1. 论文基本信息

1.1. 标题

Toward Full-Immersive Multiuser Virtual Reality With Redirected Walking (迈向全沉浸式多用户虚拟现实与重定向行走)

1.2. 作者

THOMAS VAN ONSEM, JAKOB STRUYE (IEEE 研究生会员), XAVIER COSTA PEREZ, JEROEN FAMAEY, AND FILIP LEMIC

1.3. 作者机构

• THOMAS VAN ONSEM: 比利时安特卫普大学软件工程硕士学位学生；Exellys 技术顾问。
• JAKOB STRUYE: 比利时安特卫普大学和 imec 互联网与数据实验室 (IDLab) 无线网络领域的博士研究员。
• XAVIER COSTA PEREZ: ICREA 研究教授；i2cat 基金会科学主任；NEC 欧洲实验室 6G 网络研发负责人。
• JEROEN FAMAEY: 比利时安特卫普大学和 imec 互联网与数据实验室 (IDLab) 研究教授。
• FILIP LEMIC: i2Cat 基金会高级研究员；曾是安特卫普大学和加泰罗尼亚理工大学玛丽·居里博士后研究员；曾是 imec 高级研究员。

1.4. 发表期刊/会议

未明确提及，但从 IEEE 成员身份和出版结构来看，推测为 IEEE 期刊或会议。根据提供的上下文，该论文于 2023 年 1 月 1 日发布。

1.5. 发表年份

2023

1.6. 摘要

随着虚拟现实 (VR) 技术普及，当前研究侧重于提升虚拟环境 (VEs) 中用户的持续全沉浸感和支持多用户体验。为实现完全沉浸感，常需模拟用户在无限虚拟空间中自然行走的感知。重定向行走 (Redirected Walking, RDW) 算法利用人类空间感知的局限性，通过不易察觉的方式引导 VR 用户在有限的追踪空间内移动。尽管 RDW 领域已有显著研究，但对 RDW 算法的性能评估（尤其是在多用户设置和使用当代头戴式显示器 (HMDs) 的情况下）的实验验证仍然不足。为解决此问题，本文开发了一个模块化框架，便于在不同追踪空间和 VE 中进行单用户和多用户 RDW 实验。通过一项广泛的实验研究，该框架展示了其能力，评估了在不同用户数量、追踪空间和 VE 条件下，一种当代 RDW 算法的性能和可察觉性。研究中获得的经验被概念化为一系列 RDW 设计增强方案，可通用应用于现有 RDW 算法。结果表明，所提出的增强方案显著提高了 RDW 的整体性能，并降低了 RDW 支持的 VE 体验中的可察觉性。

1.7. 原文链接

/files/papers/6942ae48ebe97c515a7cd785/paper.pdf (发布状态: 未知，根据上下文推测为已发表)

2. 整体概括

2.1. 研究背景与动机

2.1.1. 核心问题

论文旨在解决在虚拟现实 (VR) 中实现持续的全沉浸式 (Full-Immersive) 多用户体验的核心挑战，特别是如何在有限的物理追踪空间 (Physical Tracking Space) 内，让用户感知到在无限虚拟环境 (Virtual Environments, VEs) 中自然行走。

2.1.2. 问题的重要性与现有挑战

VR 技术市场价值巨大且持续增长，已在娱乐、医疗和教育等多个领域得到应用。然而，其成熟度仍需提升。实现 VR 的全沉浸感，尤其是模拟自然行走，是关键一环。

• 硬件解决方案的局限性: 跑步机和脚踏平台等硬件解决方案成本高、易引起运动眩晕 (motion sickness)，且便携性差，未能广泛应用。
• 传统 HMD 的限制:
  • 3 自由度 (Degrees of Freedom, 3DoF) HMD 仅跟踪旋转运动，无法提供平移感知。
  • 有线 6 自由度 (6DoF) HMD 虽然支持平移和旋转跟踪，但线缆限制了移动范围，且存在绊倒风险，降低了沉浸感。背负式电脑解决方案笨重且仍有线缆。
• 多用户体验的挑战: 缺乏针对多用户体验的开源支持，在共享物理追踪空间中实现连续、无边界的沉浸感，同时避免用户间、用户与障碍物、用户与环境边界的碰撞，是一个复杂问题。
• RDW 算法评估不足: 尽管 重定向行走 (Redirected Walking, RDW) 算法利用人类空间感知的局限性，通过不易察觉的视觉引导来解决物理空间限制问题，但现有研究对 RDW 算法的实验评估 (experimental evaluations)，尤其是在多用户设置 (multiuser settings) 和使用当代头戴式显示器 (Head-Mounted Devices, HMDs) 的情况下，仍然不足。

2.1.3. 本文的切入点与创新思路

本文通过开发一个模块化框架 (modular framework) 来解决上述评估不足的问题，该框架支持在不同追踪空间、不同 VE 和不同用户数量下，对单用户和多用户 RDW 进行实验。作者利用此框架对一种当代 RDW 算法（人工势场 (Artificial Potential Fields, APF)）进行了广泛的实验研究，并基于实验结果提出了一系列通用 RDW 设计增强方案 (generic RDW design enhancements)。

2.2. 核心贡献/主要发现

• 开发模块化 RDW 实验框架: 提出了一个支持单用户和多用户 RDW 实验的模块化框架，适用于不同追踪空间、VE 和 RDW 算法，并已开源。这是现有开源框架在多用户、6DoF 无线 HMD 场景下支持不足的空白。
• 提出通用 RDW 设计增强方案: 基于实际实验和观察，开发了一系列可通用应用于现有 RDW 算法的设计增强方案，包括：
  • 延迟感知 RDW (Latency-Aware RDW): 考虑 HMD 与中央实体通信的延迟，通过位置外推 (extrapolation) 预测用户实际位置。
  • 减轻漂移和头部旋转 (Mitigating Drifts and Head Rotations): 通过设定漂移阈值 (drifting threshold) 过滤 HMD 传感器噪声引起的微小位置变化，避免不必要的 RDW 反应。
  • 减少振荡和边界反弹 (Reducing Oscillations and Border Bounces): 针对 RDW 算法可能产生的交替正负旋转导致的 VE 振荡行为，以及多用户场景下靠近边界时触发连续重置的“弹跳”问题，提出了历史旋转数据平均和重置后的冷却计时器 (cool-down timer) 机制。
• 广泛的实验评估: 使用开发的框架，对改进前后的 APF 算法在不同环境尺寸 ($5 \times 5$ m, $10 \times 10$ m, $15 \times 15$ m)、两种 VE 类型（straight path 直线路径和 random path 随机路径）以及单用户和双用户场景下的性能和可察觉性进行了全面评估。
• 验证增强方案的有效性: 实验结果表明，所提出的增强方案显著提高了 RDW 的客观性能（减少重置次数，增加重置间距）和主观用户体验（降低可察觉性和恶心感）。例如，在 $15 \times 15$ m 的环境中，改进方案将双用户系统的重置次数从 50 多次减少到约 20 次。
• 洞察 RDW 性能影响因素: 研究发现，RDW 性能和用户体验受追踪空间大小和 VE 类型的影响比引入新用户更大。较小的环境（如 $5 \times 5$ m）即便有改进，仍不适合舒适的多用户体验。

