Summary
Dette dokumentet beskriver en metode for å gjennomføre multi-user eksperimenter på beslutningsprosesser og navigasjon ved hjelp av en nettverksdatamaskin laboratorium.
Abstract
Undersøker interaksjon mellom flere deltakere er en utfordring for forskere fra ulike disipliner, inkludert beslutning sciences og romlig erkjennelse. Lokalnett og dedikert programvareplattform, kan forskere effektivt for deltakerne som er samtidig midt i en virtuell skrivebordsmiljø og digital de innsamlede dataene. Disse funksjonene tillater eksperimentell design i romlig kognisjon og navigasjon forskning som ville være vanskelig (om ikke umulig) å gjennomføre i den virkelige verden. Mulig experimental variasjoner inkluderer stress under evakuering, samarbeidende og konkurransedyktig søke og andre kontekstuelle faktorer som kan påvirke emergent publikum atferd. Men krever slike et laboratorium vedlikehold og strenge protokoller for datainnsamling i en kontrollert setting. Mens ekstern gyldigheten av laboratoriestudier menneskelige deltakere er noen ganger avhørt, foreslår en rekke nyere verk at korrespondanse mellom reelle og virtuelle miljøer kan være tilstrekkelig for å studere sosial atferd i form av baner, nøling og romlig beslutninger. I denne artikkelen vi beskriver en metode for å gjennomføre eksperimenter på beslutningsprosesser og navigasjon med opptil 36 deltakere i et nettverk desktop virtuell virkelighet oppsett (dvs., den beslutning laboratorium eller DeSciL). Dette eksperimentet protokollen kan tilpasses og brukes av andre forskere for å sette opp et nettverk desktop virtuell virkelighet laboratorium.
Introduction
Forskning på romlige kognisjon og navigasjon vanligvis studier romlige beslutningsprosessen (f.eks., snu venstre eller høyre i et kryss) og representasjon av individer i reelle og virtuelle miljøer1,2. Fordelene av virtual reality (VR) omfatter forebygging av etiske og sikkerhetsspørsmål (f.eks., under en farlig evakuering3), den automatisk målingen og analyse av romlige data4og en balansert kombinasjon av interne og ekstern validitet5,6,7. For eksempel utvidet Weisberg og kolleger tidligere forskning på individuelle forskjeller i romlig kunnskap oppkjøp av viser at romlig aktiviteter i VR kan gi et objektivt opptreden mål romlige evne til8. Denne studien foreslo også at navigering virkemåten VR tilnærmet virkelige navigasjon fordi det virtuelle miljøet var modellert etter universitetsområdet brukes av Schinazi og kolleger9 (se også studier av Ruddle og kolleger 10). VR har også blitt brukt til psykoterapi11, klinisk vurdering12, forbrukernes atferd13og kirurgi14,15. Men de fleste VR systemer mangler proprioceptive og lyd tilbakemelding forbedre tilstedeværelse og nedsenking16,17,18,19, krever opplæring med kontroll grensesnitt20 ,21,22og mangel sosiale signaler. Faktisk, folk i virkeligheten ofte flytter i grupper23, unngå eller følge andre folk3,24og ta avgjørelser basert på sosial kontekst25,26.
Samtidig, forskning på mengden atferd ofte fokuserer på emergent egenskaper folkemengder (f.eks, lane formasjon, lunger på flaskehalser) som er simulert på en datamaskin eller observert i den virkelige verden. For eksempel Helbing og kolleger brukte en kombinasjon av virkelige observasjoner og datasimulering skal foreslå forbedringer trafikkflyt i kryssing av skille tilsig og utløp med fysiske barrierer og plassere en hindring i den Midtstill27. Moussaïd og kolleger brukt feilemetoder-basert modell for å studere høy tetthet situasjoner under en folkemengde katastrofe28. Denne tilnærmingen foreslo forbedringer til en miljømessig setting for masse arrangementer for å unngå folkemengden katastrofer. Med hjelp av en eksisterende åpen kildekode rammeverk, kan gjennomføringen av slike simuleringer være relativt enkelt. SteerSuite er en åpen kildekode rammeverk som tillater brukere å simulere styringen algoritmer og mengden atferd lett ved å tilby verktøy for tilrettelegging, benchmarking og testing29. Denne rammen gir kjernen av en agent navigasjon begrunnelsen, som er avgjørende for vellykket publikum simulering. I tillegg vist Singh og kolleger en enkelt plattform som kombinerer en rekke styring teknikker30. Mens forskere kan foreslå design intervensjoner med slike simuleringer, valideres de sjelden med menneskelige deltakere i en kontrollert setting. Kontrollerte forsøk er sjeldne i mengden forskning fordi de kan være vanskelig å organisere og farlig for deltakerne.
