【技术实现步骤摘要】
本申请涉及数据处理，特别是涉及一种基于多高斯分布的目标选择落点分布估计方法、装置、计算机设备和存储介质。
技术介绍
1、ar和vr技术的发展使得人们能够与快速变化的环境进行丰富交互，目前主要使用三高斯模型来用户在动态场景中对运动目标选择中的端点分布进行建模，提升感觉-运动协调和交互体验。
2、这项研究调查了带有鼠标光标的1d速度固定的移动目标获取任务中的端点分布，这是了解此类场景中人类性能的第一步。这项工作旨在激发对更广泛场景的进一步探索，例如改变速度和2d/3d移动目标获取，手指轻敲指点等。在该场景中，用户控制鼠标在全显示屏中指向具有一定宽度的垂直带状目标。在用户开始指向之前，鼠标光标保持静止在起始位置。目标以固定的速度向光标移动或远离光标。用户点击鼠标按钮完成选择过程。通过重复这个过程，可以得到一系列实际的端点。
3、具体如图1所示，所涉及的因素定义如下：a：光标与目标中心的初始距离，即指向过程开始前的距离；w：目标的宽度；v：目标的移动速度。
4、取点击时目标最终位置的中心作为x轴的原点，其方向与目标运动方向相同。此外，假设x为3个正态分布分量之和：
5、x＝xa+xm+xs～n(μ，σ2)
6、其中，和分别对应指向装置精度、目标速度和目标宽度。在三高斯理论中，第一个分量xa反映了包含输入设备的电机系统的绝对精度不确定度，它独立于用户对指定任务精度(例如，目标宽度和速度)的追随意愿，不受速度准确性权衡的控制。因此，分布参数μa和σa是两个常数。第二个分量xm取决于
7、
8、其中，a，b，c，d，e，f和g是可以通过实验测量的常数。
9、此种方式存在以下问题：
10、已有的三高斯理论中对于各个变量到高斯分布参数的映射关系的设定存在较大的局限性只能服务于特定场景，所对应的任务是固定的包含三变量的目标选择任务；给定的线性关系较为主观，缺乏实际的理论支持。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于多高斯分布的目标选择落点分布估计方法、装置、计算机设备和存储介质，能够基于复杂场景确定多个变量并建立估计模型，不局限于三个变量，且估计模型中不局限于变量之间的线性关系，以及使用贝叶斯模型选择选择最优的估计模型，提供估计模型的可解释性。
2、一种基于多高斯分布的目标选择落点分布估计方法，包括：确定影响目标选择落点分布的多个满足高斯分布的变量；基于各变量和各变量之间的交互影响构建目标选择落点分布的多个估计模型，各估计模型包含数学期望、数学期望对应的参数以及标准差、标准差对应的参数，数学期望由各变量确定，标准差由各变量以及各变量之间的交互影响的协方差确定；采集样本数据，基于样本数据并采用贝叶斯模型对各估计模型进行训练，得到最优的估计模型以及最优的估计模型的超参数；基于最优的估计模型对目标选择落点分布进行估计。
3、在其中一个实施例中，基于各变量和各变量之间的交互影响构建目标选择落点分布的多个估计模型，包括：基于各变量到高斯分布的映射关系确定出各估计模型中数学期望与各变量的关系以及标准差与各变量的关系；基于各变量之间的交互影响确定出各估计模型的标准差中的协方差。
4、在其中一个实施例中，多个估计模型中包含第一估计模型和/或第二估计模型；第一估计模型中数学期望与各变量的关系以及标准差与各变量的关系均为线性关系；第二估计模型中数学期望与各变量的关系以及标准差与各变量的关系均为多次多项式关系。
5、在其中一个实施例中，多个满足高斯分布的变量包括目标的宽度变量以及目标的移动速度变量、光标与目标的中心的初始距离变量。
6、在其中一个实施例中，多个估计模型的其中一个估计模型为：
7、μ＝a+bw+cv+da；
8、σ2＝e+fw2+gv2+ha2+f；
9、其中，μ表示数学期望，σ表示标准差，w表示目标的宽度变量，v表示目标的移动速度变量，a表示光标与目标的中心的初始距离变量，f表示各落点影响变量之间的交互影响的协方差；
10、b、c和d分别表示对应变量的参数，a表示数学期望中设定的非变量对应的参数；f、g和h分别表示对应变量的平方的参数，e表示标准差中非变量的平方对应的参数。
