北达科他大学团队开发基于机器学习的VR晕动症动态缓解系统
通过动态、实时的调整来减轻沉浸式环境中的晕动症
（映维网Nweon 2025年06月05日）缓解或消除晕动症是XR行业的一个关键课题。在一项研究中，美国北达科他大学团队提出了一种新的自适应虚拟现实系统，并旨在通过动态、实时的调整来减轻沉浸式环境中的晕动症。
系统使用基于头部追踪和运动学数据训练的机器学习模型来实时预测晕动症的程度。自适应系统然后调整注视点渲染（FFR）强度和视场以提高用户的舒适度。团队的目标是平衡可用性和系统性能，并相信这个方法将优化用户体验和性能。
虚拟现实正在成为一项改变数字环境中用户交互的尖端技术。有研究表明，虚拟现实的采用率显著上升，预计到2030年将达到15%。然而，晕动症是首次用户的常见体验，相关症状包括恶心、头晕、定向障碍和头痛。
它会严重影响用户体验，限制VR技术的采用。所以，减轻晕动症影响对于更具包容性的VR体验而言至关重要。多年来，人们提出了各种方法来减轻VR中的晕动症。各种相互关联的方法已协同使用，以提高用户舒适度和延长虚拟现实使用的持续时间。
有的解决方案侧重于通过高刷新率、最小的运动-光子延迟和视场限制来优化VR显示。其他方法则使用来自内置或外部传感器的实时数据，并进行实时计算和响应，以提供更个性化的用户体验。
注视点渲染（FFR）、动态视场调整和使用自适应方法通过为个人用户量身定制缓解晕动症提供了显著的好处。然而，目前的缓解技术不能不断适应个人用户反应的变化或不断变化的虚拟现实动态。
利用实时数据（如头部旨在、生理反馈或运动学指标）的自适应系统可以根据用户晕动症程度的即时反馈进行有针对性的调整。另外，实时反馈回路允许系统能够平衡舒适性和性能，优化VR参数，而不会影响沉浸感或产生延迟问题。
缺乏能够在不依赖额外硬件的情况下实时预测和缓解晕动症的自适应VR系统是一个重大挑战。然而，一个可以利用VR头戴设备的现成数据（如头部追踪和运动学数据）来预测晕动症的可能性并动态调整VR参数的系统的潜在影响是深远的。一旦开发出来，将能通过提供个性化的缓解策略来解决当前方法的局限性，在不影响沉浸感或系统性能的情况下提高用户舒适度。
在一项研究中，北达科他大学团队开发了一个动态系统，使用机器学习模型来预测基于连续实时数据的晕动症可能性，并且实现了一个自适应系统来根据用户当前的症状和系统性能对FFR强度和视场进行动态实时调整。
团队预计这种方法可以减少与VR渲染相关的计算负荷，同时通过先发制人地调整潜在的不适来增强用户体验。这样一个强大的自适应系统可以适应各种VR场景和用户配置，通过考虑不同用户对晕动症的敏感性，确保可扩展性和包容性。
研究人员的主要目标是通过基于实时晕动症预测动态调整系统参数来优化VR用户体验。系统采用随机森林（RF）机器学习模型进行预测，并通过焦点渲染和视场调整来适应VR环境。他们使用了具有72 Hz刷新率的Quest 2 VR头显和配备NVIDIA 4090 GPU， Intel Core i9 CPU和32 GB RAM的高性能笔记本电脑。
VR场景是在Unity引擎2022LTS中开发的，Unity中的自定义c#脚本处理通信和数据采集，并通过异步方法进行数据流以防止渲染延迟。随机森林模型针对Unity优化为onnx格式，确保兼容性和高效的资源管理。
系统设计动态调整系统的结构与现有的VR设置无缝集成，在不影响系统性能的情况下提供实时适应性。系统架构由三个主要组件组成：
-
数据采集模块：收集VR头显传感器的实时头部追踪数据（HTD）。
-
晕动症预测模块：利用机器学习模型，根据处理后的HTD预测晕动症可能性。
-
自适应调整和性能模块：实现基于预测的注视点渲染和视场调整，以减轻晕动症。它同时监视系统指标，以确保调整不会对性能产生不利影响。
利用随机森林回归器，为预测晕动症而开发的机器学习模型显示出高水平的预测准确性（R²= 0.9742）。然而，将模型集成到更广泛的自适应模块中依然是一项正在进行的工作。
相关论文：Dynamic Cybersickness Mitigation via Adaptive FFR and FoV adjustments
总的来说，研究引入了一种新的自适应系统，利用机器学习在VR环境中进行实时晕动症预测。预测后，动态调整视场和注视点渲染（FFR）。随机森林回归模型显示出卓越的预测精度，证实了在VR场景中实时预测和干预的可行性。不过，尽管这种方法非常有前途，但测试系统是必要的。随着虚拟现实技术的普及，自适应系统将提高可用性和可访问性，使所有用户的虚拟现实体验更具包容性和乐趣。