VR har vært ansatt å undersøke sosial atferd ved hjelp av enkle og komplekse virtuelle miljøer med én eller flere dataskapt agenter. Studien Bode og kolleger31,32, ble deltakerne bedt om å evakuere en enkel virtuelle miljøet fra et fugleperspektiv blant flere agenter og fant at exit valg var påvirket av statisk skilting og motivasjon. Presentere deltakerne med en mer kompleks virksomhet fra et første-person perspektiv, fant Kinateder og kolleger at deltakerne var mer sannsynlig å følge en enkelt datamaskin-simulert agent under Flukten fra en virtuell tunnel brann25. I et komplekst virtuelt miljø med flere agenter fant Drury og kolleger at deltakerne tendens til å hjelpe en fallen agent under evakuering når de identifiseres med mengden26. Samlet tyder disse funnene på at VR kan være en effektiv måte å fremlokkende atferd, selv med datamaskin-simulert agenter. Imidlertid noen publikum atferd kan bare sees når det er et realistisk sosiale signal (dvs., når deltakerne er klar over at andre avatarer er kontrollert av folk3). For å ta dette brist, beskriver nåværende protokollen en metode for å gjennomføre kontrollerte forsøk med flere brukere i et nettverk VR-oppsett. Denne tilnærmingen har vært ansatt i en fersk studie av Moussaid og kolleger for å undersøke evakuering virkemåten til 36 deltakere i nettverk3.
Forskning på nettverk VR har fokusert på emner relatert til navigasjon strategier33,34 og/eller avhengig av eksisterende online gaming plattformer som Second Life. For eksempel undersøkt Molka-Danielsen og Chabada evakuering atferd Avslutt valg og romlig kunnskap om bygningen med deltakerne rekruttert blant eksisterende brukere av Second Life35. Forfatterne gir noen beskrivende resultater (f.eks., visualiseringer av baner), denne studien hadde vanskeligheter med deltaker rekruttering, eksperimentelle kontroll og generalisering utover dette spesifikke tilfellet. Flere nylig, Normoyle og kolleger fant at eksisterende brukere av Second Life og deltakere i et laboratorium var sammenlignbare i evakuering ytelse og Avslutt valg og ulike egenrapporterte tilstedeværelse og frustrasjon med kontrollen grensesnitt36. Resultatene fra disse to studiene fremheve noen av de utfordringer og muligheter som gis av online og laboratoriet eksperimenter. Online studier er dugelig av tegning fra en mye større og motivert befolkning på potensielle deltakere. Men tillater laboratoriestudier for mer eksperimentelle kontroll av det fysiske miljøet og potensielle distraksjoner. Dessuten kan online studier utgjøre noen Etiske bekymringene om data anonymitet og konfidensialitet.
Som et nettverk desktop VR laboratorium brukes hovedsakelig beslutning Science Laboratory (DeSciL) ved ETH Zürich å studere økonomiske beslutninger og strategiske interaksjon i et kontrollert miljø. Den tekniske infrastrukturen på DeSciL består av maskinvare og programvare for laboratoriet automatisering programvare som støtter flere brukere skrivebordet VR oppsett. Maskinvaren inkluderer høy ytelse stasjonære datamaskiner med Microsoft Windows 10 Enterprise operativsystem, kontroll grensesnitt (f.eks., mus og tastatur, styrespaker), hodetelefoner og øye bane (Tabell for materiale). Alle klientmaskinene er koblet med Ethernet av en gigabit per sekund til universitetet nettverket og den samme nettverksfildeling. Det er ingen synlig forsinkelse eller etterslep når det er 36 klientene koplet. Antall rammer per sekund er konsekvent over 100. Forsøkene også administrert og kontrollert med laboratoriet automatiseringsprogramvare basert på Microsoft PowerShell (dvs., PowerShell ønsket staten konfigurasjon og PowerShell Remoting). Alle relevante trinnene av protokollen er forhåndsprogrammert med PowerShell skript kalt cmdleter (f.eks., Start-datamaskin, Stop-maskin). Under eksperimentet, kan disse skriptene kjøres eksternt og samtidig på alle klientdatamaskiner. Denne typen laboratorium automatisering sikrer en identisk tilstand av klienten datamaskiner, reduserer feil og kompleksiteten i vitenskapelig testing og hindrer at forskere måtte utføre rutinepregede manuelle oppgaver. Navigasjon eksperimentene, bruker vi enhet spillmotoren (< https://unity3d.com/>) for å støtte utviklingen av 2D- og 3D-miljøer for flere brukere, interaktive skrivebordet VR. 36 klientmaskinene er koblet til en server via en autoritative serverarkitektur. Ved starten av hvert eksperiment, hver klient sender en forekomstoppretting forespørsel til serveren, og serveren svarer ved å opprette en avatar for denne brukeren på alle tilkoblede maskiner. Hver brukers avatar har et kamera med en 50 grader synsfelt. Hele eksperimentet klienter sende brukeren ' inngangen til serveren, og oppdaterer serveren bevegelsen av alle våre klienter.
