Efficient Personalization of Generative User Interfaces
Carnegie Mellon University(卡内基梅隆大学);Purdue University(普渡大学)
本文研究了生成用户界面个性化难题,提出基于历史设计师偏好样本的高效方法,在技术评估中优于预训练模型,并能生成更多用户偏好界面。
2026-09-15 cs.AI cs.CV cs.HC
Towards Educator-Driven Tutor Authoring: Generative AI Approaches for Creating Intelligent Tutor Interfaces
Politecnico Di Torino(都灵理工大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出利用大型语言模型和提示工程,在整体和组件层面生成智能导师界面,以协助教育者设计,提高效率并促进采用。
2024-05-23 cs.AI cs.HC
Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks
脑机接口领域的一个很大的限制是训练样本非常有限,很难用这样有限的数据建立一个可靠的可用系统。为了提高卷积神经网络在脑机接口领域中的性能,克服训练数据集小的问题,受生成对抗网络的启发,提出了一种条件深度卷积生成对抗网络(cDCGAN)方法,自动生成更多的人工脑电信号用于数据增强。我们在运动想象的BCI竞争数据集上评估了所提出的cDCGAN方法。实验结果表明,从高斯噪声中生成的人工脑电数据能够学习到原始脑电数据的特征,并且在测试数据集中具有不低于原始脑电数据的分类精度。同时,在训练数据有限的情况下,利用生成的人工数据可以有效地提高同一模型的分类精度。
2018-12-27 cs.HC cs.LG q-bio.NC
Elicitive User Interfaces: Designing How Users Shape Generative Interfaces
School of Computing, KAIST(韩国科学技术院计算机学院);University of California San Diego(加州大学圣地亚哥分校)
本文提出启发式用户界面,一种将启发技术融入生成式界面的设计方法,通过六轴设计空间引出用户偏好,研究发现用户对启发方式的偏好比任务更一致,支持个性化启发。
2026-09-22 cs.HC
GenFaceUI: Meta-Design of Generative Personalized Facial Expression Interfaces for Intelligent Agents
College of Design and Innovation, Tongji University(同济大学设计创意学院);School of Design, Southern University of Science and Technology(南方科技大学设计学院);Shanghai Research Institute for intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院);University of Washington(华盛顿大学);School of Art and Design, Wuhan University of Technology(武汉理工大学艺术与设计学院)
GenFaceUI通过元设计方法提升智能代理生成面部表情的可控性与一致性,提供了一个概念验证工具及实证见解。
2026-02-11 cs.HC
Generative AI Perceptions: A Survey to Measure the Perceptions of Faculty, Staff, and Students on Generative AI Tools in Academia
Texas A&M University(得克萨斯农工大学)
本文探讨ChatGPT对工程教育领域的影响,并发布了一项针对高校学生与教职员工的调查问卷,作为技术报告供其他机构评估生成式AI工具的影响。
2023-04-21 cs.AI cs.CL cs.CY
Expanding the Generative AI Design Space through Structured Prompting and Multimodal Interfaces
University of Oxford(牛津大学);Google DeepMind(谷歌DeepMind);King’s College London(伦敦大学学院)
本研究通过结构化提示和多模态界面扩展生成式AI设计空间,提出ACAI工具以支持小企业主在广告创作中表达品牌直觉,提升生成内容的一致性与共创控制力。
2025-04-22 cs.AI cs.HC
Dream Recording Through Non-invasive Brain-Machine Interfaces and Generative AI-assisted Multimodal Software
