论文状态:已完成

Exploring Perception-Based Techniques for Redirected Walking in VR: A Comprehensive Survey

发表:2025/05/22
原文链接PDF 下载
价格:0.100000
价格:0.100000
价格:0.100000
已有 2 人读过
本分析由 AI 生成,可能不完全准确,请以原文为准。

TL;DR 精炼摘要

本文综述了虚拟现实中的基于感知的重定向行走(RDW)技术,回顾232篇论文并纳入165篇进行深入分析。提出了一个新的分类法,将RDW算法分为增益、增益应用、目标方向计算和一般增强,强调了目标方向计算的重要性,旨在指导未来算法的设计与研究。

摘要

We present a comprehensive survey of perception-based redirected walking (RDW) techniques in virtual reality (VR), presenting a taxonomy that serves as a framework for understanding and designing RDW algorithms. RDW enables users to explore virtual environments (VEs) larger than their physical space, addressing the constraints of real walking in limited home VR setups. Our review spans 232 papers, with 165 included in the final analysis. We categorize perception-based RDW techniques based on gains, gain application, target orientation calculation, and optional general enhancements, identifying key patterns and relationships. We present data on how current work aligns within this classification system and suggest how this data can guide future work into areas that are relatively under explored. This taxonomy clarifies perception-based RDW techniques, guiding the design and application of RDW systems, and suggests future research directions to enhance VR user experience.

思维导图

论文精读

中文精读

1. 论文基本信息

1.1. 标题

中文标题: 探索虚拟现实中基于感知的重定向行走技术:一项综合综述 英文标题: Exploring Perception-Based Techniques for Redirected Walking in VR: A Comprehensive Survey

1.2. 作者

Bradley Coles \circledcirc, Yahya Hmaiti \circledcirc, Joseph J. LaViola Jr. 1\textcircled{1}

  • 机构: University of Central Florida (中佛罗里达大学)
  • 注: \circledcirc 表示共同第一作者。

1.3. 发表期刊/会议

  • 来源: arXiv (预印本)
  • 发布时间: 2025-05-21 (UTC)
  • 状态: Preprint (根据原文信息判断)

1.4. 摘要

本文对虚拟现实(VR)中基于感知的重定向行走(Redirected Walking, RDW)技术进行了一项全面的综述。RDW 技术旨在解决有限的物理空间与无限的虚拟环境之间的矛盾。作者回顾了 232 篇论文,并最终纳入 165 篇进行深入分析。 核心贡献: 文章提出了一个新的分类法(Taxonomy),将 RDW 技术分解为四个模块:增益(Gains)、增益应用(Gain Application)、目标方向计算(Target Orientation Calculation,这是本文强调的新分类标准)以及一般增强(Enhancements)。这一分类法旨在为理解和设计未来的 RDW 算法提供框架,并指出了当前研究中的空白领域(如预测性对齐方法)。

1.5. 原文链接

2. 整体概括

2.1. 研究背景与动机

  • 核心问题: 在虚拟现实(VR)中,用户希望在广阔甚至无限的虚拟环境(Virtual Environment, VE)中自由行走,但现实世界中的物理环境(Physical Environment, PE)往往空间有限(例如家中的客厅)。这种空间不匹配限制了真实行走(Real Walking)这一最能提供存在感(Presence)的移动方式的应用。
  • 现有挑战: 为了解决这一问题,重定向行走(RDW)技术应运而生。它通过欺骗用户的感知,让用户在物理空间中绕圈或走曲线,而在虚拟空间中感觉自己在走直线。
  • 研究空白(Gap): 现有的 RDW 综述通常根据算法类型(如反应式、预测式、脚本式)对技术进行分类。然而,作者认为这种分类忽略了一个关键组件:目标方向计算(Target Orientation Calculation),即算法如何决定将用户引导向物理空间的哪个方向。这一缺失限制了对 RDW 技术的深入解构和新算法的设计。