I fysiske laboratoriet finnes hver datamaskin i en separat bås innen tre semi-uavhengige rom (figur 1). Størrelsen på laboratoriet er 170 m2 (150 m2 for eksperimentet rom og 20 m2 for kontrollrommet). Hvert av disse rommene er utstyrt med lyd- og innspillingsenheter. Eksperimenter styres fra et annet tilstøtende rom (dvs., etter instruksjoner og starte det eksperimentelle programmet). Fra denne kontrollrom, kan eksperimentelle også observere deltakerne i både fysiske og virtuelle miljøer. Sammen med Institutt på universitet i Zürich opprettholder DeSciL også registreringssenteret University for studiet deltakere, som ble gjennomført basert på h-root37.
Selv om lignende systemer har blitt beskrevet i litteraturen38, er DeSciL det første funksjonelle laboratoriet som passer for multi-user desktop VR eksperimenter på navigasjon og mengden virkemåten til vår kunnskap. Her beskriver vi protokollen for ledende en eksperiment i DeSciL, nåværende representant resultatene fra en studie på sosiale navigasjon atferd og diskutere muligheter og begrensninger av dette systemet.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle metodene som er beskrevet her er godkjent av forskning etikk komiteen av ETH Zürich som del av forslaget EK 2015-N-37.
1. rekrutter deltakere for planlagte eksperimentelle.
- Prøve deltakerne i spesielle begrensninger (f.eks., alder, kjønn, utdanningsbakgrunn) bruker verktøyet deltaker.
- Sende invitasjoner via e-post til tilfeldig utvalgte deltakere ved hjelp av kontaktinformasjonen gitt av verktøyet.
- Vent til disse deltakerne registrere seg via det elektroniske systemet. Kontroller at flere deltakere enn nødvendig (f.eks., 4 overbooket deltakere for en økt som krever 36 mennesker) Registrer. Overbooket deltakerne å sikre at en økt er levedyktig ved manglende oppmøte.
- Kontroller at en bekreftelse sendes til påmeldte automatisk.
2. Forbered eksperimentelle økten.
- Forberede laboratoriemiljø.
- Skrive ut deltakerlisten fra verktøyet.
- Slå på serveren og lysene i kontrollrommet i DeSciL og organisere testing rom i henhold til antall deltakere.
- Kopier kjørbart eksperimenter program og tilsvarende konfigurasjonsfilene på nettverksstasjonen. Dette kjørbare programmet distribuerer en tilpasset skrevet programvarerammeverk basert på enhet spillet motoren til å støtte klient-server kommunikasjon mellom datamaskiner via et lokalnett. For navigering eksperimenter gir rammen en fuglen-øye observatør serversystem for overvåking kundens atferd under eksperimentet.
- Åpne PowerShell integrert skriptings miljø på skrivebordet. I PowerShell-konsollen, kan du angi en rekke datamaskinnavn (f.eks., $pool = "descil-w01", "descil-w02"...) til å opprette et klientobjekt bassenget. Deretter skriver du inn Start-Pool $pool å starte klientdatamaskinene og Register-Pool $pool å koble serveren til klientdatamaskiner.
- Forbered datamaskinene på klientsiden før du starter programmet. Skriv inn Invoke-Pool {Mount-NetworkShare $path} til direkte datamaskinene angi banen i riktig mappe.
- Kjøre funksjonene forberedt på serveren (dvs., Start-server) og klienter (dvs., Invoke-Pool {Start-GameClient}). Angi IP-adressen til serveren som parameter for funksjonen.
- Vente på en melding på serveren skjerm som indikerer en vellykket tilkobling.
