Perception of Materials in Virtual Reality based on their Audiovisual Properties
Notice bibliographique
Résumé
Material perception requires integration of information from multiple senses. In virtual reality (VR) simulations, good agreement between sensory inputs leads to better accuracy, however, the effect of conflicting inputs is less understood. Here, we evaluated the effects of cue conflicts between auditory and visual material information in a virtual environment. To create the auditory stimuli, impact sounds were recorded in a controlled environment with a mechanized rod hitting a panel made of glass, wood, plastic, or metal. We rendered panels made of these same materials mounted on a stand, presented in a virtual room. During testing we combined the visual material textures with each of the recorded impact sounds, to create sixteen different conditions that were interleaved randomly and viewed using a VIVE Pro VR headset. On each trial the target object was presented and struck with a rod to produce an impact sound. The participants then classified the target material, and we recorded their responses and response time. To study the effect of agency, on half the trials, the participant observed an agent striking the target (agent-interaction trials), and in the remaining trials the participant struck the target themselves (self-interaction trials). Our results show that most participants classify materials based on their auditory properties. Further, there was no difference in the classification response between the agent-interaction trials and the self-interaction trials. Interestingly, in one of the sixteen conditions, we observed a potential audiovisual illusion - when observing a wooden target paired with a plastic impact sound, participants predominantly responded ‘metallic’. In sum, attention needs to be paid to incorporating auditory cues in VR, as discordant signals can distort perceived material properties.
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 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».