‘Augmented Reality (AR) is een technologie die de realiteit en de virtuele wereld met elkaar verbindt. In het Nederlands betekent 'augmented reality' letterlijk: verrijkte werkelijkheid. Het is dus een mix van de realiteit met een virtuele toevoeging of ‘verrijking’1. De toenemende digitalisering van de automotive sector maakt dat zowel ontwikkelaars als bestuurders van de auto behoefte hebben aan extra informatie bij het uitvoeren van hun taak. Zo bestaat in de logistieke sector momenteel de wens om het proces van ‘docken’ te verbeteren via AR. Het onderliggende voorstel beschrijft daarom een haalbaarheidsstudie naar de mogelijkheden om AR, specifiek gericht op deze case en tegelijk in het bredere perspectief van lopend en toekomstig onderzoek bij HAN Automotive Research (HAN-AR). Deze haalbaarheidsstudie focust op twee aspecten: • Onderzoek naar de toepassing van AR bij rijtaakondersteuning van professionele bestuurders in vrachtwagens, gerelateerd aan RAAK-Pro onderzoek INTRALOG. • Onderzoek naar verrijking met AR van software tools (zie www.openMBD.com) die HAN-AR in eerdere RAAK projecten2 ontwikkelde. Het onderzoek levert de volgende resultaten: 1. Inzicht in de economische, organisatorische en operationele issues die een rol spelen bij de succesvol kunnen toepassen van AR in automotive onderzoek in brede zin. 2. Inzicht in technische en gebruikersaspecten van AR bij het ondersteunen van gebruikers. 3. Inzicht in verdere valorisatie van de uitkomsten van de afgeronde en lopende onderzoeken. De ervaringen die HAN lectoren (Slomp, Bakker) hebben opgedaan zijn input voor dit voorstel. Centraal bij de uitvoering van deze haalbaarheidsstudie staat de overdracht van de kennis naar de partners van HAN-AR. Dit gebeurt specifiek via ACE workshops met een groot aantal partners van HAN-AR en ACE. Bij positieve resultaten van AURA wordt het onderzoek gecontinueerd in een omvangrijker onderzoek, met als doelstelling om AR bij het MKB verder te implementeren.
Op welke manier kunnen wij ruimtelijke data en slimme toepassingen inzetten om meer grip en inzicht te krijgen op grote regionale maatschappelijke uitdagingen zoals klimaatverandering, stikstofreductie, landbouwtransitie en bevolkingsgroei? Hiervoor willen we een digitale tweeling (Digital Twin) op een regionaal/landschappelijk niveau gebruiken. Dit betekent dat er het landschap met allerlei onderliggende processen en afhankelijkheden als het ware ‘digitaal wordt nagebouwd’. Op deze tweeling kunnen vervolgens allerlei gebeurtenissen worden nagebootst en getest in scenario’s. Een digitaal landschap als laboratorium of testruimte. Momenteel worden Digital Twins vooral ingezet in stedelijke context met veel detail. Bijvoorbeeld om nieuwe bomen te plannen tegen hittestress. Maar projecteer je die opgave naar een grotere regio, moet je schakelen van het niveau boom naar bos. Waar een Digital Twin op stadsniveau legoblokken gebruikt, zou je voor regionale opgaven eerder met Duplo willen kunnen werken, om grotere koppelkansen of conflicten te kunnen waarnemen. Als studiegebied wordt een regio uit het NOVEX gebied binnen Metropool regio Eindhoven gekozen. Het projectteam bestaat uit twee lectoraten: Klimaatrobuuste Landschappen en Ruimtelijke Data Science, een Digital Innovation Lab, Tygron een bedrijf met veel ervaring in de bouw van Digital Twins, studenten van drie verschillende opleidingen, Staatsbosbeheer, Metropoolregio Eindhoven, de provincie Noord-Brabant en Waterschap Aa en Maas.
Computer Vision (CV) is een tak binnen de Artificiële Intelligentie (AI) die zich bezig houdt met visuele herkenning van patronen in afbeeldingen of videos. Daarbij wordt gebruik gemaakt van diepe representatiemodellen, die gebaseerd zijn op Euclidische geometrie. Dit betekent dat deze modellen getraind zijn op basis van een vlakke geometrische representatie. In veel gevallen sluit deze representatie niet goed aan bij de echte wereld. Visuele illusies, zoals Sheppard’s “Terror Subterra”, geven aanwijzingen waar de discrepanties zitten. Bij een verplaatsing van het monster op de horizontale en verticale as in een vlakke representatie lijkt het alsof het monster van grootte veranderd, terwijl dit in werkelijkheid niet zo is: beide monsters zijn exact even groot. Een verplaatsing van een object in de echte wereld heeft zo vaak invloed op de schaal dat onze hersenen erdoor misleid kunnen worden. Recente vorderingen in CV laten de potentie zien van de toepassing van niet-Euclidische geometrie voor het leren van visuele eigenschappen. Het verschil tussen de twee is met name dat de representatieve kracht van niet-Euclidische geometrie groter is. In een niet-Euclidische representatie kan de schaal van Shepard’s monster bij verplaatsing in de ruimte op een natuurlijke manier gepresenteerd worden, waardoor het beeld consistent blijft met onze visuele perceptie ervan. In dit onderzoek willen we de impact evalueren van niet-Euclidische visuele representatiemodellen op het verzamelen, ordenen en annoteren van de data die nodig is voor het trainen van deze nieuwe diepe representatiemodellen. Dit willen we doen we aan de hand van drie CV-problemen die praktische toepassingen dienen buiten de context van de academische wetenschap: beeldmerkherkenning in reclamevideo’s (bij Alpha.one), winkelpanddetectie in gelijkhoekige (visoogobjectief) video’s (bij The Big Data Company) en visuele inspectie van de binnenkant van cilindervormige opslagtanks (bij ScanTank).