本文提出结合非侵入性BMI、思维打字与生成式AI多模态软件的梦境记录方案,通过两阶段流程和Morse电码简化信号,并借助植入式BMI用户优化非侵入性EEG。
2023-04-10 cs.HC
A Design Space for Visual Interfaces for Generative Image Models
Tufts University(塔夫茨大学)
本文提出一个基于51个系统的生成式图像模型交互式视觉界面设计空间,通过UI、可控对象和映射函数三部分分解系统,并构建语料库浏览器以支持比较分析,助力发现设计机会。
2026-09-17 cs.HC
Generative Programming of Graphical User Interfaces
生成式编程(GP)是一种计算范式,允许利用基本和可重用组件的配置自动创建整个软件家族。GP可以投射到不同的技术上,例如C++模板、Java-Bean、面向对象编程(AOP)或框架技术。本文重点介绍了框架技术,它有助于实现和完成软件组件的可能性。本文的目的是在GUI应用程序生成领域引入GP范式。它演示了如何从抽象规范生成具有GUI部件的自动定制可执行应用程序。
2004-05-23 cs.HC
Designing a User Interface for Generative Design in Augmented Reality: A Step Towards More Visualization and Feed-Forwarding
针对增强现实中生成式设计缺乏高效界面问题,提出一种自动生成设计约束的UI系统,支持构建环境、编辑对象并导出CSV,通过直观交互和即时反馈提升设计体验。
2025-03-27 cs.HC
Intelligent Canvas: Enabling Design-Like Exploratory Visual Data Analysis with Generative AI through Rapid Prototyping, Iteration and Curation
University of Maryland, College Park(马里兰大学帕克分校)
针对现有界面在探索性可视化数据分析中的局限,提出集成生成式AI的“类设计”intelligent canvas环境,支持快速原型设计、迭代与比较可视化管理,并通过N=10的用户研究验证其有效性。
2024-03-21 cs.AI cs.HC
Reconstructing ERP Signals Using Generative Adversarial Networks for Mobile Brain-Machine Interface
Korea University(高丽大学)
实际的脑机接口已被广泛研究,以准确地检测人类的意图,在现实世界中使用大脑信号。然而,由于诸如行走和头部运动的伪影,脑电(EEG)信号失真,因此脑信号的幅度可能比期望的EEG信号大。由于这些伪影,在移动环境中准确地检测人类意图是具有挑战性的。在本文中,我们提出了基于生成对抗网络的重建框架,使用行走过程中的事件相关电位(ERP)。我们使用一个预先训练好的卷积编码器来表示潜在变量,并通过与编码器相反形状相似的生成模型来重建ERP。最后,使用判别模型对ERP进行分类,验证了该框架的有效性。结果表明,重建的信号具有与站立时ERP相似的重要成分,如N200和P300。重建的脑电信号的准确性与行走过程中的原始噪声脑电信号相似。重建脑电信号的信噪比显著提高,为1.3。生成式模型的损失率为0.6301,相对较低,说明训练生成式模型具有较高的性能。重建的ERP结果表明,通过降噪的效果,分类性能在步行过程中得到了改善。所提出的框架可以帮助识别人的意图,即使在移动环境中的脑机接口的基础上。
2020-05-18 cs.HC cs.LG eess.SP
Concept Catalyst: Exploring Scrutable Interfaces to Structure K-12 Teacher Interactions with Generative AI
Georgia Institute of Technology, School of Interactive Computing(佐治亚理工学院互动计算学院);Georgia Institute of Technology, Center for Education Integrating Science, Mathematics, and Computing (CEISMC)(佐治亚理工学院科学、数学与教育整合中心)
本文提出概念催化剂(Concept Catalyst),一种具有可审视界面的AI工具,通过Wizard-of-Oz测试与中学工程教师评估,发现可审视界面能积极构建教师与生成式AI的交互,促进教学反思并提升效率、效果和动机。
2026-06-29 cs.HC
Expressive Communication: A Common Framework for Evaluating Developments in Generative Models and Steering Interfaces
