Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.

Presentation MSc in CS - Gravos Dimitrios / Γράβος Δημήτριος

1.047 Aufrufe

Veröffentlicht am

This is my Master Thesis Presentation
University of Patras
School of Engineering
Department of Computer Engineering and Informatics

Veröffentlicht in: Software
  • Als Erste(r) kommentieren

Presentation MSc in CS - Gravos Dimitrios / Γράβος Δημήτριος

  1. 1. ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΠΙΣΤΗΜΗ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΥΠΟΛΟΓΙΣΤΩΝ ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ ΜΕ ΘΕΜΑ: «Χρήση Επαυξημένης Πραγματικότητας για την Υλοποίηση Μαθησιακών Εμπειριών σε Μουσειακούς Χώρους» Ονοματεπώνυμο: Γράβος Δημήτριος Α.Μ: 869 Τριμελής Επιτροπή 1)Ιωάννης Γαροφαλάκης(Επιβλέπων), 2)Αθανάσιος Τσακαλίδης, 3)Ιωάννης Χατζηλυγερούδης Πάτρα, 15 Ιουνίου 2015 ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ
  2. 2. Η υλοποίηση της μεταπτυχιακής εργασίας υποστηρίχθηκε ηθικά και οικονομικά:  Από τις «Υποτροφίες Ανδρέας Μεντζελόπουλος του Πανεπιστημίου Πατρών»  Μέσω του Έργου «Υποτροφίες ΙΚΥ» από πόρους του ΕΠ «Εκπαίδευση και Δια Βίου Μάθηση», του Ευρωπαϊκού Κοινωνικού Ταμείου (ΕΚΤ) και του ΕΣΠΑ, 2007-2013» Τους ευχαριστώ θερμά που πίστεψαν στην υποψηφιότητά μου και με τίμησαν με την επιλογή τους. Εύχομαι να ανταποκρίθηκα στις προσδοκίες τους.
  3. 3. Δομή της παρουσίασης  Το Πρόβλημα και η Συνεισφορά της Εργασίας  Προηγούμενη Ερευνητική Πρόοδος  Υλοποίηση της Εφαρμογής AugMentor  Μελέτη Περίπτωσης Χρήσης της Εφαρμογής  Συμπεράσματα-Προοπτικές
  4. 4. Το Πρόβλημα Στη βελτίωση των Mουσειακών Eμπειριών: Οι περιορισμένες μαθησιακές εμπειρίες που αποκομίζουν στις μέρες μας οι επισκέπτες των μουσειακών χώρων Στην Επιστήμη των Υπολογιστών: Η βελτιστοποίηση των τεχνικών Αναγνώρισης Εικόνας προκειμένου να ανιχνεύεται οποιοδήποτε αντικείμενο του πραγματικού κόσμου
  5. 5. Συνεισφορά της Εργασίας  Προτείναμε έναν τρόπο ξενάγησης που βασίζεται στην εξερεύνηση και υλοποιεί ένα παιχνίδι κρυμμένου θησαυρού με σκοπό να βελτιώσει τις μαθησιακές εμπειρίες των επισκεπτών  Καταστρώσαμε ένα σχέδιο για τη βέλτιστη διάδραση μεταξύ επισκεπτών και εκθεμάτων του Μουσείου Επιστημών  Δημιουργήσαμε τη διαδραστική εφαρμογή AugMentor που πρόκειται να ενσωματωθεί στο Μουσείο Επιστημών  Με τη συγκριτική αξιολόγηση της Εφαρμογής AugMentor σε σχέση με μια κανονική ξενάγηση μέσω Ερωτηματολογίων οδηγηθήκαμε σε ασφαλή συμπεράσματα για το μαθησιακό χαρακτήρα της εφαρμογής AugMentor
