中科院软件所“移动目标选择的不确定性研究”成果被ACM CHI 2018长文录用

文章来源:  |  发布时间:2017-12-20  |  【打印】 【关闭

  

  ACM CHI 2018(ACM CHI Conference on Human Factors in Computing Systems)将于421日至426日在加拿大蒙特利尔举行。ACM CHI是人机交互领域顶级国际学术会议,也是中国计算机学会认定的A类会议。CHI 2018共收到了论文投稿2592篇,最终录用率约为25% 

  在国家重点研发计划“云端融合的自然交互设备与工具”项目支持下,由课题五“自然人机交互工具与应用验证”开展的“移动目标选择的不确定性研究”工作撰写的论文《Understanding the Uncertainty in Moving Target Selection》,被ACM CHI 2018长文接收,并将在大会进行口头报告和演示。该研究工作由中国科学院软件研究所牵头,谷歌研究院、宾州州立大学参与,作者为黄进,田丰,范向民,张小龙,翟树民。黄进同学为软件所2014级博士生,导师田丰研究员是这篇论文的通讯作者,该研究工作得到了ACM Fellow翟树民博士、张小龙教授等国际人机交互著名学者的悉心指导。 

  目标选择是人机交互领域的一项基础交互任务,1954年提出的FittsLaw奠定了静态目标选择的理论基础。而针对新一代自然人机交互、虚拟现实中常见的移动目标选择任务鲜有相关的理论支撑。该研究在国际上首次针对移动目标的选择任务进行了不确定性研究和建模,建立了移动目标选择任务的理论基础,对设计和研发下一代具有动态内容的界面、交互技术和系统具有重要理论指导意义。

  该研究提出了一个解析移动目标选择落点分布规律的三高斯分布假设,并在该假设的基础上推导出落点分布模型——Ternary-Gaussian模型。通过收集大量的用户数据,对移动目标选择的落点分布与目标初始位置、移动速度、目标大小的关系进行了研究,对提出的落点分布假设和Ternary-Gaussian模型进行了验证。并基于模型开展了移动目标选择错误率预测(Error Model),以及移动目标辅助选择技术(BayesPointer)的研究工作 

  在目标选择任务中,错误率被定义为所有目标选择尝试中的失败的比例。通过Ternary-Gaussian模型能够预测移动目标选择的落点分布情况,可从中推导出选择落点到目标外或者目标内部的次数,从而达到预测错误率的目的。基于这一原理,该研究推导得到了一个用于移动目标选择错误率预测的Error Model,并在实际交互场景下对其进行了验证,结果显示Error Model对错误率的预测误差仅为2.7%,实现了对移动目标选择错误率较为准确的预测。 

  受目标运动速度、目标大小、用户操控能力等多种因素的影响,用户对移动目标选择的结果并不完全代表他的选择意图。BayesPointer的核心思想是将Ternary-Gaussian模型嵌入贝叶斯(Bayes)决策原则中,帮助计算系统理解用户最有可能选择的目标,即意图目标(Intended Target)。BayesPointer最大的优点是它的“隐式”特性,这项技术不会对当前的用户界面进行额外修改,也不会要求用户进行额外操作,它将在不被用户察觉的情况下发挥作用。研究人员同样将BayesPointer在实际交互场景下对其进行了验证,结果显示它能至少提升33%的移动目标选择成功率。 

  错误率预测和辅助目标选择是基于移动目标选择模型之上的两项关键技术,它们为如何更好地设计移动目标选择技术和系统,如何有效地提升用户针对移动目标的选择效率提供了技术支撑。