- Distribuere samtykke former og penner i hver cubicle. Samtykke skjemaene inneholder informasjon om studien (f.eks., formålet med studie, potensielle risikoer og fordeler av eksperimentet), kontaktinformasjon for eksperimentator og ansvarsfraskrivelse.
- Shuffle i kortstokk sitteplasser kort som angir sittegruppen deltakerne.
- Velkommen deltakerne.
- Be deltakerne vente utenfor laboratoriet. 5 min før offisielt starttid, kontrollere deltakernes identitetsdokumenter slik at de samsvarer med listen over registrerte deltakere. Samtidig, kan du la deltakerne plukke et kort som angir antallet sete. Har deltakerne gå til tilsvarende avlukket og vente å begynne.
- Vent noen minutter for deltakerne til å lese og signere skjemaene samtykke. Samle disse skjemaene før gjennomføre eksperimentet.
3. gjennomføre eksperimentet.
- Kringkaste eksperiment instruksjonene med mikrofonen til alle deltakerne. Informere dem om de grunnleggende reglene, inkludert ingen kommunikasjon til andre deltakere og ingen personlige elektroniske enheter tillatt. Be deltakerne å heve hendene hvis de har spørsmål om eksperimentet.
- Starte eksperimentet ved å presentere demografiske spørreskjemaet (f.eks. kjønn og alder) på hver klient.
- Distribuere trening scenen for å lærer deltakerne hvordan du manøvrerer gjennom det virtuelle miljøet. Hvis deltakerne har problemer med å bruke kontroll-grensesnitt (f.eks., mus og tastatur), gå mot sine cubicle for å hjelpe dem. Hold overvåke deltakernes fremgang ved å be om skjermbilder fra alle klienter (dvs., skrive Get-skjermbilder på PowerShell-konsoll) til alle deltakerne har fullført treningsøkten.
- Etter treningsøkten, kan du begynne testfasen av eksperimentet. Observere deltakernes atferd i fugleperspektiv grensesnittet på serverdatamaskinen. Sende advarsler til deltakerne gjennom programmet hvis de gjør noe unormalt ved å klikke sin avatar. Ellers Prøv ikke å forstyrre deltakerne under eksperimentet.
- Kontroller at det er en kort ventetid før hvert forsøk for lasting neste scene og tillater deltakerne å lese instruksjonene.
4. Fullfør eksperimentet.
- Lukk programmet serveren og klienten ved å skrive Stop-GameClient og Stop-server i PowerShell-konsollen.
- Be deltakerne å forbli sittende til deres kalles mikrofonen.
- Ekstra deltakernes sluttresultater fra filen "Score.txt" i prosjektmappen på serveren og konvertere deres score til en betaling.
- Ring cubicle tallene en om gangen og møte hver deltaker i resepsjonen. Takk deltakerne og gi dem den tilsvarende betalingen.
- Undersøke avlukkene og samle alle gjenværende penner eller skjemaer.
- Kopier og lagre Eksperimentsdata fra serveren til en ekstern disk for fremtidige analyser.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
For hver klient på hvert forsøk, eksperimentet dataene fra DeSciL vanligvis inkluderer baner, tidsstempler og måler ytelse (f.eks., om deltakeren slått i "riktig" retning på en bestemt kryss). En representant studie undersøkte effekten av skilting kompleksiteten på den rute valget for et publikum av menneskelig deltakere (med virtuelle avatarer) i et enkelt Y-formet virtuelt miljø. I dette eksperimentet, 28 deltakere (12 kvinner og 16 menn; middelalder = 22,5) fikk samme mål sted (dvs., gate nummer) og ble bedt om å velge tilsvarende rute i skjæringspunktet med kart (se figur 2).
Kart kompleksiteten variert over 16 prøvelser og hypotesen var at vedtaket tid og nøyaktighet ville være høyere for kart som er mer komplekse. Selv om vi forventer at beslutningen om å være relativt høy samlet, deltakernes baner kan brukes i senere eksperimenter for å definere turstier agenter som formidler en realistisk sosiale signal (dvs., troverdig bevegelser). Totalt eksperiment tiden var ca 1 h, inkludert innbydende deltakerne, gjennomføre treningsøkten (for kontroll grensesnittet) og testing i Y-formet korridoren. Innhentet data summeres i tabell 1.
Figur 3 viser minimum og maksimum fullføringen tidspunktene for hvert forsøk. Disse Deskriptiv statistikk gir en indirekte måling av overbelastning under rettssaken. Innhentet data gir også mulighet for visualisering av baner generert av den virtuelle mengden (se Figur 4). Romlig statistikk kan deretter brukes til å analysere endringer i baner over prøvelser. Forskerne kan for eksempel være interessert i hvordan deltakerne følges hverandre eller hvordan glatt deltakerne manøvrere med bestemt kontroll grensesnitt.
