间实际跳跃距离。该指标用于评估不同条件组合对参与者跳跃表现的影响。虽然参与者被要求在虚拟世界中跳跃0.8米的距离,但实际跳跃距离可能会受到VE和SR条件的影响。记录每个参与者的实际跳跃距离,并计算每个条件下的平均实际跳跃距离。心率强度。心率可以是与参与者感知相关联的客观度量,因为心率可以反映参与者的紧张水平。在实验过程中,458I=,(2)YijunLIetal:虚拟环境的有效性,以及对重复执行和物理重复执行的重复执行数据,以实现重复执行的重复执行记录每名参与者的心率,并使用Karvonen公式[56]计算心率强度:H=max-Hrest+Hrest,(1)H-H静止HMax -H休息其中,I∈[0,1],H是从确认下一次试验到着陆的平均心率,Hmax= 220− a,其中a是参与者的年龄,Hrest是参与者的静息心率。4.4.2主观知觉测量增益的检测阈值。如前所述,“较长”和“较短”的回答问题,“与你在现实世界中跳跃的实际距离相比,虚拟环境中的距离是长还是短?”被收集。基于“较长”反应的比例,用a-b核心估计心理测量函数,a和b是待确定的常数:11 + b × e-ax,(3)检测阈值下限(LDT)、主观平等点(PSE)和检测阈值上限(UDT)分别在25%、50%和75%的概率值下测量。存在感。在每个试验块后,每个参与者回答IPQ存在问卷[45],以评估在VE中体验到的存在感。参与者存在感的三个子指标包括对VE的注意力(空间存在),参与(参与)和VE看起来有多真实(体验现实主义),以及主观问卷中的附加一般项目(存在感)。总共有14个问题由参与者回答,在7分制的李克特量表上从0到6进行评分。总存在分数计算为14个分数的平均值。实施例的来自GFP实施问卷[49]的问题子集用于评估参与者对每个试验块的实施感。具体而言,问卷包含四个主要组成部分,以评估所有权,代理,位置和外观。根据[49]中建议的计算方法,在[103,3]的范围内计算总的实施例得分为(所有权/3)× 2 +(机构/3)× 2 +位置× 2 +(外观/2)/7。详情请参阅[49]内在动机。内在动机量表(IMI)量表[58]在每个试验区后进行,以评估参与者的内在动机。使用7分制享受和紧张Likert量表来评估享受和紧张感。电脑病为了测量电脑病,在每个试验区之前(SSQ前)和之后(SSQ后)回答模拟器疾病问卷(SSQ)[59]4.5程序该研究得到了当地研究所伦理委员会的批准。到达实验室后,参与者阅读并签署了一份包含有关实验的书面说明的知情同意书。他们的身高被测量,他们被要求填写一份人口统计表,然后是一份SSQ前问卷[59]。实验的细节被清楚地解释给参与者。参与者被展示了所有三种类型的化身,并且根据参与者的特征设置了类人化身的性别,肤色和大小。然后,参与者配备了VR设备,然后进行了3秒的校准阶段,以记录他们的头,腰,手和脚的初始位置如前所述,VE条件的顺序对每个参与者是随机的,并在参与者之间进行平衡。在每种条件下,三个试验区组对应于459y=虚拟现实智能硬件2021年11月3日第6每个参与者都完成了SR条件。对于每个试验块,训练阶段用于帮助参与者感知场景并理解RDJ的功能。在训练阶段,参与者被要求从蓝色开始圆圈跳到红色目标圆圈0.8米的距离;两个圆圈的半径都是0.25米(图3)。依次经历了参与者已知的水平平移增益gt为0.6、1.0和1.4的三个训练试验。在每次训练试验之后,VE和SR被暂时隐藏。然后,参与者遵循VE中的指导,沿着跳跃方向走回在初始物理起始位置的0.5m范围内随机选择的新起始位置。起始位置的随机化避免了参与者通过计算步行步数来推断先前的跳跃距离。然后,参与者通过UI确认开始下一次培训试验。随后,虚拟环境消失,然后重新出现,虚拟环境中的虚拟起始位置在2m×2m区域内围绕初始虚拟起始位置随机化,以防止参与者使用固定参考(例如,例如,在一个实施例中,低视觉条件下的网格),以测量试验之间的距离。参与者了解随机化机制。在完成练习试验后,开始包含27次试验(9次增益× 3次重复)的测试试验块,而不显示开始和目标指示器。参与者通过按下控制器上的任何一个按钮来确认准备好跳跃,然后执行跳跃动作。落地两秒后,头盔上弹出了一个UI,问题是:“与现实世界中的实际跳跃距离相比,虚拟环境中的距离是长了还是短了?”选择“长”和“短”被分配给左或右控制器,对每个参与者预先以随机顺序进行反平衡,并保持不变,目的是减轻左手和右手的偏见。参与者可以使用左侧或右侧控制器来回答问题。回答完问题后,参与者走回随机定位的起点,然后进入下一个试验。参与者被允许在任何时候暂停和休息。然而,没有参与者在实验期间要求额外的休息。