Time to Contact Estimation in Virtual Reality
Notice bibliographique
Résumé
INTRODUCTION: Virtual Reality (VR) headsets that can display binocular stimuli are now widely available to the general public. Many tasks and scenarios presented in VR involve dynamic visual objects. Yet, no systematic studies have been conducted to investigate motion perception in VR. We conducted three experiments to quantify the perception of looming motion in VR, using judgment of time to contact (TTC), and to evaluate the effectiveness of interventions to improve accuracy of TTC estimates. METHODS: Observers viewed a virtual baseball stadium from the perspective of a batter standing in the batter's box, using an Oculus Rift VR headset. Simulated balls were pitched at the observer. In each trial the ball was visible for a brief duration and moved at one of four constant speeds, between 20 and 83 mph. The ball trajectory was either fully visible or disappeared after 1/4, 1/2, and 3/4 of the trajectory. Observers judged TTC by button press. RESULTS: Observers (n=10) generally underestimated ball speed in both VR and non-VR settings. TTC accuracy systematically improved with increasing presentation duration and decreasing speed in both settings. Next we investigated three interventions (in n=19) to improve the accuracy of TTC estimates in VR. These manipulated different perceptual cues that inform speed perception: (1) The speed of the model ball increased. (2) The size of the model ball increased as it approached the observer, providing monocular cues of increased speed. (3) The vergence angle increased, providing binocular cues of increased speed. All three interventions improved TTC estimation accuracy, with better correction at lower speeds. CONCLUSION: The findings indicate that there is systematic underestimation of speed in VR, which can be effectively corrected by different interventions. Meeting abstract presented at VSS 2017
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».