Figur 1: bilder av DeSciL laboratorium. (a) kontrollrommet inneholder serveren som mottar trafikk fra 36 klientdatamaskinene og overvåker deltakerne i båsene. Dette rommet kan isoleres fra testing rom lyd og visjon. Kommunikasjon til deltakerne er levert via mikrofon og høyttalersystem. (b) tre testing rom inneholder 36 avlukker. (c) hver cubicle inneholder en stasjonær datamaskin, en skjerm, mus og et tastatur grensesnitt, hodetelefoner og en øye-sporing. Klikk her for å se en større versjon av dette tallet.
Figur 2: syn av Y-formet virtuell miljøet. (a) fra serveren, kan forskerne observere deltakerne går mot krysset. (b) fra klienter, kan deltakerne vise det virtuelle miljøet og andre avatarer fra et første-person perspektiv under bevegelse. Klikk her for å se en større versjon av dette tallet.
Figur 3: representant resultater fra 16 eksperimentelle forsøk. Maksimum og minimum tiden er tiden som kreves av de raskeste og laveste deltakerne å nå målet på hvert forsøk. Klikk her for å se en større versjon av dette tallet.
Figur 4: deltakere baner fra (a) prøve 1 og (b) prøve 16. De x - og y - aksene representerer plasseringen av avatarer i mengden. Fargen bar representerer tid gått under rettssaken. Klikk her for å se en større versjon av dette tallet.
| Prøve nummer | MapType | Accuracy(%) | Gjennomsnittlig tid/s |
| 1 | Enkel | 100 | 42.01 |
| 2 | Komplekset | 96.4 | 40,51 |
| 3 | Enkel | 100 | 39.15 |
| 4 | Komplekset | 100 | 38.66 |
| 5 | Komplekset | 100 | 38.52 |
| 6 | Komplekset | 100 | 38.87 |
| 7 | Enkel | 100 | 38.43 |
| 8 | Komplekset | 100 | 38.26 |
| 9 | Enkel | 100 | 37.43 |
| 10 | Enkel | 100 | 38.44 |
| 11 | Komplekset | 100 | 37.08 |
| 12 | Komplekset | 100 | 36,8 |
| 13 | Enkel | 100 | 37.67 |
| 14 | Komplekset | 100 | 36.52 |
| 15 | Enkel | 100 | 36.83 |
| 16 | Enkel | 100 | 37.88 |
Tabell 1: representant resultater fra 16 eksperimentelle forsøk. Beslutning nøyaktighet representerer prosentandelen av riktige valg (dvs., slå mot riktig porten) over alle deltakere. Mener vedtaket tid betyr tiden det tar å nå målet (om korrekt eller ikke) over alle forsøk.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I denne artikkelen vi beskrev en multi-user desktop virtuell virkelighet laboratorium der opptil 36 deltakere kan samhandle og samtidig gå gjennom ulike virtuelle miljøer. Eksperimentell protokollen detaljer trinnene nødvendig for denne typen forskning og unik multi-user scenarier. Hensyn bestemt å disse scenariene inkluderer antall deltakere i nærvær, kostnaden av tilsynelatende små eksperimentator feil, gjengivelse og nettverk kapasitet (både server - og klientsiden), trening med kontroll interface og data sikkerhet. Overbooking deltakere er nødvendig for å sikre et nøyaktig antall deltakere i en eksperimentell økt. Hvis for få deltakerne delta, er kostnaden for en mislykket eksperimentelle økt relativt høy. Tilsvarende kan eksperimentelle feil føre til en mislykket økt når enten deltakernes data ble forurenset før feilen ble oppdaget eller eksperimentet ikke gjennomføres på grunn av programvare eller maskinvare feil. For eksempel hvis for mye informasjon distribueres gjennom nettverket, kan deretter en relansering av hele systemet være nødvendig. Dette er særlig problematisk hvis eksperimentet har allerede begynt. I tillegg krever deltakerne i virtuelle navigasjon eksperimenter erfaring og/eller opplæring i kontroll-grensesnittet fordi kontrollene er mindre intuitivt enn reell gå21 og samspill med kontrollene kan påvirke romlige minne aktiviteter20. Ansvarlig databehandling blir også spesielt viktig gitt den store mengden av data innhentet per økt.
Mens det er mange muligheter som gis av DeSciL, fortsatt minst tre begrensninger. Først, det nåværende systemet kalles oppsett for opptil 36 samtidige deltakere. Eksperimenter på større virtuelle folkemengdene kan kreve datastyrt agenter, spor av menneskelig deltakere fra flere tidligere økter, eller evnen til inkludert online deltakere. Andre, fremtidige maskinvareoppgraderinger (f.eks., for bedre grafikkort og bedre prosessorer) vil være mye dyrere enn for tradisjonelle, enkelt bruker systemet. Tredje multi-user desktop virtuell virkelighet forskning ikke kan likevel gjennomføres med kontroll grensesnitt som mer ligner på ekte gangavstand. Dermed er forskning på bevegelse og fysiske interaksjonene blant deltakerne begrenset.
Til tross for disse begrensningene tilbyr i DeSciL flere fordeler sammenlignet med virkelige verden studier, eksklusiv laboratoriestudier og flerbruker online studier. Programvareautomatisering gir forskerne evnene til å tilpasse eksperimentelle protokollen med hensyn til deres behov. I forhold til både reelle og online studier, gir DeSciL mer eksperimentelle kontroll. For eksempel kan eksperimenter i DeSciL ansette systematisk varianter av miljøet og gi direkte observasjon av deltakerne i både virtuelle og fysiske verdener. I forhold til én bruker stasjonær virtuell virkelighet studier med datastyrt agenter, deltakerne kan samhandle med hverandre i sanntid, og emergent virkemåten til den virtuelle mengden er mindre avhengige av eksperimentator fordommer. Datastyrt agenter i VR ofte avhengige skripthandlinger og tilpasse seg ikke brukernes bevegelser i sanntid. Derimot nettverk desktop VR gir en mer økologisk sammenheng i som menneske-styrt avatarer påvirke (og påvirkes) hverandres bevegelser. I tillegg denne tilnærmingen kan informere parameterne bevegelse (f.eks., hastighet og nøling) av fremtidige agent-basert modeller i mengden forskning (f.eks., for evakuering scenarier39). Generelt, gir multi-user desktop virtuell virkelighet studier mer presis måling av romlige atferd og gjenkjennelse av mønstre som kan ha blitt oversett.
Nylig har DeSciL vært vellykket ansatt i en rekke beslutninger40,41 og navigasjon studier3,21. For eksempel brukt Moussaid og kolleger multi-user skrivebordsoppsett-VR for å studere effekten av stress på mengden oppførsel under en evakuering3. I denne studien "riktig" ut varierte fra prøveversjon til rettssaken, og bare en del av deltakerne ble informert om riktig ut. Resultatene indikerte at deltakerne under stress ledet til en mer effektiv evakuering, men dette funnet kan skyldes måten der kollisjoner ble gjennomført. I tillegg tendens deltakere til å følge andre avatarer under stress, noe som tyder på at et sosiale signal ble formidlet blant deltakerne selv direkte fysisk interaksjon. Disse resultatene fremhever fordelene ved multi-user VR sammenlignet med enkelt-bruker VR med datastyrt agenter. Fremtidige studier inkluderer sammenligningen av multi-user data enten online eller i laboratoriet, mer kompliserte miljømessige variasjoner og tillegg av eksterne enheter som øyet bane eller fysiologiske enheter. Disse truslene vil tillate innsamling av ulike typer komplekse atferdsdata42. For eksempel kan rimelig øye bane bli tatt for å overvåke deltakernes oppmerksomhet eller oppdage grovt områder av interesse på skjermen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne ikke avsløre.
Acknowledgments
Representant studien ble finansiert av Swiss National Science Foundation som en del av tilskuddet "Wayfinding i sosiale miljøer" (nr. 100014_162428). Vi ønsker å takke M. Moussaid for innsiktsfulle diskusjoner. Vi vil også takke C. Wilhelm, F. Thaler, H. Abdelrahman, S. Madjiheurem, A. Ingold og A. Grossrieder for sitt arbeid i programvareutvikling.
Materials
| Name | Company | Catalog Number | Comments |
| PC | Lenovo | IdeaCentre AIO 700 | 24’’ screen, 16 GB RAM, and SSDs. CPU: Intel core i7. GPU:NVidia GeForce GTX 950A |
| Keyboard | Lenovo | LXH-EKB-10YA | |
| Mouse | Lenovo | SM-8825 | |
| Eye tracker | Tobii Technology | Tobii EyeX | Data rate: 60 Hz. Tracking screen size: Up to 27″ |
| Communication audio system | Biamp Systems | Networked paging station - 1 | Ethernet:100BaseTX |
References
- Waller, D., Nadel, L. Handbook of Spatial Cognition. , American Psychological Association. Washington D.C. (2013).
