진동 촉각 선호 학습: 불확실성을 고려한 개인 맞춤형 진동 피드백 학습

Vibrotactile Preference Learning: Uncertainty-Aware Preference Learning for Personalized Vibration Feedback

진동 촉각 인지 능력의 개인차는 상호작용 시스템에서 촉각 피드백의 중요성이 커짐에 따라 개인 맞춤화의 중요성을 강조합니다. 본 연구에서는 가우시안 프로세스 기반의 불확실성 인지 선호 학습 방법을 활용하여 사용자별 진동 촉각 파라미터 선호도를 학습하는 시스템인 Vibrotactile Preference Learning (VPL)을 제안합니다. VPL은 사용자의 전반적인 선호도를 비교하는 40번의 쌍대 비교를 통해 데이터를 수집하고, 사용자가 보고한 불확실성을 활용하여 데이터 수집 전략을 결정함으로써 파라미터 공간을 효율적으로 탐색합니다. Microsoft Xbox 컨트롤러에서 제공하는 진동 촉각 피드백을 활용한 사용자 연구(N=13)를 통해 VPL이 사용자에게 편안하고 부담 없는 방식으로 개인별 선호도를 효율적으로 학습한다는 것을 확인했습니다. 이러한 결과는 VPL이 진동 촉각 경험의 확장 가능한 개인 맞춤화를 위한 잠재력을 보여줍니다.

Individual differences in vibrotactile perception underscore the growing importance of personalization as haptic feedback becomes more prevalent in interactive systems. We propose Vibrotactile Preference Learning (VPL), a system that captures user-specific preference spaces over vibrotactile parameters via Gaussian-process-based uncertainty-aware preference learning. VPL uses an expected information gain-based acquisition strategy to guide query selection over 40 rounds of pairwise comparisons of overall user preference, augmented with user-reported uncertainty, enabling efficient exploration of the parameter space. We evaluate VPL in a user study (N = 13) using the vibrotactile feedback from a Microsoft Xbox controller, showing that it efficiently learns individualized preferences while maintaining comfortable, low-workload user interactions. These results highlight the potential of VPL for scalable personalization of vibrotactile experiences.