11、在其中一个实施例中，f＝i·cov(w，v)+j·cov(w，a)+k·cov(a，v)；
12、其中，cov()表示计算协方差，i、j和k分别表示对应的参数。
13、在其中一个实施例中，f＝f(w，v，a)；
14、其中，f(w，v，a)表示w，v和a总协方差，f(w，v，a)通过神经网络学习得到。
15、一种基于多高斯分布的目标选择落点分布估计装置，包括：确定模块，用于确定影响目标选择落点分布的多个满足高斯分布的变量；构建模块，用于基于各变量和各变量之间的交互影响构建目标选择落点分布的多个估计模型，各估计模型包含数学期望、数学期望对应的参数以及标准差、标准差对应的参数，数学期望由各变量确定，标准差由各变量以及各变量之间的交互影响的协方差确定；训练模块，用于采集样本数据，基于样本数据并采用贝叶斯模型对各估计模型进行训练，得到最优的估计模型以及最优的估计模型的超参数；估计模块，用于基于最优的估计模型对目标选择落点分布进行估计。
16、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例方法的步骤。
17、一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例方法的步骤。
18、上述一种基于多高斯分布的目标选择落点分布估计方法、装置、计算机设备和存储介质，确定影响目标选择落点分布的多个满足高斯分布的变量；基于各变量和各变量之间的交互影响构建目标选择落点分布的多个估计模型，各估计模型包含数学期望、数学期望对应的参数以及标准差、标准差对应的参数，数学期望由各变量确定，标准差由各变量以及各变量之间的交互影响的协方差确定；采集样本数据，基于样本数据并采用贝叶斯模型对各估计模型进行训练，得到最优的估计模型以及最优的估计模型的超参数；基于最优的估计模型对目标选择落点分布进行估计。
19、因此，上述方法为各个变量设置了多种映射关系能够更好地描述复杂场景下不同变量对最终落点的影响，然后使用贝叶斯模型选择最优的估计模型，提供估计模型的可解释性，且无需使用者拥有额外的知识也能够快速本文档来自技高网...
【技术保护点】
1.一种基于多高斯分布的目标选择落点分布估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标选择落点分布估计方法，其特征在于，所述基于各变量和各变量之间的交互影响构建所述目标选择落点分布的多个估计模型，包括：
3.根据权利要求2所述的目标选择落点分布估计方法，其特征在于，多个估计模型中包含第一估计模型和/或第二估计模型；
4.根据权利要求1所述的目标选择落点分布估计方法，其特征在于，所述多个满足高斯分布的变量包括所述目标的宽度变量以及所述目标的移动速度变量、光标与所述目标的中心的初始距离变量。
5.根据权利要求4所述的目标选择落点分布估计方法，其特征在于，多个估计模型的其中一个估计模型为：
6.根据权利要求5所述的目标选择落点分布估计方法，其特征在于，
7.根据权利要求5所述的目标选择落点分布估计方法，其特征在于，
8.一种基于多高斯分布的目标选择落点分布估计装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于多高斯分布的目标选择落点分布估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标选择落点分布估计方法，其特征在于，所述基于各变量和各变量之间的交互影响构建所述目标选择落点分布的多个估计模型，包括：
3.根据权利要求2所述的目标选择落点分布估计方法，其特征在于，多个估计模型中包含第一估计模型和/或第二估计模型；
4.根据权利要求1所述的目标选择落点分布估计方法，其特征在于，所述多个满足高斯分布的变量包括所述目标的宽度变量以及所述目标的移动速度变量、光标与所述目标的中心的初始距离变量。
5.根据权利要求4所述的目标选择落点分布估计方法，其特...
【专利技术属性】
技术研发人员：黄进，肖一笑，张浩，彭晓兰，李洋，田丰，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。