Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen angezeigt.
| Beide Seiten der vorigen Revision Vorhergehende Überarbeitung | Letzte ÜberarbeitungBeide Seiten der Revision | ||
| arbeiten:pattern_rotation [08.12.2020 13:52] – [Data-Entry] Andreas Schmid | arbeiten:pattern_rotation [09.12.2020 16:42] – Andreas Schmid | ||
|---|---|---|---|
| Zeile 24: | Zeile 24: | ||
| === Hintergrund === | === Hintergrund === | ||
| - | TBD | + | Tangible Blocks sind kleine, greifbare Objekte, die als Eingabegeräte für Computersysteme oder physische Repräsentation von digitalen Daten verwendet werden können. |
| + | Nutzer können sie bewegen, drehen, zusammenlegen oder stapeln um auf eine intuitive Art und Weise mit Computern zu interagieren. | ||
| + | |||
| + | Für viele Anwendungen mit Tangible Blocks ist es notwendig, die Position derer auf einer Oberfläche und die relative Position mehrerer Tangibles zueinander zu kennen. | ||
| + | Dazu können verschiedene Tracking-Methoden verwendet werden. | ||
| + | Beim Outside-in-Tracking wird auf eine externe, oft kamerabasierte Trackinginfrastruktur zurückgegriffen - ein prominentes Beispiel dafür sind die Lighthouses der HTC Vive. | ||
| + | Für Tangible Blocks ist dieses Verfahren weniger gut geeignet, da die Tangibles oft durch die Hände von Nutzer: | ||
| + | Deshalb wird für Tangible Blocks häufig auf Inside-out-Tracking zurückgegriffen, | ||
| + | |||
| + | Im Projekt DotTrack [1, 2, 3, 4] der Nachwuchsforschungsgruppe Physical-Digital Affordances wurde ein Inside-out-Tracking-Verfahren entwickelt, bei dem die Position von Tangibles über einen im Tangible verbauten Maussensor bestimmt wird, der ein Punktmuster (De-Brujin-Pattern) auf einer Oberfläche erkennt, welches die Position codiert. | ||
| + | Das Verfahren ist mit einer Sampling-Rate von etwa fünf Positionen pro Sekunde und einer Erfolgsrate von über 95% gut geeignet um die Position von Tangibles zu bestimmen, jedoch müssen die Tangible dafür entlang des Punktmusters ausgerichtet sein. | ||
| + | |||
| + | Um auch die Rotation zu bestimmen, müsste diese über das Rohbild des Sensors berechnet werden. | ||
| + | Da dieser Sensor eine sehr geringe Auflösung von 36x36 Pixeln hat, schlagen viele herkömmliche Methoden zum Bestimmen der Rotation, beispielsweise Hough Lines, fehl. | ||
| === Zielsetzung der Arbeit === | === Zielsetzung der Arbeit === | ||
| - | TBD | + | Ziel dieser Arbeit ist ein Vergleich verschiedener Verfahren zum bestimmen der Rotation eines Punktmusters mit niedriger Auflösung. |
| + | Dazu sollen sowohl bekannte Verfahren aus der Computer Vision, als auch Machine-Learning-Ansätze, | ||
| + | |||
| + | Um diese Arbeit in den Kontext des Projekts DotTrack einzugliedern, | ||
| + | Zudem soll anhand eines selbst generierten Datensatzes aus Punktmustern mit verschiedenen Auflösungen evaluiert werden, bis zu welcher minimalen Auflösung die Verfahren sinnvoll einsetzbar sind. | ||
| === Konkrete Aufgaben === | === Konkrete Aufgaben === | ||
| - | TBD | + | * Einarbeiten in das DotTrack-Projekt (1 Woche) |
| + | * Aufbereiten des Themas, Literaturrecherche (2 Wochen) | ||
| + | * Proof of Concept (1 Woche) | ||
| + | * Implementieren verschiedener Verfahren zur Rotationsbestimmung (2 Wochen) | ||
| + | * Aufnehmen des Datensatzes und Auswertung (1 Woche) | ||
| + | * Vervollständigen der schriftlichen Ausarbeitung (2 Wochen) | ||
| === Erwartete Vorkenntnisse === | === Erwartete Vorkenntnisse === | ||
| - | TBD | + | * Grundlagen Computer Vision |
| + | * Grundlagen Machine Learning | ||
| + | * Bereitschaft, | ||
| + | * Auswertung quantitativer Daten | ||
| === Weiterführende Quellen === | === Weiterführende Quellen === | ||
| - | TBD | + | [1] https:// |
| + | |||
| + | [2] Schüsselbauer, | ||
| + | |||
| + | [3] Schüsselbauer, | ||
| + | |||
| + | [4] Schüsselbauer, | ||