多模式跨系统虚拟现实 (VR) 投球数据集用于VR生物识别
Mingjun Li1,2, Natasha Kholgade Banerjee3, Sean Banerjee3
1Department of Computing Sciences, University of Hartford, 200 Bloomfield Avenue, West Hartford, CT 06117, USA.
Data in brief
|July 21, 2025
概括
本研究介绍了一种独特的虚拟现实 (VR) 生物识别多式联络数据集,从多个VR系统和外部视频中捕获同步数据. 该资源促进了跨系统VR生物识别和运动分析的先进研究.
科学领域:
- 生物识别信息 生物识别信息
- 虚拟现实 (VR) 是一种虚拟现实.
- 人与计算机的交互 (HCI)
背景情况:
- 虚拟现实 (VR) 系统提供沉浸式体验,但在不同硬件的生物识别数据收集中存在挑战.
- 现有的VR生物识别数据集往往缺乏多系统同步和外部用户视图数据,限制了全面的分析.
- 了解VR中的用户运动模式对于安全性,个性化和性能优化至关重要.
研究的目的:
- 为虚拟现实 (VR) 生物识别引入一种新的多式联运,跨系统数据集.
- 提供来自多个VR系统 (Meta Quest,HTC Vive,HTC Vive Cosmos) 和外部视频捕捉的同步数据.
- 为了研究跨系统VR生物识别,身体关键点分析和运动轨迹预测.
主要方法:
- 收集了41名参与者在多个VR系统中执行投球任务的数据.
- 使用了Meta Quest,HTC Vive和HTC Vive Cosmos,捕获耳机和控制器数据 (位置,方向).
- 集成的外部视频 (GoPro Hero 7) 捕捉全身运动,生成COCO身体关键点 (OpenPose/MMPose) 并与VR数据同步.
主要成果:
- 该数据集是第一个将多VR系统数据与外部用户视频用于生物识别的数据集.
- 包括同步的VR系统数据 (NumPy),外部视频 (MP4) 和身体关键点 (JSON).
- 为高级分析提供全面的参与者人口统计和时间数据.
结论:
- 该数据集支持跨系统VR生物识别的研究,利用内部VR跟踪和外部身体关键点.
- 能够研究人口统计对VR生物识别和短期运动演变的影响.
- 促进2D到3D和3D到2D运动轨迹预测模型的开发.
