SaccadeNet：面向虚拟现实无限行走的实时扫视预测

现代重定向行走（RDW）技术显著优于经典方案。然而，它们常受限于严重依赖头显内嵌的眼动追踪硬件以发现重定向时机。我们提出一种新颖的RDW技术，利用扫视引起的暂时性盲态进行重定向。但与最先进方法不同，我们的方法不附加眼动追踪硬件要求。相反，深度神经网络SaccadeNet在头部旋转数据上训练，以在表观头部旋转期间实时预测扫视。随后在这些扫视的起始持续时间内对虚拟环境施加刚性变换以实现重定向。然而，SaccadeNet仅在与引发重复头部旋转的中等认知负荷结合时才有效。我们呈现了三项用户研究。第一项用户研究确认了头部与注视方向之间的关系，随后第二项用户研究进行了训练数据收集。然后，经过一些微调实验，在第三项用户研究中评估了我们RDW技术的性能。最后，我们给出证明该方法有效性的结果。它使用户能在3.5×3.5 m²的物理追踪空间内行走至少38米的直线虚拟距离。此外，我们的系统在不带眼动追踪的广泛使用的消费级硬件上实现了扫视重定向。