Évaluation des aspects d’utilisabilité d’une solution de réalité mixte pour l’analyse immersive dans les scénarios de l’industrie 4.0

Dans le contexte de l’industrie 4.0, l’analyse de données à l’aide de lunettes intelligentes présente un énorme potentiel, car les données peuvent être analysées directement sur le site d’une machine. À l’aide de lunettes intelligentes, l’opérateur est en mesure d’analyser les données, tout en gardant les mains libres pour les travaux de maintenance. Réalisez l’expérience dans une pièce équipée d’un ordinateur de bureau et de lunettes intelligentes de réalité mixte.

Demandez au participant de mettre un appareil de mesure de la conductance cutanée et de le faire reposer pendant cinq minutes pour obtenir une mesure de base du niveau de stress. Ensuite, informez le participant que l’expérience durera 40 à 50 minutes et demandez-lui de remplir un questionnaire d’inventaire d’anxiété State-Trait pour mesurer le stress perçu pendant l’expérience. Pour effectuer un test de rotation mentale, demandez au participant de s’asseoir devant l’ordinateur de bureau et informez-le qu’il devra identifier des objets similaires avec des positions différentes dans un espace 3D simulé.

Informez le participant que seulement deux des cinq objets présentés seront similaires et qu’il aura deux minutes pour accomplir sept tâches. Pour effectuer une évaluation de la capacité sonore spatiale, expliquez au participant que six sons seront également joués pendant 13 secondes par son, et que le participant devra détecter la direction à partir de laquelle les sons sont produits. Pour effectuer une évaluation des compétences de détection des valeurs aberrantes, demandez au participant de mettre les lunettes intelligentes de réalité mixte et d’expliquer que huit valeurs aberrantes doivent se trouver dans le monde créé pour les lunettes intelligentes de réalité mixte.

Expliquez au participant qu’une valeur aberrante est un point marqué en rouge dans un groupe de points blancs qui deviendront verts lorsqu’il le détectera en dirigeant son regard. Expliquez également que non seulement une aide visuelle sera fournie, mais que des indices sonores environnementaux seront également inclus pour aider à localiser les valeurs aberrantes. Ensuite, informez le participant que le temps requis pour chaque tâche, la durée de la marche et sa position de mouvement finale par rapport à sa position de départ seront enregistrés.

Pour effectuer une évaluation de la compétence de reconnaissance de cluster, expliquez au participant qu’il devra localiser six clusters dans le monde créé avec les lunettes intelligentes de réalité mixte utilisées, en insistant sur le fait que les participants devront faire la distinction entre les clusters qui se chevauchent en naviguant autour des clusters à l’aide de commandes vocales. Une fois que les six grappes ont été localisées, demandez au participant de s’asseoir devant l’ordinateur sans les lunettes intelligentes et d’expliquer que le même type de grappes doit maintenant être détecté dans le logiciel de l’ordinateur. À la fin de l’évaluation de bureau, demandez au participant de remplir un nouveau questionnaire d’inventaire d’anxiété State-Trait, un questionnaire qu’il a lui-même élaboré pour recueillir des commentaires subjectifs et un questionnaire démographique.

Retirez l’appareil de mesure de la conductance cutanée des participants et remerciez-les de leur participation. Dans cette analyse représentative, les élèves peu performants et les moins performants n’ont montré aucune différence dans leurs variables de référence, bien que les moins performants aient un pourcentage plus élevé de femmes que les personnes très performantes, et que les personnes très performantes soient plus jeunes que les moins performantes. Pour la tâche de reconnaissance de clusters, les éléments peu performants et les plus performants ne différaient pas significativement entre l’application 2D et l’approche 3D.

Pour la tâche de détection des valeurs aberrantes, les personnes très performantes étaient nettement plus rapides que les moins performantes et nécessitaient une distance de marche plus courte pour résoudre les tâches. En effet, les valeurs BoundingBox, Pathlength, PathVariance, PathMean, AngleVariance et AngleMean ont considérablement augmenté d’une tâche à l’autre. Bien que le temps enregistré ait montré peu de changement d’une tâche à l’autre à l’aide des lunettes intelligentes de réalité mixte.

Sur la base des sons spatiaux, les participants ont pu résoudre les tâches dans le cas de détection des valeurs aberrantes plus rapidement que sans utiliser de sons spatiaux. Notamment, les scores de l’inventaire d’anxiété State-Trait n’ont pas montré de différences significatives entre les évaluations avant et après la tâche. De plus, des temps de reconnaissance de grappe plus petits mais significativement plus rapides ont été observés lorsque les participants utilisaient les lunettes intelligentes de réalité mixte par rapport à ceux observés lorsque les participants utilisaient l’ordinateur de bureau.

Comme il est essentiel de filtrer les experts dans ce nouveau domaine, nous avons inclus de nombreux pré-tests. Bien que nous ayons testé les méthodes dans la salle neutre, il serait intéressant de voir de vrais instructeurs de machines en usine analyser leurs données.