3. 预备知识与相关工作

3.1. 基础概念

3.1.1. 虚拟现实 (Virtual Reality, VR)

一种沉浸式技术，通过头戴式显示器 (HMD) 等设备，将用户置于一个人工创建的、模拟真实或虚构世界的虚拟环境 (Virtual Environments, VEs) 中，并提供视听等感官反馈，使用户产生身临其境的体验。

3.1.2. 头戴式显示器 (Head-Mounted Devices, HMDs)

戴在用户头部、覆盖眼睛的显示设备，用于呈现虚拟图像。

• 3 自由度 (3DoF): 仅跟踪头部的旋转运动（俯仰、偏航、翻滚），用户可以看向不同的方向，但不能在物理空间中移动。
• 6 自由度 (6DoF): 跟踪头部的旋转和平移运动（上下、前后、左右），使用户能够在物理空间中行走和移动，并在虚拟环境中得到相应的反映，提供更强的沉浸感。本文主要关注非系留无线 6DoF HMDs (6DoF non-tethered wireless HMDs)，如 Meta Quest 2。

3.1.3. 虚拟环境 (Virtual Environments, VEs)

由计算机生成的、可供用户与之交互的模拟空间。在本文语境中，VEs 通常是无限或远大于物理追踪空间的设计。

3.1.4. 全沉浸感 (Full-Immersiveness)

指 VR 体验的最高境界，用户在 VE 中感觉完全身临其境，其感官输入被 VE 完全取代，且其在 VE 中的行动与物理世界的行动自然匹配，无割裂感。

3.1.5. 重定向行走 (Redirected Walking, RDW)

一种利用人类空间感知局限性的技术。通过对虚拟场景进行微小、不易察觉的调整（如旋转虚拟世界、改变移动速度），引导用户在有限的物理追踪空间内，却能感受到自己在无限的虚拟环境中持续行走，从而避免与物理边界或障碍物碰撞。其核心是视觉主导 (vision usually dominates) 其他感官（如本体感受 (proprioception) 和前庭感受 (vestibular sensation)），使得用户在视觉提示下无意识地调整物理行走路径。

RDW 的重定向技术主要通过以下增益 (gains) 实现：

• 曲率增益 (Curvature Gains): 旋转虚拟场景，使用户在物理上行走直线时，在虚拟中感觉自己在拐弯。
• 平移增益 (Translational Gains): 修改用户在 VE 中的线性移动，使物理上行走的距离与虚拟中感知的距离不符。
• 旋转增益 (Rotational Gains): 在用户旋转时引入额外的旋转，使其在物理上旋转的角度与虚拟中感知的角度不符。

3.1.6. 重置 (Reset)

当 RDW 算法无法再通过不易察觉的重定向来避免碰撞（与物理边界、障碍物或其他人）时，会触发一个明显的动作来引导用户回到安全区域。这通常表现为虚拟世界暂停、显示停止标志，然后虚拟世界旋转，引导用户朝特定方向物理转身。重置会暂时打破沉浸感。

3.2. 前人工作

3.2.1. 重定向行走算法分类

RDW 算法通常根据其决策依据分为几类：

• 脚本式 RDW (Scripted RDW): 算法完全了解用户的虚拟路径，预先优化重定向。
• 预测式 RDW (Predictive RDW): 利用用户在追踪空间中的当前位置和在 VE 中的潜在行走轨迹来选择转向方向。
• 反应式 RDW (Reactive RDW): 依据用户在 VE 中的当前和过去物理位置及转向方向来调整重定向。本文使用的 APF (Artificial Potential Fields) 算法属于此类。

3.2.2. 经典的“转向”算法 (Steer-to algorithms)

由 Razzaque [13] 提出，是 RDW 的基本形式，旨在将用户引导至追踪空间中的特定目标。

• 转向中心 (Steer-To-Center, S2C): 算法尝试将用户引导至追踪空间的中心，因为该区域通常离墙壁和障碍物最远，未来碰撞的可能性最小。
• 转向轨道 (Steer-To-Orbit, S2O): 算法尝试将用户引导至绕追踪空间中心的一个轨道上。
• 转向多目标 (Steer-To-Multiple-Targets, S2MT): 算法尝试按顺序将用户引导至多个目标。 这些算法最初主要利用用户的物理位置和转向方向作为上下文信息，假设无碰撞环境，且不适用于没有明显中心（特别是凹形）和障碍物的追踪空间。后续研究对其进行了改进，以提升重定向角度选择、减少可感知重置次数和支持多用户。

3.2.3. 基于强化学习的转向算法 (Steering algorithm learned via Reinforcement Learning, SRL)

Strauss 等人 [23] 提出，通过强化学习训练代理与追踪空间交互，以最大化两次连续碰撞之间行进的虚拟距离，同时不易察觉地调整用户路径。该方法虽然有前景，但需要大量数据进行训练，且不支持多用户转向。

3.2.4. 人工势场 (Artificial Potential Fields, APF)

APF [7] 是一种 RDW 方法，其核心思想是将用户从追踪空间中的所有障碍物排斥开来，并“推”向开放空间。它通过生成一个力向量来实现，该向量方向与障碍物相反，大小与用户到障碍物的距离成反比。通过对所有个体力向量求和，得到一个指向开放空间的总力向量，从而确定转向方向。

• 优点: 计算复杂度低，无需预测碰撞；可以有效利用整个追踪区域，适用于没有明显中心且包含障碍物的追踪空间；支持多用户（其他用户可视为移动障碍物）。
• 不足: 如果追踪空间存在“瓶颈”（如由门连接的不同房间），APF 可能会因势场过高而难以引导用户通过。
• 性能: 相较于 S2C (单用户)，APF 可将重置间的平均距离增加 86%，重置次数减少 64%，显著提升沉浸感、减少眩晕感。

