🤖 machine learning

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

Die vorgestellte Arbeit stellt Vibrotactile Preference Learning (VPL) vor, ein System, das mithilfe von Gauß-Prozessen und einer unsicherheitsbewussten Abfragestrategie effizient individuelle Präferenzen für haptisches Feedback lernt und dabei in einer Nutzerstudie mit Xbox-Controllern eine personalisierte Erfahrung bei geringem Arbeitsaufwand ermöglicht.

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

Veröffentlicht 2026-04-23

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

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

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stell dir vor, du hast ein neues Smartphone oder ein Videospiel-Controller, das vibriert, wenn etwas passiert. Aber die Vibration fühlt sich für dich einfach falsch an: Manchmal ist sie zu schwach, um sie zu spüren, und manchmal kratzt sie so sehr, dass es unangenehm ist.

Das Problem ist: Jeder Mensch fühlt Vibrationen anders. Was für einen jungen Gamer ein perfektes „Zack"-Geräusch ist, fühlt sich für eine ältere Person vielleicht wie ein nerviges Summen an.

Dieser Forschungsartikel beschreibt eine intelligente Methode, um genau herauszufinden, was dir persönlich gefällt, ohne dass du stundenlang herumprobieren musst. Die Forscher nennen das VPL (Vibrotactile Preference Learning).

Hier ist die Erklärung, wie das funktioniert, mit ein paar einfachen Vergleichen:

1. Das Problem: Der „Schwierige Koch"

Stell dir vor, du bist ein Koch, der ein Gericht für einen Gast kocht. Der Gast sagt: „Mach es salziger." Du gibst Salz dazu. „Nicht so salzig." Du nimmst etwas weg. „Eher süß."
Das ist wie die alten Methoden, bei denen man Regler für Frequenz und Lautstärke selbst einstellen muss. Das ist anstrengend, verwirrend und dauert ewig. Niemand weiß genau, wie viel „Salz" (Vibration) man braucht, bis man es probiert hat.

2. Die Lösung: Das „Blind-Test"-Spiel

Die Forscher haben eine bessere Idee entwickelt. Statt dir Regler zu geben, spielen sie mit dir ein A/B-Test-Spiel.

Der Ablauf: Das System zeigt dir zwei verschiedene Vibrationen (Signal A und Signal B).
Die Frage: „Welche magst du lieber?"
Der Clou: Du musst nicht nur sagen, was du magst, sondern auch, wie sicher du dir bist.
- Beispiel: „Ich mag A, aber ich bin mir gar nicht sicher (vielleicht war ich gerade abgelenkt)."
- Oder: „Ich liebe A! Das ist definitiv besser, ich bin mir zu 100 % sicher."

3. Der „Detektiv" im Hintergrund (Die KI)

Im Hintergrund läuft ein sehr schlauer Computer-Detektiv (ein sogenannter Gaussian Process). Er macht folgendes:

Er lernt aus deinen Antworten: Wenn du sagst „A ist besser", merkt er sich das.
Er achtet auf dein Vertrauen: Wenn du sagst „Ich bin mir unsicher", denkt der Detektiv: „Okay, diese Antwort ist vielleicht etwas verrauscht, ich nehme sie nicht so ernst." Wenn du aber sagst „Ich bin mir sicher!", dann ist das für ihn ein sehr starkes Signal.
Er stellt die richtigen Fragen: Das ist das Geniale. Der Detektiv fragt nicht zufällig. Er fragt genau dort, wo er noch am meisten lernen muss.
- Vergleich: Stell dir vor, du suchst einen Schatz auf einer Insel. Ein dummer Sucher würde überall zufällig graben. Ein kluger Sucher (wie unser System) schaut erst, wo die Landkarte noch unscharf ist, und gräbt genau dort, um den Schatz (dein perfektes Vibrationsempfinden) schnell zu finden.

4. Das Ergebnis: Perfekt auf dich abgestimmt

Nach nur 40 Runden dieses kleinen Spiels (was nur etwa 12 Minuten dauert) hat das System deine persönlichen Vorlieben so genau verstanden, dass es dir eine Vibration vorschlagen kann, die sich für dich wie „Gold" anfühlt.

In dem Experiment mit 13 Menschen hat das System:

92 % der Vorhersagen richtig getroffen (als es neue Vibrationen testete).
Die Nutzer waren sehr zufrieden mit dem Ergebnis.
Die Nutzer fühlten sich nicht überfordert (es war nicht anstrengend).

