通过利用行人在现实世界中导航期间的头部和眼睛运动来预测空间熟悉度

科学领域:

• 人与计算机的交互
• 认知科学 认知科学
• 机器人技术 机器人技术 机器人技术

背景情况:

• 空间的熟悉性对于有效的定向至关重要.
• 以前的研究还没有系统地分析诸如眼睛和身体运动等行为相关因素.
• 了解这些相关性可以改善导航辅助系统.

研究的目的:

• 系统地评估使用眼睛跟踪和身体运动传感器的空间熟悉的行为相关性.
• 为了确定不同传感器数据对分类路线熟悉性的有效性.
• 识别关键的运动指标,区分熟悉的与不熟悉的环境.

主要方法:

• 一个在现场,主体内研究与行人路标.
• 参与者使用基于地标的听觉指令来导航熟悉和不熟悉的路线.
• 使用移动眼睛跟踪,高精度全球导航卫星系统 (GNSS) 和头部安装的惯性测量单元 (IMU) 监测行为.
• 机器学习 (渐变增强树) 用于对路线熟悉性的二进制分类.

主要成果:

• 最高的分类准确度 ([公式:参见文本]) 仅使用惯性测量单元 (IMU) 数据实现.
• IMU数据的表现优于只注视数据 ([公式:见文本]) 和结合注视和IMU数据 ([公式:见文本]).
• 来自IMU数据的曲率和加速度值是分类中最重要的特征.

结论:

• 通过IMU数据捕获的头部运动是行人路标对空间熟悉度的高度有效指标.
• 身体运动分析在区分熟悉和不熟悉的路线方面超过了眼球跟踪.
• 这一发现对开发更直观,更响应的导航技术有影响.