3.2.5. APF 重置算法 (Artificial Potential Fields - Resetting, APF-R)

当碰撞不可避免时，APF-R 算法被触发。它利用 APF 计算出的总力向量来确定用户需要物理转向的角度。为了最小化沉浸感中断，使用 2:1 转弯的曲率增益 (curvature gain) 方法：用户在 VE 中旋转 $360^\circ$ 时，物理上只转动一个较小的计算角度，从而将用户物理上引导到安全区域，同时虚拟方向保持不变 [26]。

3.3. 技术演进

RDW 技术从早期的基本“转向”算法（如 S2C）开始，这些算法主要关注可行性，并假设简单的环境和上下文信息。随着 HMD 技术的进步，尤其是 6DoF 无线 HMD 的出现，对 RDW 算法的需求也发生了变化。现代 HMD 能够提供更丰富的上下文数据（位置、方向、速度），并且支持更复杂的 VE 和多用户场景。因此，RDW 算法也从简单的规则转向更复杂的机制，如利用势场（APF）或机器学习（SRL）来处理动态、复杂的环境和多用户交互。同时，研究人员也开始关注实际部署中的问题，如延迟、传感器噪声和用户体验。

3.4. 差异化分析

• 现有 RDW 实验的 HMD 限制: 过去 RDW 实验多采用系留式 HMD 或背负式笔记本的 HMD，存在线缆限制、笨重和便携性差的问题，且通常依赖外部红外传感器获取 6DoF 数据。
• 本文的 HMD 优势: 本文采用 Meta Quest 2 等非系留无线 6DoF HMD，具有高刷新率、更强处理能力和内置由内向外追踪 (inside-out tracking) 能力。这消除了线缆，减少了笨重性，并利用 HMD 自身传感器提供上下文数据，无需外部传感器，从而实现了更高程度的现实性 (higher degree of realism) 和增强的沉浸感 (enhanced immersiveness)。
• 多用户场景关注: 多数现有研究集中于单用户系统，而本文则报告了多用户场景 (multiuser scenarios) 下的 RDW 性能和用户体验，填补了这一空白。
• 框架与通用增强: 本文开发了一个模块化框架，并提出了通用的 RDW 设计增强方案，旨在解决现有算法在实际应用中的延迟、漂移、振荡和边界反弹等问题，这些改进可以直接应用于各种现有 RDW 算法，而不仅仅是 APF。

4. 方法论

本研究的核心方法论围绕一个为评估 RDW 算法而开发的模块化框架 (modular framework)，以及基于实验观察提出的一系列通用 RDW 设计增强方案 (generic RDW design enhancements)。这些增强方案旨在解决无线 HMDs 在实际应用中面临的延迟、传感器噪声和算法行为问题。

4.1. 方法原理

所提出的设计增强方案的核心思想是，通过预处理 (pre-processing) HMD 原始输入数据或后处理 (post-processing) RDW 算法的输出建议，从而在不修改底层 RDW 算法黑盒的情况下，提升其在真实无线 VR 环境中的性能和用户体验。这些增强方案是通用的，可以应用于任何 RDW 算法。

4.2. 核心方法详解 (逐层深入)

下图（原文 Figure 3）展示了这些 RDW 改进的高层设计：

该图像是图表，展示了增强重定向行走（RDW）算法的高层设计，包括延迟感知、减轻漂移和头部旋转、减少振荡和边界反弹等功能模块。各模块间通过无线连接传输位置信息，优化用户的虚拟现实体验。

FIGURE 3. High-level designs of the RDW improvements.

4.2.1. 延迟感知 RDW (Latency-Aware RDW)

4.2.1.1. 问题背景

无线 HMD 与中央实体之间的通信会引入延迟 (delays)。这意味着当中央实体接收到 HMD 报告的上下文信息（如用户位置）时，该信息已经过时。RDW 算法基于过时信息做出转向建议，会导致性能下降。

4.2.1.2. 解决方案

在改进设计中，考虑了从 HMD 到中央实体的数据传输延迟。通过外推 (extrapolation) 技术，根据 HMD 报告的位置、用户之前的历史位置、估计的延迟以及用户的旋转和速度，预测用户在计算转向建议时的实际位置。

4.2.1.3. 实施细节

• 延迟测量: 实验中测量了 HMD 与中央实体之间的端到端通信延迟。
• 位置外推模块 (LocationExtrapolation module): 在框架中实现为一个模块，可以方便地替换为不同的外推方法（例如，论文中提到使用线性外推 (linear extrapolation) 作为可行性演示）。
• 公式（未明确给出，但可推断其原理）： 假设用户在延迟 $Δt$ 内以平均速度 $\vec{v}$ 和平均角速度 $\omega$ 移动，其当前报告位置为 $\vec{P}_{reported}$，方向为 $\vec{D}_{reported}$。那么在延迟补偿后，用户在计算转向建议时的外推位置 $\vec{P}_{extrapolated}$ 和外推方向 $\vec{D}_{extrapolated}$ 大致可以表示为： $$\vec{P}_{extrapolated} = \vec{P}_{reported} + \vec{v} \cdot \Delta t$$ $$\vec{D}_{extrapolated} = \mathrm{Rotate}(\vec{D}_{reported}, \omega \cdot \Delta t)$$ 其中，$\vec{v}$ 可以根据历史位置数据计算，$\omega$ 根据历史旋转数据计算，$\mathrm{Rotate}(\cdot, \cdot)$ 表示按给定角速度旋转向量。$\Delta t$ 为测量的端到端延迟。

4.2.2. 减轻漂移和头部旋转 (Mitigating Drifts and Head Rotations)

4.2.2.1. 问题背景

HMD 中的加速度计和陀螺仪存在固有的噪声 (noise)，导致定位数据不精确，产生漂移 (drift)。此外，用户头部的微小转动（而非身体移动）也会导致 HMD 位置的微小变化，如果 RDW 算法对此做出反应，将是不必要的。

4.2.2.2. 解决方案

• 漂移阈值 (Drifting Threshold): 设定一个预定义的漂移阈值。当接收到的位置数据变化小于此阈值时，认为这是由传感器噪声或头部微动引起的漂移，而非实际移动，因此该变化将被忽略。
• 设备特定程序: 确定漂移阈值是一个设备特定 (device-specific) 的过程，需要将 HMD 静置并保持水平，记录其位置变化，然后根据这些数据设定阈值。
• 头部旋转的缓解: 与位置漂移类似，当 HMD 接收到位置数据时，会与预设的阈值进行匹配。如果变化很小，则被丢弃；否则，传递给 RDW 算法。

