How to Observe Users’ Movements in Virtual Environments: Viewpoint Control in a Power Wheelchair Simulator
Notice bibliographique
Résumé
OBJECTIVE: We describe a networked, two-user virtual reality (VR) power wheelchair (PWC) simulator system in which an actor (client) and an observer (clinician) meet. We then present a study with 15 observers (expert clinicians) evaluating the effect of three principal forms of viewpoint control (egocentric-egomotion, egocentric-tethered, and client-centric) on the observer's assessment of driving tasks in a virtual environment (VE). BACKGROUND: VR allows for the simulation and assessment of real-world tasks in a controlled, safe, and repeatable environment. Observing users' movement behavior in such a VE requires appropriate viewpoint control for the observer. The VR viewpoint user interface should allow an observer to make judgments equivalent or even superior to real-world situations. METHOD: A purpose-built VR PWC simulator was developed. In a series of PWC driving tasks, we measured the perceived ease of use and sense of presence of the observers and compared the virtual assessment with real-world "gold standard" scores, including confidence levels in judgments. RESULTS: Findings suggest that with more immersive techniques, such as egomotion and tethered egocentric viewpoints, judgments are both more accurate and more confident. The ability to walk and/or orbit around the view significantly affected the observers' sense of presence. CONCLUSION: Incorporating the observer into the VE, through egomotion, is an effective method for assessing users' behavior in VR with implications for the transferability of virtual experiences to the real world. APPLICATION: Our application domain serves as a representative example for tasks where the movement of users through a VE needs to be evaluated.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».