  6. 6. Η Επαυξημένη Πραγματικότητα και οι Προκλήσεις της  Επαύξηση της «Αντίληψης της Πραγματικότητας»  Ένα σύστημα ΕΠ έχει τρία χαρακτηριστικά:  Συνδυάζει πραγματικό με εικονικό  Είναι διαδραστικό σε πραγματικό χρόνο  Είναι μοντελοποιημένο σε τρισδιάστατη αναπαράσταση  MAR: Η Επαυξημένη Πραγματικότητα στις κινητές συσκευές  Λόγω της τεράστιας ποσότητας πληροφορίας απαιτείται:  Το Υλικό να είναι μικρό, ελαφρύ, εύκολα μεταφέρσιμο και γρήγορο για την απεικόνιση των γραφικών  Μπαταρία με ισχυρή διάρκεια ζωής Συγκριτικό σχήμα μοντελοποίησης του «Συνεχούς Πραγματικότητας – Εικονικότητας»
  7. 7. Εφαρμογή Επαυξημένης Πραγματικότητας σε Μουσειακούς Χώρους  Σχετικά ανώριμο τεχνικά επιστημονικό πεδίο  Πολλά υποσχόμενο λόγω της τεχνολογικής προόδου Εφαρμογές  CHESS Project(Μουσείο Ακρόπολης): Εκθεματικές ηχητικές αφηγήσεις, εικόνες, δισδιάστατες και τρισδιάστατες αναπαραστάσεις προτύπων με βάση προκαθορισμένα προφίλ ανθρώπων  Μουσείο Casa Batlló(Βαρκελώνη): Oι επισκέπτες ανακαλύπτουν απλά και διαισθητικά πώς η οικογένεια Batlló θα είχε ζήσει στη Βαρκελώνη, απεικονίζοντας τρισδιάστατα τα έπιπλα της εποχής εκείνης μέσα στα άδεια δωμάτια του κτιρίου  Skin and Bones(Εθνικό Μουσείο Φυσικής Ιστορίας της Ουάσινγκτον):Εστιάζοντας σε σκελετούς ζώων απεικονίζεται η κίνησή τους με μύες και δέρμα  Ultimate Dinosaurs(Μουσείο Royal Ontario στο Τορόντο): Πρόσθεση σάρκας και οστών σε δεινόσαυρους και μέσω της τρισδιάστατης κάμερας του Kinect μοντελοποιείται η κίνησή τους
  8. 8. Εφαρμογές  meSch-Project: Έφοροι μουσείων, καλλιτέχνες, σχεδιαστές κτλ δημιουργούν έξυπνα αντικείμενα χωρίς την ανάγκη τεχνολογικών γνώσεων  James May's Science Stories(Μουσείο Φυσικής Ιστορίας στο Λονδίνο): Αλληλεπίδραση με τρισδιάστατα εκθέματα και συμμετοχή σε κουίζ γνώσεων  Ολλανδικό Ινστιτούτο Αρχιτεκτονικής(Ρότερνταμ): Εστιάζοντας σε συγκεκριμένα σημεία της πόλης εμφανίζονται ιστορικές φωτογραφίες παλαιών κτισμάτων και τρισδιάστατα μοντέλα των κτιρίων  Μουσείο του Andy Warhol(Pittsburgh): Εμφάνιση του προσώπου του Andy Warhol σε σημεία της πόλης που έπαιξαν ρόλο στην καριέρα του. Πατώντας πάνω του εμφανίζονται έργα του  Beyond Planet Earth(Αμερικάνικο Μουσείο Φυσικής Ιστορίας-Νέα Υόρκη): Περιήγηση του χρήστη στο διάστημα με 3D αντικείμενα  Terracotta Warriors(Μουσείο Ασιατικής Τέχνης-Σαν Φρανσίσκο): Σάρωση πλακάτ και εμφάνιση των Terracota Warriors τρισδιάστατα
  9. 9. Αναγνώριση Εικόνας στην Επαυξημένη Πραγματικότητα  Κύρια είδη:  αναγνώριση προσώπου,  οπτική αναγνώριση χαρακτήρων,  αναγνώριση προτύπων  Πλατφόρμες Επαυξημένης Πραγματικότητας  ARToolKit  SLARToolkit  Metaio Creator  Vuforia
  10. 10. Βελτίωση των μαθησιακών εμπειριών μέσω της χρήσης κινητών συσκευών Οι εκπαιδευτικοί πρέπει να χτίζουν νοητικά μοντέλα που: Ενισχύουν τη Γνωστική Δέσμευση Αυξάνουν τη Διαδραστικότητα Εστιάζουν στη Μάθηση μέσω της χρήσης πολυμέσων Η ιδανική διαδικασία μάθησης πρέπει να είναι όπως στο σχήμα:
  11. 11. Μαθησιακοί παράγοντες κατά την περιήγηση του επισκέπτη με την κινητή συσκευή Ύπαρξη κατηγοριοποιημένων εκθεμάτων Η γνώση πρέπει να μην παρέχεται αλλά να δομείται μέσω κατάλληλων ερωτημάτων Ανάπτυξη ικανοτήτων σύγκρισης, αναζήτησης και κατηγοριοποίησης πληροφορίας Άμεση επαφή με τα εκθέματα και βίωση χώρου Καλλιέργεια ομαδικού πνεύματος Όξυνση της κριτικής σκέψης Χώρος όχι μικρός ώστε να περιορίζει τον επισκέπτη και όχι μεγάλος ώστε να γίνεται γνωστική υπερχείλιση
  12. 12. Αρχιτεκτονική του SDK Επαυξημένης Πραγματικότητας Vuforia
  13. 13. Επεξεργασία των εικόνων στόχων στη Μονάδα Διαχείρισης Στόχων Ο χρήστης συνδέεται με το λογαριασμό του στο web API της Vuforia Δημιουργεί μια νέα Βάση Δεδομένων και εισάγει τις εικόνες στόχους, δίνοντας όνομα, πλάτος και τύπο εικόνας(Εικόνα, κύβος, παραλληλόγραμμο κτλ) Οι εικόνες αξιολογούνται με μια βαθμολογία από 0 ως 5 Στην κάθε εικόνα στόχο απεικονίζονται τα λεγόμενα «χαρακτηριστικά», δλδ μικρούς κίτρινους σταυρούς
  14. 14. Κριτήρια για τη μέγιστη Ανιχνευσιμότητα των εικόνων στόχων Πλούσιο Οπτικό Περιεχόμενο Αποφυγή Επαναλαμβανόμενων Προτύπων Δίκαιη Κατανομή των «χαρακτηριστικών» σε όλα τα μήκη και πλάτη της εικόνας στόχου Αποφυγή Οργανικών Σχημάτων Αποφυγή Εικόνων στόχων που έχουν υποστεί μεγάλη συμπίεση
  15. 15. Παραδείγματα αποτυχημένων-επιτυχημένων εικόνων στόχων
  16. 16. Εγκατάσταση του Vuforia SDK στο Eclipse Εγκατάσταση του περιβάλλοντος για την υλοποίηση εφαρμογών Android JDK Android ADT(Android Development Tools) Bundle Android NDK Εγκατάσταση του ίδιου του Vuforia Κατέβασμα του SDK από τον ιστότοπο της Vuforia Αποσυμπίεση του SDK στο directory με τα Android και Eclipse Εγκατάσταση Cygwin Environment
  17. 17. Η Demo εφαρμογή ImageTargets Επάνω : Η τρισδιάστατη αναπαράσταση μιας τσαγιέρας που εμφανίζεται μετά την επιτυχή αναγνώριση μιας εκ των τριών εικόνων «chips», «stones» και «tarmac»(Φαίνονται Κάτω)
  18. 18. Το Prototype της Εφαρμογής AugMentor Υλοποιήθηκε πριν την οποιαδήποτε ανάμειξη με κώδικα Έγινε σε συνεννόηση με τον επιβλέποντα Καθηγητή μου, κύριο Ιωάννη Γαροφαλάκη, την υπεύθυνη δράσεων του ΜΕ, κυρία Θεολόγη και το μεταδιδακτορικό ερευνητή, κύριο Ανδρέα Κομνηνό Δημιουργήθηκε στο λογισμικό Prototyper Free Edition της εταιρίας Justinmind S.L. Απεικονίσαμε την ακριβή δομή της εφαρμογής AugMentor σε μια 30σέλιδη αναφορά Δημιουργήσαμε εικονικές Activities, TextViews, ImageViews, Buttons κτλ Μετουσιώθηκε κατά 100% στην τελική εφαρμογή
  19. 19. Στιγμιότυπο του Prototype της Εφαρμογής AugMentor
  20. 20. Σενάριο και Λογικό Διάγραμμα της Εφαρμογής
  21. 21. Η Διεπαφή της Εφαρμογής
