Machine Learning aplicado a locomoção na Realidade Virtual

Página do item simplificado
dc.contributor.advisorSoares, Luciano Pereirapt_BR
dc.contributor.authorSakabe, Fernando Kenji
dc.coverage.cidadeSão Paulopt_BR
dc.coverage.paisBrasilpt_BR
dc.creatorSakabe, Fernando Kenji
dc.date.accessioned2023-04-26T18:08:20Z
dc.date.available2023-04-26T18:08:20Z
dc.date.issued2023
dc.description.abstractO objetivo deste trabalho é reconhecer a caminhada de uma pessoa para navegação em ambientes de Realidade Virtual (RV) , para isso foi desenvolvida uma nova solução de reconhecimento do andar através de Machine Learning (ML) aplicando Redes Neurais Convolucionais. Foi utilizada a infraestrutura de uma esteira de RV (KATVR) para as pessoas poderem caminhar em um mesmo ponto. O treinamento do modelo de ML foi feito com um dataset coletado a partir da posição e rotação dos pés no andar de diversos usuários, caminhando em diferentes direções e sentidos. O mecanismo que forneceu esses dados foram os rastreadores com 6 graus de liberdade (6DoF Vive trackers) junto com a game engine Unity. Nos testes realizados diretamente na rede neural, se obteve uma acurácia de 94%, com um tempo de resposta de em média 0,1 segundos. O sistema possibilita o caminhar em múltiplas direções. Assim, acredita-se que essa maneira de realizar a locomoção na RV seja promissora.pt_BR
dc.description.otherThe objective of this work is to recognize a person's walking pattern for navigation in Virtual Reality (VR) environments. To achieve this, a new walking recognition solution was developed using Machine Learning (ML) by applying Convolutional Neural Networks. The infrastructure of a VR treadmill (KATVR) was used to allow people to walk in the same spot. The ML model was trained using a dataset collected from the position and rotation of users' feet while walking in different directions and orientations. The data was obtained using 6 degrees of freedom (6DoF Vive trackers) and the Unity game engine. Tests conducted directly on the neural network achieved an accuracy of 94%, with an average response time of 0.1 seconds. The system allows walking in multiple directions. Thus, it is believed that this method of locomotion in VR is promising.pt_BR
dc.format.extent52 p.pt_BR
dc.format.mediumDigitalpt_BR
dc.identifier.urihttps://repositorio.insper.edu.br/handle/11224/5565
dc.language.isoPortuguêspt_BR
dc.rights.licenseTODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM.pt_BR
dc.subjectCaminhar na Realidade Virtualpt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectTrackerspt_BR
dc.subjectRedes Neuraispt_BR
dc.subjectKATVRpt_BR
dc.subject.keywordsWalking in Virtual Realitypt_BR
dc.subject.keywordsMachine Learningpt_BR
dc.subject.keywordsTrackerspt_BR
dc.subject.keywordsNeural Networkspt_BR
dc.subject.keywordsKATVRpt_BR
dc.titleMachine Learning aplicado a locomoção na Realidade Virtualpt_BR
dc.typereport
dspace.entity.typePublication
local.subject.cnpqEngenhariaspt_BR
local.typeRelatório de Iniciação Científicapt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 2 de 2
N/D
Nome:
[PIBIC] Relatório final (Fernando KENJI SAKABE).pdf
Tamanho:
5.05 MB
Formato:
Adobe Portable Document Format
Descrição:
Relatório final _ Fernando KENJI SAKABE
Baixar
N/D
Nome:
[PIBIC] Termo de autorização (Fernando KENJI SAKABE).pdf
Tamanho:
1.11 MB
Formato:
Adobe Portable Document Format
Descrição:
[PIBIC] Termo de autorização (Fernando KENJI SAKABE)
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
N/D
Nome:
license.txt
Tamanho:
282 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Relatório de Iniciação Científica