🤖 machine learning

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

Dit paper introduceert Vibrotactile Preference Learning (VPL), een systeem dat gebruikmaakt van onzekerheidsbewust voorkeursleren om efficiënt gepersonaliseerde vibratievoorkeuren te modelleren en zo de haptische ervaring te optimaliseren.

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

Gepubliceerd 2026-04-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een nieuwe trillende game-controller koopt. De fabrikant zegt: "Deze trillingen zijn perfect voor iedereen!" Maar jij voelt het misschien als een zacht tikje, terwijl je vriend er een pijnlijke schok van krijgt. Of misschien vind jij een snelle trilling leuk, maar jij baat er juist een rustige, diepe trilling van.

Het probleem: Iedereen voelt trillingen anders. Wat voor de één "perfect" is, is voor de ander "vervelend" of "niet te voelen".

De oplossing uit dit artikel: De onderzoekers hebben een slimme computerprogramma bedacht, genaamd VPL (Vibrotactiele Voorkeursleren). Het is alsof je een persoonlijke trillings-detective hebt die precies uitvindt wat jij leuk vindt, zonder dat jij urenlang hoeft te prutsen met ingewikkelde knoppen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het "Blind Proeven" van Trillingen

Stel je voor dat je in een restaurant zit en je wilt de perfecte soep vinden. In plaats van dat je zelf de zout, peper en kruiden moet afwegen (wat lastig is), vraagt de chef-kok je simpelweg: "Wat vind je lekkerder: Komkommer A of Komkommer B?"

Dit is precies wat het systeem doet. Het laat je twee trillingen voelen (bijvoorbeeld op je Xbox-controller) en vraagt: "Welke van deze twee vind je leuker?"

2. De "Zekerheids-meter"

Maar er is een trucje. Soms weet je niet zeker welke je het leukst vindt. Misschien lijken ze wel erg op elkaar.
Het systeem vraagt dan ook: "Hoe zeker ben je van je keuze?" (van 1 = "Ik heb geen idee" tot 5 = "Ik weet het zeker").

De analogie: Stel je voor dat je een gids hebt die je door een donker bos leidt. Als jij zegt: "Ik ben 100% zeker dat die kant op de weg is", loopt de gids daar snel naartoe. Als je zegt: "Ik ben niet zeker, het kan ook hier zijn", dan loopt de gids voorzichtig en kijkt hij goed om zich heen. Het systeem gebruikt jouw zekerheid om te beslissen hoe snel het mag "gokken" en hoe snel het moet "nadenken".

3. Slimme Vragen (De "Gokker")

Het systeem is niet dom. Het vraagt niet willekeurig. Het gebruikt een slimme strategie (een soort wiskundige magie genaamd Gaussian Processes) om te bepalen welke twee trillingen het belangrijkst zijn om te vergelijken.

De analogie: Stel je voor dat je een kaart van een berglandschap tekent, maar je ziet alleen de toppen waar je bent geweest.
- Als je al veel weet over de ene kant van de berg, vraagt het systeem je niet nog eens daar te kijken.
- Het vraagt je juist om te kijken naar de plekken waar het landschap nog vaag is (waar het systeem niet weet wat jij leuk vindt).
- Zo leert het systeem in 40 vragen precies hoe jouw "trillings-berg" eruit ziet, terwijl een ander systeem misschien 100 vragen nodig zou hebben.

4. Het Resultaat: Jouw Perfecte Trilling

Na die 40 korte vergelijkingen (wat ongeveer 12 minuten duurt), heeft het systeem een heel nauwkeurig plaatje van jouw voorkeuren. Het kan dan zeggen: "Oké, op basis van wat je hebt gezegd, is dit de trilling die jij het allerleukst vindt."

In het onderzoek bleek dat dit systeem:

Snel is: Het leerde in korte tijd wat mensen leuk vonden.
Nauwkeurig is: De trillingen die het voorstelde, waren bijna perfect wat de mensen zelf ook hadden gekozen als ze zelf hadden kunnen prutsen.
Niet vermoeiend is: Mensen vonden het niet zwaar om te doen; het voelde als een spelletje, niet als een test.

Waarom is dit belangrijk?

Vroeger moest je zelf knoppen draaien om trillingen aan te passen (te hard, te zacht, te snel, te traag). Dat is lastig en saai. Met dit systeem krijg je automatisch een ervaring die op maat is gemaakt voor jouw lichaam en gevoel.

Kortom: Het is alsof je een trillings-detective hebt die in een half uur leert wat jij leuk vindt, zodat je game-ervaring, je navigatie-app of je therapietool altijd precies voelt zoals jij dat wilt, zonder dat jij er hard over na hoeft te denken.

Probleemstelling

Haptische feedback (vooral trillingen) is essentieel voor immersive ervaringen in virtuele werelden, VR en mobiele apparaten. Een fundamentele uitdaging is echter de individuele variabiliteit in tactiele perceptie. Wat voor de ene gebruiker een aangename melding is, kan voor een ander onzichtbaar of zelfs oncomfortabel zijn. Dit komt door fysiologische factoren (zoals dichtheid van mechanoreceptoren, huiddikte) en psychologische voorkeuren.

Bestaande personalisatiemethoden hebben beperkingen:

Handmatige aanpassing: Gebruikers moeten parameters (zoals frequentie en amplitude) zelf instellen, wat hoge cognitieve last en tijd vereist voor niet-experts.
Absolute beoordelingsschalen (bijv. Likert-schalen): Deze leiden tot "score drift" (gebruikers hebben geen stabiel referentiepunt) en vermoeidheid bij langdurige sessies, wat de datakwaliteit verlaagt.
Binair vergelijken (A/B): Hoewel dit drift en vermoeidheid vermindert, is de data schaarser. De uitdaging ligt in het selecteren van de meest informatieve paren om te vergelijken binnen een beperkt aantal interacties, zonder de gebruiker te overbelasten.