2.2. 核心贡献与主要发现

  • 新分类法(Taxonomy): 提出了一种基于组件的模块化分类系统,明确将“决定去哪(目标方向)”与“如何去那(增益应用)”分离开来。
  • 文献分析: 系统性地筛选并分析了 165 篇高质量论文,涵盖了从早期的 Steer-to-Center 到最新的深度强化学习方法。
  • 关键发现:
    • 发现当前文献中存在显著空白:目前没有结合对齐(Alignment)目标计算与预测性(Predictive)增益应用的技术。

    • 数据统计显示,反应式(Reactive)增益应用(63.2%)和转向式(Steering)目标计算(54.5%)仍然是该领域的主流。


3. 预备知识与相关工作

3.1. 基础概念

为了理解本文,初学者需要掌握以下 RDW 领域的核心概念:

  • 重定向行走 (Redirected Walking, RDW): 一种通过不仅察觉地操纵虚拟场景的旋转或移动,使用户在不知不觉中改变其在现实世界中的行走路径的技术。
  • 位移增益 (Locomotion Gains): 描述虚拟运动与物理运动之间比例关系的参数。
    • 平移增益 (Translation Gains): gtrans=ΔVirtual DistanceΔPhysical Distanceg_{trans} = \frac{\Delta \text{Virtual Distance}}{\Delta \text{Physical Distance}}。例如,现实中走 1 米,虚拟中移动 1.2 米。
    • 旋转增益 (Rotation Gains): grot=ΔVirtual RotationΔPhysical Rotationg_{rot} = \frac{\Delta \text{Virtual Rotation}}{\Delta \text{Physical Rotation}}。例如,现实中转 90 度,虚拟中转 120 度。
    • 曲率增益 (Curvature Gains): 当用户在虚拟世界直行时,系统缓慢旋转场景,迫使用户在现实中走曲线以保持直线视觉。
  • 检测阈值 (Detection Thresholds, DTs): 用户能够察觉到被“操纵”的临界点。RDW 的目标通常是将增益控制在 DTs 之内(Subtle RDW),以保持沉浸感。
  • 重置 (Reset/Reorientation): 当 RDW 失败,用户即将撞墙时,系统会显式地(Overtly)提示用户停下并转身,这被称为重置。

3.2. 技术演进与差异化分析

  • 早期工作: Razzaque 等人提出的 Steer-to-Center (S2C) 是基石,它简单地将用户引导向物理空间的中心。
  • 中期发展: 引入了 人工势场 (Artificial Potential Fields, APF) 方法,利用斥力避开墙壁;以及 预测性 (Predictive) 方法,试图预测用户未来的路径以优化重定向。
  • 本文的差异:
    • 之前的综述(如 Li et al., 2022; Nilsson et al., 2018)主要关注算法是“反应式”还是“预测式”。

    • 本文指出,无论算法是反应式还是预测式,它们都必须先计算一个目标方向。因此,本文将 Target Orientation Calculation 作为一个独立且核心的分类维度,提供了更细粒度的视角。


4. 方法论

本文的核心“方法论”即其提出的基于感知的 RDW 技术分类法。该分类法将 RDW 系统解构为四个模块化组件:增益 (Gains)目标方向计算 (Target Orientation Calculation)增益应用 (Gain Application)一般增强 (General Enhancements)

下图(原文 Figure 1)清晰地展示了这一分类框架:

该图像是一个示意图,展示了感知基础的重新行走(RDW)技术的分类框架。图中包括了对增益、目标方向计算、增益应用和一般增强等关键要素的分类,帮助理解RDW算法的设计与应用。 该图像是一个示意图,展示了感知基础的重新行走(RDW)技术的分类框架。图中包括了对增益、目标方向计算、增益应用和一般增强等关键要素的分类,帮助理解RDW算法的设计与应用。

4.1. 组件一:增益 (Gains)

