Facebook分享AR/VR腕戴交互中量化手腕通信带宽的测试分析框架
主要介绍了用于量化手腕通信带宽的测试和分析框架。
（映维网 2021年07月28日）智能手表等腕带产品正变得越来越流行。这种设备通常利用触觉反馈来提供简单的通知，但研究表明，手腕有能力传达关于语言和社交接触等更为丰富的反馈。致动器能够通过简单的信号变化向用户传输更多的信息。给定特定类型的致动器，单个致动器具有可用于通信的信号变化，例如手腕的不同位置以及所显示信号的幅度、频率、调制和持续时间。在名为《Learning Vibes: Communication Bandwidth of a Single Wrist-Worn Vibrotactile Actuator》的论文中，斯坦福大学和Facebook Reality Labs的研究人员探讨了用户如何学习和识别讯号参数的变化，以及在解码手腕上的触觉反馈时，特定讯号的变化是否对用户更为显著。
社区关于腕带触觉进行了大量的研究，但关于通信带宽的大多数知识是在特定的应用和方法中交织在一起。通常，对这个领域的探索是采用自上而下的策略完成，并考虑最终的应用程序，然后从中选择机械设计和触觉反馈。所以，大多数研究涉及所述信号变化中的一种（如频率、幅度、调制），但仅在特定范围内。尽管这是测试和开发单一触觉设备的有效策略，但第三方利用所述信息更为困难。
为了解决有关用户交互中的触觉附加值问题，团队利用信息传递的理论框架来帮助捕捉触觉反馈的认知和感知后果，并确定其容量（与特定硬件和应用限制无关）。这样一个框架可以为设计者提供知识，帮助其直接将其应用到新的设计中，而不是为每个新项目从零开始进行昂贵的用户测试。
在这项论文中，团队按照刺激频率、振幅和调制的函数测量了手腕的振动旋转通信带宽。在初步研究中，研究人员确定了当信号在三个信号维度中的一个维度上发生变化时的信息传递，并确定了每个参数维度最明显的特征。这导致了一组8个不同的触觉信号有待进一步研究。在主要的实验中，团队测试了八名被试者以判断：（i）这8种触觉信号是否足够直观，容易被用户识别；（ii）是否可以通过学习来提高识别表现；以及（iii）当在手腕的第二个位置呈现时，是否可以识别学习的触觉信号。
团队开发了一个包含六个VCM（音圈马达）的定制腕带，所述元件径向环绕手腕布置，并封装在一个灵活的3D打印腕带中以适应不同的手腕尺寸。
VCM的信号参数在一系列Processing脚本中得到控制。所述脚本通过包含Max MSP patch的用户数据报协议（UDP）进行通信。然后，patch将信号输出到音频接口，而音频接口通过Syntacts放大器接到腕带以驱动VCM。在软件中，每个信号输出都限制在已知的安全范围内运行，硬件设置则接到一个单独的电源板，以便紧急关闭。在研究中，团队只激活了两个VCM：一个在中央手背侧，另一个在中央手掌侧。
在初步研究中，研究人员计算了三个信号参数（频率、振幅和正弦波形的调制）中的每一个在腕背的信息传递。另外两个参数要么固定，要么随机变化。表1显示了主要信号参数、随机参数刺激和每个测试阶段收集的试验总数的总结。初步研究的结果得出了每对刺激方案之间的知觉距离和沿测试维度的触觉信号的显著参数指示。
两名被试而参加了初步研究。两人都是右撇子，有开发各种触觉反馈技术的经验。在研究之前，在所有五个测试频率下估计每名被试的粗略检测阈值水平，并在整个实验过程中将其用于补偿每个频率下灵敏度水平（SL）的变化。被试将腕带戴在左臂，测试每个信号，熟悉刺激集并调整腕带以获得舒适感。
在每个测试环节中，被试熟悉UI，并测试信号以获得对值范围的一般理解，但没有完成正式训练。一旦感到舒服，被试就开始学习。在每一次试验中，在触觉间隔开始之前都有一个简短的音频音调。在每个试验中随机选择主要参数。在触觉间隔之后，被试通过在UI选择相应的选项来记录反应。在频率识别任务中，为每个信号随机选择两个振幅（15和25 dB SL）和三个持续时间（100、250、500 ms），并为被试提供5个响应选项。对于振幅识别任务，团队提出了七个测试刺激，并为两个测试频率中的每一个提供了七个相应的反应选择。每个刺激的持续时间设置为250ms。对于调制识别任务，研究人员用三个随机载波频率（45、80、140hz）测试三个测试调制（无、5hz和25hz调制）。振幅和持续时间分别设置为25 dB SL和250毫秒。为了解变量是如何影响主要参数的，同时缩短实验时间以减少被试的疲劳感，团队加入了随机参数。在每次试验中，被试需要报告主要参数的值，而不考虑随机参数的值。试验分为20个试验区，被试根据需要在两个试验区之间休息。被试在一天内完成了每一次对比测试。
根据表2，被试在完成学习阶段后能够更好地识别触觉信号。
这种方法显示了从利用信息传输的信号变化中探究手腕的通信带宽的潜力。通过这项研究，被试能够学习触觉信号（专家用户则从一开始就理解所述信号）。研究同时表明，信息可以在某种程度上转移到手腕一个未经训练的次要位置，但有一定的影响。当识别表现因信号而异时，高幅度、无调制的高频信号的识别精度最高。尽管如此，通过非常有限的训练，一个振动旋转致动器能够传达至少5个不同的信号或大约2.28位的信息。
研究人员指出，要在用户应用中充分应用所述概念，其需要解决更多的问题。这项研究允许被试完全专注于识别所呈现信号的任务，但实际上，用户正以多种方式从不同的位置接收信息。尽管能够报告用户可以学习多少信号变化，但一旦用户处于更复杂和分散注意力的情况下，团队无法评论可能会发生什么变化。
另外，团队有机会探索多致动器反馈。在这项研究中，研究人员只使用了六个致动器中的两个。使用相同的信息传递概念，团队可以确定一个上限的数量。这同时打开了探索感官错觉和运动模式的大门，而不仅仅是一次一个振动。这种类型的模式将增加范围的感觉，并可能抵消更多致动器的额外成本。最后，未来的研究可以将这里获得的通信带宽相关知识应用到专门的用例中。
相关论文：Learning Vibes: Communication Bandwidth of a Single Wrist-Worn Vibrotactile Actuator
总的来说，这篇论文主要介绍了用于量化手腕通信带宽的测试和分析框架，集中于评估手腕的通信能力以及它如何改善日常交互和任务。针对所述问题，研究人员使用信息传递作为一个度量来探索单个振动旋转致动器内信号变化的空间，例如频率、振幅和调制。团队使用显著的触觉线索进行了一项用户研究，以确定用户在没有对手腕背侧进行训练的情况下识别它们的能力；是否能够通过训练更好地解释它们；以及所述知识是否能够转移到第二个未经训练的位置（手腕掌侧）。结果表明，用户至少能够解释8种线索变化中的5种，并且通过训练能够更好地识别振动旋转信号。
