Projektkooperation Formelracing

Moderne Simulationshardware, wie Flugsimulatoren und Fahrsimulatoren sind teuer und platzineffizient. Außerdem ist ihr Potential meist nicht ausgeschöpft, da viele wichtige Merkmale der realen Welt, z.B. Rundumsicht, weniger oder nicht gegeben sind. Die erneut aufkommende Technologie Virtuelle Realität erzeugt eine virtuelle Umgebung, die ein Modell der Realität darstellt. Mit dieser Umgebung kann der Benutzer mithilfe von neuartigen und intuitiven Möglichkeiten interagieren. Damit erzeugt die Virtuelle Realität eine sehr hohe Immersion, mit der, in Bezug auf Simulationen, die Effektivität der Software gesteigert werden soll. Zum einen soll es möglich sein kostengünstigere Alternativen zu der traditionelleren Hardware zu erzeugen, indem nur minimale reale Hardware beschafft wird und der Rest im Modell simuliert wird. Außerdem soll durch den gezielten Einsatz der Technologie in traditionellere Simulatoren, vor allem als Ausgabegerät, die Effektivität abermals verbessert werden. Aktuell existieren zwei State–of–the–Art Geräte zur Nutzung der virtuellen Realität, die HTC Vive und die Oculus Rift. Beide sind sogenannte Head Mounted Displays, welche die benötigte Immersion der virtuellen Realität unterstützen. Beide Geräte werden anhand der Hardwarespezifikationen, APIs und Interaktionsmöglichkeiten analysiert. Um die Eigenschaften der virtuellen Realität praktisch darzulegen wird im Rahmen dieser Arbeit auch ein Prototyp entwickelt, der sich rein auf das virtuelle Modell verlässt und keine weitere Hardware, mit Ausnahme der HTC Vive als Medium, einbindet. So soll gezeigt werden, dass mit minimierten Kosten und Aufwand eine doch sehr effiziente Simulation erzeugt werden kann.

Die räumliche Orientierung ist für Anwendungen vor allem im Bereich von Augmented Reality von großer Relevanz. Neben der Position im dreidimensionalen Raum handelt es sich dabei um einen der wichtigsten Faktoren, um virtuelle Objekte im Raum präzise und richtig darstellen zu können. Dabei ist die Orientierung bei sogenannten Head Mounted Displays, wie etwa der Microsoft HoloLens, mit der Blickrichtung gleichzusetzen, wodurch eben jene Daten darüber bestimmen, welche Informationen im Sichtfeld eines Benutzers dargestellt werden und welche nicht. Dies geschieht zum derzeitigen Stand der Technik zu meist markerbasiert mit in der Umgebung angebrachten, visuellen Hinweisen und/oder mithilfe von Sensoren. Diese Abhandlung erläutert anhand der beiden Augmented Reality Frameworks Vuforia und Kudan AR zwei übliche Möglichkeiten zur markerbasierten Bestimmung der eigenen Orientierung und beschreibt das Problem dieses merkmalsbasierten Ansatzes, dass Anwendungen von einer einzigen fixen Position oder einer enormen Anzahl von Referenzbilder für jeden virtuellen Gegenstand abhängig sind. Diese fehlende Praxistauglichkeit führt zur Notwendigkeit eines alternativen Ansatzes, woraus sich das Ziel dieses Diskurses ableitet, einen merkmalsunabhängigen, bildbasierten Ansatz zu finden, welcher mithilfe der Berechnung des Bildverschubs die Orientierung ermittelt. Diese Vorgehensweise basiert auf der zugrundliegenden Hypothese, welche besagt, dass die Rotation um die eigene Achse bei gleichbleibender Position im Raum durch eine Translation der Eingangsbilder vereinfacht ermittelt werden kann. Anhand mehrerer Testszenarien wird die Implementierung dieser Hypothese evaluiert. Basierend auf diesen Ergebnissen wird die Fragestellung dieser Abhandlung „Ist es möglich, im Outdoorbereich bei einem gleichbleibenden Ausgangspunkt mithilfe von bildbasierten Verfahren die präzise Orientierung im Raum zu ermitteln?“ beantwortet und aufgrund des Resultats von einem Medianunterschied von 0,00015° zwischen realer und berechneter Rotation als untermauert erachtet.

