英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
预测性触觉指导：用于控制动态任务的智能用户协助
Benjamin AC Forsyth和IEEE会员Karon E. MacLean
摘要 - 智能系统越来越能够提供与用户对交互式系统的手动控制相关的实时信息，例如用于动画控制和驾驶的动态系统控制空间约束。 然而，以可用方式呈现这些信息是困难的，并且在“慢”系统中采用触觉提示进行手动控制的其他方法常常导致高度动态任务中的不稳定性。 我们提出了一种基于预见算法的预测性触觉制导方法，以及用户评估，将其与其他方法（无指导和标准电位场方法）进行比较，用于1-DoF导引路径跟踪场景。 预见性指导在一系列路径复杂性和可视性方面优于其他方法的定量表现和主观偏好，而力量分析表明它对用户应用的力量越来越小。 这些结果（似乎来源于预测指导的支持用户采取更早和更微妙的纠正措施）表明预测方法有助于手动控制动态交互式任务，其中提供了智能支持。
索引条款 - 人为因素，评估/方法，触觉I / O，以用户为中心的设计。
diams;
- 介绍
NTELLIGENT系统现在出现在高度交互式应用中，如汽车驾驶支持，训练手术模拟，动画设计辅助工具以及基于身体姿势教授技能的工具。 接口设计人员面临的当前挑战是将相关信息从计算元素传递给用户，以可消化的形式传输“最后5英寸”。 这可能包括从智能系统对环境的了解和/或从用户当前甚至是瞬时的能力，意图或需求评估中获得的线索。 触觉力反馈可以用于此目的。 设计直观的触觉控制共享线索的许多可能方法可以通过用户保留的控制程度来区分。 在一个极端情况下，系统自主行为，但在需要时允许用户进行有限的干预; 另一方面，用户完全负责接口控制，但智能系统提供了辅助的建议。 后者空间与需要与高度动态内容紧密耦合的用户交互的应用程序最为相关。 同样，触觉提示提供了一个独特但有风险的机会，因为指导提示可以直接覆盖在物理控制通道上，或者可以通过另一个通道提供 - 例如作为触觉刺激提供给空间上分离的场所。 前者可能为用户提供非常直接且容易集成的反馈 - 但是，如果设计不好，它也会掩盖用户对系统的感知，引起他的注意，并且
I
打乱他预期的控制行动。
- 作者是加拿大不列颠哥伦比亚大学计算机科学系2366 Main Mall，温哥华，加拿大V6T 1Z4。
电子邮件： bacforsyth@gmail.com， maclean@cs.ubc.ca。
手稿于2004年12月8日收到; 2005年3月16日修订; 5月27日接受
2005; 在线发表于2005年11月9日。
有关获取本文重印的信息，请发送电子邮件至： tvcg@computer.org， 并参考IEEECS日志编号TVCGSI-0239-1204。
我们自己和其他人的初步努力使我们相信，为了使叠加的触觉指导既有用又有帮助，必须逐渐而不是突然地引入强制线索，特别是对于紧密耦合，低反应时间的应用，并且必须避免易发生振荡的结构。 总之，需要一种指导方法来支持用户和智能系统之间的透明通信：它必须提供动作建议，而不需要注意或认知努力，同时仍然允许用户保持绝对控制。
这里报告的工作的目标是更好地理解用户动作的成功触觉诱惑的基础，同时关注性能和用户偏好。 我们专注于如何最好地利用叠加触觉反馈来提示，而不是指示从智能系统信息中导出的动态动作。 具体而言，我们描述了一种预测性触觉指导方法，该方法被设计为对我们对其他方法的可用性问题的观察的响应，并且将其与通常使用的潜在的场/类似弹簧的指导方法以及在驾驶中的基线“无指导”键入任务。
在本文的其余部分，我们评论相关的工作以及我们的方法如何构建它，然后定义我们的新预测方法和我们比较的方法。 我们在一个典型的动态用户控制任务中呈现和描述用户评估这些方法的客观和主观结果，其中主体使用1-DoF触觉界面沿着路径导航车辆。 最后，我们总结了对覆盖触觉指导的见解。
- 相关工作
我们结合自己的初步努力回顾过去的工作表明，尽管在某些情况下有效，
1077-2626/06/$20.00 copy; 2006 IEEE 由IEEE计算机协会出版
在以前大多数关于触觉指导的工作中使用的潜在的场和相关的弹簧阻尼器方法可能是可用性问题的来源，在高带宽和更复杂的控制应用中会对性能产生不利影响。 此外，除了非常简单的任务之外，可用性问题（用户偏好以及性能）还没有像算法开发那么谨慎。
历史上，力量反馈一直被用来帮助用户执行交互式任务; 例如，Adelstein和Rosen在20世纪90年代早期设计了一种触觉式操纵杆，通过调节动态耦合来支持具有生理性震颤的用户的意图运动[1]。 此后不久，罗森伯格将“虚拟装置”定义为叠加在渲染环境上的力量，以帮助引导用户的运动[2]。 此后，触觉反馈已用于增强许多任务中的交互，包括手术，身体姿势的学习，驾驶和动画。
成功案例
在一些情况下，研究人员已经发现，覆盖触觉指导具有明显的性能和可用性优势。 Teo等人。 使用6-DoF触觉界面教授中文手写[3]。 他们将界面的提示实际上附加（阻尼弹簧）记录教师的轨迹（时空约束）或记录路径（仅限空间的约束）。 他们报告说，没有时间约束的空间路径约束“适合用户”，并导致性能提高，特别是对于初学者。 Feygin等人 使用Phantom1以抽象感觉运动技能训练用户：追踪并回顾复杂三维轨迹上某一点的时空运动[5]。 他们利用三种呈现方法（触觉，视觉和触觉 视觉），以与Teo等人相似的方式产生触觉内容，以及两种回忆方法：纯粹运动学与动觉加上视觉指导（没有提供指导力） 。 他们的结论是，触觉指导可以有益于表现，特别是在训练任务的时间方面时，但是当训练和回忆之间的感觉模式改变时，他们的结果也表明潜在的干扰，并且他们评论了当触觉引导时突然撤回触觉指导的危险
用户在训练期间已经变得依赖它。
Okamura等人的工作成功地使用了触觉路径指导，目的是为显微手术应用提供帮助[6]，[7]。 它们的机制通过使得平行于路径的运动比在垂直方向上更容易地沿着路径引导用户，并且在显微外科工作中具有良好的可用性特性。 然而，因为它要求力显示至少与约束一样多的DoF，所以在“欠驱动”系统中提供指导是不适当的，该系统具有比可用的更多的DoF或者可控制的人工管理 - 例如动画化关节数字或使用1-DoF轮通过控制航向来控制2-DoF中的位置。
Steele和Gillespie研究了车辆共享控制中的触觉指导及其对视觉和认知负荷的影响，这在明显的低带宽任务中是如此[8]。
-
-
- Phantom是一种商用触觉接口，具有三个激励和六个感应自由度（DoF）[4]。
-
他们要求用户沿着直线的障碍路径行驶，同时提供引导车辆朝向路径中心的触觉反馈。 指示用户避开障碍物并留在路径的中心; 根据用户需求显示路径和障碍物。 与没有指导相比，触觉指引显着降低了视觉需求和侧向偏差。 在第二个实验中，受试者额外受到认知负荷; 在负载任务中的统一性能表明触觉指导不影响受试者的整体认知努力。 因此，对于非常简单且可能低带宽路径跟踪任务的客观测量，这些实验表明，触觉指导有助于用户沿着路径而不会影响认知负荷。
前面的所有例子都集中在本质上很慢的空间运动上。 另外，训练实例是重复的，并且具有特定的期望空间结果，而不是用户必须操纵的一组可能的轨迹。 在这些情况下，一个简单的阻尼弹簧模型似乎是有益的。
最后，Donald和Henle使用触觉指导实时与人体动作图形的动作捕捉数据进行交互[9]。 他们在3-DoF触觉工作区和运动捕捉数据的57-DoF配置之间创建了双向传输功能。 其结果是一个3DoF“力量河”，界面尖端用一个虚拟阻尼弹簧沿着这个“河流”。 通过向末端执行器提供力，用户可以改变关节形状的配置。 作者没有报告任何对性能或可用性的评估。 这项工作通过使用有趣的双向指导隐喻进入复杂（这里是高维）系统的触觉交互领域。 这是我们看到我们的指导方法最终提供益处的领域之一，但这不是当前工作的重点。
非突发性指导的教训
对于实时指导主体的一些重要贡献发生在非交互式（例如自主）或使用其他传感器模式用于用户反馈的环境中。
Rossetter等人 已经广泛研究了针对自主应用的车辆转向控制[10,11,12]。 他们的重点是使用潜在的现场方法和前瞻预测器的车道保持指导以及这种指导方法的安全性和稳定性问题; 它包括一个复杂的车辆模型和正式的稳定性分析。 这项工作在这里很重要，因为它解决了更高带宽的控制问题，但它不考虑用户输入。 Rossetter确实承认用户与制导系统的互动是一个需要注意的重要问题[12]。