Northwestern University(西北大学);Google Research(谷歌研究院)
ML和HCI社区越来越有兴趣为创作者提供更好的生成模型和更直观的界面来控制它们。在音乐领域,机器学习研究人员专注于能够生成具有更长距离结构和音乐连贯性的作品的训练模型,而HCI研究人员则分别专注于设计支持用户控制和所有权的转向界面。在这项研究中,我们通过一个共同的框架来研究模型和用户界面的发展对于授权共同创作的重要性,其中的目标是创作传达特定意象或想法的音乐(例如,这对于音乐创作中的其它有目的的任务是常见的,如建立情绪或为另一媒体创作伴奏音乐)。我们的研究的区别在于,它通过作曲家的自我报告的经验,以及听众如何通过音乐评估这种沟通措施的沟通。在一项评估研究中,26位作曲家创作了100多首音乐,听众提供了1000多个头对头的比较,我们发现,更具表现力的模型和更可控的界面是重要的和互补的方式,可以通过音乐来改变作曲家的交流,并支持他们的创造力。
2021-11-29 cs.HC cs.LG cs.SD
Generative Modeling of Human-Computer Interfaces with Diffusion Processes and Conditional Control
University of Melbourne(墨尔本大学);University of Michigan(密歇根大学);University of Southern California(南加州大学);School of Visual Arts(视觉艺术学院)
本文提出基于扩散过程和条件控制的界面生成模型,通过整合用户意图和任务约束,提升界面生成的多样性、合理性和智能化。
2026-01-11 cs.HC
A Survey on Deep Learning Toolkits and Libraries for Intelligent User Interfaces
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
本文概述了著名的深度学习工具包,特别是报告了最近的出版物,这些出版物为实现智能用户界面(IUI)中常见的任务贡献了开源软件。我们为计划在IUI研究和开发项目中使用深度学习技术的研究人员和软件工程师提供科学参考。
2018-03-14 cs.HC cs.LG
GUIDE: Designer-in-the-loop Authoring of Conformant Generative User Interfaces
Purdue University(普渡大学);Duke Kunshan University(杜克昆山大学)
GUIDE是一个设计师参与循环的系统,通过提示优化和自适应合规性评分模型,使生成式用户界面持续符合设计意图,并在评估中优于基线。
2026-09-21 cs.HC
Hidden Technical Debt in Generative (GenUI) and Malleable User Interfaces
Center for Advanced Internet Studies (CAIS)(高级互联网研究中心)
本文探讨了GenUI系统在实际应用中的障碍,包括数据格式不灵活、安全协议过时及用户技能不足,并提出新的评估策略和科学方法来衡量可变软件的影响。
2026-03-17 cs.HC cs.SE
How Human-Centered Explainable AI Interface Are Designed and Evaluated: A Systematic Survey
IT University of Copenhagen(哥本哈根信息技术大学);Royal Danish Academy(丹麦皇家艺术学院)
本文系统性综述了53篇文献,指出可解释界面(EIs)聚焦XAI的用户界面与体验设计,以提升系统可用性与实际可解释性,并揭示了人机交互趋势及未来设计与开发方向。
2024-03-21 cs.AI cs.HC
Generative Proxy: Synthesizing Proxy-Based Interfaces for Real-World Interaction Across AR Glasses
University of Minnesota(明尼苏达大学);Google(谷歌)
该研究提出Generative Proxy方法,可从场景、意图和设备能力自动生成适配轻量化AR眼镜的基于代理的交互界面,经专家评估其生成的界面有用且可用,为AR交互提供新范式。
2026-08-11 cs.HC
GANSpiration: Balancing Targeted and Serendipitous Inspiration in User Interface Design with Style-Based Generative Adversarial Network
在用户界面设计的创作过程中,设计实例的启发起着至关重要的作用。然而,目前的工具和技术,支持灵感通常只集中在有限的用户控制或基于相似性的例子检索的例子浏览,导致不希望的设计结果,如焦点漂移和设计固定。为了解决这些问题,我们提出了GANSpencer方法,该方法利用基于风格的生成对抗网络,为有针对性的和偶然的灵感提供设计示例。定量评估表明,基于GANSpiration的示例建议方法的输出与输入设计相关,同时包括不同的实例。与专业UI/UX从业者的用户研究表明,我们的方法建议的例子作为整体设计概念和特定设计元素的灵感来源。总的来说,我们的工作铺平了道路,使用先进的生成机器学习技术在支持创新设计实践。