4.2.2.3. 实施细节

• 模块 (cf. Figure 3): 一个独立的模块负责过滤接收到的位置数据。
• 漂移阈值 ($D_{threshold}$): 实验中确定为 5 cm。当位置变化 $||\Delta\vec{P}|| < D_{threshold}$ 时，则忽略该变化。

4.2.3. 减少振荡和边界反弹 (Reducing Oscillations and Border Bounces)

4.2.3.1. 问题背景

• 振荡行为 (Oscillating Behavior): RDW 算法有时会建议小幅度的交替正负旋转，导致 VE 及其对用户移动轨迹的反映出现振荡，影响沉浸感。
• 边界反弹 (Border Bouncing): 在多用户场景中，当两个用户靠近环境边界和彼此时，算法可能会反复触发重置，将用户推向空旷区域，但又立即将其重定向回墙壁，形成“弹跳”模式，导致严重的眩晕和大量可察觉的重置。

4.2.3.2. 解决方案

• 振荡缓解: 维护已发送旋转建议的历史记录。当检测到一系列小幅度的交替正负旋转建议时，对这些交替数据进行平均 (averaged) 处理以消除振荡，然后提供一个平滑的旋转建议。
• 边界反弹缓解: 引入一个冷却计时器 (cool-down timer)，在触发重置后启动。在此期间，用户可以远离墙壁并走向空旷区域，而不会立即再次被重定向，从而最大化可用空间并减少重置次数。

4.2.3.3. 实施细节

• 历史记录管理: 跟踪最近的旋转建议。
• 平均机制: 当检测到振荡模式时，计算一个平均旋转值。
• 冷却计时器 ($T_{cool\_down}$): 实验中设定为 1 秒。一旦触发重置，在 $T_{cool\_down}$ 期间，RDW 算法的即时重定向功能被抑制，允许用户自行移动。
• 公式（未明确给出，但可推断其原理）：
  • 振荡缓解： 如果在时间窗口 $W$ 内，连续 $N$ 个旋转建议 $R_1, R_2, ..., R_N$ 满足 $|R_i| < R_{threshold}$ 且 $R_i \cdot R_{i+1} < 0$ （即方向交替），则新的旋转建议 $R_{smoothed} = \frac{1}{N} \sum_{i=1}^{N} R_i$。
  • 边界反弹： 当触发重置时，设置一个标志 $ResetActive = true$ 并启动计时器。在计时器 $T_{elapsed} < T_{cool\_down}$ 期间，RDW 算法将不会立即发出新的重定向建议，允许用户自行调整位置。

4.2.4. 实验框架设计

论文开发了一个模块化 (modular) C++ 框架，包含三个主要软件组件：RDW 服务器、UDP 支持的通信和基于 Unity 的 HMD。

4.2.4.1. 框架组件

下图（原文 Figure 5）展示了实施过程图和软件/硬件架构：

该图像是图表，展示了实施过程和软件/硬件架构的示意图。图(a)描述了优化RDW和通信参数的步骤，图(b)则表示了RDW服务器与硬件组件之间的关系，图(c)显示了类图结构。

• RDW 服务器: 框架的核心，运行在中央实体（例如笔记本电脑）上。它包含：
  • 监听功能 (Listening Function): 接收来自 HMD 的上下文数据。
  • 数据解析与管理 (Parsing and Managing): 将接收到的数据解析并转换为用于管理不同用户的数据结构。
  • RDW 算法模块 (RDW Algorithm Module): 这是一个可插拔的模块，核心功能是 predictRotation() 函数。
    • predictRotation() 函数接收用户的物理位置、预期虚拟移动轨迹、障碍物和潜在其他用户的位置。
    • 根据这些输入，并考虑旋转和平移运动的可察觉性约束 (noticeability constraints)，它提供一个推荐的旋转角度。
    • 它还用于在即将发生碰撞时触发可观察重置 (observable reset)。
    • 实验者可以通过覆盖此函数来引入新的 RDW 算法。
  • 位置外推模块 (LocationExtrapolation Module): 实现了上述的延迟感知功能，当前使用线性外推，但可根据实验需求替换。
  • 工具模块 (Tools Module): 包含系统工具，用于记录接收和生成的数据，并允许实验者偏移用户位置或反转其方向。
• UDP 支持的通信 (UDP-Supported Communication): 用于 HMD 与 RDW 服务器之间进行无线通信。UDP 因其低延迟特性被选择。
• 基于 Unity 的 HMDs (Unity-based HMDs): HMD 端（Meta Quest 2）运行基于 Unity 开发的 VE。
  • C socket 模块: 利用内置的 C socket 模块，通过 UDP 发送和接收所需数据。
  • Unity 功能: 能够根据接收到的旋转建议旋转 VE。这些功能作为一个可选的 Unity 包提供。

4.2.4.2. 模块化设计理念

框架的模块化设计使得引入新的 RDW 算法无需修改框架本身。例如，论文通过覆盖 predictRotation() 函数来切换改进前后的 APF 实例，并相应地在 LinearExtrapolation 模块中引入通信延迟。

4.2.4.3. 漂移阈值设定

通过让两个 HMD 静置一分钟并测量其报告位置数据的变化来确定设备特定的漂移阈值。

5. 实验设置

5.1. 数据集

本文没有使用传统意义上的“数据集”，而是通过真实用户在物理追踪空间内行走来生成实验数据。

• 虚拟环境 (VEs) 设计: 论文设计了两种无边界的 VE 体验，用于测试 RDW 方法的可察觉性：

  • “直线路径” (straight path) 体验: 用户被指示在 VE 中沿直线路径行走。这被认为是 RDW 算法难以不易察觉地重定向用户的“最坏情况”场景。
  • “随机路径” (random path) 体验: 用户在无边界的 VE 中沿着随机弯曲路径行走。预期 RDW 算法引入的曲率将较不明显。

• 数据特点: 这些体验旨在模拟用户在无限虚拟空间中的行走，同时被限制在物理追踪空间内。用户的位置数据从 HMD 发送到服务器，RDW 算法在受限的物理环境中引导用户以避免碰撞。

  下图（原文 Figure 6）展示了无边界 VE 中的体验：

  该图像是图表，展示了在无界虚拟环境中用户的行走路径。左侧部分 (a) 显示了直线路径，而右侧部分 (b) 展示了随机路径的设计。该图表有助于理解在不同路径设计下的用户体验。

FIGURE 6. Experiences in unbound VEs.