在一个试验区完成所有试验后,参与者移除HMD,并在PC上填写SSQ[59]IMI[58],GFP[49]和IPQ[45]问卷。参与者在下一个模块之前休息至少5分钟以使心率平静,然后完成另一份Pre-SSQ问卷并开始下一个试验模块。在填写完最后一组问卷后,参与者被要求移除所有安装的跟踪器,并被鼓励留下关于实验的开放式评论。参与者在实验中花费的平均时间约为100分钟,包括试验块之间的休息时间。对与会者表示感谢并支付了与会费用。5结果在这一部分中,分析了客观性能和主观感知的实验结果。对于每项测量,采用5%显著性水平的重复测量方差分析(RM-ANOVA)。进行Mauchly检验以验证数据的球度,如果违反球度,则使用具有Greenhouse-Geisser校正的RM-ANOVA。采用Bonferroni调整进行成对比较。对于数据非正态分布的情况(通过Kolmogorov-Smirnov检验显示),使用5%显著性水平的Friedman检验和事后Wilcoxon符号秩检验。5.1客观性能图5显示了跳跃的准备时间、实际跳跃距离和心率强度。460YijunLIetal:虚拟环境的有效性,以及对重复执行和物理重复执行的重复执行数据,以实现重复执行的重复执行图5 RDJ中的跳跃准备时间(秒)、实际跳跃距离(米)和心率强度测量。十字、穿过框的线和点分别表示均值、中位数和离群值。准备跳跃的时间。Friedman检验显示,在HighVisuals条件下,SR(p=0.015)具有显著的主效应。事后分析表明,HumanAvatar和Shoes之间(p=0.008)以及HumanAvatar和InvisibleBody之间(p=0.023)存在显著差异。实际跳跃距离。RM-ANOVA显示SR的显著主效应(F(2,28)=5.83,p= 0.008,η2=0.294)。事 后 比 较 表 明 , InvisibleBody 的 实 际 跳 跃 距 离 明 显 长 于 Shoes ( p=0.028 ) 和 HumanAvatar(p=0.007)。LowVisuals VE中的实际跳跃距离明显小于预期目标距离(0.8 m),InvisibleBody:−0.113 , t ( 14 ) =− 3.46 , p=0.004; Shoes : −0.155 , t ( 14 ) =− 5.02 , p0.001; HumanAvatar :−0.150,t(14)=−4.64,p0.001。心率强度。VE和SR之间没有显著的交互作用。也未发现VE或SR的显著主要效应5.2主观感知增益的检测阈值。图6显示了在测试条件下收集的对翻译增益的响应和拟合的心理测量函数曲线。x轴表示平移增益值,y轴表示在伪2 AFC任务中选择答案“更长”的概率。对于每个增益值,点和相应的条表示相应响应可能性的平均值和标准误差。检测阈值在每个图中突出显示。RM-ANOVA分析表明,在检测阈值上,VE和SR之间没有发现显著的交互作用成对分析图6绘制了不同条件下虚拟距离和物理距离之间的区分结果。X轴显示了应用的平移增益,Y轴显示了参与者感知到他们比现实世界跳得更远的概率对应于25%、50%和75%响应概率的检测阈值被突出显示。461虚拟现实智能硬件2021年11月3日第6显示LDT(p=0.041)和UDT(p=0.020)上的VE之间存在显著差异。LowVisuals中的LDT显著小于HighVisuals,而LowVisuals中的UDT显著大于HighVisuals,从而证实了假设H1。然而,没有发现VE对PSE的显著主效应。SRs对检测阈值的主效应不显著。因此,假设H2被拒绝。存在感。图7a显示了从IPQ问卷中收集的存在分数。RM-ANOVA显示,LowVisuals和HighVisuals之间IPQ存在显著的主效应,F(1,14)=28.92,p0.001,η2=0.674,其中HighVisuals的存在评分显著 高 于 LowVisuals 。 此 外 , 在 SR 中 发 现 了 显 著 的 主 效 应 ( F ( 2 , 28 ) =8.79 , p= 0.001 ,η2=0.386 ) 。 事 后 比 较 表 明 , InvisibleBody 和 Shoes ( p=0.022 ) 、 InvisibleBody 和 HumanAvatar(p=0.004)以及Shoes和HumanAvatar(p=0.043)之间存在显著差异。图7 RDJ的主观测量。(a)[45][46][47][49][4 十字、穿过框的线和点分别表示均值、中位数和离群值实施例的图7b示出了从GFP问卷收集的实施例响应。