Für den Bereich der derzeit allgegenwärtigen Technologie Augmented Reality existieren diverse Frameworks, welche Entwickler bei der Erstellung von Applikationen in dieser Domäne mit unterschiedlichsten für dieses Einsatzgebiet geeignete Funktionalitäten entlasten. Diese Abhandlung befasst sich deswegen einleitend mit der Definition und den Grundlagen von Augmented Reality. Weiterführend wird die Differenzierung zu der verwandten Technologie Virtual Reality behandelt, um über eine Erläuterung der technischen Basis in Bezug auf die Software als auch die Hardware, bis hin zu bekannten, mit der Verwendung von Augmented Reality Systemen einhergehenden, Problemen zu kommen. Aufbauend auf dieses Wissen folgt die Definition von Augmented Reality Frameworks, den verschiedenen grundlegenden Bestandteilen und einer Auswahl an Entwurfsmustern, welche von mehreren solcher Softwarebausteine umgesetzt werden. Bevor es zu einem Überblick an existierenden Lösungen verschiedenster Hersteller übergeht, werden typische Funktionalitäten behandelt, welche von diversen Frameworks zur Verfügung gestellt werden. Abschließend werden anhand zuvor festgelegter Prämissen die Frameworks Vuforia und Kudan AR Engine selektiert, mithilfe von Prototypen näher erläutert und in einem abschließenden Kapitel unter anderem in den Disziplinen des markerbasierten und des markerlosen Trackings miteinander verglichen. Mit der eigentlichen Fragestellung dieses Elaborats (Welche AR-Frameworks existieren und welche Funktionalität decken diese ab?) als allgegenwärtige Problemstellung soll so auf Unterschiede aufmerksam gemacht werden, welche bei der Implementierung von Anwendungen im Bereich von Augmented Reality von Bedeutung sein können, um so für zukünftige Entwicklungen sowohl eine technische Grundlage als auch eine Basis hinsichtlich des konzeptionellen Verständnisses zu schaffen.

In den letzten Jahren bekamen die Begriffe Virtual Reality und Augmented Reality eine zunehmende Bedeutung. Für viele Funktionalitäten ist dabei ein einfaches VR/AR-Gerät ausreichend, dennoch werden für manche Anwendungsbereiche zusätzliche Technologien benötigt. So wird zum Beispiel um Fahrer von Einsatzfahrzeugen zu trainieren, auf derartige Technologien gesetzt. Dabei wird eine genaue Position der Windschutzscheibe benötigt um festzustellen, in welchem Bereich des Sichtfeldes zusätzliche Gefahren eingeblendet werden können. Diese Arbeit hat sich genau diese Problematik als Ziel gesetzt und versucht dabei die Möglichkeiten der Fenstererkennung in Fahrzeugen mittels Kantenerkennung aufzugreifen. Dabei werden vor allem zwei zentrale Fragestellungen in den Mittelpunkt gestellt. Zum einen „Ist es möglich Fenster rein mittels Kantenerkennung zu detektieren?“, zum anderen „Welche verschiedenen Algorithmen zur Kantenerkennung existieren und welche Vor- und Nachteile haben diese hinsichtlich der Erkennung von Fenstern in Fahrzeugen?“ Um diese beiden Fragestellungen beantworten zu können, unterteil sich diese Arbeit in einen Theorieteil, sowie in der Ausarbeitung mehrere Prototypen. Im theoretischen Teil dieser Arbeit wird die grundlegende Funktionsweise verschiedenster Kantenerkennungsalgorithmen beschrieben, sowie überprüft warum und ob sich diese zur Erkennung von Fenstern in Fahrzeugen eignen. Es wurden dabei im wesentlichen folgende Operatoren/Verfahren betrachtet: Roberts, Prewitt, Sobel, Kompass-Gradient, Kirsch, Marr-Hildreth und Canny. Für den praktischen Teil wurden drei Prototypen entwickelt, welche die drei ausgewählten Algorithmen hinsichtlich ihrer Funktionalität vergleichen. Die Auswahl fiel dabei auf Marr-Hildreth und Canny, da diese durch ihre Parametrisierbarkeit für dieses Szenario angepasst werden können. Als Vergleich zu den normalen steht stellvertretend Prewitt. Dabei kann damit ermittelt werden, welcher dieser Prototypen sich für ausgewählte Szenarien besser eignet und welche Einstellungen und Parametrisierungen des Prototypens dafür notwendig waren. Die erzielten Ergebnisse der Prototypen waren sehr durchwachsen. In manchen Szenarien zeigten sie klar, welche Probleme rein mittels Kantenerkennung auftreten, in anderen wiederum erzielten sie sehr gute Ergebnisse. Außerdem zeigten sie die typischen Probleme von Kantenerkennungssysteme, besonders gewisse Störfaktoren wie Rauschen oder Bildunschärfe verursachten Probleme. Der Einsatz von Kantenerkennungsalgorithmen zur Fenstererkennung ist dann möglich, wenn es sich wirklich um perfekte Musterszenarien handelt. Vor allem dann, wenn wenig Störfaktoren in der Umgebung vorhanden sind. Um die Erkennung auch für andere Szenarien zu ermöglichen, müssen die Algorithmen mit weiteren Verfahren wie zum Beispiel Objekterkennung kombiniert werden.