Redirected Walking for Multi-User eXtended Reality Experiences with Confined Physical Spaces
TL;DR 精炼摘要
本文提出了一种新型重定向行走算法,结合了人工势场和导向轨道技术,针对受限的6x6平方米空间支持多用户扩展现实体验。实验表明,该算法在80%的参与者中显著降低了晕动症发生率,同时提高了行走效率和用户舒适度。
摘要
eXtended Reality (XR) applications allow the user to explore nearly infinite virtual worlds in a truly immersive way. However, wandering around through these Virtual Environments (VEs) while physically walking in reality is heavily constrained by the size of the Physical Environment (PE). Therefore, in the last years different techniques have been devised to improve Locomotion in XR. One of these is Redirected Walking (RDW), which aims to find a balance between immersion and PE requirements by steering users away from the boundaries of the PE while allowing for arbitrary motion in the VE. However, current RDW methods still require large PEs, as to avoid obstacles and other users. Moreover, they introduce unnatural alterations in the natural path of the user, which can trigger perception anomalies, such as cybersickness or break of presence. These circumstances limit their usage in real life scenarios. This paper introduces a novel RDW algorithm, with the focus on allowing multiple users to explore an infinite VE in a confined space (6x6 m²). To evaluate it, we designed a multi-user Virtual Reality (VR) maze game, and benchmarked it against the state-of-the-art. A subjective study (20 participants) was conducted, where objective metrics, e.g., the path and the speed of the user, were combined wit subjective perception analysis in terms of their cybersickness levels. Our results show that our method reduces the appearance of cybersickness appearance in 80% of participants compared to the state-of-the-art. These findings show the applicability of RDW to multi-user VR with constrained environments.
思维导图
论文精读
中文精读
1. 论文基本信息
1.1. 标题
Redirected Walking for Multi-User eXtended Reality Experiences with Confined Physical Spaces (受限物理空间下多用户扩展现实体验的重定向行走技术)
1.2. 作者
Gijs Fiten, Jit Chatterjee, Kobe Vanhaeren, Mattis Martens, Maria Torres Vega。 作者隶属于比利时鲁汶大学(KU Leuven)电气工程系(ESAT)的 eMedia 研究实验室。
1.3. 发表期刊/会议
该论文发表于 IEEE 相关会议/期刊(根据 Index Terms 和格式推断),记录的发布时间为 2025 年 9 月 30 日(注:根据提供的元数据,这可能是一篇即将正式发表或属于前瞻性研究的论文)。
1.4. 发表年份
2025 年。