RDW 的基础是利用增益来扭曲虚拟与现实的映射。

  • 隐性增益 (Subtle Gains): 低于检测阈值,用户无感。
    • 类型:旋转 (Rotation)、曲率 (Curvature)、平移 (Translation)、弯曲 (Bending,针对弯曲路径的进一步弯曲)。
  • 显性增益 (Overt Gains): 高于检测阈值,用户有感。通常用于 重置 (Reset) 技术(如 2:1 转身),即当隐性引导失败即将发生碰撞时使用。

4.2. 组件二:目标方向计算 (Target Orientation Calculation)

这是本文最核心的创新分类维度。它回答了“算法希望将用户引导向物理空间中的哪个方向?”这一问题。

下图(原文 Figure 2)展示了不同的目标方向计算逻辑:

该图像是示意图,展示了感知基础的重定向行走技术的不同情景,包括目标获取和位置调整的示意。四个子图中,(a) 展示了目标引导,(b) 显示了沿圆周行走的路径,(c) 说明了在众多目标中如何进行导航,而(d) 则展示了路径的选择与障碍物的避免。 该图像是示意图,展示了感知基础的重定向行走技术的不同情景,包括目标获取和位置调整的示意。四个子图中,(a) 展示了目标引导,(b) 显示了沿圆周行走的路径,(c) 说明了在众多目标中如何进行导航,而(d) 则展示了路径的选择与障碍物的避免。

4.2.1. 转向 (Steering)

算法选择物理空间中的一个特定路径作为目标。

  • 指向点 (Steer-to-Point): 最经典的是 Steer-to-Center (S2C),总是指向房间中心。缺点是当用户穿过中心时,目标方向会发生 180 度突变,导致增益震荡。
  • 指向路径 (Steer-to-Orbit, S2O): 引导用户沿围绕中心的圆形轨道行走(见上图 b)。适合用户在虚拟世界中走直线的场景。

4.2.2. 避让 (Avoidance)

算法不设定特定的吸引点,而是基于障碍物的斥力来计算方向。

  • 人工势场 (Artificial Potential Fields, APF): 物理边界和障碍物产生斥力,用户被推向合力方向(通常是远离墙壁的方向,见上图 d)。
  • 非 APF 方法: 如基于强化学习(RL)的方法,通过惩罚靠近墙壁的行为来学习避让策略。

4.2.3. 对齐 (Alignment)

算法的目标是使物理环境(PE)与虚拟环境(VE)的某些特征重合

  • 原理: 如下图(原文 Figure 3)所示,虚拟空间(左)和物理空间(中)通过重定向在右图实现对齐。

  • 应用: 主要用于支持被动触觉 (Passive Haptics)。例如,当用户触摸虚拟桌子时,系统确保用户在现实中也刚好走到物理桌子旁边。

    该图像是示意图,展示了虚拟环境与物理环境之间的关系以及重叠对齐的表现。左侧为虚拟环境,标示着用户的位置和路径;中间为物理环境,表示用户实地走过的区域;右侧展示了两者的对齐情况,便于理解如何在有限空间内实现虚拟行走。 该图像是示意图,展示了虚拟环境与物理环境之间的关系以及重叠对齐的表现。左侧为虚拟环境,标示着用户的位置和路径;中间为物理环境,表示用户实地走过的区域;右侧展示了两者的对齐情况,便于理解如何在有限空间内实现虚拟行走。

4.3. 组件三:增益应用 (Gain Application)

确定了目标方向后,算法如何决定施加多少增益?

  • 反应式 (Reactive): 仅根据用户当前的状态(位置、朝向)计算增益。简单、通用,但可能短视。
  • 预测式 (Predictive): 利用对用户未来路径的预测(如通过骨架图、启发式规则或深度学习预测)来优化增益,以避免未来的碰撞。
  • 脚本式 (Scripted): 预先计算好的路径和增益。仅适用于用户完全按照剧本行动的场景(如导览)。

4.4. 组件四:一般增强 (General Enhancements)

