Mulcol: Catálogo de ensamblajes AR (basado en marcadores)

Resumen rápido

• Rol: Desarrollador líder (feliXart studios)
• Empresa/Cliente: Mulcol
• Período del Proyecto: 2017 (entrega)
• Plataformas: iOS, Android
• Motor: Unreal Engine 4 (C++)
• Marco AR: ARToolKit (marcador/NFT)
• Característica principal: Guía de montaje paso a paso basada en marcadores

Línea de tiempo

• 2017: Proceso de desarrollo y entrega.
• 30-05-2017: Fecha de publicación de la página (pubDate).

Catálogo de ensamblaje industrial AR para Mulcol

El catálogo móvil de ensamblaje de AR que desarrollé para Mulcol transformó los catálogos impresos en una guía interactiva en el campo. Los usuarios pudieron seguir los pasos del montaje en 3D en tiempo real escaneando los marcadores del catálogo con la cámara; Esto aseguró la secuencia correcta, la selección de piezas y el estándar de instalación.

Problemas y limitaciones

• Los catálogos impresos no pueden proporcionar una orientación rápida y libre de errores en el campo.
• Necesidad de un seguimiento estable debido a la poca luz y a las diferentes cámaras de los dispositivos.
• Requisito de alto rendimiento y baja latencia en dispositivos móviles.
• Optimización de grandes modelos basados ​​en CAD en dispositivos móviles.

Resumen de la solución

ARToolKit combinó seguimiento basado en marcadores/NFT, animaciones de ensamblaje 3D y guía paso a paso en Unreal Engine. La detección de marcadores se realizó con la transmisión de la cámara, se calculó la pose y el contenido 3D se mostró en la escala y ubicación correctas.

Arquitectura de un vistazo

• Flujo de cámara -> coincidencia de características -> estimación de pose -> Transformación irreal -> contenido 3D.
• Detección en hilo de trabajo, actualización de escena en hilo de juego.
• Compensación de distorsión de la lente con archivos de calibración.

Seguimiento y estimación de pose (marcador/NFT)

• La canalización ARToolKit NFT implementó la detección de marcadores con extracción de características tipo FAST/ORB.
• La homografía se calculó con coincidencias de descriptores y se produjo una pose de 6DoF.- Se aplicaron suavizado temporal y estabilización con umbrales fijos para reducir la inquietud.

Rendimiento móvil

• El procesamiento de la cámara y la detección de marcadores se ejecutaron en subprocesos separados.
• El bucle principal no está bloqueado con la transferencia de datos segura para subprocesos a través de la cola.
• Rendimiento objetivo: 60 FPS, medición: herramientas de creación de perfiles Unreal (pruebas basadas en dispositivos).

Canal de contenido

• Se optimizaron los modelos CAD, se aplicó LOD y compresión de texturas.
• Se utilizó una política de carga y limpieza asincrónica de acuerdo con los límites de memoria móvil.

UX: Montaje paso a paso

• Los pasos se gestionaron mediante DataTable, el flujo de animación se estableció con Sequencer.
• Los números de paso, los nombres de las piezas y las advertencias se mostraron en la interfaz UMG.
• Los pasos hacia adelante y hacia atrás se controlaron con gestos de tocar y deslizar.

Basado en marcadores versus sin marcadores (breve comparación)

• Basado en marcadores proporciona alta estabilidad y bajo costo computacional en entornos controlados.
• Markerless (SLAM) es más flexible pero puede ser inestable en superficies de textura baja.
• El enfoque basado en marcadores permite una rápida incorporación en el campo con un catálogo impreso.
• El enfoque sin marcadores facilita la configuración del contenido, pero requiere más calibración.
• La función basada en marcadores ofrece una orientación de FPS más segura en dispositivos de gama baja.
• Markerless es más natural en términos de experiencia de usuario, pero aumenta el consumo de batería.

Impacto/Resultados

• Reducción de errores de ensamblaje - 80% - periodo: [X], línea base: errores de ensamblaje en campo - fuente: informe de campo/KPI de simulación (reportado por el cliente).
• Mejora del tiempo de configuración - 40% - período: [X], línea base: tiempo del catálogo manual - fuente: informes de campo (informados por el cliente).
• Estandarización de la operación de campo - mejora cualitativa - fuente: comentarios del líder de campo (reportado por el cliente).- Rendimiento móvil - Objetivo de 60 FPS - Medición: pruebas de perfil basadas en dispositivos.

Compensaciones clave

• Precisión basada en marcadores frente a flexibilidad sin marcadores.
• Calidad visual de Unreal Engine versus costo de rendimiento nativo.
• Alta precisión frente al consumo de batería y la temperatura del dispositivo.

Preguntas frecuentes

¿Por qué se eligió la RA basada en marcadores?

Para un seguimiento estable y una incorporación rápida en condiciones de campo.

¿Cómo funciona ARToolKit NFT?

Coincide con puntos característicos y crea pose con homografía.

¿Por qué se utilizó Unreal Engine?

Para facilitar la gestión, renderizado y distribución multiplataforma de contenido 3D.

¿Cómo se mantuvo el rendimiento móvil?

Con separación de hilos, LOD, compresión de texturas y carga asíncrona.

¿Cómo se optimizaron los modelos CAD?

Con configuración de reducción de polígonos, LOD y material ligero.

¿Se admiten escenarios sin conexión?

Se mantuvo la orientación básica con caché y almacenamiento de contenido local.

Pie de imprenta del proyecto

• Cliente: Mulcol Tecnologías de extinción de incendios
• Empresa desarrolladora: estudios feliXart
• Rol: Desarrollador líder / Desarrollador líder de software
• Plataforma: iOS, Android
• Motor: motor irreal 4 -Lenguaje principal: C++
• AR Framework: ARToolKit (seguimiento basado en marcadores)
• Fecha de finalización: mayo de 2017
• Fecha de la página: 2017-05-30

Proyectos relacionados

• Mulcol: Simulación de ensamblaje de cortafuegos VR
• Dunelm: experiencia de "ver en la habitación" de AR compatible con LiDAR
• Renderizado rápido: Configurador de productos 3D en tiempo real