RM-ANOVA显示低视觉和高视觉之间存在显著的主效应,F(1,14)=18.65,p=0.001,η2=0.571。在SR中也发现了显著的主效应,F(1.27,17.75)=26.34,p0.001,η2=0.653。事后成对比较显示每对SR条件之间存在显著差异:隐形身体和鞋子(p0.001)、隐形身体和人体化身(p0.001)以及鞋子和人体化身(p=0.006)。化身最高的是HumanAvatar,最低的是Invisible Body。内在动机。图7c和7d显示了从IMI问卷中收集的快乐和紧张反应。RM-ANOVA表明VE(F(1,14)=10.90,p=0.005,η2=0.483)对IMI张力有显著的主要影响。关于对IMI享受的反应,发现VE(F(1,14)=25.34,p0.001,η2=0.644)和SR(F(2,28)=12.54,p0.001,η2=0.472)的显著主要影响。事后462YijunLIetal:虚拟环境的有效性,以及对重复执行和物理重复执行的重复执行数据,以实现重复执行的重复执行成对比较显示,隐形身体和鞋子之间(p=0.002)以及隐形身体和人类化身之间(p=0.001)存在显著差异。这些结果证实了假设H3:HighVisuals中的IMI享受分数显著高于LowVisuals,并且在SR中HumanAvatar最高。表1列出了主观测量的RM-ANOVA结果。表1 IPQ[45]、GFP[49]、IMI张力(IMI-T)和享受(IMI-E)[58]的RM-ANOVA测量IPQGFPIMI-TIMI-E效应VESRVE×SR VESRVE×SR VESRVE×SR VESRVE×SRDF1、14二、二十八一点三二,十八点四十三1、14一点二七,十七点七五一点三四,十八点八一1、141.44、20.11二、二十八1、14二、二十八1.23,17.23F28.92*8.79美元**1.3118.65*26.34*0.3110.90美元**1.371.9225.34*12.54*0.87η20.6740.3860.0850.570.6530.0220.4830.0890.1210.6440.4720.058p<0.00010.0010.28<0.001个单位<0.00010.6490.0050.2690.165<0.0001<0.00010.388显著性代码:*p 0.1,**p 0.01,*p 0.001。电脑病表2列出了SSQ数据的平均总严重度评级和标准差。Wilcoxon符号秩检验显示,在所有VR体验病例后,SSQ评分均显著较高:低视觉VE下的InvisibleBody(p=0.003)、低视觉VE下的Shoes(p=0.005)、低视觉VE下的HumanAvatar(p=0.002)、高视觉VE下的InvisibleBody(p=0.014)、高视觉VE下的Shoes(p=0.005)和高视觉VE下的HumanAvatar(p=0.006)。表2在每个测试条件条件之前后低视觉不可见身体5.735± 1.30916.955± 3.460LowVisuals鞋8.727± 1.95415.209± 2.976LowVisualsHumanAvatar4.987± 1.92011.719± 2.124高视觉隐形身体6.732± 2.48114.711± 4.971HighVisuals鞋6.981± 2.47212.716± 3.178HighVisualsHumanAvatar7.231± 2.01512.467± 3.0025.3相关报告为了找到可能的物理性能数据和问卷的主观反应之间的相关性,皮尔逊积差相关分析进行。结果显示,跳跃准备时间与所有权之间存在弱正相关(r=0.251,p=0.017)。在实际跳跃距离和存在之间发现弱正相关(r=0.281,p=0.007)。 跳跃准备时间与UDT呈弱正相关(r=0.263,p=0.012)。6讨论体能表现。 在试验条件下,发现了一些显着差异。当463虚拟现实智能硬件2021年11月3日第6使用高视觉跳跃时,使用HumanAvatar的平均准备时间高于使用InvisbleBody或Shoes。从我们的观察来看,参与者通常会在跳跃前花一些时间环顾周围的环境并做好准备。在低视觉和高视觉虚拟环境中,隐形身体的实际跳跃距离明显长于鞋子(+0.061米)和人类化身(+0.074米)。与目标跳跃距离(0.8米)相比,使用LowVisuals的实际跳跃距离明显更短(-0.139米),这可能是RDJ潜在使用的证据增益的检测阈值。