Commit 6ee2935d by Kai Westerkamp

Charts

parent 591d640b
......@@ -85,32 +85,34 @@ See-trough AR Displays kann der Betrachter durch den Bildschirm hindurchschauen
Mit den Bildschirmen lässt sich diese Realität erweitern.
Dieses Prinzip verwendet die Microsof Hololens. Der Nutzer trägt ein HMD durch das er hindurchsehen kann und das die Welt durch Hologramme erweitert.
Monitor basierende AR Bildschirme basieren auf dem ``Fenster zu der Welt'' Prinzip. Hierbei werden Computer generierte Bilder in ein Videostream integriert und So die Realität erweitert.
Monitor basierende AR Bildschirme basieren auf dem ``Fenster zu der Welt'' Prinzip. Hierbei werden Computer generierte Bilder in ein Videostream integriert und so die Realität erweitert.
Diese Technologie wird zum Beispiel bei dem Spiel Pokemon GO verwendet \cite{PokemonGO}
Die App nimmt mit der Frontkamera eine Smartphones die Umgebung auf und projiziert ein Pokemon in diese AR, das es zu fangen gilt.
Die App nimmt mit der Frontkamera eine Smartphones die Umgebung auf und projiziert ein Pokemon in diese augmented Reality, das es zu fangen gilt.
\section{3D Punktwolken Scan}
%http://ieeexplore.ieee.org/document/4650967/references?ctx=references
Aus einem Tiefeinbild wie das der Kinect können Punktwolken aus einer Perspektive berechnet werden.
Für größere Aufnahmen werden aber häufig mehrere Punktwolken aufgenommen die anschließend vereint werden müssen.
Diesen Vorgang nennt man Registration.
Hierbei muss für die verschiedenen Ansichten der getrennt aufgenommenen Punktwolken eine relative Position und Orientierung gefunden werden sodass überlappende Teile perfekt übereinanderliegen.
Einer der der beliebtesten Algorithmen für die Registration ist Iterative Closest Point (ICP) \cite{121791}
Bei IPC versucht die optimale Transformation zwischen zwei Datensätzen zu finden indem eine Fehlermetrik zwischen den Punktwolken minimiert wird.
Hierbei nutzt
https://www.microsoft.com/de-de/store/p/3d-scan/9nblggh68pmc
http://www.kscan3d.com/
\section{ VR AR Assistance}
Hierbei wird versucht für jeden Punkt aus der einen Punktwolke der jeweils nächste Punkt aus der andern Punktwolke bestimmt.
Dabei wird die Annahme getroffen das jeder Punkt ein zugehörigen Punkt in der andern Punktwolke hat.
Da Punktwolken sich häufig nur teilweise überlappen wurden viele Versuche unternommen den Bereich einzuschränken.
Eine Möglichkeit ist die Feature Erkennung \cite{982886} \cite{4650967} bei denen zuerst ein Bereich ausgewählt wird der in beiden Punktwolken Identisch ist.
Eine Alternative ist das einbeziehen weiterer Informationen zur Regression. So können Farben \cite{603871} und Normalen \cite{normal} das Ergebniss verbessern.
Jedoch sind diese Prozesse Zeit und Rechenaufwändig.
Für die Kinect gibt es kostenlose Tools die Versuchen mit verscheidenen Methoden einen 3D Scan anzufertigen.
Das Programm 3D Scan der Microsoft Korporation \cite{3DScan} funktioniert in dem man die Kinect lagsam um das Objekt herum bewegt.
Es wird dabei versucht die Kamerabewegung zu errechnen und nach abgeschlossener Aufnahme wird das 3D Modell berechnet.
Bewegt man sich zu schnell so bricht der Scan ab und man kann erneut beginnen.
%http://www.kscan3d.com/ -> nicht merh supported :(
\section{VR AR Assistance}
\cite{Oda:2015:VRR:2807442.2807497} Viirtuelle Proxys
Assistancec Papers
......@@ -119,7 +121,6 @@ Assistancec Papers
%https://dl.acm.org/citation.cfm?id=2659768
%http://ieeexplore.ieee.org/abstract/document/4476601/
%http://delivery.acm.org/10.1145/2810000/2807497/p405-oda.pdf?ip=153.96.12.26&id=2807497&acc=CHORUS&key=4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E6D218144511F3437&CFID=826753542&CFTOKEN=76010413&__acm__=1510231546_0ca035cb6c1b069f4e2214faafb7679b
%https://dl.acm.org/citation.cfm?id=142980
%https://core.ac.uk/download/pdf/9949.pdf#page=93
......
......@@ -184,7 +184,9 @@ Ein Aspekt auf dem in diesem Test nicht eingegangen wurde, sind die persönliche
Experten mit besserem räumlichen Vorstellungsvermögen oder einer besseren Strategie zum Finden der Steine könnten das Ergebnis beeinflussen.
\input{Charts/SteinFinden}
\afterpage{%
\input{Charts/Voberietung}
}
\subsection{Kommunikation des gesuchten Steins}
......@@ -254,8 +256,10 @@ Passt der Experte nicht auf, dann beschreibt er rechts und links anhand des Bild
\subsubsection{Timings}
\afterpage{%
\input{Charts/Kommunikationszeit}
}
Während der Kommunikation zwischen dem Experten und dem lokalen Nutzer wurde ebenfalls die Zeit gestoppt.
