La definición
La realidad virtual sustituye lo que una persona ve y oye por un entorno generado por computadora que responde a sus movimientos y en el que puede actuar (Milgram y Kishino, 1994). El principio viene del visor montado en la cabeza que Ivan Sutherland describió en 1968: una imagen en perspectiva que cambia conforme el usuario se mueve.
Sutherland montó frente a los ojos dos tubos de rayos catódicos miniatura y midió la posición de la cabeza con un brazo mecánico colgado del techo o con ultrasonido. Para recalcular la perspectiva de cada línea construyó electrónica propia, y su equipo dibujaba 3,000 líneas a 30 cuadros por segundo, con 40 grados de campo de visión para la imagen sintética. Escribió que el estéreo importa, pero menos que el cambio de la imagen cuando el observador mueve la cabeza, y los visores actuales siguen esa lógica: miden la cabeza, y muchas veces las manos, para redibujar la escena de cada ojo. Aquel visor, además, dejaba ver el cuarto a través de espejos semitransparentes, así que hoy se clasificaría entre los de vista óptica, del lado de la realidad aumentada.
La frontera con sus vecinas está en lo que la persona deja de ver. Al definir la realidad aumentada, Ronald Azuma describió la virtual por contraste: mientras la persona está inmersa, no ve el entorno que la rodea. Si lo ve, porque el visor es transparente o porque muestra el video de sus cámaras, y lo digital se le agrega encima, se trata de realidad aumentada o mixta.
Para evaluar un proyecto conviene separar dos palabras que suelen usarse como sinónimos. Inmersión es lo que entrega el sistema y se puede especificar: cuadros por segundo, latencia del seguimiento, campo de visión, resolución de la imagen y qué partes del cuerpo se rastrean, entre los parámetros que enumera Mel Slater. Presencia es la respuesta de la persona. Slater la llama ilusión de lugar, la sensación de estar ahí aunque se sepa que no, y le suma la ilusión de plausibilidad, la de que lo que pasa en la escena está ocurriendo. La inmersión pone los límites dentro de los cuales puede darse la presencia; la plausibilidad, en cambio, depende de que los sucesos de la escena se relacionen con la persona y sean creíbles frente a lo que espera.
La interacción completa el cuadro. Slater distingue las acciones con las que la persona percibe, como girar la cabeza o agacharse para ver debajo de algo, de las que cambian el entorno, como tomar un extintor. De ahí salen los tipos que importan a una empresa. La inmersiva con visor autónomo corre sin computadora ni cables, como la mayoría de los simuladores de Fyware Safe en Meta Quest 3, que tampoco necesitan internet. La inmersiva con visor conectado a una PC carga escenas más pesadas. La no inmersiva corre en una pantalla, con mouse y teclado: la persona actúa sobre la escena, pero mover la cabeza no cambia la imagen.
Para quien compra, el tipo sale de lo que tiene que hacer el cuerpo. Si el procedimiento depende de agacharse o de calcular la distancia a una carga, hace falta un visor que siga la cabeza en posición y en rotación; si depende del orden de los pasos y de qué se toca, una pantalla puede bastar y ahorra la compra de visores.