Warum ist das wichtig?

Früher mussten Hersteller Vibrationen „für alle" machen – wie eine Einheitsgröße für Schuhe. Das passt nie perfekt.
Mit diesem System kann jedes Gerät (vom Auto-Warnsignal über das VR-Headset bis zum Fitness-Armband) seine eigene Sprache mit dir sprechen. Es lernt, wie deine Haut und dein Gehirn die Welt fühlen, und passt sich automatisch an.

Zusammengefasst:
Statt dich zu zwingen, technische Regler zu verstehen, führt dich ein cleveres System durch ein kurzes, sicheres Spiel. Es lernt, was du magst, indem es genau hinschaut, wo du unsicher bist und wo du fest davon überzeugt bist. Das Ergebnis? Vibrationen, die sich einfach richtig anfühlen.

1. Problemstellung

Haptisches Feedback ist ein zentraler Kanal zur Informationsvermittlung und Immersion in virtuellen und entfernten Umgebungen. Ein fundamentales Problem bei der Gestaltung haptischer Systeme ist jedoch die hohe individuelle Variabilität der taktilen Wahrnehmung. Diese hängt von physiologischen Faktoren (z. B. Dichte der Mechanorezeptoren, Hautdicke) und psychologischen Präferenzen ab.

Herausforderung: Vordefinierte haptische Bibliotheken versagen oft, da ein Signal, das für den einen Nutzer als „sanfte Benachrichtigung" empfunden wird, für einen anderen unmerklich oder unangenehm sein kann.
Limitationen bestehender Ansätze:
- Manuelle Anpassung (Method of Adjustment): Erfordert vom Nutzer das Verständnis komplexer Parameter und führt zu hoher kognitiver Belastung.
- Absolute Ratings (z. B. Likert-Skalen): Leiden unter „Score Drift" (Veränderung der internen Referenzskala über die Zeit) und Nutzerermüdung bei langen Sessions.
Ziel: Entwicklung eines Systems, das individuelle Präferenzen effizient, mit geringem Aufwand und unter Berücksichtigung der Unsicherheit des Nutzers lernt.

2. Methodik: Vibrotactile Preference Learning (VPL)

Das vorgestellte System VPL nutzt ein aktives Lernverfahren auf Basis von Gaussian Processes (GP), um eine latente Nutzenfunktion (Utility Function) für vibrotaktile Signale zu modellieren.

A. Parametrisierung des Signals

Das System verwendet einen Microsoft Xbox-Controller mit zwei asynchronen Aktoren (niederfrequenter linker Motor, hochfrequenter rechter Motor). Der Signalraum wird durch vier Parameter definiert:

Intensität ( $I$ ): Gesamtbetrag der Vibration.
Motor-Balance ( $T$ ): Verteilung der Intensität zwischen den Motoren (steuert die „Textur").
Rhythmus ( $R$ ): Frequenz der Vibrationsimpulse.
Körnigkeit ( $G$ ): Tastverhältnis der Impulse (beeinflusst die wahrgenommene Schärfe).

B. Interaktionsprozess und Unsicherheitsmodellierung

Der Lernprozess erfolgt über 40 Runden paarweiser Vergleiche (A/B-Tests):

Eingabe: Der Nutzer wählt das bevorzugte Signal ( $y_t \in \{+1, -1\}$ ) und gibt eine Selbstbewertung der Zuversicht ( $c_t \in \{1, \dots, 5\}$ ) an (1 = sehr unsicher, 5 = sehr sicher).
Probabilistisches Modell:
- Es wird ein Gaussian Process Prior über die Nutzenfunktion $f$ gelegt.
- Die Likelihood-Funktion ist eine Confidence-aware Probit-Likelihood. Die vom Nutzer angegebene Zuversicht wird in eine Rauschskala ( $\sigma_i$ ) umgewandelt: Hohe Unsicherheit führt zu höherem Rauschen im Modell, was die Gewichtung dieser Antwort reduziert.
- Die Posterior-Verteilung wird mittels Maximum A Posteriori (MAP) Schätzung und Laplace-Approximation aktualisiert.

C. Aktive Abfragestrategie (Active Query Selection)

Um den Aufwand für den Nutzer zu minimieren, wird die nächste zu vergleichende Signalpaarung $(x_A, x_B)$ nicht zufällig, sondern durch Maximierung des erwarteten Informationsgewinns (Expected Information Gain, IG) ausgewählt.