  22. 22. Οι κλάσεις της Εφαρμογής AugMentor  AboutScreen : Το Αρχικό Μενού της εφαρμογής  Museum_Info: Περιγραφικό κείμενο για το Μουσείο Επιστημών  Museum_Contact_Info : Τα στοιχεία επικοινωνίας του Μουσείου  Museum_AugMentor_Info : Περιγραφικό κείμενο για την εφαρμογή AugMentor  Question_Screen : Δίνεται στον επισκέπτη η ερώτηση που πρέπει να απαντήσει  AugMentorSplashScreen: Η Splash Screen που εμφανίζεται πριν το Αρχικό Μενού  DataBaseHandler : Εδώ είναι η Βάση Δεδομένων SQLite που χρησιμοποιήθηκε για την αποθήκευση των πληροφοριών των μουσειακών εκθεμάτων  DebugLog: Κλάση για τη διευκόλυνση της διαδικασίας αποσφαλματοποίησης  DisplayFinalAnswersActivity : Εδώ παρουσιάζονται οι συνολικές ερωτήσεις και οι καταχωρημένες προτεινόμενες απαντήσεις των επισκεπτών
  23. 23. Οι κλάσεις της Εφαρμογής AugMentor  DisplayMessageActivity : Εμφάνιση στην οθόνη της προτεινόμενης απάντησης που έδωσε ο επισκέπτης  ImageTargets : Η κλάση που καλείται όταν εισάγεται ο επισκέπτης στην έξυπνη οθόνη προκειμένου να σκανάρει και να αναγνωρίσει την εικόνα στόχο  ImageTargetsRenderer : Υπεύθυνη για τη δημιουργία τρισδιάστατης αναπαράστασης μετά την επιτυχή αναγνώριση εικόνων στόχων  QCARSampleGLView: Κομμάτι του Vuforia που χειρίζεται τα τρισδιάστατα γραφικά μέσω της Open Graphics Library(OPENGL ES)  Texture : Υποστηρικτική κλάση για τις εφαρμογές του Vuforia. Υπεύθυνη για τη λειτουργία φόρτωσης των εικόνων στόχων από το APK  Question : Βοηθητική κλάση για την υλοποίηση του χειρισμού των ερωτήσεων προς τους επισκέπτες
  24. 24. Τεχνολογίες που χρησιμοποιήθηκαν  Java  C++  XML  SQLite
  25. 25. Χαρακτηριστικά Διεπαφής  Βασίστηκε στην επιθυμία της κυρίας Θεολόγη να μην απαιτεί σύνδεση στο Διαδίκτυο(Αποφυγή Απόσπασης Προσοχής)  Οι ερωτήσεις είναι τυχαίες, αλλά χωρίς διπλότυπα  Οι φωτογραφίες των εικόνων στόχων είναι βελτιστοποιημένες οπτικά για τη καλύτερη δυνατή αναγνώριση  Μοντελοποιείται μια σύνθετη αρχιτεκτονική υλοποίηση σε μια φιλική και εύχρηστη διεπαφή χρήστη, κατάλληλη για τους μαθητές Γυμνασίου-Λυκείου που απευθύνεται η δράση της εφαρμογής  Αποθηκεύονται προσωρινά οι ερωτήσεις και απαντήσεις μέσω της Android SharedPreferences
  26. 26. Η ενσωματωμένη στο Android Βάση Δεδομένων SQLite  Απαραίτητη για την εφαρμογή AugMentor επειδή:  Μπορεί να είχαμε λύσει το πρόβλημα εισαγωγής/επεξεργασίας των εικόνων στόχων μέσω του Target Manager, αλλά  Δεν είχαμε κανένα υλοποιημένο τρόπο αποθήκευσης των εκθεματικών πληροφοριών  Αποθηκεύσαμε:  Το μοναδικό ID αναγνώρισης για κάθε έκθεμα  Έναν τίτλο του κάθε εκθέματος  Ένα περιγραφικό κείμενο στο οποίο κρυβόταν η απάντηση  Την επεξεργαστήκαμε με το DataBase Browser for SQLite
