EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 1: 99 - 109

DOI: https://doi.org/10.12082/dqxxkx.2024.220675

新时代地图的机遇与挑战

增强现实地图载体的空间认知负荷特征研究

  • 张国永 , 1 ,
  • 龚建华 , 1, 2, 3, * ,
  • 张冬 1, 2
展开
  • 1.中国科学院空天信息创新研究院 国家遥感应用工程技术研究中心，北京 100094
  • 2.中国科学院大学，北京 100049
  • 3.浙江中科空间信息技术应用研发中心，嘉兴 314100
* 龚建华（1965— ），男，浙江海盐人，研究员，主要从事虚拟地理环境研究。E-mail:

张国永（1987— ），男，山东潍坊人，博士，主要从事增强地理环境研究。E-mail:

Copy editor: 蒋树芳

收稿日期: 2022-09-09

  修回日期: 2022-11-17

  网络出版日期: 2024-03-26

基金资助

中国科学院空天信息创新研究院前沿科学与颠覆性技术研究先导基金(E0Z211010F)

收起

Research on Spatial Cognitive Load Characteristics of Augmented Reality Maps on Different Carriers

  • ZHANG Guoyong , 1 ,
  • GONG Jianhua , 1, 2, 3, * ,
  • ZHANG Dong 1, 2
Expand
  • 1. National Engineering Research Center for Geoinformatics, Aerospace Information Research Institute (AIR), Chinese Academy of Sciences, Beijing 100094, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Zhejiang-CAS Application Center for Geoinformatics, Jiaxing 314100, China
* GONG Jianhua, E-mail:

Received date: 2022-09-09

  Revised date: 2022-11-17

  Online published: 2024-03-26

Supported by

Pilot Fund of Frontier Science and Disruptive Technology of Aerospace Information Research Institute, Chinese Academy of Sciences(E0Z211010F)

Fold

摘要

本文依据增强现实数字地图与地理场景在时空、尺度和语义等的上下文关联性，研究并划分了包括存在上下文关联的地理实体空间载体、模型实体空间载体，以及不存在上下文关联的虚位空间载体三类AR地图载体。选取二维纸质地形晕渲图、三维打印地形实体模型、以及桌面虚位空间3种不同类型载体的AR地图为研究对象，以目标搜索和路径规划为任务目标，开展不同载体AR地图空间认知实验研究。结果表明，在2组实验中三维实体模型载体AR地图的认知负荷指数(CLI)分别为2.53和4.84均显著低于二维地图和虚位载体，具有认知负荷低、沉浸在场感强的认知特征；二维地图载体的认知负荷指数略低于虚位空间载体，但两者并无显著差异；同时，两组实验对比分析结果显示，随着任务难度提升，二维地图载体和虚位空间载体AR地图的认知负荷显著增加，但三维实体模型载体AR地图的认知负荷未显著增加，表明实体模型载体在面向复杂空间认知任务时具有较低认知负荷的优势。此外CLI和任务难度的同步变化也表明脑电数据对空间认知实验敏感，能有效反映空间认知实验过程中的认知特征变化。

关键词： 增强现实地图; 空间认知; 地图载体; 三维打印地形模型; 虚位空间; 认知负荷; 脑电实验

本文引用格式

张国永 , 龚建华 , 张冬 . 增强现实地图载体的空间认知负荷特征研究[J]. 地球信息科学学报, 2024 , 26(1) : 99 -109 . DOI: 10.12082/dqxxkx.2024.220675

Abstract

By overlaying virtual map sceneries over the real-world carrier, augmented reality could generate a mixed virtual and real spatial data expression and perception interactive environment. The digital map and its carrier are viewed by the user as a single unit simultaneously in the AR map display environment, creating a novel spatial cognitive characteristic that is distinct from conventional 2D and 3D maps. The variety of its mixed carriers is also wider than conventional maps because the head-mounted augmented reality device can produce binocular stereo vision. In this study, the analysis of the taxonomy of augmented reality map carriers (i.e., geographic entity space carriers, model entity space carriers, and virtual space carriers) is based on the contextual relevance of augmented reality digital maps and actual geographic sceneries in time, place, and semantics. We select these three different types of carriers because of the striking contrasts in the visual expression and cognitive environment produced by digital map scenes and various carriers. Specifically, HoloLens MR glasses, an electroencephalogram, and a 2D paper terrain-shaded map are used in this study. The target identification and route plan tasks on the AR map carrier served as the experimental task, and the study quantifies the analysis of the activity intensity of various brain functional areas during the cognitive process and evaluates the cognition load performance of various carriers in the AR map environment. Our findings show that the AR map based on the 3D-printed physical terrain carrier provides the most immersive experience and has the least cognition load level in both experiments. The results of the comparative analysis of the two tasks also show that in the 3D-printed physical terrain carrier, the CLI does not increase significantly with the complexity of the spatial cognitive task. This suggests that the physical terrain carrier AR map is more advantageous when facing a complex spatial cognition environment. In addition, the synchronous changes of CLI and task difficulty also indicate that EEG data are sensitive to spatial cognition experiments and can effectively reflect changes in cognitive characteristics during spatial cognition experiments.

