진동 촉각 선호도 학습: 불확실성을 고려한 개인 맞춤형 진동 피드백을 위한 선호도 학습

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

진동 촉각 인지 능력의 개인차는 상호 작용 시스템에서 촉각 피드백이 더욱 널리 사용됨에 따라 개인 맞춤화의 중요성을 강조합니다. 본 연구에서는 가우시안 프로세스 기반의 불확실성을 고려한 선호도 학습을 통해 사용자의 특정 선호도 공간을 파악하는 시스템인 Vibrotactile Preference Learning (VPL)을 제안합니다. VPL은 전체 사용자 선호도에 대한 쌍대 비교를 40회 수행하는 과정에서, 사용자가 보고한 불확실성을 활용하여 효율적인 파라미터 공간 탐색을 위한 정보 획득 기반의 획득 전략을 사용합니다. Microsoft Xbox 컨트롤러에서 제공하는 진동 촉각 피드백을 사용하여 사용자 연구(N = 13)를 통해 VPL을 평가한 결과, VPL이 사용자의 개별적인 선호도를 효율적으로 학습하면서도 편안하고 낮은 인지 부하의 사용자 인터랙션을 유지함을 확인했습니다. 이러한 결과는 VPL이 진동 촉각 경험의 확장 가능한 개인 맞춤화를 위한 잠재력을 가지고 있음을 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.