Die Messung beginnt, sobald der Experte anfängt zu kommunizieren und endet sobald die Beschriftung vorgelesen wurde.
In Abbildung \ref{plot:KommunikationsZeit} sind die Zeiten abgebildet.
......@@ -267,9 +271,10 @@ Dieser Vorgang hat je nach Positionierung der Beschriftung länger gedauert als
\subsection{NASA TLX und UEQ}
\todo{NASA: zusätzliche Achsenbeschriftung mit gering und hoch}
\afterpage{%
\input{Charts/NASATLX}
}
In der Evaluierung wurden 2 standardisierte Tests verwendet: NASA-TLX und der User Experience Questionnaire (UEQ).
......@@ -292,8 +297,9 @@ Dieser Trend ist auch im Gesamtscore zu erkennen.
Hier ist der Durchschnitt beim lokalen AR Benutzer am geringsten aber nicht signifikant.
Bei Betrachtung der gesamten Werte hat der AR Benutzer die höchste Leistung angegeben aber dabei die geringste Frustration gehabt.
\afterpage{%
\input{Charts/UEQ}
}
Der User Experience Questionnaire (UEQ \cite{UEQ} ist dazu gedacht, die Nutzererfahrung zu messen.
Der Nutzer beantwortet hierzu 26 Gegensatzpaare von Eigenschaften auf einer Skala von -3 bis 3.
......
\begin{landscape}
\begin{figure*}
\begin{figure}
\caption{Kommunikationszeit}
\label{plot:KommunikationsZeit}
\begin{tikzpicture}
......@@ -80,5 +80,5 @@ table[x=X,y=Mittelwert,y error=Standartabweichung]{\datatable};
\end{axis}
\end{tikzpicture}
\end{figure*}
\end{figure}
\end{landscape}
\ No newline at end of file
......@@ -333,4 +333,57 @@ doi={10.1109/34.121791},
ISSN={0162-8828},
month={Feb},}
@INPROCEEDINGS{4650967,
author={R. B. Rusu and N. Blodow and Z. C. Marton and M. Beetz},
booktitle={2008 IEEE/RSJ International Conference on Intelligent Robots and Systems},
title={Aligning point cloud views using persistent feature histograms},
year={2008},
volume={},
number={},
pages={3384-3391},
keywords={computational geometry;convergence of numerical methods;feature extraction;image registration;image sampling;iterative methods;solid modelling;statistical analysis;3D point cloud alignment;consistent global model;convergence basin;indoor-and-outdoor laser scan;iterative registration algorithm;optimal set extraction;persistent point feature histogram;point geometry;pose density;sampling density;Distance measurement;Histograms;Indexes;Meteorology;Noise measurement;Rough surfaces;Three dimensional displays},
doi={10.1109/IROS.2008.4650967},
ISSN={2153-0858},
month={Sept},}
@ARTICLE{982886,
author={G. C. Sharp and S. W. Lee and D. K. Wehe},
journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
title={ICP registration using invariant features},
year={2002},
volume={24},
number={1},
pages={90-102},
keywords={convergence of numerical methods;errors;feature extraction;image registration;invariance;iterative methods;minimisation;noise;Euclidean invariant features;distance function;feature detection;feature distance;ideal noise-free conditions;iterative closest point registration;local minimum;misalignment;monotonic convergence;optimal relative contribution;pointwise correspondences;positional distance;range image registration;small scenes;weighted linear combination;Application software;Computer graphics;Computer vision;Convergence;Image registration;Iterative algorithms;Iterative closest point algorithm;Layout;Least squares approximation;Robustness},
doi={10.1109/34.982886},
ISSN={0162-8828},
month={Jan},}
@INPROCEEDINGS{603871,
author={A. E. Johnson and Sing Bing Kang},
booktitle={Proceedings. International Conference on Recent Advances in 3-D Digital Imaging and Modeling (Cat. No.97TB100134)},
title={Registration and integration of textured 3-D data},
year={1997},
volume={},
number={},
pages={234-241},
keywords={image registration;iterative methods;solid modelling;3-D occupancy grid;3-D textured model;complete 3-D model;iterative closest point algorithm;multi-roomed indoor scene;occupancy grid;spatial occupancy;textured 3-D data integration;textured 3-D data registration;voting;Cameras;Ice;Iterative closest point algorithm;Laboratories;Layout;Merging;Robots;Shape;Solid modeling;Voting},
doi={10.1109/IM.1997.603871},
ISSN={},
month={May},}
@ARTICLE{normal,
author={K.-H. Bae and D. D. Lichti},
booktitle={International Archives of Photogrammetry and Remote Sensing (IAPRS)},
title={Automated registration of unorganized point clouds from terrestrial laser scanners},
year={2006},
pages={222-227},
}
@misc{3DScan,
title = {3D Scan von der Microsof Coorperation},
howpublished = {\url{https://www.microsoft.com/de-de/store/p/3d-scan/9nblggh68pmc}},
note = {Accessed: 2017-11-26}
}
......@@ -12,6 +12,7 @@
\usepackage{algorithm}
\usepackage{algpseudocode}
\usepackage{afterpage}
\usepackage{blindtext}
......
Markdown is supported
0% or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment