Using Spatialized Sound to Enhance Self-Motion Perception in Virtual Environments and Beyond: Auditory and Multi-Modal Contributions
Notice bibliographique
Résumé
Embodied self-motion illusions (“vection”) have long fascinated both researchers and laypeople. With the increasing quality and affordability of immersive virtual reality and tele-operation/tele-robotics interfaces, there is also increasing interest in providing compelling sensations of self-motions to create more life-like and convincing experiences. Whereas most research on self-motion perception focuses on visual and vestibular contributions, auditory can also play a relevant role. Here, we will provide an overview on research indicating how spatialized sound (moving sound fields) can both induce self-motion illusions in blindfolded listeners and enhance self-motion illusions induced by other modalities. Auditory vection by itself can be enhanced by a number of factors, including increasing the number of moving sound sources and employing sound sources that are more likely to be interpreted as originating from stationary objects (“acoustic landmarks” such as church bells) than artificial sounds or sounds associated with moving objects such as footstep sounds or car sounds. Although auditory cues alone provide a much less compelling self-motion sensation than visual cues or biomechanical cues (e.g., from walking on a circular treadmill), they can significantly enhance vection induced by other modalities as well as enhance presence and immersion in virtual environments. These findings will be discussed both in the context of multi-modal cue integration and self-motion simulation applications such as Virtual Reality, where high-quality spatialized sound could often be included at relatively low cost.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».