En los últimos años, la Realidad Virtual (RV) ha experimentado un crecimiento significativo como herramienta para ofrecer experiencias inmersivas. Su capacidad para simular entornos y situaciones que serían difíciles o peligrosos de recrear en el mundo real la convierte en una tecnología valiosa en campos como la educación, la medicina, el entretenimiento o la seguridad vial.
Para lograr un alto grado de realismo en la RV, es fundamental modelar con precisión el movimiento de los avatares que forman parte de los escenarios virtuales. La captura del movimiento (Motion Capture o MoCap) es una técnica esencial en este proceso. Consiste en monitorizar y registrar el movimiento de objetos físicos en el espacio tridimensional. Los datos obtenidos a través de sistemas de cámaras, como el sistema de sensores exteroceptivos Optitrack; o los sensores inerciales integrados en cascos de RV como son el HTC Vive-Pro o el Oculus Rift; se pueden utilizar para dicho propósito.
El Centro de Domótica Integral de la UPM (CEDINT), colabora con el Instituto Nacional del Automóvil (INSIA-UPM), en un proyecto centrado en predecir colisiones entre peatones y vehículos en escenarios de RV. Para ello, los investigadores del CEDINT han desarrollado una aplicación que introduce al usuario en situaciones de riesgo de colisión con un vehículo a motor. Esta aplicación permite registrar el movimiento de los usuarios que se introducen en las simulaciones utilizando un sistema de captura de movimiento.
En este Trabajo de Fin de Máster, a través de técnicas de minería de datos y aprendizaje no supervisado, se busca clasificar el movimiento de los usuarios en una serie de patrones. De esta forma se espera facilitar la mejora de la experiencia inmersiva gracias a la integración de estos patrones de movimiento en la programación de avatares virtuales. Adicionalmente, se pueden obtener conclusiones valiosas que permitan comprender como es el comportamiento de los peatones en situaciones de riesgo.
ABSTRACT
In recent years, Virtual Reality (VR) has seen significant growth as a tool for providing immersive experiences. Its ability to simulate environments and situations that would be difficult or dangerous to recreate in the real world makes it valuable in fields such as education, medicine, entertainment, and road safety.
To achieve a high degree of realism in VR, accurately modeling the movement of avatars within virtual scenarios is essential. Motion capture (MoCap) is a crucial technique in this process. It involves monitoring and recording the movement of physical objects in three-dimensional space. Data obtained from camera systems, such as the Optitrack system with exteroceptive sensors, or inertial sensors integrated into VR headsets like the HTC Vive Pro or Oculus Rift, can be used for this purpose.
The UPM Center for Integral Home Automation (CEDINT) collaborates with the National Institute of Automotive Research (INSIA-UPM) on a project focused on predicting collisions between pedestrians and motor vehicles in VR scenarios. The researchers at CEDINT have developed an application that immerses users in collision risk situations with motor vehicles. This application records user movement during simulations using a motion capture system.
In this master’s final project, data mining and unsupervised learning techniques are used to reduce user movement to a series of patterns. By integrating these movement patterns into virtual avatar programming, the goal is to enhance the immersive experience. Additionally, valuable insights can be gained into pedestrian behavior in risky situations.
En los últimos años, la Realidad Virtual (RV) ha experimentado un crecimiento significativo como herramienta para ofrecer experiencias inmersivas. Su capacidad para simular entornos y situaciones que serían difíciles o peligrosos de recrear en el mundo real la convierte en una tecnología valiosa en campos como la educación, la medicina, el entretenimiento o la seguridad vial.
Para lograr un alto grado de realismo en la RV, es fundamental modelar con precisión el movimiento de los avatares que forman parte de los escenarios virtuales. La captura del movimiento (Motion Capture o MoCap) es una técnica esencial en este proceso. Consiste en monitorizar y registrar el movimiento de objetos físicos en el espacio tridimensional. Los datos obtenidos a través de sistemas de cámaras, como el sistema de sensores exteroceptivos Optitrack; o los sensores inerciales integrados en cascos de RV como son el HTC Vive-Pro o el Oculus Rift; se pueden utilizar para dicho propósito.
El Centro de Domótica Integral de la UPM (CEDINT), colabora con el Instituto Nacional del Automóvil (INSIA-UPM), en un proyecto centrado en predecir colisiones entre peatones y vehículos en escenarios de RV. Para ello, los investigadores del CEDINT han desarrollado una aplicación que introduce al usuario en situaciones de riesgo de colisión con un vehículo a motor. Esta aplicación permite registrar el movimiento de los usuarios que se introducen en las simulaciones utilizando un sistema de captura de movimiento.
En este Trabajo de Fin de Máster, a través de técnicas de minería de datos y aprendizaje no supervisado, se busca clasificar el movimiento de los usuarios en una serie de patrones. De esta forma se espera facilitar la mejora de la experiencia inmersiva gracias a la integración de estos patrones de movimiento en la programación de avatares virtuales. Adicionalmente, se pueden obtener conclusiones valiosas que permitan comprender como es el comportamiento de los peatones en situaciones de riesgo.
ABSTRACT
In recent years, Virtual Reality (VR) has seen significant growth as a tool for providing immersive experiences. Its ability to simulate environments and situations that would be difficult or dangerous to recreate in the real world makes it valuable in fields such as education, medicine, entertainment, and road safety.
To achieve a high degree of realism in VR, accurately modeling the movement of avatars within virtual scenarios is essential. Motion capture (MoCap) is a crucial technique in this process. It involves monitoring and recording the movement of physical objects in three-dimensional space. Data obtained from camera systems, such as the Optitrack system with exteroceptive sensors, or inertial sensors integrated into VR headsets like the HTC Vive Pro or Oculus Rift, can be used for this purpose.
The UPM Center for Integral Home Automation (CEDINT) collaborates with the National Institute of Automotive Research (INSIA-UPM) on a project focused on predicting collisions between pedestrians and motor vehicles in VR scenarios. The researchers at CEDINT have developed an application that immerses users in collision risk situations with motor vehicles. This application records user movement during simulations using a motion capture system.
In this master’s final project, data mining and unsupervised learning techniques are used to reduce user movement to a series of patterns. By integrating these movement patterns into virtual avatar programming, the goal is to enhance the immersive experience. Additionally, valuable insights can be gained into pedestrian behavior in risky situations. Read More
Related posts:
Tablero en movimiento
Efectos del rango de movimiento y el torque sobre la hipertrofia muscular. Revisión sistemática
Diferencias cinéticas y dinámicas ante CMJ con y sin utilización de los brazos
La tecnología como palanca para marcar la diferencia
Comparación del perfil de fuerza en el salto vertical con contra movimiento
Revisión de la literatura acerca del uso de videojuegos activos en el tratamiento de la obesidad y el sobrepeso