Key words： augmented reality map; spatial cognition; map carrier; 3D terrain printing model; virtual space; cognitive load; EEG experiment

1 引言

地图以图形化语言直观表达抽象时空数据中蕴含的空间分布特征和规律，是人们开展空间导航、空间认知和思维的重要工具[1-2]。地图的构成通常包含二部分，即制图符号和承载符号的可视化载体，其中载体的特性通常决定了地图的渲染表达效果，在结构上二者共同构成了地图的空间认知环境。随着制图技术的进步，地图的载体也经历了纸质、计算机屏幕、移动手机屏幕等的发展历程，其功能也从仅作为符号表达媒介发展为具备交互功能的媒介，然而在本质上，纸或电子屏幕也仅作为地图信息的可视化载体，并不承载任何空间或者语义信息。
2016年以来，增强现实（Augmented Reality，AR）技术和设备发展迅速，从而为地图的制作和应用提供了一种新的媒介和载体。通过AR眼镜，虚拟的数字地图符号要素叠加于真实环境或其他具备表达空间信息能力的物理载体，以虚实融合的方式可以构建新的地图制图环境[3]。在该制图环境中，真实环境不再仅作为可视化的载体，而是类似传统地图中“底图”，作为一种空间信息的表达形式与数字制图场景一起，共同构成了一种新的空间认知环境[4]。
初始阶段的AR地图将虚拟地图场景叠加于纸质地图中，从而形成对纸质地图动态信息表达能力的增强[5⇓-7]。但随着三维打印技术发展，将区域地形打印为物理模型，可作为增强现实地图的新载体，可为AR地图提供更加直观的可视化场景以及更好的空间参考[8-9]。万刚等通过开展阅读实验方法，对二维地图、电子地图、遥感影像和虚拟地理环境的地图认知特征进行分析研究，发现不同类型和比例尺的地图认知过程和结果存在差异[10]。不同于传统二维地图的可视化方式，AR实现了地图场景与其表征环境载体的融合与统一，由此也产生了区别于传统地图的新的空间认知特征。其地图空间认知研究对象也从“人-地图”二元关系拓展为“人-地图-环境”构成的三元关系，其中环境包括虚拟和真实二类环境[11]。此时“载体”也作为一种环境要素，不仅为AR地图提供基底空间信息，其本身也作为一类空间要素，作用于AR地图的感知和认知过程中。在AR地图中，用户需要同时感知、处理虚拟地图场景和载体环境2个信息源，信息量的增加可能会引起认知负荷的增加。因此明确不同载体AR地图的认知负荷特征，对AR地图设计和载体合理选取具有重要指导意义。陈辉等认为增强现实地图的载负应包括前景（虚拟信息）和背景（实景图像）信息两部分，但目前的地图载负评估方法并没有考虑到背景信息[12]。Baka在对比虚拟环境和真实环境的在场感的研究中表明，大脑在处理虚拟和真实环境对象时的脑活动区域有显著差异[13]，表明在AR地图中，大脑对虚拟载体和真实载体可能有不同的认知机制。传统地图学的制图理论和认知研究多是建立在二维平面地图基础之上，研究重点多关注制图内容本身，而对地图载体引起的认知差异研究较少，因此需要进一步探索AR新型地图的理论和技术[14-15]。
用户实验是开展地图空间认知研究的重要手段，通过对量表数据进行统计分析或对眼动数据量化分析，可在一定程度上反映认知实验中的认知特点和规律[16]。但这类指标只能间接的表征认知结果而非认知过程，因此无法适用于对空间认知过程的量化评估[17]。随着脑电图 (Electro EncephaloGram, EEG)设备的成熟应用，利用该设备可实时获取认知实验过程中的脑活动的电波变化，是开展空间认知的有效手段[18-19]。另外，增强现实设备是AR地图渲染的硬件基础，AR设备的显示方式会直接影响AR地图的渲染和表达方式。根据AR设备的使用方式，可分为手持式（Hand Hold Display）和头戴式（Head Mounted Display, HMD）二类。手持式AR的可视化效果与电子地图类似；头戴式AR设备，则通过双目立体显示器，可构建沉浸式的三维立体可视化和交互环境，这更符合人们对三维空间数据感知和交互习惯，如此本文选择头戴式AR设备开展相关的AR空间认知实验研究。
基于此，本文利用头戴式AR技术和EEG技术，本文的AR地图空间认知实验，通过以二维纸质地图、三维实体模型、虚位空间为载体时脑活动强度的变化研究，结合认知负荷理论，分析不同载体AR地图的认知负荷特征差异，以此明确不同载体在AR地图中的空间认知特征，从而为增强现实制图载体选择等提供参考依据。

