Hand-Tracking-Pipeline für ein AR-Trainings-Startup verbessern
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst rund 6 Stunden aufgezeichnete Hand-Tracking-Sessions aus 20 Trainings-Lern-Aufgaben plus die zugehörigen Headset-Logs. Klassifiziere die Fehler-Modi (schneller Move, Verdeckung, einseitige Sichtbarkeit, Out-of-Frame). Entwerfe und implementiere einen kombinierten Smoothing- (One-Euro-Filter oder Kalman) plus Re-Identification-Layer (kleines siamesisches Netz auf Hand-Crops). Vergleiche Baseline vs. neue Pipeline auf einem gelabelten Holdout-Set über Tracking-Stabilität (Anzahl Verluste pro Minute) und Pose-Stabilität (Jitter pro Gelenk). Führe eine Mini-Studie mit 5 Testpersonen durch (System Usability Scale, SUS). Liefere ein A/B-Demo-Video und eine 2-seitige Empfehlung.
Das Briefing
Was Du tust und was Du zeigst.
Verbessere die Hand-Tracking-Pipeline so, dass die Verlust-Rate pro Minute halbiert und der per-Gelenk-Jitter um mindestens 30 Prozent reduziert wird, ohne die Latenz über 12 ms zu treiben.
Earning criteria — what you'll demonstrate
- Hand-/Pose-Tracking-Pipelines auf realen Sessions diagnostizieren
- Smoothing-Filter (One-Euro, Kalman) auf 3D-Skelette anwenden
- Re-Identification-Modelle als Stabilitäts-Hebel verstehen
- Eine kleine User-Studie auf ein technisches Verbesserungs-Argument abbilden
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenComputer-Vision-Ingenieur:in
Hand- und Pose-Tracking-Pipelines auf Realbedingungen zu stabilisieren ist tagtägliche Arbeit in AR/VR-Teams, gerade auf Standalone-Headsets mit knappem Latenz-Budget.
Dieses Projekt schärft
- pose-estimation
- temporal-smoothing
- re-identification
Angewandte:r KI-Wissenschaftler:in
Methoden-Auswahl (Kalman vs. One-Euro vs. gelerntes Re-ID) und Mini-User-Studie auf Verbesserungs-Argument abbilden ist exakt der angewandte Forschungs-Mode in Produktteams.
Dieses Projekt schärft
- kalman-filter
- user-study
- pose-estimation
KI-Produktdesigner:in
Stabilitäts-Verbesserungen auf das Erlebnis-Argument (Trainings-Abbruch-Rate) zu übersetzen, ist die Schnittstelle, an der KI-Produktdesigner:innen mit Vision-Engineering arbeiten.
Dieses Projekt schärft
- user-study
- pose-estimation
- temporal-smoothing
Noch eine Sache