## Labb 1 - Utvärdering Gör en gedigen teknisk utvärdering hur bra 3 av mediapipes Vision-modeller för kroppsspårning fungerar. Görs med fördel direkt på webben: * [Gestigenkänning](https://mediapipe-studio.webapps.google.com/studio/demo/gesture_recognizer): * [Hand Landmarker](https://mediapipe-studio.webapps.google.com/studio/demo/hand_landmarker) * [Face Detection](https://mediapipe-studio.webapps.google.com/studio/demo/face_detector) * [Face Landmark Detection](https://mediapipe-studio.webapps.google.com/studio/demo/face_landmarker) * [Pose Landmark Detection](https://mediapipe-studio.webapps.google.com/studio/demo/pose_landmarker) Vissa skillnader kan ju förekomma mot den python-baserade systemet och Godot men det är ok. Här vill vi bygga en förståelse för hur datat från sådan tränade modeller fungerar. ## Testplan för Sensorns datakvalitet Variabelöversikt för Dataanalys: 1. Miljöfaktorer - Varierande ljusförhållanden - Olika rumsliga belysningsscenarier 2. Kamera- och Positionskriterier - Varierande avstånd från kamera - Skiftande kameravinklar (laptop, mobilplacering) - Olika handpositioner relativt kameran 3. Rörelsekarakteristik - Långsamma vs snabba handrörelser - Rörelser i kamerans ytter- och kärnområden 4. Antal samtig detekntion, t.ex. för händer - Språning av en eller flera händer - Jämförelse av stabilitet och prestanda - förvirring mellan, feltolkning 5. Skelettdataanalys - Identifiera mest stabila handdelar - Utvärdera punkternas tillförlitlighet under olika förhållanden Huvudsakligt Syfte: - Kartlägga sensorns begränsningar - Förstå datakvalitetens variationer - Utveckla robusta tolkningsstrategier Metodisk Approach: - Systematisk, kontrollerad testning - Dokumentation av variationer - Jämförandeanalys under skiftande förhållanden ## Labb 2 - Välj genom att peka Huvudmål: Utveckla ett experimentellt minispel som utforskar precisionen i objektmarkering genom handrörelseinteraktion. Speldesign: 1. Grundläggande Mekanik - Markera specifika objekt genom pekning - Ballong/cirkel som "spricker" vid träff - Dynamisk feedback för närmande och markeringsprocess 2. Interaktionsoptimering - Implementera marginalzoner för: * Förvarning vid närmande * Möjlighet att avbryta interaktion * Bekräftelse av avsiktlig markering 3. Experimentella Parametrar - Variera objektstorlekar - Testa minsta möjliga markeringstjocklek - Undersöka optimal objektplacering 4. Poängsystem - Pluspoäng för korrekta markeringar - Minus/straffpoäng för felmarkeringar - Differentiera mellan objekttyper via färg Experimentell Approach: - Systematisk datainsamling - Iterativ testning av gränsvärden - Användartester med externa deltagare Forskningsfrågor: - Hur små kan objekt vara? - Vilket minsta avstånd mellan objekt tolereras? - Vilka feedbackmekanismer förbättrar precision? Metodologi: - Experimentellt minispel - Kvantitativ och kvalitativ dataanalys - Kontinuerlig optimering av interaktionsparametrar Slutmål: Identifiera robusta, användbara interaktionskriterier för handrörelsebaserad objektmarkering. ## Labb 3 - Drag-drop I denna uppgift ska användare utföra en drag-drop-interaktion med tydlig och bekväm feedback. Fokus ligger på att skapa en användarvänlig process där själva greppandet och kontrollen över objektet är central. Laborationsuppgiften innebär att: 1. Utveckla tydliga men bekväma regler för att markera, greppa och släppa objekt 2. Implementera minst tre olika grepp-tekniker: - Sluten hand - Nyp-grepp (tumme mot finger) - Handrotation för markering/avmarkering 3. Analysera interaktionen genom att: - Mäta frekvensen av "oavsiktliga" släpp utanför avsett mål - Kvantifiera och förbättra regelverket - Dokumentera skillnader mellan grepp-ögonblick och långvarigt objektinnehav 4. Genomföra gärna användartester med flera personer för att få bred insikt ## Redovisning: Labbar redovisas muntlig i halv eller fjärdedels klass i lektionssal på campus. Ni ska delta vid ett tillfälle och ni slumpindelade. Redovisning av erfarenheter/resultat från undersökningen och era labbar. Dema gärna live. Kodinlämning är via ert Repo. Lägg tydligt kod för samliga labbar och skriv slutsater i koden i godot-repot. Länka till dokumentationen via readme.md-filen.