  27. 27. Μελέτη Περίπτωσης Χρήσης της Εφαρμογής στο Μουσείο Επιστημών και Τεχνολογίας Επάνω Αριστερά: Η κεντρική είσοδος  Επάνω Δεξιά: Άποψη από τον εσωτερικό χώρο του Μουσείου  Κάτω: Αρχιτεκτονικό Σχέδιο του Μουσείου. Με κόκκινη γραμμή φαίνεται ο εσωτερικός χώρος που διεξήχθη το πείραμα. Χωρίζεται σε 3 μικρότερα δωμάτια, διαχωρισμένα με παραβάν(Δωμ. 1, Δωμ.2, Δωμ. 3)
  28. 28. Μελέτη Περίπτωσης Χρήσης της Εφαρμογής στο Μουσείο Επιστημών και Τεχνολογίας  Πραγματοποιήθηκε ένα συγκριτικό πείραμα που διήρκησε 2.5 ώρες στο Μουσείο Επιστημών που αποτελείτο από 2 μέρη:  Τη μοντελοποίηση μιας «Κανονικής Ξενάγησης» χωρίς την εφαρμογή AugMentor, η οποία είχε πανομοιότυπη λειτουργία με την εφαρμογή  Την ξενάγηση μέσω της εφαρμογής AugMentor  Το δείγμα ήταν 15 προπτυχιακοί/μεταπτυχιακοί/υποψήφιοι διδάκτορες του Πανεπιστημίου Πατρών  Η δράση λέγεται: «Μαθαίνω πώς λειτουργεί το Κινητό»  Στις ξεναγήσεις χρησιμοποιήθηκαν τα Δωμάτια: 1, 2 και 3  Μοιράστηκαν σε κάθε συμμετέχοντα 3 ερωτηματολόγια:  Ένα αρχικό που σκιαγραφούσε το γενικό προφίλ του  Ένα που συμπλήρωνε μετά το τέλος της «Κανονικής Ξενάγησης» και  Ένα που συμπλήρωνε μετά το τέλος της ξενάγησης μέσω της εφαρμογής AugMentor  Στο τέλος έγινε συγκριτική Ανάλυση Αποτελεσμάτων και Αξιολόγηση της εφαρμογής AugMentor σε σχέση με την «Κανονική Ξενάγηση»
  29. 29. Συμβολή μας στη βελτίωση της εμπειρίας των ξεναγήσεων  Δημιουργήσαμε απλές ερωτήσεις προς απάντηση  Δημιουργήσαμε «έξυπνα κείμενα», στα οποία η απάντηση δινόταν με τρόπο εξερευνητικό και εκπαιδευτικό  Τα κείμενα δεν είχαν μεγάλο μέγεθος για να αποφύγουμε φαινόμενα κόπωσης και αποστροφής  Οι απαντήσεις δεν ήταν κρίσεως για να αποφύγουμε το δυσάρεστο φαινόμενο ο συμμετέχων να μην εντοπίσει αρχικά την απάντηση και να μην ξαναεπισκεφτεί αργότερα το έκθεμα(αίσθηση ότι ο χώρος τον κατακλύζει)  Στις εκφωνήσεις των ερωτήσεων διευκρινίζαμε κάθε φορά σε ποιο Δωμάτιο από τα 3 έπρεπε να ψάξει την απάντηση(μειώσαμε τις μεγάλες αποστάσεις που λειτουργούν αρνητικά στη μάθηση)  Διαλέξαμε εκθέματα που ήταν εμφανώς κατηγοριοποιημένα στο χώρο
  30. 30. Οι χρήστες που έκαναν την Κανονική Ξενάγηση  Συμπλήρωσαν ένα αρχικό ερωτηματολόγιο που σκιαγράφησε το γενικό προφίλ τους  Έλαβαν μια κόλλα A4 στην οποία υπήρχαν 2 ερωτήσεις προς απάντηση και έπρεπε να τις αναζητήσουν σε 15 εκθέματα του πειραματικού χώρου.  Ξεκίνησαν να χρονομετρούνται  Καταγράφαμε τις επιτυχημένες προσπάθειές τους για να βρουν την απάντηση στα εκθέματα που περιηγούνται  Μόλις τις κατέγραψαν στην Α4 ελέγξαμε τις απαντήσεις τους  Τους δώσαμε να συμπληρώσουν το ερωτηματολόγιο που αξιολογεί την Κανονική Ξενάγηση Υ.Γ.1:Τα εκθέματα της Κανονικής Ξενάγησης ήταν κυρίως πόστερ που περιείχαν περιγραφικό κείμενο Υ.Γ. 2: Δίπλα από κάθε έκθεμα το οποίο είχε συμπεριληφθεί στην Κανονική Ξενάγηση υπήρχε η εικόνα που φαίνεται δεξιά ώστε να ξέρει πού να ψάξει ο συμμετέχων για την απάντηση
