Quest VR: Das Metaverse bekommt Beine
Die Entwickler von Meta haben eine auf Machine-Learning basierende Technik entwickelt(öffnet im neuen Fenster) , mit der sich die komplette Körperposition inklusive korrekter Ellenbogen- und Beinposition mit hoher Wahrscheinlichkeit einschätzen lässt. Bisher war hierfür extra Hardware notwendig, die sowohl Platz braucht als auch extra Kosten für den Anwender bedeutet.
Aufgrund der bisherigen Einschränkungen wird in vielen VR-Anwendungen lediglich der Oberkörper eingeblendet, manchmal sogar nur die Hände. Wer also an sich herunterschaut, bekommt nicht den Eindruck, tatsächlich in einen virtuellen Avatar geschlüpft zu sein. Für andere Teilnehmer in VR-Chat-Applikationen wirken die ohne Beine umherschwebenden Avatare oft ungewollt komisch.
Laut Meta ist das von ihnen entwickelte Tracking(öffnet im neuen Fenster) akkurater und weniger störungsanfällig als auf IMU (Inertial Measurement Unit) basierende Lösungen. Bei diesem Ansatz werden von einer neutralen Position aus die Bewegungen mit einem Beschleunigungsmesser sowie einem Gyroskop gemessen und daraus die neue Position berechnet. Dabei entstehen jedoch mit der Zeit Abweichungen.
Die Latenz ist noch zu hoch für einige Echtzeitanwendungen
Einen Haken gibt es jedoch noch: Das System ist dafür ausgelegt, eine plausible und wenn möglich korrekte Position zu berechnen, nicht jedoch zu jeder Zeit die tatsächliche Position darzustellen. Darüber hinaus braucht es hierfür aktuell ungefähr 160 Millisekunden. Das wären ausgehend von einer 72-Hertz Bildwiederholrate immerhin elf Frames.
Ausgehend davon sind die möglichen Anwendungen aktuell vor allem virtuelle Welten, in denen die anderen Nutzer einen vollständigen Avatar zu sehen bekommen. Für diese ist die Verzögerung nicht unbedingt wahrnehmbar. Schaut man jedoch selbst an sich herunter, ist eine Abweichung oder Verzögerung schnell zu erkennen.
Meta hat noch kein Datum bekanntgegeben, zu dem die Technik etwa für die Quest-2 verfügbar sein wird. Für die Forschung wird oft sehr leistungsfähige Hardware in Rechenzentren verwendet. Zur Leistung auf normaler Hardware wurden keine Angaben gemacht. Wenn ein AI-Modell jedoch erst einmal trainiert ist, ist die bloße Ausführung auf modernen Grafikkarten häufig deutlich einfacher.