VR 목표 선택에서 헤이젠베르크 효과: 직접 선택 vs 점수 기반 선택과 입력 방식 비교

초록

본 연구는 VR 환경에서 컨트롤러와 손 추적 두 입력 방식에 대해 직접 선택과 점수 기반 선택이 헤이젠베르크 효과에 어떻게 영향을 받는지를 실험적으로 조사한다. 손 입력이 컨트롤러보다 효과에 더 취약하며, 직접 선택은 목표 폭에, 점수 기반 선택은 목표 밀도에 민감함을 밝혀냈다. 또한 과거 의도 데이터를 가중치 부여해 활용하는 Weighted VOTE 기법을 제안해 선택 오류를 크게 감소시켰다.

상세 분석

이 논문은 가상현실(VR)에서 목표 선택 시 사용자가 선택을 확정하기 위해 버튼을 누르거나 핀치를 할 때 발생하는 ‘헤이젠베르크 효과’를 체계적으로 분석한다. 기존 연구는 주로 컨트롤러 기반 직접 선택에 초점을 맞췄으나, 손 추적 입력은 움직임 변동성이 크고 물리적 제약이 없기 때문에 동일 현상이 더 심각할 것으로 예상된다. 저자들은 24명의 피험자를 대상으로 4가지 입력‑선택 조합(컨트롤러‑직접, 손‑직접, 컨트롤러‑점수 기반, 손‑점수 기반)을 실험 설계에 포함시켰다. 독립 변수로는 목표 폭(14 cm, 28 cm, 42 cm)과 목표 간격(30 cm, 50 cm, 70 cm)을 사용했으며, 종속 변수는 선택 시간, 전체 오류율, 헤이젠베르크 오류율, 그리고 각 선택 동작의 각도적 편차(헤이젠베르크 규모)였다.

실험 결과는 다음과 같다. 첫째, 손 입력은 컨트롤러에 비해 헤이젠베르크 오류율이 현저히 높았다(직접 손 71.86 % vs 컨트롤러 80.57 %는 낮지만, 점수 기반 손 46.86 %는 컨트롤러 47.50 %와 비슷). 이는 손의 미세 움직임과 핀치 동작이 트래킹에 더 큰 교란을 일으키기 때문이다. 둘째, 직접 선택은 목표 폭이 넓어질수록 오류가 감소하는 전형적인 Fitts’ law 패턴을 보였지만, 점수 기반 선택은 목표 폭에 대한 민감도가 낮아졌다. 반면, 목표 밀도가 높아질수록(즉, 목표 간격이 짧아질수록) 점수 기반 선택의 오류가 급격히 증가했으며, 이는 스냅‑투 메커니즘이 인접 목표에 과도하게 끌려가는 현상으로 해석된다. 셋째, 과제 난이도가 상승할수록 헤이젠베르크 규모가 감소했는데, 이는 사용자가 의식적으로 손을 고정하려는 보상 메커니즘으로 보인다.

이러한 현상을 보완하기 위해 저자들은 기존 VOTE(다수 투표)와 BackTracer(동적 시간 창) 기법을 확장한 Weighted VOTE를 제안한다. 핵심 아이디어는 과거 선택 의도 점수를 시간에 따라 가중치를 부여해 최신 의도가 더 큰 영향을 미치도록 하는 것이다. 구체적으로, 3차 다항식으로 모델링된 정확도 함수를 기반으로 가중치 γ(t)=α·exp(−β·Δt) 형태의 감쇠 함수를 학습시켰으며, 이를 기존 점수 계산식에 곱해 최종 선택 점수를 재조정한다. 실험적 평가에서는 모든 입력‑선택 조합에서 오류율이 감소했으며, 특히 손‑점수 기반 시나리오에서 21.96 %→7.54 %로 가장 큰 개선을 보였다. 이는 역사적 의도 정보를 적절히 활용하면 손 추적의 불안정성을 효과적으로 보정할 수 있음을 증명한다.

논문의 의의는 세 가지로 요약할 수 있다. 첫째, 헤이젠베르크 효과를 손 입력까지 확장함으로써 VR 인터랙션 설계 시 입력 방식 선택의 중요성을 재조명한다. 둘째, 목표 폭과 밀도라는 두 공간 변수에 따라 직접·점수 기반 선택의 장단점을 정량화해, 상황에 맞는 선택 메커니즘을 선택할 근거를 제공한다. 셋째, Weighted VOTE라는 역사 기반 적응 모델을 도입해 실시간 의도 추정 정확도를 크게 향상시켰으며, 이는 향후 적응형 선택 인터페이스나 혼합 현실(HMR) 시스템에 적용 가능한 일반화된 해결책으로 기대된다.