Tracking filter framework - Implementation and evaluation of a virtual reality tracking filter framework

Abstract

Virtuelle Realität stellt eine Computersimulation dar, bei der ein Tracking-System die Haltung des Benutzers erfasst und sensorisches Feedback für einen oder mehrere Sinne ersetzt, um den Benutzer in eine virtuelle Umgebung zu versetzen. Das System muss die Aktionen und Bewegungen des Benutzers genau und schnell erfassen und ihre Darstellungen an die Sinne weitergeben, um den Benutzer in diese Umgebung eintauchen zulassen. Mess- und Schätzungsfehler sind ein häufiges Problem für solche Systeme, können aber durch den Einsatz von Filteralgorithmen abgeschwächt werden. Diese Arbeit dokumentiert den Entwurf und die Implementierung eines Tracking Filter Framework (TFF) und bewertet seine Fähigkeit Tracking-Fehler zu reduzieren und die Benutzererfahrung zu verbessern. Das TFF wendet Filteralgorithmen auf Tracking-Daten an und liefert das Ergebnis als Ausgabe. Das Lighthouse Tracking System (LHTS) mit Valve’s Index wird als Tracking-Datenquelle verwendet, es unterstützt sechs Freiheitsgrade, um die Haltung des Benutzers zu erfassen und nutzt optisches und inertiales Tracking. Dieexperimentelle Bibliothek libsurvive gewährt Zugriff auf die Inertial-Tracking-Daten. Die Double Exponential Smoothed Prediction (DESP), ein Doppelexponentialfilter, und der Error-state Kalman Filter (ESKF), ein Kalman-Filter mit Fehlerstatus, der optische und inertiale Daten fusionieren kann, werden vorgestellt. Die Benutzerakzeptanz des Systems wird durch die Durchführung einer Benutzerstudie innerhalb einer virtuellen Umgebung mit einem Within-Subject-Design bewertet. Die Ergebnisse zeigen, dass die von libsurvive zur Verfügung gestellten Tracking-Daten mit deaktivierten Optimierungen sich als zu verrauscht und instabil für die vorgestellten Filter erwiesen haben. Die vorgestellten Filter können die auftretenden Tracking-Fehler nicht in dem Maße kompensieren, wie es für eine virtuelle Realitätsanwendung notwendig ist. Die DESP verursacht beim Versuch, verrauschte Tracking-Daten zu filtern, eine erhebliche zeitliche Verzögerung, die für eine virtuelle Realitätsanwendung nicht akzeptabel ist. Der ESKF bietet eine signifikante Verbesserung bei simulierten Tracking-Daten. Bei libsurvive-Trackingdaten ist er jedochaufgrund der verrauschten und instabilen Daten unzureichend, wie die Ergebnisse der Benutzerstudie zeigen.

Virtual reality is a computer simulation wherein a system tracks the user’s pose and replaces sensory feedback for one or more senses to place the user into a Virtual environment (VE). In order to immerse users into this environment, the system needs to be accurate and fast in capturing their actions and feed their representations back to the senses. Measurement and pose estimation errors are a common problem for such systems but can be mitigated through the use of filter algorithms. This work documents the design and implementation of a Tracking Filter Framework (TFF), and evaluates its ability to reduce tracking errors and enhance the user experience. The TFF applies filter algorithms to tracking data and provides the result as an output. The Lighthouse Tracking System (LHTS) with Valve’s Index is used as tracking data source, it supports six Degrees Of Freedom (DOF) to track the user’s pose and uses optical and inertial tracking. The experimental library libsurvive is used to access the inertial tracking data. The Double Exponential Smoothed Prediction (DESP), a double exponential filter, and the Error-state Kalman Filter (ESKF), an error-state Kalman filter capable of fusing optical and inertial data, are introduced. The user acceptance of the framework is evaluated by conducting a user study within a VE, using a within-subject design. The results show that the provided tracking data by libsurvive with disabled optimizations turned out to be too noisy and unstable for the introduced filters. The filters cannot compensate for the occurring tracking errors to the degree that would have been necessary for a Virtual Reality Application (VRA). The DESP causes a significant delay when trying to filter noisy tracking data, which is not acceptable for a VRA. The ESKF provides a significant improvement with simulated tracking data. However, it falls short with libsurvive tracking data because of its noisy and unstable nature, as the results of the user study show.