به لطف مایکروسافت واقعیت مجازی را با دستان خود لمس کنید

سیستم‌های ردیابی حرکتی را نمی‌توان برای مایکروسافت موضوعی جدید به‌حساب آورد و تخصص این شرکت در محصولات تجاری پیشین آن مانند کینکت به معرض نمایش قرار داده شده بوده است. حال محققان تیم دید کامپیوتری مایکروسافت در حال کار کردن بر روی جدیدترین فناوری در مسیر ردیابی دقیق حرکات دست هستند.

این تیم موفق به طراحی یک سیستم ویژه شده‌اند که می‌تواند حرکات دست را به‌صورت روان و بسیار دقیق انجام دهد و همه این فرایند نیز به‌صورت همزمان انجام می‌شود. همچنین باید گفت که مهم‌ترین مزیت این سیستم این است که می‌توان از آن بر روی سیستم‌های ساده‌ای که در اختیار کاربران مختلف است نیز استفاده کرد و به‌صورت دقیق‌تر، این سیستم می‌تواند بر روی تمامی دستگاه‌هایی که با واقعیت مجازی کار می‌کنند، اجرا شود.

البته این سیستم در حال حاضر تنها یک پروژه تحقیقاتی محسوب می‌شود. در حال حاضر این سیستم می‌تواند حرکات دستان شما را حتی بدون در اختیار داشتن یک عینک واقعیت مجازی نیز به‌صورت دقیق و با جزئیات بسیار زیاد ردیابی کند. برای نمونه هنگامی‌که در دنیای واقعیت مجازی به بدن نرم یک عروسک خرگوشی دست می‌زنید یا یک دستگیره را حرکت می‌دهید، این سیستم می‌تواند میزان فشار وارده توسط دست شما و جهت حرکت انگشتان‌تان را ردیابی کند.

علاوه بر این نیز چیزی که دست شما انجام می‌دهد، برای خود شما در دنیای واقعیت مجازی قابل رویت است زیرا یکی از مشکلات اصلی در استفاده از ابزارها در دنیای واقعیت مجازی این است که افراد موقعیت دقیق دست خود را نمی‌بینند. در حال حاضر فناوری هولولنز به پشتیبانی از اسکن حرکات دست مجهز شده است و این امر اجازه می‌دهد که چنین سیستمی به‌طور آسان‌تری با هولولنز سازگاری پیدا کند.

ITresan-1395 (3)

در ادامه با یکدیگر به مطالعه خلاصه شرح این پروژه خواهیم پرداخت:

«این سیستم ردیابی تک‌تک بندهای انگشتان دست اجازه می‌دهد تا ارتباطی بنیادی و کاملا جدید با دنیای واقعیت افزوده برقرار گردد. بااین‌حال محدودیت در دقت و بهره‌وری سیستم فعلی موجب عدم پذیرش همه‌گیر آن شده است. الگوی فراگیر امروزی از یادگیری ماشینی برای مقداردهی اولیه و بازیابی استفاده می‌کند که این امر با مدل‌سازی مرحله‌ای برای بهینه‌سازی جهت دستیابی به جزئیات قرارگیری دست همراه است.

ما نیز از همین الگو استفاده کرده‌ایم و تغییرات بسیاری را بر روی این مدل‌سازی انجام داده‌ایم که شامل موارد زیر هستند:

  1.  استفاده از تابع‌های موضوعی متمایزکننده.
  2. یک مدل سطحی صاف که می‌تواند سیستم خاصی را برای بهینه‌سازی ساختارهای غیرخطی به همراه بیاورد.
  3. بهینه‌سازی مشترک بر روی هر دو مورد مدل ژست قرارگیری و مطابقت بین نقاط داده‌ای برداشت شده و سطح مدل.

درحالی‌که هر یک از این تغییرات می‌تواند میزان هزینه در هر گام را افزایش بدهد، ما برای جبران این امر به دنبال کاهش تعداد گام‌های عملیاتی هستیم. علاوه بر این نیز حوزه گسترده همگرایی به معنای نیاز به نقاط آغاز کمتر برای مدل‌سازی است. سیستم ما به‌صورت همزمان و تنها بر روی پردازنده مرکزی تکیه دارد که موجب می‌شود که فشار بسیار زیاد واقع بر روی پردازنده گرافیکی از روی دوش طراحان تجربی برداشته شود. این سیستم ردیاب حرکات دست به‌اندازه کافی بهینه است تا بتواند بر روی دستگاه‌های کم‌مصرفی مانند تبلت‌ها نیز اجرا شود.

ما می‌توانید تا چند متر به ردیابی دست بزنیم که این امر حجم بالایی از ارتباطات را به همراه می‌آورد، حتی وقتی از داده‌های پر از پارازیت دوربین‌های عمقی نسل جاری استفاده کنیم. ارزیابی کمی بر روی مجموعه داده‌های استاندارد نشان می‌دهد که چگونه این رویکرد جدید می‌تواند از نظر دقت از وضعیت سیستم‌های موجود پیشی بگیرد. نتایج کیفی که از فیلم‌برداری زنده از محدوده‌ای از تجربیات تعاملی به دست می‌آیند نیز به‌واسطه این رویکرد نوین ممکن شده‌اند.»

<style>.h_iframe-aparat_embed_frame{position:relative;} .h_iframe-aparat_embed_frame .ratio {display:block;width:100%;height:auto;} .h_iframe-aparat_embed_frame iframe {position:absolute;top:0;left:0;width:100%; height:100%;}</style><div class=”h_iframe-aparat_embed_frame”> <span style=”display: block;padding-top: 57%”></span><iframe src=”https://www.aparat.com/video/video/embed/videohash/xXj7M/vt/frame” allowFullScreen=”true” webkitallowfullscreen=”true” mozallowfullscreen=”true” ></iframe></div>

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

اسکرول به بالا
TCH