2 增强现实地图载体类型与特征

2.1 AR地图载体类型划分

增强现实地图的载体是影响空间信息表达的重要组成部分，根据数字地图场景和载体之间的时空、比例、尺度、语义等上下文关联特性，载体类型可分为两大类：① 数字地图场景和载体两者之间存在上下文关联的载体，这类载体主要包括地理实体空间载体和模型实体空间载体[20]；② 数字地图场景和载体两者之间无关联的载体，本文将这类载体定义为“虚位空间”载体。另外，依据文献[10]，从AR地图使用行为方式看，地理实体空间载体类型，是属于现场“亲历行为”模式，模型实体空间载体与虚位空间载体类型是属于“阅读行为”模式。图1表示地理实体空间、模型实体空间和虚位空间三类载体以及子类载体的分类框架，下面阐述各空间载体的涵义和特征。
图1 增强现实地图载体类型

Fig. 1 Types of augmented reality map carriers

地理实体空间载体，即将真实地理环境作为AR地图的虚实融合载体，将数字地图场景中的虚拟对象、虚拟过程等，以地理空间坐标位置和方向姿态为纽带，叠合于环境载体之中，从而实现对真实环境的信息增强。地理空间载体的主要特征是，数字地图场景在空间或语义上与地理环境关联，用户以第一人称视角的“具身”方式进入到AR地图中。综合考虑虚拟地图场景尺度和AR位姿计算技术路线差异，本文将地理空间载体进一步细分为：室外实体空间载体和室内实体空间载体两类。其中室外实体载体空间更符合一般地理学中的空间认知环境，在位姿计算上，可以利用卫星导航定位等技术，但存在自然光照环境复杂多变等问题；室内空间作为人们日常活动工作空间，是一个可控、可操作的人工环境，在位姿计算上，由于室内光照环境相对比较稳定，有利于AR虚实融合的高质量显示。
模型实体空间载体，主要是指具有空间比例尺的实体地图或实体地理模型，根据信息表达维度和实体类型，本文将模型实体空间载体进一步分为：二维纸质地图载体和三维实体模型载体二类。其中二维纸质地图包括传统地图、专题图、地形晕渲图等；三维实体模型包括三维打印地理模型、人工沙盘模型等。在这类融合地图中，则需要2个坐标系：① 以AR设备运行位置为原点的世界坐标系，地图载体作为实体对象三维注册于该坐标系中； ② 地图内容所表达现实地理区域的地理坐标系统。2个坐标系通过投影和坐标变换，实现空间关联。在地图载体AR地图中，数字地图场景需要进行适当比例缩放后，与载体的地图或模型比例尺保持一致，从而达到在空间与内容上的AR虚实融合。
虚位空间载体是相对特殊的一类AR地图载体。该定义借鉴了成语“虚位以待”概念，“虚位”表示在真实地理环境中的某个（块）空间位置，等待着数字地图场景叠合或嵌入于其中。数字地图场景与该空间位置所处的实际在场地理环境在时空结构和语义上均无任何关联，表达的是另一个地理时空和虚拟世界。数字地图场景虽然也“占据”一定的现实空间位置（地理或地图空间），但由于其不需要依赖特定的实体载体，其应用形式也更加灵活多样。

2.2 不同载体AR地图认知环境特点

地理实体载体AR地图将数字地图场景叠加于现场环境中，用户通过头戴式AR眼镜，以第一人称视角沉浸式体验虚实融合地图场景，用户以亲历行为方式与AR地图场景进行交互。在该视角下，实现了地图可视化空间、交互空间以及行为空间三者的统一，从而实现了空间信息的高效传输和感知。该载体类型AR地图中，用户以“具身”的形式沉浸式的进入融合制图环境中，用户利用视觉、听觉、触觉、嗅觉等多种身体感官感知融合认知环境。由于现场环境属于不可控的动态环境，不适宜利用脑电仪采集实验数据，因此本文未将地理实体载体AR地图作为研究对象。
在模型实体空间载体AR地图中，通过将数字地图符号叠加于二维纸质或投影地图之上，实现对静态地图的三维动态增强。在该制图模式下，用户通常采用与传统地图一致的第三人称视角观察虚实融合地图，以阅读行为方式感知AR地图场景。模型载体AR地图是对地理实体空间载体AR地图的有效补充，解决了其无法从宏观或全局视角进行AR制图的局限性。以二维地图为载体的AR制图在技术上已相对成熟，随着三维打印技术发展，将三维实体地形模型作为载体，可为AR地图提供更加直观的空间认知环境。研究表明，实体模型空间信息可通过触觉和视觉并行感知，可以更加高效的传递空间信息[9]。
在虚位空间载体AR地图中，虚拟地图场景直接叠加于真实环境中，此时环境仅作为“容器”，并不提供直接的时空或语义信息。由于不再受现实地理或地图载体的约束，虚位载体AR地图可根据可视化需求进行自由地比例缩放，用户既可以缩小地图场景至第三人称视角观察场景的宏观结构，也可以放大至实际比例后以第一人称视角“进入”地图中，但由于数字地图场景并未与其在场时空建立联系，因此本质上这类AR地图的读图方式仍是基于阅读行为而非亲历行为。此外，通过对地图空间载体进行三维重建后，亦可作为AR地图的底图载体，可以在一定程度上模拟地图空间载体AR地图的可视化效果。但受限于AR设备的渲染能力，目前还无法渲染出“以假乱真”的虚实对象不可区分的融合效果，因此在认知过程中，用户可以明显区分虚拟和真实对象。相较于虚拟模型，实体模型可提供更好的空间参考和在场感[8]。基于虚位空间载体的AR地图与虚拟现实（Virtual Reality, VR）地图（可视化）非常类似，但在地图载体环境和交互认知方式上，依然有明显差异。