1.5. 摘要
扩展现实 (eXtended Reality, XR) 允许用户探索无限的虚拟世界,但物理空间(Physical Environment, PE)的大小限制了用户的真实行走。重定向行走 (Redirected Walking, RDW) 旨在通过巧妙地重定向用户,使其在虚拟世界中任意行走的同时,物理上不超出边界。然而,现有的 RDW 方法在多用户、小空间场景下表现不佳,且容易引发晕动症 (Cybersickness)。本文提出了一种新型 RDW 算法,结合了“导向轨道 (Steer-to-Orbit)”与“人工势场 (Artificial Potential Fields, APF)”,旨在 的受限空间内支持多用户体验。实验表明,该方法相比最先进的算法,能减少 80% 参与者的晕动症感官,并提升了行走效率和用户舒适度。
1.6. 原文链接
点击查看论文 PDF(状态:已发表/预印本)。
2. 整体概括
2.1. 研究背景与动机
- 核心问题: 虚拟空间是无限的,但物理房间是有限的。用户在 VR 中走着走着就会撞墙。
- 现有挑战:
- 空间需求大: 传统的 RDW 算法通常需要巨大的空间(如体育馆)才能让用户察觉不到转向。
- 多用户干扰: 当多个人在同一个房间玩 VR 时,算法不仅要防止撞墙,还要防止用户互撞。
- 感知异常: 如果重定向幅度太大,用户会感到头晕、恶心(即晕动症),从而破坏沉浸感。
- 研究 Gap: 现有的 RDW 研究大多针对单用户或大空间,缺乏在受限空间(如 )内有效且舒适的多用户解决方案。
2.2. 核心贡献/主要发现
-
提出新算法: 开发了一种结合 人工势场 (APF) 和 导向轨道 (Steer-to-Orbit) 的混合 RDW 算法。
-
显著降低晕动症: 实验证明,新方法在 80% 的测试者身上减少了晕动症的发生。
-
优化受限空间体验: 证明了在仅 36 平方米的物理空间内,通过合理的算法调度,可以实现安全、流畅的多用户无限虚拟行走。
-
效率提升: 用户在使用该算法时,行走速度更快,完成任务的时间更短,且转向更加平滑。
3. 预备知识与相关工作
3.1. 基础概念
- 重定向行走 (Redirected Walking, RDW): 这是一种 VR 运动技术。它通过在用户转头或行走时,在虚拟画面中加入微小的额外旋转或位移,诱导用户在现实中走曲线,而用户主观上觉得自己走的是直线。
- 人工势场 (Artificial Potential Fields, APF): 想象物理边界和障碍物会产生“斥力”,而目标点产生“引力”。算法通过计算这些力的合力,自动生成避障路径。
- 晕动症 (Cybersickness): 当视觉看到的运动信息与耳朵前庭系统感受到的平衡信息不一致时(即感觉冲突理论),人会感到恶心、头痛。RDW 必须将这种不一致控制在人类感知的阈值内。
3.2. 前人工作
- 检测阈值: Steinicke 等人研究发现,如果转向半径大于 22 米,用户通常察觉不到重定向。但这在小房间里是不可能实现的。
- Steer-to-Orbit: 这种技术试图让用户在物理空间中绕着中心点画圆。但 Hodgson 的研究表明,圆的半径至少要 5-7.5 米才能保持稳定。
- APF 局限性: 现有的 APF 方法在处理多用户时,由于其他用户是移动的,会导致重定向增益发生剧烈、突发的跳变,这种不平滑的转向是导致晕动症的主因。
3.3. 差异化分析
本文的创新在于“平滑化”与“混合化”。它不仅用 APF 来避障,还引入了轨道力(Orbit Force)来稳定用户的路径,使其倾向于进行大半径的圆周运动,而不是像传统 APF 那样在角落里做无规律的急转弯。
4. 方法论
4.1. 方法原理
本文提出的算法核心思想是:利用三种力的合力来动态计算用户的重定向增益 (Redirection Gain)。这三种力分别是:边界斥力(防撞墙)、用户间斥力(防互撞)以及轨道引力(引导用户绕中心走圆)。通过这种方式,算法可以将用户维持在物理空间的中心区域,同时保持转向的平滑性。
4.2. 核心方法详解 (逐层深入)
4.2.1. 重定向增益的矢量合成
算法的核心输出是一个角速度 (欧拉角),它决定了每时每刻给用户的视野增加多少额外的旋转。
- : 最终施加在用户视野上的重定向角速度。
- : 旋转的方向单位矢量。
- : 旋转的大小(模)。
4.2.2. 方向矢量的计算
旋转的方向由用户的预测轨迹矢量 与所有重定向力的总和 之间的叉积决定:
- : HMD 预测的用户行走方向。
- : 作用于用户的所有重定向力之和。
4.2.3. 旋转增益模长的计算
旋转的强度 与用户的角速度 和线速度 成比例。这意味着用户走得越快或转得越快,算法施加的重定向就越多,因为此时用户更难察觉细微的画面变化:
- : 用于调节影响程度的缩放因子。
- : 用户路径方向与力矢量之间的夹角( 到 )。
- : 力量的强弱直接决定了转向的急促程度。
4.2.4. 三种力的详细定义
总力 由三部分组成:
-
边界力 (): 将用户推离墙壁。其大小随距离线性增加:
- 当距离大于可行走宽度 的一半时,力为 0;距离越近,力越大,最大为 1。
-
多用户力 (): 防止用户碰撞。它不像边界力那样取平均值,而是累加,以确保多个人靠近时产生足够的排斥力:
-
导向轨道力 (): 核心创新点。它计算一个切向力,引导用户绕物理空间中心 旋转。
- 首先通过各边界点 的平均值计算中心 。
- 计算径向矢量 。
- 通过叉积得到轨道法线 。
- 最后得到轨道力:
5. 实验设置
5.1. 实验场景:僵尸迷宫
作者设计了一个“最坏情况”的虚拟环境——迷宫(如图 2 所示)。
- 虚拟面积: 。
- 物理面积: 。
- 任务: 寻找随机生成的金钥匙并带回中心宝箱。迷宫充满了死胡同、僵尸和干扰物,强迫用户进行大量的急转弯和不可预测的移动。
5.2. 数据集与硬件
- 硬件: Meta Quest 2 头显(独立运行模式)。
- 网络: 三星 S10+ 手机作为路由器,建立点对点连接实现多用户同步。
- 软件: Unity 引擎,使用 XR Interaction Toolkit 和 Oculus SDK。
- 样本示例:
- 图 3 展示了当物理距离过近时,系统会显示另一个用户的红色半透明轮廓,以确保安全。
5.3. 评估指标
- 转向速率 (Steering Rate): 量化算法施加旋转的频繁程度。单位通常为度/秒。
- 模拟器眩晕问卷 (Simulator Sickness Questionnaire, SSQ):
- 概念定义: 通过 16 个症状(如恶心、眼疲劳、头晕等)评估用户的生理不适感。
- 计算方法: (注:此为权威 SSQ 标准公式,由 Kennedy 等人于 1993 年提出)。
- 符号解释: Nausea(恶心感得分)、Oculomotor(眼动症状得分)、Disorientation(迷失方向感得分)。
- 客观指标: 行走速度 (Speed)、总行程 (Distance)、完成时间 (Time)。
5.4. 对比基线
-
APF (S/M): 传统的单用户/多用户人工势场算法。
-
APF-O (S/M): 本文提出的带轨道力的改进算法(单用户/多用户版)。
6. 实验结果分析
6.1. 核心结果分析
实验数据(图 4 和表 I)表明,APF-O (我们的方法) 在所有关键指标上均优于传统 APF。
以下是原文 Table I 的统计分析结果(P-value < 0.05 表示具有显著差异):
| 对比项 | 转向速率 (Steering Rate) | 速度 (Speed) | 距离 (Distance) | 时间 (Time) | ||||
|---|---|---|---|---|---|---|---|---|
| p | t | p | t | p | t | p | t | |
| APF (S) vs APF-O (S) | 0.009 | 2.995 | 0.07 | -1.948 | 0.742 | -0.336 | 0.249 | 1.200 |
| APF (M) vs APF-O (M) | 0.000 | 8.551 | 0.022 | -2.545 | 0.289 | 1.100 | 0.109 | 1.703 |
- 更平滑的路径: APF-O 的转向速率显著降低(p=0.000),意味着用户感受到的画面突变更少。
- 更快的移动: 在多用户环境下,APF-O 的用户速度明显提升(p=0.022),说明用户在有轨道导向时更敢于行走,而不是在角落里徘徊。
6.2. 晕动症 (SSQ) 分析
下图(原文 Figure 6)展示了实验前后的眩晕得分对比:
该图像是一个箱形图,展示了在不同实验阶段(开始、单人实验和多人实验)参与者的SSQ(症状自评量表)得分情况。箱形图清晰地显示了得分的变化趋势,反映了不同条件下的感知水平。
-
APF-O 的优势: 相比传统的 APF,APF-O 显著抑制了 SSQ 分数的增长。
-
80% 改善率: 结果显示,80% 的参与者在使用轨道力增强的算法时,表现出更轻微的晕动症症状。
-
可视化证据: 图 5 的路径对比清晰地显示,APF 会导致用户在角落里进行“混乱的打转”,而 APF-O 则成功引导用户在物理空间中心形成了一个平滑的“圆形轨道”。
7. 总结与思考
7.1. 结论总结
本文成功证明了通过在传统的避障算法(APF)中引入稳定的轨道力(Steer-to-Orbit),可以显著改善受限物理空间内多用户 VR 体验。该混合算法在保持安全性的同时,极大地降低了重定向带来的感官冲突,减少了 80% 参与者的晕动症发生率。
7.2. 局限性与未来工作
- 设备局限: Quest 2 的 Inside-out 追踪存在约 5cm 的误差,这在极近距离多用户互动中可能存在风险。
- 学习效应: 实验中单人测试总是在多人测试之前,用户可能因为熟悉了迷宫而在后期的多人测试中表现更好。
- 未来方向: 可以引入更精准的外部定位系统,并探索该算法在更小或非规则形状空间中的表现。
7.3. 个人启发与批判
- 启发: 这篇论文体现了“以退为进”的思想。与其在墙边拼命转头,不如通过一个温和的轨道力,提前把用户引向空间的开阔地带。
- 批判: 算法中的缩放因子(如 )是靠“试错法”确定的。对于不同的房间大小或不同的用户行走习惯,这些参数可能需要重新调整。如果能引入强化学习 (Reinforcement Learning) 自动适配这些参数,算法的通用性会更强。
相似论文推荐
基于向量语义检索推荐的相关论文。