5.2. 评估指标

本文采用客观和主观两类指标来评估 RDW 算法的性能和用户体验。

5.2.1. 算法性能指标

1. 重置次数 (Number of Resets)

   • 概念定义: 在一次实验运行时（例如 5 分钟）内，RDW 算法因无法通过不易察觉的重定向避免碰撞而强制用户暂停并重新调整方向的次数。此指标量化了算法利用可用物理空间的效率和避免用户与物理边界/障碍物碰撞的能力。
   • 数学公式: $N_{resets}$ （该指标为计数，无需复杂公式，直接记录发生次数。）
   • 符号解释: $N_{resets}$ 表示在给定实验中触发重置的总次数。

2. 重置间的平均距离 (Average Distance Between Resets)

   • 概念定义: 用户在两次连续重置之间物理上行走的平均距离。此指标量化了用户在没有可察觉中断的情况下，可以自由遍历空间的平均时长。
   • 数学公式: $D_{avg\_between\_resets} = \frac{\sum_{i=1}^{N_{resets}-1} D_i}{N_{resets}-1}$ 其中，$D_i$ 是第 $i$ 次重置与第 $i+1$ 次重置之间用户行走的物理距离。
   • 符号解释:
     • $D_{avg\_between\_resets}$: 重置间的平均距离 (单位：米)。
     • $D_i$: 第 $i$ 次重置与第 $i+1$ 次重置之间用户行走的物理距离。
     • $N_{resets}$: 重置的总次数。

3. 物理行走轨迹 (Physical Walking Trajectories)

   • 概念定义: 记录用户在物理追踪空间中的实际移动路径。通过可视化轨迹，可以直观地分析 RDW 算法如何引导用户、是否有效利用空间以及是否存在“逃逸”物理边界等问题。
   • 数学公式: 无特定公式，通常以坐标序列或图形表示。
   • 符号解释: $P(t) = (x(t), y(t))$ 表示用户在时间 $t$ 的物理位置。

5.2.2. 用户体验指标

1. 可察觉性 (Noticeability)

   • 概念定义: 用户是否察觉到 RDW 算法对其行走路径进行的微小修改。低可察觉性是 RDW 算法成功的关键，意味着用户能够保持沉浸感。
   • 评估方法: 使用 5 点 Likert 量表 (Likert scale) 进行问卷调查。
   • 数学公式: 无直接数学公式，为用户主观评分。
   • 符号解释: 用户对“我是否察觉到算法在引导我？”等问题进行 1（完全不察觉）到 5（非常察觉）的评分。

2. 恶心感 (Nausea)

   • 概念定义: 用户在 VR 体验后感受到的运动眩晕程度。VR 体验，尤其是当视觉信息与本体感受/前庭感受不一致时，可能会引起恶心感。
   • 评估方法: 使用 5 点 Likert 量表 (Likert scale) 进行问卷调查（类似于模拟器眩晕问卷）。
   • 数学公式: 无直接数学公式，为用户主观评分。
   • 符号解释: 用户对“我是否感到恶心？”等问题进行 1（完全不恶心）到 5（非常恶心）的评分。

5.3. 对比基线

本文的实验主要评估了人工势场 (Artificial Potential Fields, APF) 算法在以下两种配置下的性能对比：

1. 基线 (Baseline): 未引入本文提出的通用设计增强方案的 APF 算法实例。

2. 改进后 (With Improvements): 引入了本文提出的所有通用设计增强方案（延迟感知 RDW、减轻漂移和头部旋转、减少振荡和边界反弹）的 APF 算法实例。

   通过对比这两种 APF 实例在不同实验场景下的表现，来验证所提出增强方案的有效性。

5.4. 实验设置和参数

5.4.1. 物理追踪空间

• 尺寸: $5 \times 5$ m, $10 \times 10$ m, $15 \times 15$ m。旨在确定 RDW 维持不易察觉性所需的最小环境尺寸。
• 地点: 安特卫普大学 Middelheim 校区附近的 $106 \times 65$ m 室外场地。使用交通锥精确标记环境边界。
• SLAM 性能: 室外测试表明，只要 HMD 不暴露在阳光直射下，Meta Quest 2 的 SLAM (Simultaneous Localization and Mapping) 性能与室内环境无显著差异。

5.4.2. 硬件配置

• 服务器: MSI GS66 笔记本电脑，Intel i7 处理器，16 GB RAM，WiFi 6，运行 Windows 10。
• HMD: Meta Quest 2，Qualcomm Snapdragon XR 芯片，120 Hz 刷新率，6 GB RAM，运行 Android。
• 无线连接: 接入点 (AP) 使用三星 Galaxy S8 手机作为移动热点，提供服务器与 HMD 之间的无线连接。

5.4.3. 实验参与者

• 测试者数量: 9 名测试者，具有不同专业背景和 VR 经验水平（2 名女性，1 名 IT 背景，其余法律、药学、经济、化学、医学背景）。
• 年龄范围: 21 至 52 岁（7 名小于 30 岁，2 名大于 50 岁）。
• VR 经验: 6 名表示无 VR 经验，1 名表示有丰富经验。

5.4.4. 实验流程

• 指令: 测试者被告知遵循预设路径并享受体验，并被告知可能发生重置，重置时会看到停止标志，然后世界旋转以引导他们。
• 实验次数: 每位测试者最多参与 4 次实验，每次实验最长 5 分钟。实验顺序从预期最不明显到最明显。
• 时长: 每项实验时长设定为 5 分钟，因为 VE 中没有干扰和交互，用户之后会失去兴趣。

5.4.5. 关键参数总结

以下是原文 Table 1 总结的实验主要参数：

以下是原文 Table 1 的结果：

关键参数解释:

• Number of testers (测试者数量): 9 人。
• Experiment duration (实验时长): 300 秒 (5 分钟)。
• Exponential fall-off due to other users (其他用户引起的指数衰减): 1.4。这可能是 APF 算法中用于计算其他用户排斥力的参数，表示力随距离衰减的速度。
• Arc radius or redirected walking (重定向行走弧度半径): 7.5 m。这可能是 APF 算法中用于重定向的最小虚拟弧度半径。
• Maximum rotational rate (最大旋转速率): $15^\circ$。指 RDW 算法在单次更新中建议的最大虚拟场景旋转速率，以保持不易察觉。
• Velocity threshold (速度阈值): 0.1 m/s。低于此速度时，RDW 算法可能不进行重定向或视为静止。
• Delay in latency-aware RDW (延迟感知 RDW 中的延迟): 478.98 ms。这是通过实验测得的 HMD 到中央实体通信的端到端延迟，用于位置外推。
• Cool-down period (冷却周期): 1 s。重置触发后，RDW 算法暂停重定向的持续时间，以允许用户离开碰撞区域。
• Drifting threshold (漂移阈值): 5 cm。小于此阈值的位置变化将被忽略，以减轻传感器噪声和头部微动的影响。

6. 实验结果与分析

本节详细分析了 APF 算法在单用户和多用户场景下的性能，以及所提出的通用设计增强方案对性能和用户体验的影响。

6.1. APF 算法的性能

6.1.1. 单用户场景下 APF 算法的性能

下图（原文 Figure 7）展示了在未引入所提出的通用设计增强方案时，单用户系统在随机和直线路径 VE 中，平均重置次数和重置之间平均距离的比较：

该图像是图表，展示了不同环境大小下平均重置次数和连续重置间距的比较。图(a)显示适应随机和直线行走模式的用户在不同环境尺寸（15x15、10x10 和 5x5 平方米）中所经历的平均重置次数。图(b)则展示了这些环境中连续重置之间的平均距离。两种行走模式分别用浅色和深色条形表示。

FUReeoraR u.

• 随机路径 vs. 直线路径:
  • 随机路径 (random path) VE 通常表现更好：重置次数更少，重置间距更大。这是因为随机 VE 中的弯曲路径本身会引入旋转，与 APF 算法的推荐旋转叠加，使得物理路径更弯曲，从而减少了重置。
  • $5 \times 5$ m 环境: 两种 VE 体验之间的差异可以忽略不计（重置次数差异为 3.23%，重置间距差异为 0.17%）。这表明在如此小的环境中，算法没有足够的空间进行有效转向，导致性能相似。
  • $10 \times 10$ m 环境: 两种 VE 体验之间的性能差异开始显现。随机 VE 的重置次数比直线 VE 减少约 40%。
  • $15 \times 15$ m 环境: 令人惊讶的是，该环境下的平均重置次数高于较小的配置。直观上，更大的空间应该能容纳更多不间断的移动，重置次数应更少。这种异常行为的原因被归结为高频的位置更新。当重置触发时，用户需要几秒钟才能停止并转身，而 HMD 仍在向服务器发送位置更新。APF 算法会认为用户没有反应，从而继续推荐重置。实际上用户只经历了一次视觉重置，但算法记录了多次连续且相同的重置。论文推测这与 APF 的重定向共振半径设置为 7.5 m 有关。

6.1.2. 引入设计增强方案后 APF 算法的性能

下图（原文 Figure 8）展示了引入所提出的通用设计增强方案后，APF 算法在直线 VE 中的性能提升：

该图像是图表，展示了实验中不同环境大小下的平均重置次数和平均相邻重置间的距离。图(a)显示了在环境大小为15x15、10x10和5x5平方米时，改进前后平均重置次数的差异；图(b)展示了相应的平均距离。数据表明，改进显著提升了重置性能。

FGUR pnot gless a iffn space due to the introduction of the proposed generic design enhancements.

• 性能显著提升: 引入的通用增强方案显著提升了 APF 算法的性能。

  • 重置次数减少: $10 \times 10$ m 环境中平均重置次数减少约 30%，$15 \times 15$ m 环境中减少约 80%。
  • 重置间距增加: $10 \times 10$ m 环境中性能提高 15%，$15 \times 15$ m 环境中提高 10%。

• 解决 $15 \times 15$ m 环境的异常: 增强方案解决了 $15 \times 15$ m 环境中重置次数异常高的问题，这归因于改进中引入的冷却计时器和漂移缓解等机制。

• $5 \times 5$ m 环境的局限性: 即使引入了改进，APF 算法在 $5 \times 5$ m 环境中仍保持着不切实际的大量重置，这表明此设置在实践中是不可行的。

  下图（原文 Figure 9）展示了在引入和未引入通用 RDW 设计增强方案时，随机选择的测试者的物理路径：

  该图像是一个示意图，展示了用户在没有改进的情况下的行走路径。图中红色矩形表示边界，蓝色虚线代表用户1的行走轨迹。此图帮助分析在未进行重定向行走算法改进时用户的行走模式。

FIGURE Usermoven raecoy dr gleexpemet withoutn witroucghe roo design enhancements.

• 未改进方案的问题 (cf. Figure 9a): 用户有时会“逃逸”物理环境，超出其边界（灰色圆圈所示）。这可能是因为用户未能立即对重置做出反应，或者 APF 算法的重置阈值未针对小环境进行适当调整，导致重置触发过晚。

• 改进方案的优势 (cf. Figure 9b): 在改进后的设计中，每次重置时算法都会将用户引导远离墙壁，并伴随短暂的“冷却”期。这避免了连续重置的触发，从而提升了算法性能和用户体验。 下图（原文 Figure 10）展示了用户在改进后的重定向行走算法中行走的路径。红色框表示边界，蓝色虚线表示用户 1 的行走路径，单位为米。

  该图像是示意图，展示了用户在改进后的重定向行走算法中行走的路径。红色框表示边界，蓝色虚线表示用户 1 的行走路径，单位为米。

6.1.3. 双用户场景下 APF 算法的性能

由于 $5 \times 5$ m 环境在单用户实验中表现不佳，因此未用于双用户实验。 下图（原文 Figure 11）展示了在引入和未引入通用设计增强方案时，单用户和双用户在不同环境尺寸下的平均重置次数和连续重置之间的平均距离：

该图像是图表，展示了在不同环境尺寸下，使用和不使用改进的重定向行走算法条件下，单用户和双用户的平均重置次数与连续重置之间的平均距离。图表分为两部分：左侧为平均重置次数，右侧为平均连续重置距离。

FUR atnuV with the introduction of the proposed generic design enhancements.