  31. 31. Στην Εφαρμογή AugMentor  Ενσωματώσαμε:  εικόνες τοποθετημένες στους τοίχους του μουσείου  φωταγωγημένους πίνακες  κανονικές συσκευές μοντελοποίησης και προσομοίωσης εφευρέσεων αφίσες  λήψεις από τον ευρύτερο πειραματικό χώρο του μουσείου(συνολικής επιφάνειας μέχρι και αρκετών τετραγωνικών μέτρων η κάθε εικόνα στόχος)  Αντιμετωπίσαμε και επιλύσαμε πλήρως το πρόβλημα των «μετακινήσιμων» και «αμετακίνητων» εκθεμάτων
  32. 32. «Μετακινήσιμα» και «Αμετακίνητα» Εκθέματα Αριστερά: «Μετακινήσιμη» εικόνα Δεξιά: «Αμετακίνητη» εικόνα Η «μετακινήσιμη» εικόνα αντικαταστάθηκε από την «αμετακίνητη»(πόστερ το οποίο βρίσκεται ακριβώς από πάνω από την αριστερή εικόνα στο Μουσείο Επιστημών το οποίο έδινε 5/5 αστέρια επιτυχούς αναγνώρισης στο web API)
  33. 33. Ανάλυση Αποτελεσμάτων Πειράματος και Συγκριτική Αξιολόγηση της Εφαρμογής AugMentor Φύλο: Το στατιστικό δείγμα αποτελείτο από 8 άνδρες και 7 γυναίκες Ηλικία: Το 60% των συμμετεχόντων ήταν μεταξύ 25-34 ετών Συμμετέχοντες από 18-40 ετών-πολύ καλό feedback  Όλοι οι συμμετέχοντες απάντησαν σωστά στις ερωτήσεις που τους δώσαμε  Η συντριπτική πλειοψηφία των συμμετεχόντων ήταν έμπειροι στο Android
  34. 34. 0 0 0 3 12 0 1 4 5 5 0 2 4 6 8 10 12 14 1=Κακή 2=Μέτρια 3=Καλή 4=Πολύ Καλή 5=Άριστη ΑριθμόςΣυμμετεχόντωνστοΠείραμα Βαθμολογία Συμμετεχόντων στο Πείραμα Η συγκριτική γενική εντύπωση που άφησαν τα 2 είδη ξενάγησης στον επισκέπτη AugMentor Κανονική Ξενάγηση Το 80% των συμμετεχόντων θεωρεί άριστη τη γενική εντύπωση του AugMentor και μάλιστα το υπόλοιπο 20% απάντησε «Πολύ Καλή». Αντίθετα η Κανονική Ξενάγηση απέσπασε το 33% των συμμετεχόντων στο πείραμα στην κατηγορία «Άριστη» Εντύπωση
  35. 35. 10 4 0 0 1 7 3 2 2 1 0 2 4 6 8 10 12 1=Πολύ Εύκολο 2=Εύκολο 3=Μέτριο 4=Δύσκολο 5=Πολύ Δύσκολο ΑριθμόςΣυμμετεχόντωνστοΠείραμα Βαθμολογία Συμμετεχόντων στο Πείραμα Συγκριτική Ευκολία Ξενάγησης AugMentor Κανονική Ξενάγηση
  36. 36. 0 0 4 8 33 2 5 3 2 0 1 2 3 4 5 6 7 8 9 1=Καθόλου 2=Μικρή 3=Καλή 4=Πολύ Καλή 5=Εξαιρετική ΑριθμόςΣυμμετεχόντωνστοΠείραμα Βαθμολογία Συμμετεχόντων στο Πείραμα Επιπρόσθετη Γνώση AugMentor Κανονική Ξενάγηση Το 53% (8/15 συμμετέχοντες) δήλωσε ότι χρησιμοποιώντας την εφαρμογή AugMentor αποκόμισε μια πολύ καλή Επιπρόσθετη Γνώση έναντι μόλις του 20% της Κανονικής Ξενάγησης  Η εφαρμογή AugMentor δεν ψηφίστηκε με «Μικρή» ή «Καθόλου» Επιπρόσθετη Γνώση, ενώ το αντίστοιχο ποσοστό της Κανονικής Ξενάγησης ήταν το 33% των συμμετεχόντων στο πείραμα
