[論文レビュー] An Optimal Control Model of Mouse Pointing Using the LQR

Florian Fischer, Arthur Fleig+3 more|arXiv (Cornell University)|Feb 26, 2020

Tactile and Sensory Interactions参考文献 33被引用数 5

ひとこと要約

本稿では、最適フィードバック制御フレームワーク内に、到達目標への距離と運動のジャerk（急峻さ）の両方を最小化する線形二次調節器（LQR）モデルを提案する。12名の被験者（全7,702回の移動）の実際の人間の指差し行動データに対して、最小ジャerkモデルや2次遅れモデルと比較して優れた適合精度を達成し、剛性、減衰、努力の3つの解釈可能なパラメータのみで実現している。

ABSTRACT

In this paper we explore the Linear-Quadratic Regulator (LQR) to model movement of the mouse pointer. We propose a model in which users are assumed to behave optimally with respect to a certain cost function. Users try to minimize the distance of the mouse pointer to the target smoothly and with minimal effort, by simultaneously minimizing the jerk of the movement. We identify parameters of our model from a dataset of reciprocal pointing with the mouse. We compare our model to the classical minimum-jerk and second-order lag models on data from 12 users with a total of 7702 movements. Our results show that our approach explains the data significantly better than either of these previous models.

研究の動機と目的

• HCI分野に最適フィードバック制御（OFC）を紹介し、インタラクションにおける人間の動きを統合的にモデル化するフレームワークとしての有効性を示す。
• 線形二次調節器（LQR）を用いて、シンプルで解釈可能かつ高精度なマウスポインター移動のモデルを構築する。
• 実際の人間の指差し行動データを用いて、LQRモデルを既存のモデル（最小ジャerkモデル、2次遅れモデル）と比較する。
• 個々のユーザーの動きのダイナミクスの違いを説明する、ユーザー固有のパラメータ（剛性、減衰、努力）を同定する。
• 閉ループでフィードバックに基づく最適制御モデルが、機械学習や移動終点の事前知識に依存せずに、完全な動きの軌道（位置、速度、加速度）を予測できることを示す。

提案手法

• コスト関数が目標への距離と運動ジャerkの両方をペナルティとして課す線形二次最適制御問題を定式化する。
• 位置と速度を状態変数とする2次線形システムとしてマウスポインターのダイナミクスをモデル化する。
• 現在の状態フィードバックを用いて、リアルタイムでコスト関数を最小化する最適フィードバック制御則をLQRで計算する。
• 12名の被験者が反復的指差しタスクを実行した実験データに最適適合させることで、モデルパラメータ（剛性、減衰、努力）を同定する。
• 全位置、速度、加速度の時間的変化に対する二乗誤差の和（SSE）を用いて、モデルの性能を比較する。
• 初期遅延を補正するための反応時間パラメータ（δ）をモデルに拡張し、最適化の自由変数として扱う。

実験結果

リサーチクエスチョン

• RQ1 LQRに基づく最適フィードバック制御モデルは、既存のモデルよりも人間のマウスポインター移動をより正確に説明できるか？
• RQ2 3つのパラメータのみを有する最小限のLQRモデルは、人間の指差し移動の全ダイナミクスをどれほどよく捉えられるか？
• RQ3 最小ジャerkモデルや2次遅れモデルと比較して、LQRモデルはより現実的な速度プロファイルと加速度プロファイルを再現できるか？
• RQ4 解釈可能なパラメータを用いて、モデルはどれほど個々のユーザーの動きの違いを説明できるか？
• RQ5 機械学習や移動終点の事前知識に依存せずに、モデルは動きの開始と補正を含む完全な動きの軌道を予測できるか？

主な発見

• LQRベースのモデル（2OL-LQR2）は、12名の被験者による全7,702回の指差し移動において、2次遅れモデル（2OL-Eq）および最小ジャerkモデルよりも、全動きの軌道への適合が顕著に優れている。
• 2次遅れモデルに比べ、LQRモデルはより対称的で生理学的に妥当な速度プロファイルと加速度プロファイルを生成し、不自然に高い初期加速度を回避している。
• 最小ジャerkモデルとは異なり、LQRモデルは到達時間や終点の情報を必要としないが、依然として高い精度で軌道予測を達成している。
• 剛性（k）、減衰（d）、およびrに関連する努力の3つの解釈可能なパラメータを用いて、ユーザー固有の動きの特徴を効果的に捉えている。
• 反応時間パラメータ（δ）を自由変数として導入することで適合精度が向上したが、これは必ずしも実際の行動的反応時間に対応するわけではない。
• 線形ダイナミクス、ノイズなし、遅延なしという簡略化された仮定のもとでも、モデルは人間の動きデータを高い忠実度で説明できており、最適フィードバック制御フレームワークの強靭性を示している。