3 空间认知实验

地理空间载体AR地图的应用场景为真实环境，属于不可控的高动态变化场景，环境中的动态对象、噪音等视、听觉信息会严重干扰实验任务的脑电数据获取。因此本文选取二维纸质地形晕渲图、三维实体地形模型和桌面虚位空间3种不同载体AR地形地图为研究对象，在室内封闭的环境开展用户空间认知用户实验，在空间认知实验中，目标识别是最简单的实验任务[21]，而路径规划任务的空间认知过程则会涉及到长期空间记忆、逻辑推理等心理活动，是则相对复杂的实验任务[22]。为明确三类载体在不同认知复杂任务中的认知负荷特征，本文以最高山峰的目标搜索和路径规划为实验任务，通过脑电仪获取空间认知任务中认知负荷指数变化，分析不同载体形式中的认知负荷特征。

3.1 研究方法

（1）实验技术路线
实验流程整体上包括实验设计、实验数据处理、认知负荷指数计算以及认知负荷分析四部分（图2）。在实验设计方面，本文分别在二维地形晕渲图、三维实体地形模型、桌面虚位空间三类载体AR地图中开展目标搜索和路径规划二类空间认知实验，实验过程中通过脑电仪实时记录参与者的脑活动数据。为确保实验数据有效，实验结束后需要针对脑电数据特点进行数据预处理，首先对数据进行滤波分析,筛选出4个波段(频率为 0.1~30 Hz)范围内的脑电数据。实验过程中，参与者观察材料时存在眨眼、眼球运动等肌肉活动，会引起Fz, Fp1, Fp2等位于额叶区域电极信号的剧烈变化，形成脑电伪迹数据，从而干扰由空间认知实验任务引起的脑电变化。因此，本文采用独立成分分析算法（Independent Components Analysis, ICA），提取并过滤脑电数据中的眨眼、眼动成分。ICA算法处理后得到的是初步去伪迹数据，实验中实验者同时佩戴AR眼镜和电极帽，转头、移动位置可能会引起电极松动，从而形成坏通道，造成部分实验数据不可用。这类数据很难通过算法自动识别，本文采用可视化方法，对与空间认知相关的电极数据进行人工筛选判别，生成有效脑电数据，最后利用Welch算法将脑电时序信号转为 4个波段的频域信号。选取Fz电极的和Pz电极的波段数据，利用式(1)计算实验过程中10 s内的认知负荷指数序列，并选取序列中的最大认知负荷指数作为实验的认知负荷评估指标，最后对3类载体的目标搜索和路径规划认知负荷特征进行统计分析。
图2 实验流程

Fig. 2 Flowchart of the experiment

（2）认知负荷指数
脑电在和波段的活跃程度与认知负荷有一定的相关性[23]。Gevins等[24]开展与空间和语言相关的认知任务难度与、波相关性研究，结果表明相较于简单任务，复杂任务条件下的波更低。在较大的样本实验条件下，同样发现复杂和困难条件下波受到抑制，波则更加活跃[16]。在地图空间认知领域Keskin[19]等利用EEG分析专家和业余用户在不同难度地图读图任务中和波的差异，结果表明成绩较好分组的波值更高。上述研究表明，通过测定特定脑区的和波变化，是一种有效的空间认知负荷评价方法。认知负荷指数(Cognitive Load Index, CLI)，是由Holm[25]提出的用于认知负荷评估的量化指标，通过计算Fz和Pz位置电极脑活动强度的比值反映认知负荷，CLI计算如式(1)所示：
$C L I=\frac{P_{F z}^{\theta}}{P_{p z}^{\alpha}}$
式中：$P_{F z}^{\theta}$为脑电在Fz电极位置波能量强度；为脑电在Pz电极波能量强度。作者通过实验验证该指数对认知负荷变化具有敏感反应，因此本实验利用CLI定量评估不同任务条件下的认知负荷指数。