  37. 37. 0 1 2 3 4 5 6 1 1.5 2 2.5 3 3.5 ΑριθμόςΣυμμετεχόντωνστοΠείραμα Μέση Τιμή Αποτυχημένων Εκθεμάτων στις 2 ερωτήσεις Αριθμός Εκθεμάτων για την Εύρεση της Τελικής Απάντησης AugMentor Κανονική Ξενάγηση Στην κανονική ξενάγηση ο χρήστης έπαιρνε την απάντηση που ζητούσε σε κατά μέση τιμή 1.86 αναγνωρισμένες εικόνες ενώ Στο AugMentor σε κατά μέση τιμή 1.99 αναγνωρισμένες εικόνες. Άρα πράγματι η συμβολή μας στη βελτίωση της εμπειρίας των ξεναγήσεων βοήθησε τους συμμετέχοντες να μη δυσκολευτούν καθόλου στην εύρεση απαντήσεων
  38. 38. 0 1 2 3 4 5 6 7 2 λεπτά 3 λεπτά 4 λεπτά 5 λεπτά 6 λεπτά 7 λεπτά 8 λεπτά ΑριθμόςΣυμμετεχόντωνστοΠείραμα Συνολικός Χρόνος Συμμετεχόντων στο Πείραμα Σύγκριση Ξεναγήσεων με βάση το χρόνο της ξενάγησης AugMentor Κανονική Ξενάγηση Στατιστικά Χρόνος_Augmentor N Valid 15 Missing 0 Mean 4,60 Std. Deviation 1,404 Minimum 3 Maximum 8 Στατιστικά Χρόνος_Κανονικής_Ξενάγησης N Valid 15 Missing 0 Mean 4,1333 Std. Deviation 1,12546 Minimum 2,00 Maximum 6,00  Οι επισκέπτες αφιέρωσαν κατά μέση τιμή μισό λεπτό παραπάνω από την Κανονική Ξενάγηση στο AugMentor  Αυτό οφείλεται στο ότι οι περισσότεροι ενδιαφερόντουσαν πραγματικά για τον τρόπο που δουλεύει η αναγνώριση εικόνας
  39. 39. Πρόταση των ξεναγήσεων σε τρίτους Αριστερά: Πρόταση ξενάγησης με AugMentor σε τρίτους, Δεξιά: Πρόταση Κανονικής Ξενάγησης σε τρίτους  Το 80% των συμμετεχόντων θα πρότεινε σίγουρα την εφαρμογή AugMentor σε τρίτους  Αντίθετα μόλις το 26.67% των συμμετεχόντων θα πρότεινε σίγουρα την Κανονική Ξενάγηση
  40. 40. Συμπεράσματα  Δημιουργήσαμε μια εφαρμογή Επαυξημένης Πραγματικότητας για τη μόνιμη ξενάγηση του Μουσείου Επιστημών και Τεχνολογίας του Πανεπιστημίου Πατρών  Η αναγνώριση εικόνας μέσω του SDK Επαυξημένης Πραγματικότητας Vuforia πέτυχε σε όλα τα μουσειακά εκθέματα που εισαγάγαμε εντός του AugMentor  Συμβάλαμε στη βελτίωση της εμπειρίας των μουσειακών επισκεπτών μέσω της κατάστρωσης ενός παιχνιδιού κρυμμένου θησαυρού που μετατρέπει τον τρόπο μεταλαμπάδευσης της γνώσης από παθητικό σε ενεργητικό  Στη Μελέτη Περίπτωσης Χρήσης της εφαρμογής AugMentor στο Μουσείο Επιστημών καταστρώσαμε ένα συγκριτικό πείραμα κατά το οποίο η εφαρμογή απέσπασε πολύ υψηλές βαθμολογίες :  στη Γενική Εντύπωση του επισκέπτη,  στην Επιπρόσθετη Γνώση  και στην Πρόταση της εφαρμογής σε τρίτους
  41. 41. Μελλοντική Εργασία  Δημιουργία ενός ολοκληρωμένου λογισμικού cloud-based που θα διαχειρίζεται την εφαρμογή και στην οποία θα αναρτώνται και θα επεξεργάζονται οι εικόνες στόχοι με ένα τρόπο απλό και διαχειρίσιμο από άτομα που δεν είναι μηχανικοί λογισμικού  Βελτίωση της εφαρμογής ώστε να μπορεί να μοντελοποιήσει και άλλες μουσειακές ξεναγήσεις  Επέκταση της αναγνώρισης εικόνας μέσω του Vuforia και σε επιστημονικά πεδία πέραν των μουσειακών ξεναγήσεων, όπως το e-commerce, η υγεία κτλ.
  42. 42. Σας ευχαριστώ πολύ για το χρόνο σας!

×