No description available.

Att leda spelare genom ett spel kan ske genom många olika metoder som med hjälp av ljus, pilar och markörer. Men i vardagen finns inte många av dessa typer av vägledning om man inte räknar in mobiler och GPS. Utan i vardagen förlitar vi människor oss på landmärken för att navigera i vår omgivning. Det är i alla fall teorin som denna undersökning delvis bygger på. Kan man utifrån dessa teorier om hur visuella skillnader i föremål förändra hur vi navigerar ett spel? Det är tanken bakom denna undersökning. Utifrån specifika skillnader i utseendet samt placeringen av föremål designades en spelmiljö för att se hur dessa har inverkan på spelare. Detta testades genom att i huvudsak göra en undersökning där respondenter fick berätta i realtid samt efter motivera sitt individuella utforskande av miljön. Resultaten av studien visade att inga tydliga direktiv kan ges för att designa landmärken för att få de att tas i konsekvent ordning, utan navigering i spel skiljer sig gentemot navigering i verkliga världen. Men dessa visuella principer har istället stor inverkan i vissa fall på betydelsen av ett objekt för spelaren. Varför landmärket finns där och vad det är till för, vilket influerar olika personer att navigera på olika sätt samt av olika anledningar.

Denna studie undersöker hur wayfinding i offentliga inomhusmiljöer kan förenklas med hjälp av Augmented Reality (AR) i kombination med rumsliga och visuella vägledningselement. Detta genom rumsanalys, notationer, litteraturstudier, test av två användbarhetsprototyper samt kvalitativa intervjuer. Platsen för studien är Munktellarenan i Eskilstuna, och målgruppen är förstagångsbesökare. Syftet är att förenkla orienterbarheten i Munktellarenan, samt att undersöka vilka möjligheter AR-teknik kan erbjuda kommuner, när det gäller kombinationen av digital och fysisk wayshowing i liknande offentliga miljöer. Ett gestaltningsförslag presenteras genom skisser och bilder från en 3D-modell. Resultatet av studien och ett förslag till riktlinjer vid wayfinding med AR diskuteras.

Is it important that a player can navigate easily through a level? To get the answer ten participants were tested during a short play-session of a game made for the study. By looking at prior research, themes could be found that were all common. To learn the player to recognize what a goal looks like, to get the player to understand what the goal is. That the player can navigate to the goal and that the level should have flow is also important. This study shows that what earlier research suggests seems to have merit. Of all participants that played the game, almost everyone that played where navigational techniques were implemented spoke of how they felt certain in where to go.

Human pose estimation (HPE) constitutes a fundamental problem within the domain of computer vision, finding applications in diverse fields like motion analysis and human-computer interaction. This paper introduces innovative methodologies aimed at enhancing the accuracy and robustness of 3D joint estimation. Through the integration of Variational Autoencoders (VAEs), pertinent information is extracted from depth maps, even in the presence of inevitable image-capturing inconsistencies. This concept is enhanced through the introduction of noise to the body or specific regions surrounding key joints. The deliberate introduction of noise to these areas enables the VAE to acquire a robust representation that captures authentic pose-related patterns. Moreover, the introduction of a localised mask as a constraint in the loss function ensures the model predominantly relies on pose-related cues while disregarding potential confounding factors that may hinder the compact representation of accurate human pose information. Delving into the latent space modulation further, a novel model architecture is devised, joining a VAE and fully connected network into a multi-task joint training objective. In this framework, the VAE and regressor harmoniously influence the latent representations for accurate joint detection and localisation. By combining the multi-task model with the loss function constraint, this study attains results that compete with state-of-the-art techniques. These findings underscore the significance of leveraging latent space modulation and customised loss functions to address challenging human poses. Additionally, these novel methodologies pave the way for future explorations and provide prospects for advancing HPE. Subsequent research endeavours may optimising these techniques, evaluating their performance across diverse datasets, and exploring potential extensions to unravel further insights and advancements in the field. / Human pose estimation (HPE) är ett grundläggande problem inom datorseende och används inom områden som rörelseanalys och människa-datorinteraktion. I detta arbete introduceras innovativa metoder som syftar till att förbättra noggrannheten och robustheten i 3D-leduppskattning. Genom att integrera variationsautokodare (eng. variational autoencoder, VAE) extraheras relevant information från djupkartor, trots närvaro av inkonsekventa avvikelser i bilden. Dessa avvikelser förstärks genom att applicera brus på kroppen eller på specifika regioner som omger viktiga leder. Det avsiktliga införandet av brus i dessa områden gör det möjligt för VAE att lära sig en robust representation som fångar autentiska poseringsrelaterade mönster. Dessutom införs en lokaliserad mask som en begränsning i förlustfunktionen, vilket säkerställer att modellen främst förlitar sig på poseringsrelaterade signaler samtidigt som potentiella störande faktorer som hindrar den kompakta representationen av korrekt mänsklig poseringsinformation bortses ifrån. Genom att fördjupa sig ytterligare i den latenta rumsmoduleringen har en ny modellarkitektur tagits fram som förenar en VAE och ett fullständigt anslutet nätverk i en fleruppgiftsmodell. I detta ramverk påverkar VAE och det fullständigt ansluta nätverket de latenta representationerna på ett harmoniskt sätt för att uppnå korrekt leddetektering och lokalisering. Genom att kombinera fleruppgiftsmodellen med förlustfunktionsbegränsningen uppnår denna studie resultat som konkurrerar med toppmoderna tekniker. Dessa resultat understryker betydelsen av att utnyttja latent rymdmodulering och anpassade förlustfunktioner för att hantera utmanande mänskliga poser. Dessutom banar dessa nya metoder väg för framtida utveckling inom uppskattning av HPE. Efterföljande forskningsinsatser kan optimera dessa tekniker, utvärdera deras prestanda över olika datamängder och utforska potentiella tillägg för att avslöja ytterligare insikter och framsteg inom området.