Arkistot kuukauden mukaan: helmikuu 2019

Oppimisanalytiikan kokeiluja: the data is not enough – tehtävien vaikeusasteen visualisointia

Aiemmassa blogimerkinnässäni Oppimisanalytiikan kokeiluja: kuinka lakkasin olemasta huolissani ja rakastamaan LRS:ää  käsittelin kokemuksia Learning Lockerin hyödyntämisestä. Mainitsin myös, että Learning Lockeria kokeiltiin Karelia-ammattikorkeakoulun kielten opintojen verkkokurssien datan avulla. Seuraavaksi avaan tarkemmin, miten Learning Lockerin ulkopuolisia työkaluja hyödyntäen saatiin aikaan tehtävien vaikeusasetetta kuvaava kaavio Rautalankaruotsia-verkkokurssille.

Miksi tähän on ryhdytty?

Rautalankaruotsia on itseopiskeltava ruotsin kielen verkkokurssi, joka keskittyy kielioppiin ja sisältää runsaasti automaattisesti arvioitavia tehtäviä. Automaattinen arviointi kielten yhteydessä on monilta osin haastavaa, sillä oikean vastauksen voi periaatteessa antaa monella tavalla. Moodlen automaattiset arviointityökalut sen sijaan toimivat yleensä paremmin, kun kysymykseen on tarjolla yksi ainoa oikea vastaus. Tämän vuoksi automaattisen arvioinnin tekeminen vaatii runsaasti työtä, ja siltikin joku vaihtoehto voi jäädä huomiotta. Lisäksi itseopiskeluun suunnatun verkkokurssin tehtävien on oltava selkeitä, etteivät opiskelijat turhaudu.

Rautalankaruotsin ensimmäisten toteutusten yhteydessä tehtävätarkistuksiin oli luonnollisesti jäänyt pieniä virheitä, jotka aiheuttivat opiskelijoille ylimääräistä päänvaivaa. Mutta varmuuden saamiseksi oli syytä visualisoida, mitkä tehtävistä oikeasti vaativat kehittämistä.

Tässä blogimerkinnässä esittelen, millaisella kyselyllä tieto saadaan ulos Learning Lockerin tietokannasta, sekä käyn läpi visualisoinnissa hyödynnetyn dc.js-kirjaston pääpiirteet teknisen toteutuksen näkökulmasta.

Datan hakeminen Learning Lockerin tietovarastosta

Koska Learning Locker on oppimisen tietovarasto, ja se erottelee erilaiset oppimistapahtumat xAPI-rekisterin avulla, voimme saada selville kurssitoteutuskohtaisesti kunkin opiskelijan tehtäväpalautustapahtumat.  Tieto siirrettiin moodlen lokeista Learning Lockeriin erityisen xAPI-työkalun avulla.  Learning Locker on rakennettu MongoDB-tietokannan päälle, joten voimme tehdä kyselyjä sen tietokantaan MongoDB:n tarjoaman ohjelmointirajapinnan avulla.

Hyvä! Lähdemme liikkeelle siitä millaista tietoa haluamme taulukkomuodossa, eli jotain tämän suuntaista:

Tehtävät Ongelmissa (kpl) OK (kpl)
Tehtävä 1 0 54
Tehtävä 2 30 24

Pienen aivojumpan jälkeen on hahmotettavissa, että alkuvaiheessa kaikki tehtäväpalautustiedot on ryhmiteltävä opiskelijan sekä tehtävän nimen perusteella, sekä laskettava tietueeseen yhteen summa opiskelija-tehtävä-palautustapahtumapareista. Tämän avulla saamme selville, montako kertaa opiskelija on yrittänyt kutakin tehtävää. Tästä pääsemmekin jo rakentamaan kyselyä!

Koska joudumme laskemaan tietoja yhteen sekä ryhmittelemään niitä, käytämme apuna MongoDB:n ns. aggregaatio-operaatioita. Se tapahtuu mongoDB:n yhteydessä seuraavalla tavalla:


db.statements.aggregate( [{

Ensimmäisenä haemme tietovarastosta kaikki palautustapahtumat. Verbimäärityksellä voimme rajata palautuvaan tulosjoukkoon pelkät palautukset. Tapahtumat generoinut työkalu käyttää tässä tehtäväpalautuksen yhteydessä xAPI-rekisterin submit-verbiä (http://activitystrea.ms/schema/1.0/submit). Lisäksi rajoitamme tapahtumat tiettyyn kurssiin sen URL-osoitteen perusteella, joka tallennettu tapahtuman kontekstitietotaulukkoon, ja varmistamme että tapahtuma tulee halutusta tietovarastosta.