可应用于上述任何算法的附加功能。

  • 多用户支持 (Multi-User): 防止用户间碰撞。

  • 增益掩蔽 (Gain Masking): 利用干扰物(Distractors,如飞过的蝴蝶)吸引用户注意力,从而掩盖更大的旋转增益。

  • 扩展动作: 支持跳跃、侧步等非标准行走动作。


5. 实验设置

由于本文是一篇综述(Survey),其“实验”过程即文献的筛选与分析过程。

5.1. 文献收集与筛选 (PRISMA 方法)

  • 数据源: ACM Digital Library, IEEE Xplore, Springer。
  • 关键词: ("Redirected Walking" OR "RDW") AND ("Virtual Reality" ...)。
  • 筛选流程:
    1. 初始搜索获得 1,824 篇论文。
    2. 根据标题和摘要排除非英语、非同行评审、非感知基础(如环境变形)的论文。
    3. 全文审查后,最终纳入 165 篇 核心论文。
  • 纳入/排除标准: 重点排除了“基于环境的 RDW”(Environment-based RDW),这类技术通过改变虚拟房间结构(如不可能空间)而非仅改变用户行走轨迹来实现重定向。

5.2. 评估指标

本文并非对比算法性能,而是统计文献的分布特征。主要关注的统计指标包括:

  • 技术采用率: 不同目标计算方法(转向、避让、对齐)在文献中出现的比例。

  • 算法类型分布: 反应式、预测式、脚本式算法的占比。

  • 检测阈值 (DTs): 汇总整理了过往文献中关于不同类型增益的人类感知阈值。


6. 实验结果与分析

本章节展示了作者对现有文献的统计分析结果,揭示了 RDW 领域的研究现状和趋势。

6.1. 文献分类统计

作者统计了 165 篇论文在不同分类维度下的分布,结果如下图(原文 Figure 4)所示:

该图像是一个饼图,展示了视知觉重定向行走 (RDW) 技术的不同组合类型及其在目标方向中的分布。图中显示了不同技术在分析中的比例,强调了各类方法的应用情况。 该图像是一个饼图,展示了视知觉重定向行走 (RDW) 技术的不同组合类型及其在目标方向中的分布。图中显示了不同技术在分析中的比例,强调了各类方法的应用情况。

  • 图 (b) - 目标方向计算分布:
    • 转向 (Steering): 54.55%。占据主导地位,主要得益于经典的 S2C 和 S2O 算法及其变体。
    • 避让 (Avoidance): 29.87%。APF 方法的流行使其占比显著。
    • 对齐 (Alignment): 15.58%。这是一个较新且增长迅速的领域,主要受被动触觉交互需求的驱动。
  • 图 (c) - 增益应用分布:
    • 反应式 (Reactive): 63.16%。因其实现简单、通用性强而最受欢迎。
    • 预测式 (Predictive): 18.42%。虽然性能更好,但受限于对环境的假设和计算复杂度。
    • 脚本式 (Scripted): 18.42%

6.2. 关键发现与空白分析

通过交叉分析(Figure 4 左侧的大图),作者发现了一个显著的研究空白:

  • 空白 (Gap): 目前不存在结合了 对齐 (Alignment) 目标计算与 预测性 (Predictive) 增益应用的研究。
    • 分析: 现有的对齐方法大多是反应式的。如果能利用预测模型提前规划路径以实现更好的物理-虚拟物体对齐,将是一个极具潜力的研究方向。

6.3. 增益检测阈值汇总

作者整理了大量关于人类对 RDW 增益敏感度的实验数据。以下是原文 Table I 中部分值得关注的检测阈值(Detection Thresholds, DTs),这些数据对于 RDW 系统的参数设计至关重要。

