Virtual Reality

Glossar
SchlüsselwörterVirtual Reality, VR, Virtuelle Realität, Augmented Reality
TypKI-UseCase

Virtual Reality (VR) ist eine virtuelle, computergenerierte 3D-Realität mit Bild und meist auch Ton.

Virtual Reality benötigt zur Darstellung ein Medium in Form einer Großbildleinwand, speziellem Räumen oder auch Video- bzw. VR-Brillen. VR bietet die Möglichkeit der Interaktion innerhalb der virtuellen Umgebung, wofür jedoch neben dem grundlegenden Medium wie der VR-Brille weitere spezielle Eingabegeräte gebraucht werden.

Problemstellung & Zielsetzung

Im Zusammenhang mit virtuellen Umgebungen kann es zu Wahrnehmungsverzerrungen kommen. So kann Schwindel auftreten, insbesondere, wenn während der Nutzung tatsächliche Bewegung bzw. Beschleunigung zwischen realer und computergenerierten Umgebung voneinander abweichen. Die wirtschaftliche Bedeutung ist jedoch aufgrund der vielen Anwendungsmöglichkeiten sehr hoch wie im Falle von Schulungsszenarien, welche in der Realität nur eingeschränkt möglich wären oder sogar mit Gefahren verbunden sind.

Mögliche KI-Methodiken

Die Blickverfolgung (Gaze Tracking oder Eye Tracking) ist entscheidend für Virtual Reality, um die Augenbewegung von Nutzenden zu verfolgen und die Umgebung entsprechen zu visualisieren. Für die Umsetzung selbst ist Computer Vision zentral, jedoch wären auch Methoden des Motion Capture denkbar:

- Machine Learning - Überwachung von In- und Output-Daten.

  1. Supervised Learning - Erkennung von Anomalien bzw. Abweichungen von erwarteten Werten in Bildern.
  2. Unsupervised Learning - Erkennung von Strukturen oder Mustern in den Daten.
  3. Instance Based Learning - Vorhersagen auf Basis des Abgleichens von Eingabe-/Datenpaaren.

- Deep Learning - Überwachung von In- und Output-Daten auf Basis mehrerer Layer.

  1. Convolutional Neural Networks (CNNs) - für Bildanalysen von Standbildern (Fotos, Grafiken, Diagramme, etc.) und Bewegtbilder (Videos, Live-Streams, etc.).
  2. Recurrent neural network (RNN) - Ermöglichen eine bessere sequentielle Erfassung von Mustern in Daten.

- Deep Learning - Insbesondere zur Darstellung und Verarbeitung auch ohne Label.

  1. Convolutional Neural Networks (CNNs) - für Anlaysen und dem Ausspielen in 2D oder 3D.

Risiken & Chancen

Best Practices

Weiterführende Informationen