• $15 \times 15$ m 环境:

  • 有改进方案: 引入第二个用户对 APF 性能影响不显著。
  • 无改进方案: 引入第二个用户反而有利于平均重置次数和重置间距。这归因于 APF 的共振半径（7.5 m）。第二个用户作为额外的力向量，引入了额外的旋转并“打破”了共振，从而改善了指标。

• $10 \times 10$ m 环境: 引入第二个用户导致算法性能显著下降（重置次数增加约 30%）。然而，对重置间距的平均影响较小（小于 0.5 m）。

• 改进方案的普遍有效性: 引入通用增强方案后，双用户系统中的可观察重置次数显著减少，重置间距增加。例如，在 $15 \times 15$ m 环境中，重置次数从 50 多次减少到约 20 次，平均重置间距增加了约 0.5 m。

  下图（原文 Figure 12）展示了在引入和未引入通用设计增强方案时，单用户和双用户在不同环境尺寸下的平均重置次数和连续重置之间的平均距离：

  该图像是一个示意图，展示了在不同环境大小下，改进前后用户重置的平均次数和连续重置之间的平均距离。从结果可看出，改进后的算法在两种环境尺寸（15x15与10x10）中均有效减少了重置次数与重置间距。

FIGUR1R po o- s h Vifniz space due to the introduction of the proposed generic design enhancements.

6.2. 用户体验 (中位数表示)

6.2.1. 未引入增强方案的单用户系统

下图（原文 Figure 13）展示了未引入通用设计增强方案时，单用户系统在不同环境尺寸下，随机和直线路径 VE 的可察觉性和恶心感中位数：

该图像是柱状图，可视化了不同环境大小下随机和直线路径条件下的注意性和恶心感。图(a)展示了注意性随环境大小（m²）的变化。图(b)展示了恶心感的变化趋势。

F le ifn nin i without introducing the proposed generic design enhancements.

• 可察觉性:
  • 对于所有环境尺寸和两种 VE 类型，测试者报告的可察觉性 (noticeability) 水平仅为中等。
  • 在 $15 \times 15$ m 环境中，可察觉性可能是由于共振重定向半径问题。
  • 随机 VE 的弯曲路径仅在 $15 \times 15$ m 环境中影响了可察觉性。
  • APF 算法在两种 VE 中都难以不易察觉地引导用户，无论环境大小。
• 恶心感:
  • 在 $15 \times 15$ 和 $10 \times 10$ m 环境中，测试者报告的恶心感 (nausea) 水平具有可比性且可接受。
  • $5 \times 5$ m 环境被证明过小，不适合单用户舒适体验。高重置次数（5 分钟内约 60 次）意味着用户每 5 秒就需要大幅度转身，导致大多数测试者在实验结束前感到恶心。此时，可察觉性变得无关紧要。

6.2.2. 引入增强方案后的单用户系统

下图（原文 Figure 14）展示了 RDW 改进对用户可察觉性和恶心感的影响，在不同环境大小下，单用户系统在直线 VE 中的结果：

该图像是一个图表，展示了不同环境大小下，RDW改进对用户注意感和恶心感的影响。图表中，a) 表示注意感，b) 表示恶心感。随着环境大小的变化，采用改进后的算法在注意感和恶心感方面的表现均明显优于未改进算法。

space due to the introduction of the proposed generic design enhancements.

• 可察觉性显著降低: 增强方案大幅降低了可察觉性。
  • $5 \times 5$ 和 $10 \times 10$ m 环境中降低 1 点。
  • $15 \times 15$ m 环境中降低 2 点。
• 恶心感轻微改善: 对恶心感报告有轻微积极影响。
• $5 \times 5$ m 环境的恶心感: 恶心感仍然很高，使得可察觉性无关紧要。

6.2.3. 双用户系统中的用户体验

下图（原文 Figure 15）展示了在引入和未引入通用设计增强方案时，单用户与双用户在不同环境尺寸下的可察觉性和恶心感：

该图像是图表，展示了在不同环境尺寸下单用户与双用户的可察觉性和恶心感的比较。图(a)呈现了用户在未改进与改进后的可察觉性情况，图(b)则比较了恶心感的表现，均以环境尺寸为横坐标。

the introduction of the proposed generic design enhancements.

• 可察觉性:
  • 引入通用增强方案主要影响 VE 的可察觉性。
  • 例如，在 $15 \times 15$ m 环境中，无论用户数量如何，可察觉性都因引入增强方案而降低了 2 点。
  • 在 $15 \times 15$ m 环境中，引入第二个用户可能导致可察觉性增加，这可能是因为 APF 算法为了将用户彼此推开而引入了额外的转向，从而增加了被察觉的机会。
  • 在 $10 \times 10$ m 环境中未观察到可察觉性增加，这可能与用户移动变化和经验的主观性有关。
• 恶心感:

  • 引入第二个用户对恶心感的影响较小。图 14b 中引入第二个用户似乎略微减少了恶心感，这可能是由于用户体验的变异性。

    下图（原文 Figure 16）展示了在引入通用设计增强方案后，在 $15 \times 15$ m 环境中，双用户系统可察觉性和恶心感的变化：

    该图像是条形图，展示了在不同环境大小下，改进方案对注意感知（Noticeability）和恶心感（Nausea）的影响。图(a)展示了在15x15和10x10的环境中，有无改进方案的注意感知结果，图(b)则展示了相应的恶心感结果。

F uc s Vii space due to the introduction of the proposed generic design enhancements.

• 增强方案对双用户系统的影响: 在 $15 \times 15$ m 环境中，由于算法在该环境中产生的连续且相同的推荐，可察觉性提高了 2 点。与单用户系统类似，引入增强方案对恶心感没有显著影响。

6.3. 数据呈现 (表格)

本文未提供额外的表格形式的实验结果，主要通过图表展示。

6.4. 消融实验/参数分析

本文没有进行严格意义上的消融实验来分离每个增强模块（延迟感知、漂移缓解、振荡/反弹缓解）的独立贡献。但通过对比“无改进”和“有改进”的 APF 算法，有效地展示了所有增强方案组合在一起的整体效果。论文也提到，未来工作将侧重于评估每个独立增强方案的贡献。

参数分析方面，实验结果揭示了几个关键超参数的影响：

• 追踪空间大小: $5 \times 5$ m 表现极差，即便是改进后也几乎不可用；$10 \times 10$ m 和 $15 \times 15$ m 表现较好，且对改进敏感。
• VE 类型: random path 通常优于 straight path，因其本身引入的旋转与 RDW 叠加，减少了重置。
• APF 共振半径: 论文推测 $15 \times 15$ m 环境中未改进 APF 的异常行为与 7.5 m 的共振半径有关，这表明了该参数在算法行为中的关键作用。
• 引入第二个用户: 在未改进 APF 中，$15 \times 15$ m 环境下第二个用户的引入“打破”了共振，反而改善了性能。这表明多用户动态对 RDW 算法的影响是复杂的。