注: DTs 通常表示用户无法可靠检测到操纵的范围(例如正确判断率在 25%-75% 之间)。

Gain Type (增益类型) Comment (备注) Thresholds (阈值) Source (来源)
Curvature (曲率) 半径 r > ... r > 16m Steinicke et al. (2008)
2m path normal motion r > 24m Steinicke et al. (2008)
最大似然估计 r > 11.61m Grechkin et al (2016)
男性阈值 r > 10.7m Nguyen et al. (2018)
女性阈值 r > 8.63m Nguyen et al. (2018)
平均感官敏感度 gC = 0.048 Matsumoto and Narumi (2022)
高感官敏感度 gC = 0.037 Matsumoto and Narumi (2022)
骨传导振动刺激 gC = -0.061 to 0.07 Hwang et al. (2023)
Rotation (旋转) 0.59 - 1.10 Steinicke et al. (2008)
360度视频远程操作 0.892 - 1.054 Zhang et al. (2018)
FOV 110 (无干扰物) 0.67 - 1.44 Williams and Peck (2019)
FOV 110 (女性, 无干扰物) 0.65 - 1.32 Williams and Peck (2019)
FOV 110 (男性, 无干扰物) 0.70 - 1.56 Williams and Peck (2019)
Translation (平移) 0.78 - 1.22 Steinicke et al. (2008)
向后走 (Backward step) 0.84 - 1.33 Cho, Min, Huh, et al. (2021)
小空房间 0.73 - 1.10 Kim et al. (2023)

数据分析:

  • 性别差异: 男性通常比女性有更宽的阈值范围(更难察觉操纵)。

  • 视野 (FOV) 影响: 更宽的 FOV (110度) 相比窄 FOV (40度) 允许更大的增益范围。

  • 多模态刺激: 引入震动或前庭刺激(如 GVS)可以扩宽检测阈值,允许更激进的重定向。


7. 总结与思考

7.1. 结论总结

本文通过对 165 篇论文的系统回顾,提出了一种全新的、基于组件的 重定向行走 (RDW) 分类法。

  1. 分类创新: 首次明确将 目标方向计算 (Target Orientation Calculation) 作为一个独立维度,区分了 Steering (转向)、Avoidance (避让) 和 Alignment (对齐)。
  2. 现状梳理: 确认了反应式转向算法(如 S2C 及其变体)仍是目前的主流,但也指出了对齐算法和避让算法的兴起。
  3. 实践指导: 该分类法为研究人员提供了一个模块化的框架,可以像搭积木一样组合不同的目标计算方法和增益应用策略来设计新的 RDW 系统。

7.2. 局限性与未来工作

  • 局限性:
    • 范围限制: 本综述排除了“基于环境操纵”的技术(如改变房间几何结构),这可能导致对脚本式技术的低估。
    • 选文偏差: 聚焦于高影响力论文,可能遗漏了一些冷门但有潜力的新兴研究。
  • 未来工作 (Future Work):
    • 预测性对齐 (Predictive Alignment): 填补目前的空白,开发能预测用户意图并提前规划以实现物体对齐的算法。
    • 多玩家公平性 (Multi-player Fairness): 在竞技游戏中,如何确保不同物理空间大小的玩家受到 RDW 重置的影响是公平的。
    • 认知负载 (Cognitive Load): 除了关注 RDW 的成功率,还应更多评估其对用户执行任务时的认知负担的影响。

7.3. 个人启发与批判

  • 启发: 这篇综述最大的价值在于其解耦 (Decoupling) 的思想。将“去哪里”和“怎么去”分开,使得我们可以更清晰地思考 RDW 问题。例如,我们可以尝试将最新的深度强化学习(Gain Application)应用到经典的 S2C 目标(Target Orientation)上,或者反过来,用简单的反应式逻辑去实现复杂的环境对齐。
  • 批判: 虽然分类法很清晰,但在实际应用中,很多算法是混合的(Hybrid)。例如,一些基于势场的方法(Avoidance)也会引入吸引点(Steering)。分类法虽然有助于理解,但在处理这些边界模糊的混合方法时可能需要更灵活的视角。此外,文中提到 Table I 数据由于来源不一难以直接横向对比,这提示未来的 RDW 研究急需标准化的基准测试环境(Benchmark)。

相似论文推荐

基于向量语义检索推荐的相关论文。

暂时没有找到相似论文。