3.2 实验设计

本实验的目标为研究二维纸质地形晕渲图（图3(a)）、三维实体地形模型（图3(b)）、和桌面虚位空间（图3(c)）为AR地图环境载体时的空间认知差异。由于实验关注的是载体的认知特征，为避免制图要素干扰，实验过程中数字地图空间内不渲染任何制图符号，仅在实验区外保留图例、引导性图标等基本地图场景要素。虚位空间载体实验场景将数字三维地形模型投射到桌面上。
图3 AR地图实验载体

Fig. 3 AR map carriers

实验如表1所示，包括2个实验任务，其中实验一为简单的空间目标搜索任务，实验二为相对复杂的路径规划任务，每项实验任务的时间均为10 s。实验过程中实验者全程佩戴AR眼镜，确保实验的控制条件一致。为避免学习效应，实验区域被划分为A、B、C 3个子区域，实验过程中全部区域可见，但搜索范围仅局限在实验要求的3个子区之一，三维实体模型载体目标区为A区，纸质地图载体为B区，虚位载体为C区，方向由载体附加的指北针定义。
表1 实验任务

Tab. 1 Experiment tasks

实验 实验内容 任务描述 实验次数/次
实验一 目标搜索 寻找A、B、C指定区域内的最高峰 1
实验二 路径规划 在A、B、C区域内，规划从最高山峰到山脚的最短路径 1

3.3 实验设备

本部分主要实验设备包括HoloLens MR眼镜、Emotiv Epoc Flex脑电仪和运行脑电记录专业软件的笔记本电脑。如图4(a)所示，MR眼镜采用最新50°对角视场角的2.0版本。实验过程中设备以最大亮度， 80%的声音强度运行。脑电仪包括两部分：脑电采集主机（图中绿色箭头）和电极帽。电极帽中嵌入34颗电极（红色线缆尾部圆环）其完整布局如图4(b)所示，其中红色和黄色圆圈表示电极Fz和Pz的位置，运行后以128 Hz频率记录脑电图数据(Electro Encephalo Graphy, EEG)， 图4(c)、图4(d)分别表示电极Cz在某时段的时域信号强度和信号功率谱密度强度（Power Spectral Density, PSD）。脑电主机通过蓝牙与运行数据记录软件的电脑相连。
图4 实验硬件设备及样例数据

Fig. 4 Equipment used in the experiment and sample data

3.4 实验流程

实验共邀请14名参与者，专业背景为GIS或RS专业在读硕士研究生，平均年龄24岁(SD=1.2)。前期测试实验中发现，女生由于发量较大，穿戴 HoloLens后脑电信号不稳定，部分电极信号经常丢失，因此正式实验参与者均为男性。参与者中11名有AR使用经验，每位实验参与者完成实验后领取一定的实验津贴。所有参与者校正视力正常，无色盲、色弱。
实验准备阶段。实验参与者进入实验室后，实验员首先告知参与者关闭所有电子设备。实验员协助参与者穿戴脑电仪和AR眼镜，并告知与实验相关的设备基本操作。实验正式开始后，参与者所有任务分配与引导均由HoloLens语音提示完成，实验员不再与参与者对话。
实验练习阶段。参与者在正式实验开始前，通过练习场景调整AR眼镜位置，获取最大可视化视野，同时熟悉HoloLens语音指令和任务反馈方式。完成练习后，实验员通过指令开始正式实验。
实验阶段。完成上述准备和练习后开始正式实验，实验一的具体实验流程如下：
（1）实验使用载体的顺序为：二维纸质地图载体→虚位空间载体→三维实体地形模型载体；
（2）实验开始前，首先采集10 s脑电数据，以此作为基线数据；
（3）开始目标搜索实验，实验时长为10 s，完成后休息5 s进入下一载体实验；
（4）完成全部载体实验后，进行结果标绘。
每项实验结束后，如图5所示，实验者在纸质的晕渲图中以红色圆圈标绘识别的最高山峰，以曲线标绘出规划的最短路径。三维实体地形模型载体和虚位载体上不便于绘制表达，实验者参考实体地形模型分别在晕渲图A、C区域中绘制实验结果。由于本文的主要研究内容为不同载体AR地图的认知特征，实验结果标绘的主要作用是确保实验的完整性，因此在后续结果分析中，并未对3种载体中标绘的最高峰和路径的准确性进行评估。实验二的实验参与者和实验流程与实验一基本一致，主要差异是将流程（3）的任务替换为路径规划任务。
图5 任务结果描绘草图

注：将整个草图进行划分，如图中黑色线所示，分为A区、B区、C区，右下角区域本文不做分析讨论。

Fig. 5 Task result sketch

4 实验结果及分析

实验结束后对14位参与者的脑电数据进行统计分析。利用图2中脑电数据处理模块对数据进行预处理后。最终实验一中筛选出12名实验者的有效数据，实验二中筛选出11名有效实验者。最后，利用Welch算法将进行数据转化，获取2个空间认知实验中3类不同载体实验任务的波段的频域数据，作为后续认知负荷分析的基础数据。

