Mapping Real World Locomotion Speed to the Virtual World in Large Field of View Virtual Environments
Notice bibliographique
Résumé
In virtual environments, tracking physical movements in the real world and mapping them to movement in a virtual world increases immersion and the experience of presence. For example, walking on a treadmill in the physical world may be mapped to camera movement in a first-person view of the virtual world. However, due to interrelated factors relating to the field of view and distortion of objects in the virtual environment, matching physical movement speed to virtual world movement speed world so that it ‘feels right’ to a user can be complex. This perceived mismatch is detrimental as it can induce motion sickness and reduce the experience of presence. Although previously investigated with head-mounted displays, there is little information about how to overcome this mismatch when using large 2D screens that provide a very different viewing environment. To address this gap, we investigate how a 180-degree display that nearly fills the entire human FOV impacts this perceptual mismatch while walking and running on a treadmill. Our results show that people prefer camera speeds that actually exceed their physical movement speed, and increasingly so at higher speeds. Interestingly, though, people’s tolerance for deviations from the ideal camera speed mapping does not change with movement speed. We propose a simple personalized linear model that can be quickly calibrated for a user to provide the best match. This work provides important findings to inform and improve the design of virtual environments for an improved user experience.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».