用于多参与者决策科学与导航实验的网络化桌面虚拟现实系统

摘要

本文介绍了一种利用网络化计算机实验室进行多人决策与导航实验的方法。

摘要

研究多名参与者之间的相互作用对来自多个学科（包括决策科学和空间认知）的研究人员而言是一项挑战。通过局域网和专用软件平台，实验人员能够高效地监测同时沉浸于桌面虚拟环境中的参与者行为，并对收集的数据进行数字化处理。这些功能使得在空间认知与导航研究中可采用在现实世界中难以（甚至无法）实施的实验设计。可能的实验变式包括疏散过程中的压力情境、合作与竞争性搜索任务，以及其他可能影响群体行为涌现的上下文因素。然而，此类实验室需要在受控环境中进行维护，并严格遵守数据采集规程。尽管以人类参与者为对象的实验室研究的外部效度有时会受到质疑，但近年来多篇论文表明，在轨迹、犹豫行为和空间决策等方面，真实环境与虚拟环境之间的对应关系可能足以支持对社会行为的研究。本文介绍了一种在联网的桌面虚拟现实实验环境（i.e., 决策科学实验室，DeSciL）中开展最多涉及36名参与者的决策与导航实验的方法。其他研究人员可据此实验方案进行调整与应用，以建立自己的联网桌面虚拟现实实验室。

引言

关于空间认知与导航的研究通常关注个体在真实和虚拟环境中的空间决策（例如，在交叉路口向左或向右转）以及空间心理表征^1,2。虚拟现实（VR）的优势包括避免伦理和安全问题（例如，在危险的疏散过程中³）、自动测量与分析空间数据⁴，以及内部效度与外部效度之间的良好平衡^5,6,7。例如，Weisberg 及其同事通过证明虚拟现实中的空间任务可提供空间能力的客观行为测量指标，拓展了以往关于空间知识获取个体差异的研究⁸。该研究还表明，虚拟现实中的导航行为能够近似真实世界的导航，因为其虚拟环境是参照 Schinazi 及其同事所使用的大学校园建模而成的⁹（另见 Ruddle 及其同事的研究¹⁰）。虚拟现实还已被应用于心理治疗¹¹、临床评估¹²、消费者行为研究¹³以及外科手术^14,15。然而，大多数虚拟现实系统缺乏可能增强临场感和沉浸感的本体感觉和听觉反馈^16,17,18,19，需要用户接受控制界面的操作训练^20,21,22，且缺少社会性线索。事实上，现实世界中的人们通常以群体方式移动²³，会避开或跟随他人^3,24，并基于社会情境做出决策^25,26。

与此同时，关于群体行为的研究通常关注群体中涌现的特征（例如，车道形成、瓶颈处的拥堵），这些特征可通过计算机模拟或在现实世界中进行观察。例如，Helbing 及其同事结合现实世界观察与计算机模拟，提出通过物理屏障分离交叉路口的进出流，并在中心位置设置障碍物，以改善交通流²⁷。Moussaïd 及其同事采用基于启发式规则的模型研究高密度人群在群体灾难中的情况²⁸。该方法为大型活动的环境设计提出改进建议，以避免群体灾难的发生。借助现有的开源框架，实现此类模拟可能相对容易。SteerSuite 是一个开源框架，通过提供便于实施、基准测试和验证的工具，使用户能够轻松模拟导航算法和群体行为²⁹。该框架可为智能体的导航逻辑提供核心支持，这对于成功实现群体模拟至关重要。此外，Singh 及其同事展示了一个集成多种导航技术的单一平台³⁰。尽管研究人员可利用此类模拟提出设计干预方案，但这些方案很少在受控条件下通过人类参与者进行验证。在群体行为研究中，受控实验较为罕见，因其组织难度较大且可能对参与者造成危险。