- Denis, M. Space and Spatial Cognition: A Multidisciplinary Perspective. , Routledge. Abingdon, Oxon. (2017).
- Moussaïd, M., Kapadia, M., Thrash, T., Sumner, R. W., Gross, M., Helbing, D., Hölscher, C. Crowd behaviour during high-stress evacuations in an immersive virtual environment. Journal of the Royal Society Interface. 13 (122), 20160414 (2016).
- Grübel, J., Weibel, R., Jiang, M. H., Hölscher, C., Hackman, D. A., Schinazi, V. R. EVE: A Framework for Experiments in Virtual Environments. Spatial Cognition X: Lecture Notes in Artificial Intelligence. , 159-176 (2017).
- Loomis, J. M., Blascovich, J. J., Beall, A. C. Immersive virtual environment technology as a basic research tool in psychology. Behavior Research Methods, Instruments, & Computers. 31 (4), 557-564 (1999).
- Brooks, F. P. What's Real About Virtual Reality? Proceedings IEEE Virtual Reality. , Cat. No. 99CB36316 (1999).
- Moorthy, K., Munz, Y., Jiwanji, M., Bann, S., Chang, A., Darzi, A. Validity and reliability of a virtual reality upper gastrointestinal simulator and cross validation using structured assessment of individual performance with video playback. Surgical Endoscopy and Other Interventional Techniques. 18 (2), 328-333 (2004).
- Weisberg, S. M., Schinazi, V. R., Newcombe, N. S., Shipley, T. F., Epstein, R. A. Variations in cognitive maps: Understanding individual differences in navigation. Journal of Experimental Psychology: Learning Memory and Cognition. 40 (3), 669-682 (2014).
- Schinazi, V. R., Nardi, D., Newcombe, N. S., Shipley, T. F., Epstein, R. A. Hippocampal size predicts rapid learning of a cognitive map in humans. Hippocampus. 23 (6), 515-528 (2013).
- Ruddle, R. A., Payne, S. J., Jones, D. M. Navigating Large-Scale "Desk- Top" Virtual Buildings: Effects of orientation aids and familiarity. Presence. 7 (2), 179-192 (1998).
- Riva, G.
- Ruse, S. A., et al. Development of a Virtual Reality Assessment of Everyday Living Skills. Journal of Visualized Experiments. (86), 1-8 (2014).
- Ploydanai, K., van den Puttelaar, J., van Herpen, E., van Trijp, H. Using a Virtual Store As a Research Tool to Investigate Consumer In-store Behavior. Journal of Visualized Experiments. (125), 1-15 (2017).
- Satava, R. M. Virtual reality surgical simulator - The first steps. Surgical Endoscopy. 7 (3), 203-205 (1993).
- Stanney, K. M., Hale, K. S. Handbook of virtual environments: Design, implementation, and applications. , CRC Press. 811-834 (2014).
- Ryu, J., Kim, G. J. Using a vibro-tactile display for enhanced collision perception and presence. Proceedings of the ACM symposium on Virtual reality software and technology VRST 04. , 89 (2004).
- Louison, C., Ferlay, F., Mestre, D. R. Spatialized vibrotactile feedback contributes to goal-directed movements in cluttered virtual environments. 2017 IEEE Symposium on 3D User Interfaces (3DUI). , 99-102 (2017).
- Knierim, P., et al. Tactile Drones - Providing Immersive Tactile Feedback in Virtual Reality through Quadcopters. Proceedings of the 2017 CHI Conference Extended Abstracts on Human Factors in Computing Systems - CHI EA '17. , 433-436 (2017).
- Serafin, S., Nordahl, R., De Götzen, A., Erkut, C., Geronazzo, M., Avanzini, F. Sonic interaction in virtual environments. 2015 IEEE 2nd VR Workshop on Sonic Interactions for Virtual Environments (SIVE). , 1-2 (2015).
- Grübel, J., Thrash, T., Hölscher, C., Schinazi, V. R. Evaluation of a conceptual framework for predicting navigation performance in virtual reality. PLoS One. 12 (9), (2017).
- Thrash, T., Kapadia, M., Moussaid, M., Wilhelm, C., Helbing, D., Sumner, R. W., Hölscher, C. Evaluation of control interfaces for desktop virtual environments. Presence. 24 (4), (2015).
