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

Título: Aprendizado de Preferência Vibrotátil: Aprendizado de Preferência Consciente de Incerteza para Feedback de Vibração Personalizado

1. Problema e Motivação

O feedback háptico (tátil) é crucial para imersão em ambientes virtuais e sistemas interativos. No entanto, existe uma variabilidade individual significativa na percepção tátil, influenciada por fatores fisiológicos (densidade de mecanorreceptores, espessura da pele) e psicológicos.

• Desafio Atual: Bibliotecas de hápticos pré-definidas frequentemente falham em atender a todos os usuários. Um sinal "suave" pode ser imperceptível para alguns e desconfortável para outros.
• Limitações dos Métodos Tradicionais:
  • Ajuste Manual: Exige que o usuário entenda parâmetros técnicos (frequência, amplitude), gerando carga cognitiva elevada.
  • Escalas de Classificação (Likert): Sofrem de "deriva de pontuação" (score drift), onde a referência interna do usuário muda durante a sessão, e causam fadiga devido à necessidade de julgamentos absolutos complexos.
• Solução Proposta: Utilizar comparações pareadas (A/B), que são mais naturais para humanos, combinadas com aprendizado ativo para minimizar o esforço do usuário.

2. Metodologia: Sistema VPL

Os autores propõem o Vibrotactile Preference Learning (VPL), um sistema interativo que modela as preferências do usuário utilizando Processos Gaussianos (GP) e aprendizado ativo consciente de incerteza.

A. Parametrização do Sinal
O sistema utiliza um controle Xbox com dois atuadores assimétricos. O espaço de sinais é definido por quatro parâmetros normalizados:

1. Intensidade ($I$): Magnitude geral da vibração.
2. Equilíbrio do Motor ($T$): Distribuição de intensidade entre os motores esquerdo e direito (controla a "textura").
3. Ritmo ($R$): Frequência dos pulsos (Hz).
4. Grão ($G$): Ciclo de trabalho de cada pulso (afeta a nitidez percebida).

B. Modelagem de Preferência (Gaussian Process)

• Função Latente: Assume-se uma função de utilidade latente $f(x)$ que mapeia os parâmetros do sinal para a preferência do usuário.
• Probabilidade com Confiabilidade: O sistema coleta não apenas a escolha binária ($A \succ B$ ou $B \succ A$), mas também uma pontuação de confiança (1 a 5) do usuário.
  • Uma confiança baixa é mapeada para uma escala de ruído maior ($\sigma$) na função de verossimilhança probit.
  • Isso permite que o modelo "confie menos" em respostas incertas, ajustando a atualização do posterior.
• Atualização: O modelo utiliza estimativa MAP (Maximum A Posteriori) com aproximação de Laplace para atualizar a distribuição posterior da função de utilidade.

C. Seleção Ativa de Consultas (Active Query Selection)
Para maximizar a eficiência com um orçamento limitado de interações (40 rodadas), o sistema seleciona o próximo par de sinais a ser comparado maximizando o Ganho de Informação Esperado (Expected Information Gain - IG).

• Diferente de métodos que buscam apenas o ótimo local (como EUBO - Expected Utility of the Best Option), o IG foca em reduzir a incerteza global do modelo, explorando regiões onde o modelo é incerto ou onde as julgamentos do usuário são inconsistentes.

D. Fluxo de Trabalho

1. O sistema gera um par de sinais candidatos.
2. O usuário compara e escolhe o preferido, indicando sua confiança.
3. O GP atualiza sua distribuição posterior.
4. Repete-se por 40 rodadas.
5. O sistema recomenda o sinal com a maior média posterior.

3. Contribuições Principais

1. Modelo de Preferência Vibrotátil: Um modelo baseado em GP que incorpora a confiança relatada pelo usuário para modular o ruído na aprendizagem, permitindo uma exploração eficiente do espaço de parâmetros.
2. Validação Empírica: Um estudo com usuários ($N=13$) demonstrando alta precisão preditiva e recomendações satisfatórias em apenas 40 comparações.
3. Insights de Design: Análise do comportamento de amostragem (exploração vs. refinamento) e implicações práticas para personalização háptica em cenários com ambiguidade perceptiva.

4. Resultados do Estudo de Usuário

O estudo foi realizado com 13 participantes usando um controle Xbox, dividido em fase de aprendizado ativo, validação e ajuste manual (como referência).

• Precisão Objetiva (RQ1):
  • Acurácia de Validação: O modelo alcançou 92,3% de acurácia em comparações de validação (fora da amostra de treino), com intervalo de 85% a 100%.
  • Alinhamento com Preferências Reais: Os sinais "ideais" definidos manualmente pelos usuários (na fase de ajuste livre) estavam, em média, no 81,2º percentil da distribuição de utilidade aprendida pelo modelo. Isso indica que o sistema encontrou soluções muito próximas do ótimo subjetivo do usuário.
• Satisfação Subjetiva (RQ2):
  • Os usuários relataram alta satisfação com os sinais recomendados (Média de 6,54 em escala de 7).
  • A correspondência com as expectativas mentais do usuário foi alta (Média de 6,23).
• Carga de Trabalho (RQ3):
  • A sessão durou em média 12 minutos e 43 segundos.
  • A carga de trabalho (NASA-TLX) foi considerada baixa (Média global de 3,71/20).
  • A demanda mental foi o fator mais alto (necessário para distinguir diferenças sutis), mas a frustração e a demanda física foram mínimas. Os usuários sentiram-se bem-sucedidos na tarefa.

5. Significado e Implicações

• Eficiência de Dados: O VPL demonstra que é possível aprender preferências complexas e individualizadas com muito poucas interações (40 rodadas), superando métodos de ajuste manual demorados.
• Gestão de Incerteza: Ao incorporar a confiança do usuário, o sistema torna-se robusto a julgamentos ruidosos, evitando recomendações baseadas em dados duvidosos.
• Aplicações Práticas: O sistema é aplicável em diversas áreas onde a personalização é crítica e as restrições de segurança ou conforto existem:
  • Automotivo: Alertas de segurança adaptados à sensibilidade do motorista.
  • Saúde e Reabilitação: Feedback tátil para terapia com limites de intensidade seguros.
  • Jogos e VR: Personalização de feedbacks imersivos para diferentes jogadores.
  • Interfaces Sem Olhos: Navegação e notificações para usuários com deficiência visual.

Conclusão

O artigo apresenta uma solução viável e eficiente para o problema da subjetividade tátil. O sistema VPL consegue mapear o espaço de preferências de um usuário específico com alta precisão e baixa carga cognitiva, utilizando uma abordagem de aprendizado ativo que valoriza a incerteza e a confiança do usuário. Isso abre caminho para sistemas hápticos verdadeiramente adaptativos e escaláveis.