2022-03-08 cs.HC cs.SE
Generative AI and Attentive User Interfaces: Five Strategies to Enhance Take-Over Quality in Automated Driving
本文探讨利用生成式AI驱动的注意力用户界面(AUIs)在Level 3自动驾驶中以微妙方式提升驾驶员态势感知,提出5种策略改善接管质量与道路安全,且不增加工作负荷。
2024-02-16 cs.HC
A Survey on Bridging EEG Signals and Generative AI: From Image and Text to Beyond
School of Information, The University of Texas at Austin, Austin, TX, USA(信息学院,德克萨斯大学奥斯汀分校,奥斯汀,德克萨斯州)
本综述探讨了将EEG信号转化为图像、文本和音频的生成式AI方法,分析了当前技术趋势与挑战,为未来研究提供参考。
2026-09-17 cs.AI cs.HC cs.LG
How Motivation Relates to Generative AI Use: A Large-Scale Survey of Mexican High School Students
Harvard University(哈佛大学);Oranim College of Education(奥拉尼姆教育学院)
研究通过分析6793名墨西哥高中生的调查数据,发现不同动机profile的学生在数学和写作领域使用生成式AI工具存在差异,挑战了一刀切的AI整合方法,倡导基于动机的教育干预。
2026-04-01 cs.AI cs.CY cs.HC
Understanding Mental Models of Generative Conversational Search and The Effect of Interface Transparency
本文通过16名参与者使用4种不同透明度对话界面的实验,发现用户对生成式对话搜索的心智模型过于抽象,难以解释具体搜索实例,并提出混合式网页-对话搜索是未来界面设计的有前景方向。
2025-06-04 cs.HC cs.IR
Elemental Alchemist: A Generative Interface for Semantic Control of Particle Systems Across Dynamic Levels of Abstraction
Autodesk Research(欧特克研究院)
本文提出Elemental Alchemist,一种生成界面,通过语义控制粒子系统,帮助用户将创意目标转化为参数。系统包含上下文画笔面板和生成控制面板,通过上下文生成工具和抽象参数,支持不同抽象层次的编辑。
2026-05-11 cs.GR cs.HC
When Generative Artificial Intelligence meets Extended Reality: A Systematic Review
本文系统综述了2023至2025年生成式AI在XR中的应用,基于PRISMA筛选26篇文献,总结应用领域、技术实现、研究趋势与空白,并展望未来研究方向。
2025-11-05 cs.AI cs.HC cs.LG
Will Code Remain a Relevant User Interface for End-User Programming with Generative AI Models?
Microsoft Research(微软研究院);University of Cambridge(剑桥大学);University College London(伦敦大学学院)
本文探讨生成式AI时代传统编程语言对非专家终端用户程序员是否仍具相关性,提出“生成式转变假说”,分析其持久性并指出需重新审视终端用户编程研究的核心概念。
2023-11-01 cs.AI cs.HC cs.PL
Mental-Gen: A Brain-Computer Interface-Based Interactive Method for Interior Space Generative Design
Mental-Gen提出一种基于脑机接口的室内空间生成式设计方法,通过无监督学习检测脑波响应相似性,并用SVM结合运动想象范式预测设计命令,驱动生成式AI模型,帮助用户以想象命令完成满意的空间设计。
2024-09-02 cs.HC
The role of interface design on prompt-mediated creativity in Generative AI
本研究分析了超14.5万条提示词,发现生成式AI界面中提供快速生成图像变体快捷方式的设计,会显著减少用户对新概念的探索和提示词细节,对界面设计支持创造力具有启示。
