Um método não determinístico para a calibração semiautomática de HMDs OST baseados em smartphone

• Ano de defesa: 2021
• Autor(a) principal: Covolan, João Pedro Mucheroni
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Realidade Aumentada; Head Mounted Displays; Optical See-Through; Smartphone; Calibração; Otimização não determinística; Augmented Reality; Calibration; Non-deterministic optimization
• Link de acesso: http://hdl.handle.net/11449/216121

Em um sistema de Realidade Aumentada (RA), elementos reais e virtuais devem ser apresentados de maneira coerente, como se coexistissem em um mesmo ambiente. Atingir esse requisito, que recebe o nome de registro, é especialmente desafiador em certas configurações de hardware, como é o caso dos Head Mounted Displays (HMDs) que utilizam a abordagem Optical See-Through (OST). Além disso, alguns desses dispositivos vêm sendo apresentados em uma arquitetura em que estão associados a um smartphone, o que traz desafios adicionais. O registro exige um processo de calibração que, em geral, é realizado por meio de métodos de otimização determinísticos. Entretanto, uma série de abordagens não determinísticas também vêm sendo propostas, apresentando resultados promissores. Dentro desse contexto, foi desenvolvido neste trabalho um método para calibração semiautomática de HMDs OST baseados em smartphone, utilizando otimização não determinística. Dentre os vários algoritmos não determinísticos existentes, foram testados os algoritmos de recozimento simulado, estratégia evolutiva e enxame de partículas. O método de calibração foi implementado em um software e testado por meio de uma aplicação que realiza o registro de um objeto virtual em uma cena de RA. O método foi avaliado, principalmente, por meio do cálculo do Erro Quadrático Médio (EQM), em cada etapa da calibração, levando em consideração a diferença entre as posições ideais/observadas de um conjunto de pontos de referência e as posições estimadas a partir dos valores determinados para os parâmetros de calibração. Obteve-se uma calibração acurada para o espaço peripessoal, com EQMs semelhantes para os três algoritmos testados.