- Ruddle, R. A., Volkova, E., Bülthoff, H. H. Learning to walk in virtual reality. ACM Transactions on Applied Perception. 10 (2), 1-17 (2013).
- Moussaïd, M., Perozo, N., Garnier, S., Helbing, D., Theraulaz, G. The walking behaviour of pedestrian social groups and its Impact on crowd dynamics. PLoS One. 5 (4), e10047 (2010).
- Bode, N. W. F., Franks, D. W., Wood, A. J., Piercy, J. J. B., Croft, D. P., Codling, E. A. Distinguishing Social from Nonsocial Navigation in Moving Animal Groups. The American Naturalist. 179 (5), 621-632 (2012).
- Kinateder, M., et al. Social influence on route choice in a virtual reality tunnel fire. Transportation Research Part F: Traffic Psychology and Behaviour. 26, 116-125 (2014).
- Drury, J., et al. Cooperation versus competition in a mass emergency evacuation: A new laboratory simulation and a new theoretical model. Behavior Research Methods. 41 (3), 957-970 (2009).
- Helbing, D., Buzna, L., Johansson, A., Werner, T. Self-Organized Pedestrian Crowd Dynamics: Experiments, Simulations, and Design Solutions. Transportation Science. 39 (1), 1-24 (2005).
- Moussaïd, M., Helbing, D., Theraulaz, G. How simple rules determine pedestrian behavior and crowd disasters. Proceedings of the National Academy of Sciences of the United States of America. 108 (17), 6884-6888 (2011).
- Singh, S., Kapadia, M., Faloutsos, P., Reinman, G. An open framework for developing, evaluating, and sharing steering algorithms. International Workshop on Motion in Games. , Springer. Berlin, Heidelberg. 158-169 (2009).
- Singh, S., Kapadia, M., Hewlett, B., Reinman, G., Faloutsos, P. A modular framework for adaptive agent-based steering. Symposium on Interactive 3D Graphics and Games. , ACM. (2011).
- Bode, N., Codling, E. Human exit route choice in virtual crowd evacuations. Animal Behaviour. 86, 347-358 (2013).
- Bode, N. W. F., Kemloh Wagoum, A. U., Codling, E. A. Human responses to multiple sources of directional information in virtual crowd evacuations. Journal of the Royal Society Interface. 11 (91), 20130904 (2014).
- Pandzic, I. S., Capin, T., Lee, E., Thalmann, N. M., Thalmann, D. A flexible architecture for virtual humans in networked collaborative virtual environments. Computer Graphics Forum. 16, Blackwell Publishers Ltd. (1997).
- Joslin, C., Pandzic, I. S., Thalmann, N. M. Trends in networked collaborative virtual environments. Computer Communications. 26 (5), 430-437 (2003).
- Molka-Danielsen, J., Chabada, M. Application of the 3D multi user virtual environment of Second Life to emergency evacuation simulation. System Sciences (HICSS), 2010 43rd Hawaii International Conference. , IEEE. 1-9 (2010).
- Normoyle, A., Drake, J., Safonova, A. Egress online: Towards leveraging massively, multiplayer environments for evacuation studies. , Tech Reports No MS-CIS-12-15 (2012).
- Bock, O., Baetge, I., Nicklisch, A. hroot: Hamburg registration and organization online tool. European Economic Review. 71, 117-120 (2014).
- Tanvir Ahmed, D., Shirmohammadi, S., Oliveira, J., Bonney, J. Supporting large-scale networked virtual environments. Virtual Environments, Human-Computer Interfaces and Measurement Systems, 2007. IEEE Symposium. , 150-154 (2007).
- Cipresso, P., Bessi, A., Colombo, D., Pedroli, E., Riva, G. Computational psychometrics for modeling system dynamics during stressful disasters. Frontiers in Psychology. 8, 1-6 (2017).
- Bernold, E., Gsottbauer, E., Ackermann, K., Murphy, R. Social framing and cooperation: The roles and interaction of preferences and beliefs. , 1-26 (2015).
- Balietti, S., Goldstone, R. L., Helbing, D. Peer review and competition in the Art Exhibition Game. Proceedings of the National Academy of Sciences of the United States of America. 113 (30), 8414-8419 (2016).
- Gomez-Marin, A., Paton, J. J., Kampff, A. R., Costa, R. M., Mainen, Z. F. Big behavioral data: Psychology, ethology and the foundations of neuroscience. Nature Neuroscience. 17 (11), 1455-1462 (2014).
