RL-LABEL：一种面向动态场景中 AR 标签放置的深度强化学习方法
人机交互
2024-05-14 v3 图形学
摘要
标签在增强现实（AR）中被广泛用于表示数字信息。确保 AR 标签的可读性需要将其放置于无遮挡处，同时保持视觉连接清晰，尤其当场景中存在多个标签时。尽管现有的基于优化的方法（如基于力的方法）在静态场景中管理 AR 标签有效，但它们常在具有持续运动物体的动态场景中陷入困境。这是因为它们专注于生成当前时刻最优的布局，忽视未来时刻，导致随时间推移出现次优或不稳定的布局。在本工作中，我们提出 RL-LABEL，一种基于深度强化学习的方法，用于管理涉及运动物体的 AR 标签放置。RL-LABEL 将物体与标签的当前及预测未来状态（如位置与速度）以及用户视点考虑在内，以做出明智的标签放置决策。它平衡即时与长期目标之间的权衡。我们在两个真实世界数据集上的实验表明，RL-LABEL 有效学习了长期优化的决策过程，在最小化标签遮挡、连线交叉与标签移动距离上优于两个基线（即无视图管理与一种基于力的方法）。此外，一项涉及 18 名参与者的用户研究表明，RL-LABEL 在帮助用户在动态场景中识别、比较和总结 AR 标签数据方面优于基线。
引用
@article{arxiv.2308.13540,
title = {RL-LABEL: A Deep Reinforcement Learning Approach Intended for AR Label Placement in Dynamic Scenarios},
author = {Chen Zhu-Tian and Daniele Chiappalupi and Tica Lin and Yalong Yang and Johanna Beyer and Hanspeter Pfister},
journal= {arXiv preprint arXiv:2308.13540},
year = {2024}
}