4.1 认知负荷评估

（1）目标搜索认知负荷差异分析
为明确二维纸质地形晕渲图、三维实体地形模型、和桌面虚位空间载体作为AR地图中的载体时，执行目标搜索任务过程中的认知负荷变化，本文计算了12位有效参与者在3类载体任务中的最大CLI，结果如图6和图7所示，二维纸质地形地图载体中位数CLI为2.65，虚位载体为2.73；三维实体地形模型载体为2.53。为检验三者之间是否存在统计学上的显著差异，分别对CLI进行Wilcoxon符号秩检验算法显著性检验。结果显示三维实体模型与二维晕渲图之间存在显著差异(Z=-2.27, p=0.023)，虚位载体与二维晕渲图（Z=-0.78, p=0.94）以及虚位载体和三维实体模型（Z=-1.49, p=0.14）之间无显著差异。
图6 三类载体实验一认知负荷指数

Fig. 6 CLI of the three carriers in experiment 1

图7 三类载体实验二认知负荷指数

Fig. 7 CLI of the three carriers in experiment 2

三维地形实体模型作为载体时，认知负荷指数最低，这符合Horowitz[9]提出的三维实体模型可同时通过视觉、触觉进行空间感知，从而提高了信息感知效率的观点。因此以三维实体模型作为AR地图载体时，较低的认知负荷有利于用户支配更多的认知资源到具体的业务工作中。二维纸质地形晕渲图的认知负荷虽略低于虚位载体，但二者并无显著差异。
（2）路径规划认知负荷差异分析
类似的，计算了11名实验者在路径规划任务中的最大CLI，结果如图7所示，其中二维纸质地形晕渲图载体的中位数CLI为5.18，虚位载体为5.31；三维实体地形模型载体为4.84。对三者进行Wilcoxon符号秩检验算法显著性检验，结果与目标搜索实验一致，三维实体模型与二维晕渲图之间存在显著差异（Z=-2.22, p=0.026），虚位载体与二维晕渲图（Z=-0.45, p=0.66）以及虚位载体和三维实体模型（Z=-1.16, p=0.25）之间无显著差异。
（3）目标搜索与路径规划实验对比分析
通过对比分析目标搜索和路径规划2个实验的CLI，随着实验任务难度的提升， CLI也同步增大，为检验2个不同难度空间认知实验的CLI是否存在显著性差异，本文对2组实验数据进行独立样本检验分析，结果如表2所示。在二维晕渲图和虚位载体中，路径规划任务的中位数CLI显著高于目标搜索实验，且提高的比列基本一致，分别为95.5%和94.5%。虽然三维实体模型载体中路径规划任务CLI高于目标搜索，但从统计结果分析两者的差异不存在显著性。
表2 目标搜索与路径规划实验认知负荷指数差异检验统计结果

Tab. 2 Statistics of the difference of CLI between target identification and route planning experiments

载体类型 实验 M(P25, P75) 样本秩和检验
Z p
二维晕渲图 实验一 2.65(1.87, 5.08) -2.59 0.01*
实验二 5.18(3.64, 9.15)
三维实体模型 实验一 2.53(1.19,2.64) -1.85 0.07
实验二 4.84(3.67,5.38)
虚位载体 实验一 2.73(1.56, 4.94) -3.45 0.00*
实验二 5.31(3.14, 7.88)

注：*表示P值小于0.05，表明对比项的差异具有统计学显著性。

4.2 结果与讨论

通过综合比较3种载体在目标搜索和路径规划2个空间认知实验中的脑活动强度差异，三维实体地形模型载体的CLI显著低于二维纸质地形晕渲图载体和虚位载体。较低的CLI可以使用户有更多可支配心理资源去处理其他空间任务[26]。虽然2个实验中二维纸质地形晕渲图载体CLI均略低于虚位载体，但两者差异并无显著性。对比分析两个实验中相同载体的CLI变化。结果显示，随着实验任务难度的增加，3种载体环境的CLI也同步提高，表明CLI能够准确反映空间认知任务的认知负荷变化，是空间认知负荷评估的有效指标。此外，在三维实体地形模型载体中，路径规划实验的CLI虽然相较于目标搜索实验有所提高，但两者的差异并不显著，这表明三维实体地形模型载体在面向复杂空间任务时更具优势。
利用脑电仪实时采集实验过程中的脑活动电信号，可为空间认知实验分析提供实时、高频的量化数据支撑。由于当前基于脑电的空间认知相关研究较少，因此脑电数据是否对空间认知任务敏感需要开展进一步的研究。本研究通过设置简单和复杂2个空间认知实验，对比2种难度实验任务下的CLI变化，实验显示随着任务难度提升，CLI也同步显著提升。表明CLI对空间认知实验任务敏感，脑电数据是一种开展空间认知特征分析的有效数据源。
本文利用EEG以认知负荷为切入点，初步研究了不同载体AR地图的空间认知特点，并取得了一些初步结论。但受限于设备功能和性能，本文实验存在一定的局限性。首先，由于佩戴AR眼镜后会挤压电极帽，导致发量厚的女性无法参与实验，因此本文的实验者均为男性，并未考虑到性别差异对空间认知的影响。随着新款耳机式脑电仪和轻量AR眼镜设备的成熟，利用新设备可在一定程度上解决该问题。其次，被试的EEG数据会受环境、个人状态的影响，因此未来研究中，计划在包括男、女性参与者的更大样本中开展不同环境的重复性实验，以及增加事后分析，以此提高实验结论的可靠性。此外，由于脑电空间认知研究是脑神经认知科学、认知科学和地图学等多学科交叉领域，本文仅从认知负荷方面进行了初步的探索。未来的研究，需要结合脑神经认知科学的分析模型、算法以及人工智能算法，提高EEG数据分析的精度和可靠性。

5 结论

本文针对AR地图载体的不同类型和特征进行了较为系统的探索研究，从数字地图内容与实际在场地理场景在时空、语义等的上下文关联特性，以及室内外应用环境、二三维实体地图等进行了载体类型的划分，即地理实体空间载体、模型实体空间载体和虚位空间载体。同时认为，地理实体空间载体AR地图使用，是一种现场“亲历行为”模式，而模型实体空间载体与虚位空间载体类型则是属于“阅读行为”模式。另外，关于虚位空间载体，经过仔细反复的特征和命名思考，本文定义为一种特殊的地图载体，可以单独作为一种数字地图内容与在场环境上下文无关的载体，从而可以成为未来元宇宙、数字孪生城市等虚拟世界的一个“入口”或“窗口”，具有“虚拟世界节点”价值和意义[27]。
2个实验的CLI结果表明，三维实体地形模型在空间认知方面具有一定的优势，但也需要注意到实体模型需要提前制作，也不便于携带和部署，因此其应用更适合于地理教学、指挥大厅等具备固定场所的场景。虚位载体AR地图，可将环境地形模型也作为虚拟地图场景要素，虽然认知负荷指数略高于三维实体地形模型和二维纸质地形晕渲图，但具有部署方便的优势。但由于地形模型复杂，渲染计算量大，不适宜于大尺度场景，因此该模式更适用于小范围场景的灵活展示。相较而言，二维纸质地形图载体在AR地图中并无显著优势，其更适合以地图信息为主，虚拟地图场景信息为辅的应用场景中。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
高俊. 换一个视角看地图[J]. 测绘通报, 2009(1):1-5.

Let's take another look at map[J]. Bulletin of Surveying and Mapping, 2009(1):1-5.]

[2]
高俊, 曹雪峰. 空间认知推动地图学学科发展的新方向[J]. 测绘学报, 2021, 50(6):711-725.

DOI

[Gao J, Cao X F. The new development direction of cartography promoted by spatial cognition[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(6):711-725.]

DOI

[3]
龚建华, 李文航, 张国永, 等. 增强地理环境中过程可视化方法——以人群疏散模拟为例[J]. 测绘学报, 2018, 47(8):1089-1097.

DOI

[Gong J H, Li W H, Zhang G Y, et al. An augmented geographic environment for geo-process visualization: A case of crowd evacuation simulation[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(8):1089-1097.]

[4]
张国永. 增强地理环境的虚实融合制图认知与方法研究[D]. 北京: 中国科学院大学(中国科学院空天信息创新研究院), 2021.

[Zhang G Y. Cognition and method research of virtual-real mixed mapping in augmented geographic environment[D]. Beijing: University of Chinese Academy of Sciences(Aerospace Information Research Institute), 2021.]

[5]
Bobrich J, Otto S. Augmented maps[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2002, 34(4):502-505.

[6]
Paelke V, Sester M. Augmented paper maps: Exploring the design space of a mixed reality system[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(3):256-265. DOI:10.1016/j.isprsjprs.2009.05.006

[7]
Hedley N R, Billinghurst M, Postner L, et al. Explorations in the use of augmented reality for geographic visualization[J]. Presence: Teleoperators and Virtual Environments, 2002, 11(2):119-133. DOI:10.1162/1054746021470577

[8]
Zhang G Y, Gong J H, Li Y, et al. An efficient flood dynamic visualization approach based on 3D printing and augmented reality[J]. International Journal of Digital Earth, 2020, 13(11):1302-1320. DOI:10.1080/17538947.2019.1711210

[9]
Horowitz S S, Schultz P H. Printing space: Using 3D printing of digital terrain models in geosciences education and research[J]. Journal of Geoscience Education, 2014, 62(1):138-145. DOI:10.5408/13-031.1

[10]
万刚, 高俊, 刘颖真. 基于阅读实验方法的认知地图形成研究[J]. 遥感学报, 2008, 12(2):339-346.

[Wan G, Gao J, Liu Y Z. Research on cognitive map formation based on reading experiments[J]. Journal of Remote Sensing, 2008, 12(2):339-346.]

