Bewertung von Usability-Aspekten einer Mixed-Reality-Lösung für Immersive Analytics in Industrie 4.0-Szenarien

Die Durchführung von Data Analytics mit Datenbrillen hat im Kontext von Industrie 4.0 ein enormes Potenzial, da die Daten direkt an einem Maschinenstandort analysiert werden können. Mit Hilfe einer Datenbrille ist der Bediener in der Lage, Daten zu analysieren und gleichzeitig die Hände für Wartungsarbeiten frei zu haben. Führen Sie das Experiment in einem Raum durch, der mit einem Desktopcomputer und einer Mixed Reality-Datenbrille ausgestattet ist.

Bitten Sie den Teilnehmer, ein Hautleitfähigkeitsmessgerät aufzusetzen und ihn fünf Minuten lang ausruhen zu lassen, um eine Messung des Ausgangsspannungsniveaus durchzuführen. Informieren Sie dann den Teilnehmer, dass das Experiment 40 bis 50 Minuten dauern wird, und bitten Sie den Teilnehmer, einen Fragebogen zum State-Trait Anxiety Inventory auszufüllen, um den wahrgenommenen Stress während des Experiments zu messen. Um einen mentalen Rotationstest durchzuführen, lassen Sie den Teilnehmer vor dem Desktop-Computer sitzen und ihm mitteilen, dass er ähnliche Objekte mit unterschiedlichen Positionen in einem simulierten 3D-Raum identifizieren muss.

Informieren Sie den Teilnehmer darüber, dass nur zwei der fünf gezeigten Objekte ähnlich sein werden und dass er zwei Minuten Zeit hat, um sieben Aufgaben zu erledigen. Um eine Bewertung der räumlichen Klangfähigkeit durchzuführen, erklären Sie dem Teilnehmer, dass pro Klang ebenfalls sechs Klänge 13 Sekunden lang abgespielt werden und dass der Teilnehmer die Richtung erkennen muss, aus der die Klänge erzeugt werden. Um eine Bewertung der Ausreißererkennung durchzuführen, lassen Sie den Teilnehmer die Mixed Reality Smart Glasses aufsetzen und erklären, dass acht Ausreißer in der für die Mixed Reality Smart Glasses erstellten Welt gefunden werden müssen.

Erklären Sie dem Teilnehmer, dass ein Ausreißer ein rot markierter Punkt innerhalb einer Gruppe von weißen Punkten ist, der grün wird, wenn er ihn durch Richten seines Blicks erkennt. Erklären Sie weiter, dass nicht nur visuelle Hilfe bereitgestellt wird, sondern dass auch Umgebungsgeräusche enthalten sind, um die Ausreißer zu lokalisieren. Informieren Sie dann den Teilnehmer, dass die benötigte Zeit für jede Aufgabe, die Länge des Gehens und seine endgültige Bewegungsposition in Bezug auf seine Ausgangsposition aufgezeichnet werden.

Um eine Bewertung der Clustererkennungsfähigkeit durchzuführen, erklären Sie dem Teilnehmer, dass er sechs Cluster in der Welt lokalisieren muss, die mit der verwendeten Mixed Reality Smart Glasses erstellt wurden, und betonen Sie, dass die Teilnehmer zwischen überlappenden Clustern unterscheiden müssen, indem sie mithilfe von Sprachbefehlen um die Cluster herum navigieren. Wenn alle sechs Cluster lokalisiert wurden, lassen Sie den Teilnehmer ohne die Datenbrille am Computer sitzen und erklären, dass die gleiche Art von Clustern nun in der Computersoftware erkannt werden muss. Bitten Sie den Teilnehmer am Ende der Desktop-Evaluation, einen neuen Fragebogen zum State-Trait Anxiety Inventory, einen selbst entwickelten Fragebogen zum Sammeln von subjektivem Feedback und einen demografischen Fragebogen auszufüllen.

Entfernen Sie dem Teilnehmer das Hautleitwertmessgerät und bedanken Sie sich bei dem Teilnehmer für die Teilnahme. In dieser repräsentativen Analyse zeigten Low- und High-Performer keine Unterschiede in ihren Ausgangsvariablen, obwohl die Low-Performer einen höheren Anteil an weiblichen Teilnehmern als High-Performer aufwiesen und High-Performer jünger waren als Low-Performer. Bei der Cluster-Erkennungsaufgabe unterschieden sich Low- und High-Performer nicht signifikant zwischen der 2D-Anwendung und dem 3D-Ansatz.

Bei der Aufgabe zur Erkennung von Ausreißern waren High-Performer signifikant schneller als Low-Performer und benötigten einen kürzeren Laufweg, um die Aufgaben zu lösen. Tatsächlich stiegen die Werte für BoundingBox, Pathlength, PathVariance, PathMean, AngleVariance und AngleMean von Aufgabe zu Aufgabe deutlich an. Obwohl sich die erfasste Zeit von Aufgabe zu Aufgabe mit Hilfe der Mixed Reality Smart Glasses kaum veränderte.

Anhand der Raumklänge konnten die Teilnehmer die Aufgaben im Fall der Ausreißererkennung schneller lösen als ohne den Einsatz von Raumklängen. Bemerkenswert ist, dass die State-Trait Anxiety Inventory-Werte keine signifikanten Unterschiede zwischen den Bewertungen vor und nach der Aufgabe zeigten. Darüber hinaus wurden kleine, aber deutlich schnellere Cluster-Erkennungszeiten beobachtet, wenn die Teilnehmer die Mixed Reality Smart Glasses verwendeten, verglichen mit denen, die beobachtet wurden, wenn die Teilnehmer den Desktop-Computer verwendeten.

Da die Filterung nach Experten in diesem neuen Bereich unerlässlich ist, haben wir viele Vortests aufgenommen. Obwohl wir die Methoden im neutralen Raum getestet haben, wäre es interessant, echte Maschineninstruktoren in der Fabrik zu sehen, die ihre Daten analysieren.