Methodologie: Vibrotactile Preference Learning (VPL)

Het paper introduceert VPL, een systeem dat gebruikmaakt van Gaussian Process (GP)-gebaseerde voorkeursleer, verrijkt met onzekerheidsbewustzijn.

1. Parametrisatie van het Signaal
Het systeem gebruikt een Microsoft Xbox-controller met twee asymmetrische motoren (laag- en hoogfrequent). Het trillingsruimte wordt gedefinieerd door vier parameters:

Intensiteit ( $I$ ): Totale trillingsgrootte.
Motorbalans ( $T$ ): Verdeling van intensiteit tussen linker- en rechtermotor (bepaalt de "textuur").
Ritme ( $R$ ): Frequentie van trillingspulsen (Hz).
Korrel ( $G$ ): Duty cycle van elke puls (beïnvloedt de scherpte).

2. Het Leerproces (Actieve Query Selectie)
Het proces verloopt in 40 rondes van paren vergelijkingen:

Invoer: De gebruiker vergelijkt twee signalen (A vs. B) en geeft een binaire voorkeur (+1 of -1) én een vertrouwensscore (1 = zeer onzeker, 5 = zeer zeker).
Model: Een Gaussian Process prior wordt geplaatst op een latente nuttigheidsfunctie $f(x)$ .
Vertrouwensbewuste Likelihood: De betrouwbaarheid van de gebruiker wordt gemodelleerd als ruis. Een lage vertrouwensscore resulteert in een hogere ruisvariatie ( $\sigma$ ) in de probit-likelihood-functie. Dit zorgt ervoor dat het model minder zwaar weegt op onzekere antwoorden.
Query Selectie: Het systeem kiest het volgende paar signalen door de Verwachte Informatiewinst (Expected Information Gain - IG) te maximaliseren. In plaats van alleen te zoeken naar het beste signaal (zoals bij EUBO), probeert IG de onzekerheid in het hele voorkeurslandschap te verminderen, wat leidt tot een robuustere modellering van de globale voorkeuren.

3. Posterieur Update
Na elke interactie wordt het GP-posterieur bijgewerkt via Maximum A Posteriori (MAP) schatting met een Laplace-benadering, waardoor een nieuwe mean ( $\mu$ ) en covariance ( $\Sigma$ ) worden gegenereerd. Na 40 rondes wordt het signaal aanbevolen dat de hoogste verwachte nuttigheid heeft.

Belangrijkste Bijdragen

VPL-Model: Een nieuw voorkeursmodel dat paarsgewijze vergelijkingen combineert met zelfgerapporteerde vertrouwensscores om een GP-model te bouwen dat zowel de voorkeur als de onzekerheid van de gebruiker vastlegt.
Empirische Validatie: Een gebruikersstudie ( $N=13$ ) met een Xbox-controller die aantoont dat het systeem individuele voorkeuren efficiënt leert binnen 40 vergelijkingen.
Ontwerpinzichten: Analyse van het gedrag van steekproefneming (exploratie vs. verfijning) en de praktische implicaties voor het toepassen van voorkeursgedreven personalisatie in omstandigheden met perceptuele ambiguïteit.

Resultaten

De studie leverde de volgende resultaten op:

Voorspellingsnauwkeurigheid (RQ1): Het model bereikte een 92,3% nauwkeurigheid op een vastgehouden validatieset. De door het systeem aanbevolen signalen kwamen sterk overeen met de door gebruikers handmatig geoptimaliseerde "beste" signalen (gemiddelde percentielrang van 81,2%).
Gebruikstevredenheid (RQ2): Gebruikers gaven hoge scores voor tevredenheid met de aanbevolen signalen (gemiddeld 6,54/7) en het gevoel dat de signalen overeenkwamen met hun mentale model.
Cognitieve Last (RQ3): De sessie duurde gemiddeld ongeveer 12 minuten en 43 seconden. De NASA-TLX scores toonden een lage algehele werklast (gemiddeld 3,71/20). Hoewel de mentale vraag (onderscheiden van subtiele verschillen) het hoogst was, bleven fysieke vraag, tijdsdruk en frustratie zeer laag. Gebruikers voelden zich succesvol in het sturen van het systeem.

Betekenis en Toekomstperspectief

Het paper demonstreert dat onzekerheidsbewuste voorkeursleer een krachtige methode is om haptische feedback te personaliseren zonder de gebruiker te overbelasten.

Robuustheid: In tegenstelling tot methoden die alleen lokaal optimaliseren (zoals EUBO), leert VPL een globaal voorkeurslandschap. Dit is cruciaal voor toepassingen met harde beperkingen (bijv. veiligheid in auto's, medische revalidatie), waar het systeem een goed alternatief moet kunnen kiezen als de ideale optie niet haalbaar is.
Toepassingsgebieden: Het systeem is toepasbaar in diverse domeinen zoals toegankelijke technologie, therapeutische ondersteuning, automotive HMI, affectieve computing en immersive gaming.
Beperkingen: Het huidige model werkt binnen een beperkt parameterbereik en een vaste duur (3 seconden). Toekomstig werk richt zich op het uitbreiden naar complexere spatiotemporale patronen en het aanpassen van de mapping tussen vertrouwen en ruis per gebruiker.

Kortom, VPL biedt een schaalbare, data-efficiënte oplossing voor het creëren van gepersonaliseerde haptische ervaringen die rekening houden met de unieke perceptie en onzekerheid van elke individuele gebruiker.