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

📄 arXiv: 2604.20210v1 📥 PDF

作者: Rongtao Zhang, Xin Zhu, Masoume Pourebadi Khotbehsara, Warren Dao, Erdem Bıyık, Heather Culbertson

分类: cs.HC, cs.AI, cs.LG

发布日期: 2026-04-22

备注: Accepted to ACM UMAP 2024; Project webpage: https://isanshi.github.io/publication/vpl/

💡 一句话要点

提出VPL：基于高斯过程不确定性感知偏好学习的个性化振动反馈系统

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 振动触觉 偏好学习 个性化 高斯过程 主动学习

📋 核心要点

  1. 交互系统中触觉反馈日益普及，但个体在振动触觉感知上的差异使得个性化变得至关重要。
  2. VPL通过高斯过程建模用户对振动参数的偏好空间，并利用期望信息增益指导参数探索，实现个性化学习。
  3. 用户研究表明，VPL能有效学习个体偏好，同时保持用户交互的舒适性和低工作量。

📝 摘要（中文）

本文提出了一种名为振动触觉偏好学习（VPL）的系统，旨在捕捉用户特定的振动触觉参数偏好空间。该系统利用基于高斯过程的不确定性感知偏好学习，通过基于期望信息增益的采集策略，在40轮成对比较中引导查询选择，并结合用户报告的不确定性，从而高效探索参数空间。通过对Microsoft Xbox控制器振动触觉反馈的用户研究（N = 13）评估了VPL，结果表明该系统能够高效地学习个性化偏好，同时保持舒适、低工作量的用户交互。这些结果突显了VPL在振动触觉体验的可扩展个性化方面的潜力。

🔬 方法详解

问题定义：现有触觉反馈系统缺乏个性化能力，无法适应不同用户对振动触觉的差异化偏好。传统方法难以高效探索高维振动参数空间，且忽略了用户对偏好判断的不确定性，导致个性化效果不佳。

核心思路：利用高斯过程对用户的振动触觉偏好进行建模，将个性化偏好学习视为一个贝叶斯优化问题。通过主动学习策略，选择信息量最大的参数组合进行用户交互，并结合用户报告的不确定性，从而更准确地估计用户的偏好空间。

技术框架：VPL系统主要包含以下模块：1) 振动参数空间定义模块：定义振动幅度、频率、模式等参数的范围。2) 高斯过程偏好模型：使用高斯过程回归对用户偏好进行建模，并估计偏好空间的不确定性。3) 期望信息增益（EIG）采集策略：基于当前高斯过程模型，计算每个参数组合的EIG，选择EIG最大的组合进行用户交互。4) 用户交互模块：向用户展示两个不同的振动反馈，并要求用户选择更偏好的一个，同时报告其选择的不确定性。5) 模型更新模块：根据用户的选择和不确定性报告，更新高斯过程模型。

关键创新：VPL的关键创新在于：1) 结合用户报告的不确定性，提高了偏好学习的准确性。2) 使用期望信息增益作为采集策略，实现了对参数空间的高效探索。3) 将个性化偏好学习问题建模为贝叶斯优化问题，并使用高斯过程进行求解。

关键设计：在用户研究中，振动反馈来自Microsoft Xbox控制器的振动电机。参数空间包含振动幅度、频率等参数。高斯过程使用RBF核函数。期望信息增益的计算采用蒙特卡洛采样方法。用户不确定性报告采用Likert量表。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

用户研究结果表明，VPL能够在40轮成对比较后，有效地学习用户的个性化振动触觉偏好。与随机选择参数组合的基线方法相比，VPL能够更快地收敛到用户的最优偏好，并且用户交互过程中的工作量较低。具体性能数据未知，但研究强调了VPL在个性化触觉反馈方面的潜力。

🎯 应用场景

VPL可应用于各种需要个性化触觉反馈的场景，例如游戏、虚拟现实、远程医疗、辅助驾驶等。通过学习用户的个性化偏好，VPL可以提供更舒适、更有效的触觉反馈，从而提升用户体验和交互效率。未来，VPL可以扩展到其他类型的触觉反馈，例如力反馈、温度反馈等，实现更全面的个性化触觉体验。

📄 摘要（原文）

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.