7. 总结与思考

7.1. 结论总结

本文基于大量的真实实验，提出了一系列针对当代重定向行走 (RDW) 算法的通用设计增强方案。这些增强方案旨在缓解漂移和头部旋转的负面影响、减少边界反弹和轨迹振荡，并引入延迟感知机制。研究在不同用户数量、虚拟环境 (VE) 类型和追踪空间大小的多种场景下对这些增强方案进行了测试。结果表明，所提出的改进显著提高了 RDW 性能，具体表现为减少了平均重置次数和增加了重置间的平均距离。此外，这些改进还降低了 VE 的可察觉性 (noticeability)，从而提升了用户体验。研究还发现，RDW 性能和用户体验受追踪空间大小和 VE 类型的影响，大于引入新用户的影响。

为了支持这项实验研究，本文开发了一个模块化框架，便于使用不同的 RDW 算法、不同数量的 VR 用户和不同的 VE 进行实验。通过对两种 APF 算法（带改进和不带改进）、两种 VE 类型（直线和随机虚拟路径）以及三种追踪空间大小的实验，验证了该框架的能力和实用性。尽管多用户实验的用户数量有限，但结果证明了该框架在全沉浸式多用户 VR 设置 (full-immersive multiuser VR setups) 中，以及所提出的通用设计增强方案的实用性。

7.2. 局限性与未来工作

7.2.1. 局限性

• 用户数量限制: 本研究主要限于单用户和双用户系统，主要受限于硬件和时间。
• 测试者数量有限: 实验中使用的测试者数量较少 (9 名)，尤其影响了用户体验指标的可靠性，这些指标通常具有较高的变异性。因此，当前的用户体验结果应被视为初步指示。
• 增强方案的综合评估: 当前评估的是所有增强方案共同作用的整体效果，缺乏对每个独立增强方案贡献的详细分析。
• 参数化精度: 每个设计增强实例的参数化（例如延迟感知 RDW 中的延迟、HMD 静止时的漂移）是基于实验中获得的平均值。更精确的参数化，考虑到环境和时间变量，可能会进一步提升效果。

7.2.2. 未来工作

• 扩展实验研究:
  • 增加测试者数量: 进一步扩大测试者样本，以提高研究结果的可靠性，特别是针对用户体验指标。
  • 更多用户系统: 将实验扩展到更多用户数量的系统。
• 独立贡献评估: 分别评估每个通用设计增强方案的独立贡献。
• 精细化参数化: 对设计增强方案的参数进行更精确的参数化，考虑环境和时间变量的影响。
• 扩展 VE 体验: 引入更多类型的 VE 体验，例如用户仅共享体验但不共享追踪空间，或者用户既共享体验又共享追踪空间的情景。
• 引入新算法和技术: 将新的 RDW 算法（特别是预测式和脚本式 RDW 方法）、通信协议和位置外推方法引入框架进行测试。

7.3. 个人启发与批判

7.3.1. 个人启发

• 实用性导向的创新: 这篇论文的思路非常务实，不是在“空中楼阁”中构建全新的 RDW 算法，而是从真实世界部署无线 HMD 所面临的实际问题（延迟、漂移、算法振荡）出发，提出了一系列对现有算法有通用增强作用的“补丁”或“优化层”。这种思路在工程实践中非常有价值，即在现有成熟技术上进行迭代优化，而非一味追求颠覆性创新。
• 实验框架的重要性: 本文开发的模块化实验框架是其一大亮点。在 RDW 这种需要大量真实用户参与、且涉及物理空间和虚拟空间交互的领域，一个灵活、可扩展的实验平台是进行深入研究的基础。开源这个框架无疑会极大地推动领域发展。
• 多用户场景的复杂性与机遇: 多用户 VR 是未来趋势，但引入多用户不仅增加了碰撞避免的复杂性，还带来了有趣的动态，例如在 $15 \times 15$ m 未改进 APF 场景中，第二个用户反而“打破”了共振，改善了性能。这提示我们，多用户系统中的交互可能带来意想不到的积极效果，值得深入挖掘。
• 用户体验的量化与提升: 通过引入 Likert 量表来评估可察觉性和恶心感，将主观感受与客观性能指标相结合，提供了一个更全面的 RDW 算法评估视角。对可察觉性的显著降低是 RDW 从“技术可行”走向“用户友好”的关键一步。

7.3.2. 批判与潜在改进

• 消融实验的缺失: 论文虽然提出了多个增强方案，但没有进行细致的消融实验来量化每个方案的独立贡献。例如，延迟感知 RDW 贡献了多少性能提升？漂移缓解又贡献了多少？这使得我们难以理解每个优化点的具体价值和优先级。未来工作如果能补充这部分内容，将极大增强论文的说服力。
• 参数优化的探索不足: 论文中提到的 RDW 算法参数（如 7.5 m 的弧度半径）以及增强方案参数（如 1s 的冷却周期，5cm 的漂移阈值）是固定值，但这些参数对性能的影响是巨大的。虽然提到了未来会考虑更精确的参数化，但如果能在本文中展示这些参数对结果的敏感性分析，将更有深度。例如，漂移阈值设为 2cm 或 10cm 会有何不同？
• 多用户交互的深层分析: 在双用户场景中，APF 的共振效应因第二个用户的引入而被“打破”是一个有趣发现。论文对此的解释相对简略。能否深入分析这种“打破共振”的具体机制？这是否意味着多用户本身可以作为一种“自适应”的重定向工具？此外，多用户场景下，用户之间的感知（如是否察觉到其他用户在被重定向）也是一个复杂的用户体验问题，本文未深入探讨。
• 更复杂的 VE 体验: 当前的 VE 体验（直线和随机路径）相对简单。未来的工作可以考虑在更复杂、更具交互性的 VE 中进行测试，例如有障碍物、有任务目标、或有社交元素的场景，这可能对 RDW 算法提出新的挑战。
• 评估指标的局限性: Likert 量表虽然方便，但存在主观性和潜在的偏差。尽管作者采取措施减少偏差，但如 2AFC (Two-Alternative Forced Choice) 等更严格的心理物理学方法可能会提供更精确的感知阈值数据。