2024-02-17 cs.CY cs.HC physics.soc-ph
Unlocking Adaptive User Experience with Generative AI
本文提出利用ChatGPT为特定领域生成用户画像与自适应界面候选方案,并基于37份问卷和4次访谈数据与人工流程对比,验证了LLM辅助自适应界面设计的可行性。
2024-04-08 cs.HC cs.SE
A Neuro-AI Interface for Evaluating Generative Adversarial Networks
Trinity College Dublin(都柏林三一学院);Intel Lab(英特尔实验室);Dublin City University(都柏林城市大学)
生成对抗网络(GANs)在计算机视觉、自然语言处理、语音合成等领域越来越受到人们的关注。然而,评估GANs的性能仍然是一个开放和具有挑战性的问题。现有的评估指标主要是使用自动统计方法来测量真实图像和生成图像之间的差异。它们通常需要大的样本量进行评估,并且不能直接反映人类对图像质量的感知。在这项工作中,我们引入了一个评估指标,称为神经评分,用于评估GANs的性能,更直接地反映了心理感知图像质量,通过利用大脑信号。我们的研究结果表明,Neuroscore具有优于当前评估指标的性能,因为:(1)它与人类判断更一致;(2)评估过程需要的样本数量少得多;(3)它能够在每个GAN的基础上对图像质量进行排名。提出了一种基于卷积神经网络(CNN)的神经AI接口,可以直接从GAN生成的图像中预测神经评分,而不需要神经响应。重要的是,我们表明,在网络的训练阶段包括神经反应可以显着提高所提出的模型的预测能力。代码和数据可以在此链接中引用:https://github.com/villawang/Neuro-AI-Interface。
2020-04-06 cs.CV cs.HC cs.LG
From Google Gemini to OpenAI Q* (Q-Star): A Survey of Reshaping the Generative Artificial Intelligence (AI) Research Landscape
Academies Australasia Polytechnic(澳大利亚学术学院理工学院);Massey University(梅西大学);Cyberstronomy Pty Ltd(赛博天文私人有限公司);RMIT University(皇家墨尔本理工大学)
本综述探讨了生成式AI的演变,重点分析了混合专家、多模态学习及迈向AGI的进展,评估了Google Gemini和OpenAI Q*等技术对研究、应用及学术交流的影响,并强调伦理与以人为本的未来发展策略。
2023-12-18 cs.AI cs.CL cs.CY
Functional Flexibility in Generative AI Interfaces: Text Editing with LLMs through Conversations, Toolbars, and Prompts
本研究历时四年探索与LLM的交互,发现用户倾向使用类命令提示词,提出在工具栏UI中结合快捷方式与提示词能实现功能灵活切换,倡导超越对话式UI以重塑用户对生成式AI功能的访问。
2024-10-14 cs.HC
Generative Model-based Simulation of Driver Behavior when Using Control Input Interface for Teleoperated Driving in Unstructured Canyon Terrains
Agency for Defense Development(国防发展局);Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对非结构化峡谷地形遥操作驾驶用户研究成本高的问题,提出基于条件变分自编码器(CVAE)的深度生成模型,通过构建模拟器收集数据并仿真驾驶员行为,有效生成遥操作驾驶数据。
2023-05-17 cs.AI cs.HC cs.RO
Organize, Then Vote: Exploring Cognitive Load in Quadratic Survey Interfaces
针对二次型调查认知负荷高阻碍其应用的问题,提出“先整理后投票”两阶段界面,实验证实其能降低认知过载、提升偏好构建深度,为集体决策偏好获取工具的人本设计提供参考。
2025-05-16 cs.HC
The CoExplorer Technology Probe: A Generative AI-Powered Adaptive Interface to Support Intentionality in Planning and Running Video Meetings
本研究提出生成式AI驱动的自适应会议原型CoExplorer,通过预生成会议阶段、工具及布局支持意图性会议行为,经引导式走查验证其有助于会议保持正轨并减轻负担,但需关注用户自主性与信任问题。
2024-05-29 cs.HC