[11]
万刚, 武易天. 地图空间认知的数学基础[J]. 测绘学报, 2021, 50(6):726-738.

DOI

[Wan G, Wu Y T. On the mathematical basis of map spatial cognition[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(6):726-738.]

DOI

[12]
陈辉, 郭健, 李爱光, 等. 面向交通应用场景的增强现实地图载负量及多尺度显示模型[J]. 测绘科学技术学报, 2019, 36(1):105-110.

[Chen H, Guo J, Li A G, et al. Augmented reality map load and multiscale display model for traffic application scene[J]. Journal of Geomatics Science and Technology, 2019, 36(1):105-110.]

[13]
Baka E, Stavroulia K E, Magnenat-Thalmann N, et al. An EEG-based evaluation for comparing the sense of presence between virtual and physical environments[C]// Proceedings of Computer Graphics International 2018. Bintan, Island, Indonesia. New York: ACM, 2018:107-116. DOI:10.1145/3208159.3208179

[14]
郭仁忠, 应申. 论ICT时代的地图学复兴[J]. 测绘学报, 2017, 46(10):1274-1283.

DOI

[Guo R Z, Ying S. The rejuvenation of cartography in ICT era[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1274-1283.]

DOI

[15]
郭仁忠, 陈业滨, 应申, 等. 三元空间下的泛地图可视化维度[J]. 武汉大学学报·信息科学版, 2018, 43(11):1603-1610.

[Guo R Z, Chen Y B, Ying S, et al. Geographic visualization of pan-map with the context of ternary spaces[J]. Geomatics and Information Science of Wuhan University, 2018, 43(11):1603-1610.] DOI:10.13203/j.whugis20180373

[16]
董卫华, 廖华, 詹智成, 等. 2008年以来地图学眼动与视觉认知研究新进展[J]. 地理学报, 2019, 74(3):599-614. [

DOI

[Dong W H, Liao H, Zhan Z C, et al. New research progress of eye tracking-based map cognition in cartography since 2008[J]. Acta Geographica Sinica, 2019, 74(3):599-614.]

DOI

[17]
郑束蕾. 地理空间认知理论与地图工具的发展[J]. 测绘学报, 2021, 50(6):766-776.

DOI

[Zheng S L. The theory, map tools and development directions of geographic spatial cognition[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(6):766-776.]

[18]
Gevins A, Smith M E. Neurophysiological measures of working memory and individual differences in cognitive ability and cognitive style[J]. Cerebral Cortex, 2000, 10(9):829-839. DOI:10.1093/cercor/10.9.829

PMID

[19]
Keskin M, Ooms K, Dogru A O, et al. Exploring the cognitive load of expert and novice map users using EEG and eye tracking[J]. ISPRS International Journal of Geo-Information, 2020, 9(7):429. DOI:10.3390/ijgi9070429

[20]
Lobo M J, Christophe S. Opportunities and challenges for augmented reality situated geographical visualization[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020: 163-170. DOI:10.5194/isprs-annals-v-4-2020-163-2020

[21]
Liu B, Dong W H, Meng L Q. Using eye tracking to explore the guidance and constancy of visual variables in 3D visualization[J]. ISPRS International Journal of Geo-Information, 2017, 6(9):274. DOI:10.3390/ijgi6090274

[22]
Spiers H J, Maguire E A. The dynamic nature of cognition during wayfinding[J]. Journal of Environmental Psychology, 2008, 28(3):232-249. DOI:10.1016/j.jenvp.2008.02.006

PMID

[23]
Klimesch W, Schack B, Sauseng P. The functional significance of theta and upper alpha oscillations[J]. Experimental Psychology, 2005, 52(2):99-108. DOI:10.1027/1618-3169.52.2.99

PMID

[24]
Gevins A, Smith M E, McEvoy L, et al. High-resolution EEG mapping of cortical activation related to working memory: Effects of task difficulty, type of processing, and practice[J]. Cerebral Cortex, 1997, 7(4):374-385. DOI:10.1093/cercor/7.4.374

PMID

[25]
Holm A, Lukander K, Korpela J, et al. Estimating brain load from the EEG[J]. The Scientific World Journal, 2009, 9:639-651. DOI:10.1100/tsw.2009.83

[26]
孙崇勇. 认知负荷的理论与实证研究[M]. 沈阳: 辽宁人民出版社, 2014.

[Sun C Y. Theoretical and empirical research on cognitive load[M]. Shenyang: Liaoning People's Publishing House, 2014.]

[27]
龚建华. 元宇宙-虚拟地理环境发展回顾与思考[EB/OL]//科学网.(2022-07-26)[2022-09-07]. https://blog.sciencenet.cn/blog-113556-1348895.html.

[Gong J H. Metaverse-review and reflection on the development of virtual geographical environment[EB/OL]//Science Net. (202 2-07-26)[2022-09-07].https://blog.sciencenet.cn/blog-113556-1348895.html.]

Options
文章导航

/

〈 〉