虚拟现实（VR）已被用于通过包含一个或多个计算机模拟智能体的简单和复杂虚拟环境来研究社会行为。在Bode及其同事的研究中^31,32，参与者被要求从俯视视角撤离一个简单的虚拟环境，周围存在多个智能体，研究发现出口选择受到静态标识和动机的影响。Kinateder及其同事向参与者呈现了一个更复杂的、以第一人称视角进行的虚拟环境，发现参与者在逃离虚拟隧道火灾时更倾向于跟随单个计算机模拟智能体²⁵。在包含多个智能体的复杂虚拟环境中，Drury及其同事发现，当参与者认同群体时，在疏散过程中更倾向于帮助一个倒下的智能体²⁶。总体而言，这些发现表明，即使使用计算机模拟智能体，VR仍可有效诱发社会行为。然而，某些群体行为可能仅在存在真实社会信号时才会被观察到（i.e.，当参与者意识到其他虚拟角色由真人控制时³）。为解决这一局限性，本实验方案描述了一种在联网VR系统中开展多用户受控实验的方法。Moussaid及其同事最近的一项研究已采用该方法，以探究36名联网参与者在疏散过程中的行为³。

关于网络化虚拟现实的研究主要集中在与导航策略无关的主题上^33,34，和/或依赖于现有的在线游戏平台（如 Second Life）。例如，Molka-Danielsen 和 Chabada 利用 Second Life 的现有用户作为参与者，研究了在疏散过程中关于出口选择和建筑空间知识的行为表现³⁵。尽管作者提供了一些描述性结果（例如，轨迹的可视化图示），但该研究在参与者招募、实验控制以及结论在特定案例之外的推广方面存在困难。最近，Normoyle 及其同事发现，Second Life 的现有用户与实验室参与者在疏散表现和出口选择方面具有可比性，但在自我报告的存在感以及对控制界面的挫败感方面存在差异³⁶。这两项研究的结果突显了在线实验与实验室实验所面临的某些挑战与机遇。在线研究能够从规模更大且积极性更高的潜在参与者群体中招募受试者；然而，实验室研究则能更好地控制物理环境和可能的干扰因素。此外，在线研究可能引发有关数据匿名性和保密性的伦理问题。

作为一个网络化桌面虚拟现实实验室，苏黎世联邦理工学院决策科学实验室（DeSciL）主要用于在受控环境中研究经济决策和战略互动。DeSciL的技术基础设施包括硬件、实验室自动化软件以及支持多用户桌面虚拟现实设置的软件。硬件包括搭载Microsoft Windows 10 Enterprise操作系统的高性能台式计算机、控制接口（例如鼠标和键盘、操纵杆）、耳机以及眼动仪（材料表）。所有客户端计算机均通过每秒千兆比特的以太网连接至大学网络及同一网络文件共享系统。当有36台客户端连接时，未观察到任何明显延迟或卡顿现象，每秒帧数持续保持在100以上。实验还通过基于 Microsoft PowerShell 的实验室自动化软件进行管理和控制。即，PowerShell 期望状态配置和 PowerShell 远程处理）。本方案的所有相关步骤均已通过称为 Cmdlet 的 PowerShell 脚本预先编程（例如., 启动计算机、关闭计算机）。在实验过程中，这些脚本可同时远程在所有客户端计算机上执行。此类实验室自动化可确保各客户端计算机状态一致，减少科学测试过程中的潜在错误与复杂性，并避免研究人员执行重复性手动操作。在导航实验中，我们使用 Unity 游戏引擎（<https://unity3d.com/>) 以支持多用户交互式桌面虚拟现实（VR）的二维和三维环境开发。36台客户端计算机通过权威服务器架构连接至一台服务器。每次实验开始时，各客户端向服务器发送实例化请求，服务器响应并在所有已连接的设备上为该用户实例化一个虚拟化身（avatar）。每个用户的虚拟化身均配备一个视场角为50度的摄像机。实验过程中，客户端将用户的输入发送至服务器，服务器则更新所有客户端的运动状态。

在实体实验室中，每台计算机分别位于三个半独立房间内的独立隔间中（图1）。实验室总面积为170 m²（其中实验区150 m²，控制室20 m²）。每个房间均配备音频和视频记录设备。实验由一个相邻的独立房间进行控制（即，通过发出指令并启动实验程序）。在该控制室内，实验人员可同时观察处于实体环境和虚拟环境中的参与者。此外，DeSciL 与苏黎世大学经济系共同运营“学生参与者大学注册中心”，该中心基于 h-root³⁷ 建立。

尽管文献中已报道过类似系统³⁸，但据我们所知，DeSciL 是首个适用于多用户桌面虚拟现实环境中进行导航与群体行为研究的多功能实验室。本文描述了在 DeSciL 中开展实验的实验方案，展示了一项关于社会性导航行为研究的代表性结果，并讨论了该系统的潜力与局限性。

方案

本研究所述所有方法均已作为提案 EK 2015-N-37 的一部分，获得苏黎世联邦理工学院研究伦理委员会批准。

1. 为计划的实验环节招募参与者。

1. 使用参与者招募系统，在特定限制条件下（例如，年龄、性别、教育背景）抽取样本参与者。
2. 利用招募系统提供的联系信息，通过电子邮件向随机选定的参与者发送邀请。
3. 等待这些参与者通过在线系统完成注册。确保注册人数超过实际所需人数（例如，对于需要36人的场次，额外多出4名参与者）。预留额外参与者有助于在出现缺席情况时仍能保证场次的正常进行。
4. 确保系统自动向已注册的参与者发送确认邮件。

2. 准备实验阶段。

1. 准备实验室环境。
   1. 从招募系统中打印参与者名单。
   2. 打开 DeSciL 控制室的服务器和灯光，并根据所需参与者人数整理测试房间。
   3. 将可执行的实验程序及其相应的配置文件复制到网络驱动器上。该可执行程序部署了一个基于 Unity 游戏引擎定制开发的软件框架，用于通过局域网支持不同计算机之间的客户端-服务器通信。在导航实验中，该框架提供了一个鸟瞰式观察服务器系统，用于监控实验过程中客户端的行为。
   4. 在 Windows 桌面上打开 PowerShell 集成脚本环境。在 PowerShell 控制台中，指定一个计算机名称数组（例如，$pool = “descil-w01”, “descil-w02”…），以创建客户端池对象。接着输入 Start-Pool $pool 启动客户端计算机，并输入 Register-Pool $pool 将服务器连接至客户端计算机。
   5. 在启动程序前准备客户端计算机。输入 Invoke-Pool { Mount-NetworkShare $path}，指示各计算机进入正确的文件夹路径。
   6. 在服务器端执行预设函数（即，Start-GameServer），并在客户端执行相应函数（即，Invoke-Pool { Start-GameClient }）。将服务器的 IP 地址作为参数传入函数中。
   7. 等待服务器显示器上出现提示信息，表明连接已成功建立。
   8. 在每个隔间内分发知情同意书和笔。知情同意书包含有关研究的信息（例如，研究目的、实验可能存在的风险与益处）、实验人员的联系方式以及法律免责声明。
   9. 洗匀标明参与者座位安排的座位卡牌组。
2. 欢迎参与者。
   1. 请参与者在实验室外等候。在正式开始时间前 5 分钟，核对参与者的身份证明文件，确保其与已注册参与者名单一致。同时让每位参与者抽取一张标明其座位编号的卡片，并引导其前往对应的隔间等待实验开始。
   2. 等待几分钟，让参与者阅读并签署知情同意书。在实验开始前收回这些文件。

3. 进行实验。

1. 通过麦克风向所有参与者广播实验说明，告知他们基本规则，包括不得与其他参与者交流，且禁止使用个人电子设备。询问参与者如有关于实验的任何问题，请举手示意。
2. 实验开始时，先发放人口统计学问卷（例如., 性别和年龄）对每位客户的影响。
3. 部署训练场景，以指导参与者如何在虚拟环境中进行移动。如果参与者在使用控制界面时遇到困难（例如，鼠标和键盘），走至他们的隔间以提供协助。通过向所有客户端请求截图，持续监控参与者的进展（即类型 获取屏幕截图 在所有参与者完成培训课程之前，请保持 PowerShell 控制台开启状态。
4. 训练阶段结束后，开始实验的测试阶段。通过服务器计算机的俯视界面观察参与者的操作行为。如果发现参与者出现异常操作，可通过点击其头像，利用程序向其发送警告信息。除此之外，应尽量避免在实验过程中对参与者进行干预。
5. 每次试验前应留出短暂的等待时间，用于加载下一个场景，并让参与者阅读说明。

4. 完成实验。

1. 在 PowerShell 控制台中输入 Stop-GameClient 和 Stop-GameServer，关闭服务器和客户端程序。
2. 请参与者留在座位上，直到通过麦克风叫到他们的编号。
3. 从服务器计算机项目文件夹中的“Score.txt”文件提取参与者的最终得分，并将得分转换为相应的现金报酬。
4. 依次呼叫隔间编号，在接待处与每位参与者会面，向其致谢并支付相应报酬。
5. 检查各个隔间，收回遗留的笔或表格。
6. 将实验数据从服务器复制并保存到外部磁盘，以供后续分析。

结果

对于每位受试者在每次试验中的数据，DeSciL 通常包含轨迹、时间戳以及绩效指标例如，即参与者在特定交叉路口是否朝“正确”方向行进）。一项代表性研究考察了标识复杂性对一群人类参与者（使用虚拟化身）在简单Y形虚拟环境中路径选择的影响。在该实验中，28名参与者（12名女性和16名男性；平均年龄 = 22.5岁）被设定相同的终点位置即，闸机编号）并要求使用地图在交叉路口选择相应的路线选项（参见 图2).

地图复杂度在16次试验中有所变化，假设认为，对于更复杂的地图，决策时间和准确性会更高。尽管我们预期整体决策准确性相对较高，但参与者的运动轨迹可用于后续实验，以定义能够传递真实社交信号的智能体的行走路径。即，逼真的运动）。整个实验时间约为1小时，包括欢迎参与者、进行训练会话（针对控制界面）以及在Y形走廊中进行测试。所获得的数据汇总如下

讨论

本文介绍了一个多用户桌面式虚拟现实实验室，最多可支持36名参与者在多种虚拟环境中进行交互和同步导航。实验方案详细说明了此类研究所需的步骤，以及多用户场景下特有的操作流程。这些场景下的特殊考虑因素包括：参与者的实际到场人数、看似微小的实验者错误所造成的代价、渲染与网络传输能力（包括服务器端和客户端）、控制界面的操作培训，以及数据安全问题。为确保实验环节中参与者人数的精确性，有必要对参与者进行超额招募。如果到场人数过少，则实验环节失败的成本相对较高。同样，若在错误被发现前参与者的数据已被污染，或由于软件或硬件故障导致实验无法进行，则实验错误也可能导致整个环节失败。例如，若通过网络传输的信息量过大，则可能需要重新启动整个系统，若实验已经启动，这种情况尤为严重。此外，在虚拟导航实验中，参与者需要具备使用控制界面的经验或接受相应培训，因为这些控制方式不如真实行走直观，且对控制设备的操作可能干扰空间记忆任务²¹²⁰。鉴于每次实验环节所产生的数据量巨大，负责任的数据管理也变得尤为重要。

尽管DeSci...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
个人电脑	Lenovo	IdeaCentre AIO 700	24’’ 屏幕，16 GB 内存，固态硬盘。CPU：Intel Core i7。GPU：NVidia GeForce GTX 950A
键盘	Lenovo	LXH-EKB-10YA
鼠标	Lenovo	SM-8825
眼动仪	Tobii Technology	Tobii EyeX	数据采集率：60 Hz。追踪屏幕尺寸：最大 27″
通信音频系统	Biamp Systems	网络寻呼站 - 1	以太网：100BaseTX