Submitting surveys via a conversational interface: an evaluation of user acceptance and approach effectiveness
会话界面目前正在兴起:越来越多的应用程序依赖于类似聊天的交互模式来提高其可接受性并改善用户体验。此外,在问卷设计和管理领域,交互设计越来越被视为数字解决方案的重要组成部分。出于这些原因,我们设计并开发了一个会话调查工具,通过类似聊天的Web界面以口语形式管理问卷。在本文中,我们提出了我们的方法的评估结果,考虑到用户的观点-通过评估用户的接受程度和偏好的调查编制经验-和调查设计的角度-通过调查的有效性的对话式调查相比,传统的问卷。我们表明,用户清楚地欣赏对话的形式,更喜欢它比传统的方法,从数据汇集的角度来看,对话的方法显示出相同的可靠性和更高的响应质量相对于传统的问卷调查。
2020-03-05 cs.HC
LADICA: A Large Shared Display Interface for Generative AI Cognitive Assistance in Co-Located Team Collaboration
LADICA是一个面向共位团队协作的大型共享显示界面,利用LLM从多分析视角支持头脑风暴、想法组织与分析,并实时提取讨论关键信息,经实验验证其可用性与有用性。
2025-02-07 cs.HC
On the usability of generative AI: Human generative AI
University of Turin(都灵大学)
本文探讨生成式AI的可用性挑战,分析用户体验、透明度、控制力等关键因素,并提出改进可解释性与界面设计以提升其易用性和有效性。
2025-02-24 cs.AI cs.HC
MIRAGE: Multi-model Interface for Reviewing and Auditing Generative Text-to-Image AI
本文提出基于 Web 的多模型界面工具 MIRAGE,使 AI 用户能够通过审计和比较多个文本到图像模型的输出来报告有害偏见,初步用户研究表明该工具有效帮助用户发现单一模型审查时未注意到的偏见细节。
2025-03-25 cs.HC
A Survey of Body and Face Motion: Datasets, Performance Evaluation Metrics and Generative Techniques
Indian Institute of Technology Ropar(印度理工学院罗帕尔);Monash University(莫纳什大学)
本文综述了人体和面部运动生成,涵盖数据集、评估指标和生成技术,首次全面探讨了该领域的发展与未来方向。
2026-08-18 cs.CV cs.HC
An HCI-Centric Survey and Taxonomy of Human-Generative-AI Interactions
本文基于291篇论文提出人类-GenAI交互的分类体系,从使用目的、反馈、控制、参与度、应用领域和评估策略六个维度系统分析设计空间,并指出挑战与机遇以指导未来以人为中心的GenAI应用设计。
2024-01-12 cs.HC
The State of Generative AI in Software Development: Insights from Literature and a Developer Survey
Bucharest University of Economic Studies(布加勒斯特经济大学)
研究通过文献综述和65名开发者的调查,发现生成式AI在设计、实现、测试和文档中影响最大,显著减少重复性任务时间,但早期SDLC阶段收益较低,需加强治理以应对风险。
2026-03-17 cs.AI cs.CY cs.ET
Email as the Interface to Generative AI Models: Seamless Administrative Automation
本文提出一种将LLMs与电子邮件接口集成的架构框架,使非技术行政人员能通过熟悉的邮件界面自动处理表单和文档,实证表明该系统显著降低处理时间与成本,有效普及了组织内的先进自动化技术。
2025-06-30 cs.HC
A survey of generative AI adoption and perceived productivity among scientists who program
School of Information, University of Michigan(密歇根大学信息学院);University of Tennessee(田纳西大学);University of Alabama(阿拉巴马大学)
本文综述了生成式AI在科学家编程中的采纳情况,发现学生和经验较少的程序员更倾向于使用通用对话接口,且生成代码量与感知生产力密切相关。
2026-04-09 cs.HC cs.SE
Detecting the Use of Generative AI in Crowdsourced Surveys: Implications for Data Integrity