雷诺兹提出了自主车辆的预测性制导方法，这是我们自己的先行指导的灵感[13]。 他使用基于车辆速度的简单线性预测器来预测未来车辆是否将在路上开或关; 如果关闭，则调整车辆的路线以试图留在路上。 作为他的转向行为的测试平台，雷诺兹还开发了一个软件工具包OpenSteer [14]，我们用它作为基础
我们的仿真软件。 他的研究结果表明，对于一个自治系统而言，这种预见性方法提高了系统性能，这与我们假设它能够帮助人们的原因相同，因为在正确提示时：系统有更多时间为控制行为做准备并可以调整其过程平稳并且没有由过分突然的命令触发的不稳定振荡。
最后，冯等人。 开发了一种非触觉式但视觉上交互式的路径引导系统，同样使用了先行算法[15]。 他们使用比雷诺更复杂的算法来预测未来的车辆位置并以视觉方式显示它; 然而，他们不评估这种援助对用户驾驶表现的影响。
总而言之，这些例子中没有一个以任何形式提供先行算法益处的实验证据，但它们表明了它的承诺。
-
- 快速，复杂系统的触觉指导虽然我们并未意识到在涉及复杂，欠驱动和/或复杂系统的系统上覆盖智能线索的其他努力
高带宽运动，我们集团的一些早期尝试
说明一些固有的挑战。
在最初未发表的努力中，我们使用力反馈来显示由Kalisiak和van de Panne [16]开发的智能系统计算的车辆转向角约束。 最直接的解决方案，其产生的力量，推动幻影的手柄远离约束，导致可用性差：振荡是由引导力量引起的突然冲动应用避免一个约束将启动末端执行器对另一个约束。 这种情况并没有通过将力量早些时候作为附着在墙上的弹簧元件而加以改善，而仅仅通过弹簧的轻微减震来缓解。 进一步的阻尼对环境的感觉产生不利影响。 我们还发现，用户倾向于反应性地对抗突发的指导力量，从而降低其效力。
相反，用户能够从后续的方案中获益，该方案将简单的阻尼弹簧触觉反馈整合到纵向高速驾驶控制系统（加速器踏板）中，以传送与领先汽车之间的距离[17]。 我们相信这部分是因为提示算法是基于更渐进的，有时甚至是不明显的力量引入。 此外，因为约束是单向的，所以不会引入振荡。
这些实验告诉我们，对于足够简单的问题（例如纵向车辆控制），直接阻尼的弹簧可能会有所帮助 - 因此几乎肯定是首选解决方案。 但是，当上下文具有高度动态性，有多个约束条件和/或欠驱动时，需要更复杂的工具。
- 指导系统设计
在本节中，我们将描述我们的一般设计方法，以及指导方法开发中使用的车辆模型
图1.模拟软件提供的高可见性条件下的视图（由主题颜色查看）。 红色的三角形代表车辆; 路径是绿色的。
- 潜在的现场方法（第3.3.2节），用于表示第2节中引用的最新技术。
- 一种新的预测方法（第3.3.3节），通过更早引入引导力并因此（我们推理）更加流畅地解决高带宽可用性问题。
系统设计与模型选择的探讨
我们需要一个支持用户和智能系统之间透明，双向通信的指导系统。 我们的前提是，制定用户与指导力量的互动必须成为设计过程的组成部分。
因为我们的目标是基本的可用性挑战
在为高度交互式任务提供触觉指导时，我们选择了一个简单的模型和1-DoF控制器，并结合了可调节挑战的通用低DOF高动态范围控制任务：在一个简单的驾驶场景中，将车辆保持在路径内。 该测试平台避免了引导算法与精细系统模型的细节或学习复杂控制的难度之间的混淆。 此外，转向（1-DoF，欠驱动）任务构成了我们预见到预测方法适用性的可能空间的重要子集。 虽然需要进一步研究以确定这里收集的见解如何适用于较高DoF系统，但这似乎是最好的开始。
仿真环境与车辆模型
我们的实验环境需要模拟器引擎，车辆和路径的图形显示，引导模型的实现以及低级触觉界面控制。 我们的基于OpenSteer [14]的仿真更新频率为60 Hz，并显示了车辆的俯视图和一个单位宽的路径（图1）。
OpenSteer仅支持自主驾驶行为，因此我们开发了自己的用户可控车辆模型（图2）。 方向盘的角度，，6。 ，通过0frac14;0：7,6操纵三轮车的前轮0. . 通过轴距#39;，这定义了车辆转弯半径，r：
和评估。 我们设计了两个引导算法
lsquo;
tan 0
(r frac14; 全文共17609字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16398]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