考虑到VE和SR对RDJ中水平平移增益检测阈值的影响,用户研究结果表明LDTs在0.362到0.692之间变化,PSE在0.898到0.972之间变化,UDT在1.212到1.590之间变化。LowVisuals的LDT显著小于HighVisuals,而LowVisuals的UDT显著大于HighVisuals,无论使用哪种SR类型。我们的实验结果与从参与者那里收集的公开评论一致。13名被试对跳跃距离的操纵变得更加敏感,并认为高视觉比低视觉更容易识别VE中不同的操纵跳跃距离,因为前者提供了更多的视觉线索来推断跳跃距离(地面,石头,树木等)。与Kruse等人的发现类似。[16],在RDW增益的检测阈值中,我们的结果证实了LowVisuals的LDT显著小于HighVisuals。此外,我们的研究结果显示,LowVisuals的UDT值大于HighVisuals,这在以前的研究中没有建立。这一结果表明,在低视觉线索的VE条件下,可以在用户没有注意到的情况下采用更大的翻译增益,这是设计新的重定向VR项目的一个重要因素。根据用户研究结果,SR条件下的检测阈值均无显著差异。这表明SR条件对VR用户在RDJ中的感知影响很小,这意味着VR设计者不必花费太多精力来考虑不同SR对重定向技术的影响。然而,研究组合旋转和曲率操纵在跳跃与SR条件是值得进一步验证这一结论。收集到的关于SR如何影响参与者在伪2AFC任务中的选择的评论也是混合的。四名参与者确认HumanAvatar是最好的,因为它更自然地看到他们的全身。两名参与者评论说,HumanAvatar和Shoes处于相同的辅助水平,都比InvisibleBody更好,因为它们主要依赖于虚拟脚模型来估计着陆位置。对于将感知的运动速度作为距离估计的主要线索的参与者,尽管对SR类型的评论没有显著差异,但HumanAvatar可能会引入视觉遮挡,并且身体的阴影也可能对他们的感知产生副作用。与之前在RDW中的发现不同,当用户可以看到他或她的视觉脚时,平移增益范围的阈值较小[16],我们在RDJ中的结果没有揭示SR类型之间的这种差异。可能的原因是,步行和一次两足踏跳是两种不同的动作模式。在步行过程中,通过步态感知推断平移增益可能比通过双腿起跳跳跃更容易[1]。其他主观指标。根据用户研究结果,对于所有SR,HighVisuals的存在分数显著高于LowVisuals(+1.419)。此外,HumanAvatar的存在分数是所有SR中最高的。化身的化身感明显高于隐身体(+2.527)和鞋子(+1.288)。此外,高视觉的体现高于低视觉。在跳跃过程中的知觉张力只有显着不同的VE,其中较低的视觉丰富度有较高的张力值。知觉享受得分之间的两个VE和不同SR的显着差异我们观察到464YijunLIetal:虚拟环境的有效性,以及对重复执行和物理重复执行的重复执行数据,以实现重复执行的重复执行当更多的视觉线索被呈现时,增加的乐趣。这些结果表明,更高的存在,享受,和较低的紧张可能是为什么它是更难为被试注意到跳跃操作的VE与高视觉线索的原因。在所有条件下,参与者都认为晕机症显著增加。客观表现和主观感知措施之间的相关性。首先,发现准备时间和实施例所有权之间存在正相关关系。第二,实际跳跃距离与存在正相关。最后,一个正相关的UDT之间的增益和跳跃的准备时间。一个合理的解释是,如果一个参与者为跳跃做了很长的准备,他或她可能会期望一个良好的跳跃性能与更长的跳跃距离,导致增加UDT。
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 利用迪杰斯特拉算法的全国交通咨询系统设计与实现
- 全国交通咨询系统C++实现源码解析
- DFT与FFT应用:信号频谱分析实验
- MATLAB图论算法实现:最小费用最大流
- MATLAB常用命令完全指南
- 共创智慧灯杆数据运营公司——抢占5G市场
- 中山农情统计分析系统项目实施与管理策略
- XX省中小学智慧校园建设实施方案
- 中山农情统计分析系统项目实施方案
- MATLAB函数详解:从Text到Size的实用指南
- 考虑速度与加速度限制的工业机器人轨迹规划与实时补偿算法
- Matlab进行统计回归分析:从单因素到双因素方差分析
- 智慧灯杆数据运营公司策划书:抢占5G市场,打造智慧城市新载体
- Photoshop基础与色彩知识:信息时代的PS认证考试全攻略
- Photoshop技能测试:核心概念与操作
- Photoshop试题与答案详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)