增强现实中的用户自定义手势集研究

### 增强现实中的用户自定义手势集研究 #### 1. 手势特征分析 在实验中，参与者倾向于用优势手进行有动作的手势，非优势手保持静态姿势。从手势的自然维度来看，整体上物理手势占比 39%，隐喻手势占比 34.5%。具体到不同任务，变换、选择和菜单任务主要使用物理手势，占比分别为 76.1%、50%和 57.8%；浏览和编辑任务主要使用隐喻手势，占比分别为 100%和 40.9%；模拟任务的手势则分布在象征（37%）、隐喻（34%）和抽象（29%）类别中。 在绑定维度方面，变换和选择任务的大多数手势以对象为中心，占比分别为 100%和 75%；模拟（93%）和浏览（100%）任务的手势主要与世界无关；编辑任务的手势中与世界无关的占 39.5%，以对象为中心的占 32.3%；菜单任务的手势以对象为中心的占 50%，与世界相关的占 45.6%。 对于其他维度，如流畅性、对称性和位置，所有任务选择的手势主要是离散的（77.5%）、单手优势的（67.8%）和空中的（78%）。以下是一个简单的表格总结： | 维度 | 主要特征 | 占比 | | --- | --- | --- | | 自然维度 | 物理手势 | 39% | | | 隐喻手势 | 34.5% | | 绑定维度 | 对象中心（变换、选择） | 100%、75% | | | 世界无关（模拟、浏览） | 93%、100% | | 其他维度 | 离散 | 77.5% | | | 单手优势 | 67.8% | | | 空中 | 78% | #### 2. 用户自定义手势集构建 用户自定义的手势集，即“共识集”，是基于为给定任务执行的最大相同手势组构建的。在本次研究中，每个手势计 1 分，每个任务有 20 分，所有任务共 800 分。 由于参与者使用了相似手势的细微变化，研究将约束从“组内手势必须相同”放宽到“组内手势必须相似”。相似手势被定义为静态姿势和路径手势，即使使用不同的静态手姿势执行，它们也是相同的或具有一致的方向性。 研究将观察到的主要手部姿势变体分为 11 种姿势，编码为 H01 到 H11。通过应用“相似手势”约束，将最初的 800 个手势减少到 320 个独特手势。选择得分最高的 44 个手势组成共识集，其余 276 个得分最低的手势被丢弃，定义为丢弃集。共识集的手势占记录手势的 61.89%（495/800），具体任务占比为：变换 19.38%、菜单 17.75%、编辑 11.75%、浏览 5.00%、选择 4.63%和模拟 3.38%。 为了计算设计手势之间的共识程度，使用以下公式计算协议得分 A： \[A = \frac{\sum_{i = 1}^{n} \frac{|P_{s_i}|^2}{|P_{t}|}}{|P_{t}|}\] 其中 \(P_t\) 是任务 \(t\) 中的手势总数，\(P_s\) 是 \(P_t\) 中包含相似手势的子集，A 的范围是 [0, 1]。 例如，对于旋转俯仰（y 轴）任务，包含得分分别为 8、6、4、1 和 1 分的五个手势，\(A_{pitch}\) 的计算如下： \[A_{pitch}=\frac{8^2 + 6^2+4^2 + 1^2+1^2}{(8 + 6+4 + 1+1)^2}\] 所有四十个任务的协议得分如图 3 所示，虽然某些任务（如全选、撤销、重做和播放）的手势集协议较低，但也有一些手势组得分较高。 #### 3. 用户自定义手势集的特点 允许用户将相同的手势分配给不同类别的任务。在构建共识集时，出现了非一对一映射的情况，即一个任务可能有多个手势，或者一个手势可能用于多个任