Das System sucht nach dem Paar, das die Unsicherheit im globalen Präferenzmodell am stärksten reduziert.
Dies ermöglicht eine dateneffiziente Exploration des Parameterraums, auch bei begrenztem Interaktionsbudget (40 Runden).

3. Wichtige Beiträge

Präferenzmodell mit Unsicherheitsbewusstsein: Ein GP-basiertes Modell, das nicht nur die Präferenzen lernt, sondern auch die Zuverlässigkeit der Nutzerantworten (via Confidence-Scores) integriert, um das Rauschen im Datensatz zu modellieren.
Empirische Validierung: Eine Benutzerstudie ( $N=13$ ) mit einem Xbox-Controller, die zeigt, dass das System individuelle Präferenzen mit hoher Genauigkeit lernt.
Design-Erkenntnisse: Analyse des Sampling-Verhaltens (Exploration vs. Verfeinerung) und Diskussion der praktischen Implikationen für haptische Systeme mit hoher individueller Variabilität.

4. Ergebnisse der Benutzerstudie

Die Studie umfasste 13 Teilnehmer und bestand aus einer aktiven Lernphase (40 Vergleiche), einer Validierungsphase und einer manuellen Anpassungsphase (als Ground-Truth-Referenz).

Vorhersagegenauigkeit (RQ1):
- Das Modell erreichte eine Vorhersagegenauigkeit von 92,3 % auf einem zurückgehaltenen Validierungssatz.
- Die vom System empfohlenen Signale korrelierten stark mit den manuell optimierten „Besten"-Signalen der Nutzer (durchschnittlicher Perzentil-Rang von 81,2 % im gelernten Modell).
Nutzerzufriedenheit (RQ2):
- Hohe Bewertungen für Benutzerfreundlichkeit ( $M=6,69$ ), Kontrolle ( $M=6,54$ ) und Zufriedenheit mit dem Endergebnis ( $M=6,54$ ) auf einer 7-Punkte-Skala.
- Die empfohlenen Signale entsprachen stark den mentalen Modellen der Nutzer bezüglich ihrer bevorzugten Haptik.
Arbeitslast und Usability (RQ3):
- Die durchschnittliche Dauer der Session betrug ca. 12 Minuten und 43 Sekunden.
- Die kognitive Arbeitslast (gemessen mit NASA-TLX) war insgesamt niedrig ( $M=3,71$ ). Zwar erforderte die Unterscheidung subtiler haptischer Unterschiede mentale Anstrengung, aber Frustration und physische Belastung waren minimal.

5. Bedeutung und Anwendungsbereiche

Das Paper demonstriert, dass unsicherheitsbewusstes aktives Lernen ein effektiver Weg ist, um personalisierte haptische Erfahrungen zu skalieren, ohne Nutzer mit komplexen Einstellungen oder langen Befragungsserien zu überfordern.

Robustheit unter Constraints: Da das Modell eine globale Präferenzlandschaft lernt, kann es auch dann gute Empfehlungen geben, wenn bestimmte Parameterbereiche (z. B. maximale Intensität aus Sicherheitsgründen) eingeschränkt sind.
Vermeidung von Ambiguität: Durch die explizite Modellierung von Unsicherheit kann das System Bereiche vermeiden, in denen Nutzerpräferenzen inkonsistent oder schwer unterscheidbar sind.
Potenzielle Anwendungen:
- Automotive HMI: Personalisierte Warnsignale unter Berücksichtigung von Sicherheitsgrenzen.
- Therapie & Rehabilitation: Anpassung von Feedback an die individuelle Toleranz und Sensitivität.
- Immersives Gaming & VR: Schnelle Anpassung von haptischem Feedback für verschiedene Spielereignisse.
- Assistive Technologien: Übersetzung von Informationen in taktilen Feedback für Menschen mit Sehbehinderung.

Fazit

VPL bietet einen dateneffizienten Rahmen, der die subjektive Natur der taktilen Wahrnehmung durch die Kombination von paarweisen Vergleichen und Unsicherheitsquantifizierung adressiert. Die Ergebnisse belegen, dass sich individuelle Präferenzen innerhalb kurzer Sessions (ca. 40 Interaktionen) mit hoher Genauigkeit lernen lassen, was den Weg für skalierbare, personalisierte haptische Systeme ebnet.