The University of Tulsa(塔尔萨大学)
本研究针对生成式AI对众包调查数据完整性的威胁,评估了基于LLM和特征签名的两种AI回复检测方法,通过七项调查实验证实2022年后AI生成回复显著增加,为保障研究诚信提供了实证依据与策略参考。
2025-10-29 cs.HC
A Survey of Brain Computer Interface Using Non-Invasive Methods
本文综述了非侵入式脑机接口技术,比较侵入式与非侵入式方法的优劣,并重点分析EEG、fMRI、NIRs及混合系统的典型应用场景。
2023-09-22 cs.HC eess.SP
Towards Natural Language Interfaces for Data Visualization: A Survey
利用面向可视化的自然语言接口(V-NLI)作为补充输入模态来指导可视化分析的操纵可以提供引人入胜的用户体验。它使用户能够专注于他们的任务,而不必担心如何在界面上操作可视化工具。在过去的二十年里,利用先进的自然语言处理技术,许多V-NLI系统已经在学术研究和商业软件中开发出来,特别是在最近几年。在这篇文章中,我们对现有的V-NLI进行了全面的审查。为了对每篇论文进行分类,我们基于经典的信息可视化管道开发了分类维度,并扩展了V-NLI层。使用以下七个阶段:查询解释,数据转换,可视化映射,视图转换,人机交互,对话管理和表示。最后,我们还阐明了未来在V-NLI社区工作的几个有前途的方向。
2022-02-04 cs.HC
Augmented Reality and Robotics: A Survey and Taxonomy for AR-enhanced Human-Robot Interaction and Robotic Interfaces
University of Calgary(卡尔加里大学);University College London(伦敦大学学院)
本文基于对460篇研究论文的调查,对增强现实和机器人技术进行了分类。增强和混合现实(AR/MR)已经成为增强人机交互(HRI)和机器人接口(例如,致动的和形状改变的界面)。最近,越来越多的HCI、HRI和机器人研究已经证明了AR如何实现人与机器人之间更好的交互。然而,研究往往仍然集中在个人的探索和关键的设计策略,研究问题很少进行系统的分析。在本文中,我们综合和分类这一研究领域在以下方面:1)增强现实的方法; 2)机器人的特点; 3)目的和好处; 4)分类的信息; 5)设计组件和策略的视觉增强; 6)交互技术和方式; 7)应用领域;和8)评估策略。我们制定了关键的挑战和机遇,以指导和通知未来的研究在AR和机器人。
2022-03-07 cs.CV cs.HC cs.RO
A Brief Survey on Interactive Automotive UI
汽车用户界面(AutoUI)是交通工程和人机交互(HMI)领域中相对较新的学科。它涵盖了各种HMI方面的内部和外部的车辆,从操作车辆本身,承担各种次要任务,驾驶员行为分析,认知负荷估计等。我们将最近的HMI分为四个部分,分别是虚拟触摸界面、可穿戴设备、语音识别和非视觉界面以及眼睛注视控制系统。最后总结了各种技术的优缺点。
2021-05-30 cs.HC
Emerging Natural User Interfaces in Mobile Computing: A Bottoms-Up Survey
移动和可穿戴接口和交互范例受到可用屏幕不动产以及计算和电力资源的高度限制。尽管存在许多向移动用户显示信息的方式,但是向移动终端输入数据通常限于传统的基于触摸的交互,这使用户从他们正在进行的活动中分心。此外,新兴的应用,如增强、混合和虚拟现实(AR/MR/VR),需要新型的输入方法,以便与复杂的虚拟世界进行交互,这对传统的人机交互(HCI)技术提出了挑战。利用自然用户界面(NUI)作为使用自然直观动作与计算系统交互的范例,是满足移动计算及其现代应用中的这些挑战的许多方法之一。脑机接口,使思想只有免提交互,肌电输入方法,跟踪身体姿势和凝视跟踪输入接口-是NUI适用于移动和可穿戴交互的例子。可穿戴设备的广泛采用和移动技术的渗透,以及AR/MR/VR市场的不断增长,推动了新交互模式的探索和实施。生物信号采集技术和伴随的生态系统的同时发展为应对公开挑战提供了有用的工具箱。在这次调查中,我们提出了最先进的生物信号采集方法,总结和评估NUI领域的最新发展,并概述了在移动场景中的潜在应用。该调查将提供一个自下而上的概述,从(i)基本的生物学方面和信号采集技术,(ii)便携式NUI硬件解决方案,(iii)NUI支持的应用程序,以及(iv)研究挑战和开放问题。
2019-11-13 cs.HC
Advanced spike sorting approaches in implantable VLSI wireless brain computer interfaces: a survey
本文综述了植入式VLSI无线脑机接口中的先进尖峰分类技术,旨在解决功耗与尺寸限制下的高效数据传输和高精度神经信号分类问题。
2023-12-18 cs.HC