{
$match: {
"statement.verb.id":"http://activitystrea.ms/schema/1.0/submit",
"statement.context.contextActivities.grouping.0.id" : "KURSSIN_URL_OSOITE",
"lrs_id" : mongoose.Types.ObjectId("TIETOVARASTON_ID")
}
},

Nyt meillä on haettuna kaikki tehtäväpalautusta kuvaavat oppimistapahtumat! Seuraavaksi ryhmittelemme ne opiskelijan ja tehtävän nimen perustella, sekä laskemme yhteen montako kertaa kukin opiskelija-tehtäväpari esiintyi, ja tallennamme tiedon “hits”-muuttujaan.


{
$group: {
_id: {
task: "$statement.object.definition.name.en-GB",
student: "$statement.actor.name"
},
hits: { $sum:1}}
},

Sen jälkeen tarvitsemme raja-arvon, josta päättelemme ketkä opiskelijoista ovat ylittäneet yrityskerroille hyväksyttävän kynnyksen. Käsittelemme muistissa olevan datajoukon, ja lisäämme kuhunkin problems-kentän arvolla tosi tai epätosi, riippuen siitä oliko ennalta määritetty raja ylitetty vai ei.


{
$project: {
"_id.task" : true,
hits: true,
problems : { $gt: ["$hits", RAJA_ARVO ]}
}
},

Tämän jälkeen voimme ryhmitellä tiedon pelkästään tehtävän nimen perusteella, sekä lisätä tehtävätietueeseen ongelmissa olleiden ja normaalisti edenneiden opiskelijoiden määrät laskemalla ne yhteen problems-kentän perusteella:

{
$group : {
_id: "$_id.task",
"numberOfStudentsInProblems": { "$sum": { "$cond": [ { "$eq": [ "$problems", true] }, 1, 0 ]}},
"numberOfStudentsOk": { "$sum": { "$cond": [ { "$eq": [ "$problems", false] }, 1, 0 ]}}
}
}
]);

Kysely palauttaa nyt halutun datan, joka voidaan siirtää HTML-sivulle jollakin menetelmällä, esimerkiksi express.js-kirjastoa hyödyntävän nodejs-sovelluksen avulla. Asioiden yksinkertaistamiseksi sen tekninen esittely, sekä kyselyä varten välitettävien parametrien hyödyntäminen ohitetaan toistaiseksi.

Datan visualisointi

Datasta muodostetaan siis kaavio ja taulukko. Siinä hyödynnämme apuna crossfilter-filtteröintikirjastoa moniulotteiseen datan käsittelyyn, sekä dc.js-kaavionvisualisointikirjastoa. Tätä varten tarvitsemme tietyt javascript-kirjastot mukaan sivustoon:

<script src="d3.js"></script>
<script src="crossfilter.js"></script>
<script src="dc.js"></script>
<script src="d3-queue.js"></script>
<script src="d3-fetch.v1.js"></script>

Rakennetaan seuraavaksi pohja. Ensiksi luodaan HTML-sivulle <div>-elementit palkkikaaviota sekä taulukkoa varten:

<body>
<div id="dc-bar-attempts"></div>
<div id="dc-table-attempts">
<body>

 

Kun data on saatu haettua, muodostetaan crossfilter-kirjaston avulla riippuvuudet sisältävät datajoukot. Määrittelemme tehtävädimension, sekä erilliset ryhmät ongelmatapauksille ja normaaleille seuraavasti:

var ndx = crossfilter(json);
var taskDim = ndx.dimension(d => d._id );
var problemGroup = taskDim.group().reduceSum(d => d.numberOfStudentsInProblems );
var expectedGroup = taskDim.group().reduceSum(d => d.numberOfStudentsOk );

Tämän jälkeen meillä on riittävät yhteydet datan käsittelyyn monissa eri kaavioissa.

Visualisointia varten luomme luomme datasta ensimmäisenä palkkikaavion. Dimensioksi (eli X-akselille tuleviksi arvoiksi) määritetään tehtävät, ja pinoamme kaavioiden y-akselille ongelmallisten sekä normaaleiden opiskelijoiden määrät. Tämä tuottaa meille kaavion, jossa yksi palkki esittää yhden tehtävän tilanteen graafisesti.


var barChart = dc.barChart('#dc-bar-attempts');
barChart
.width(990)
.height(400)
.mouseZoomable(true)
.legend(dc.legend().x(80).y(20).itemHeight(13).gap(5))
.elasticX(true)
.elasticY(true)
.x(d3.scaleOrdinal())
.xUnits(dc.units.ordinal)
.xAxisLabel("Tehtävät")
.yAxisLabel("Odotetujen yrityskertojen ja niiden ylitysten suhde")
.dimension(taskDim)
.group( problemGroup, "Ongelmissa olleet")
.stack( expectedGroup, "Normaalit" )

Taulukoon rakennamme kolme saraketta: tehtävän nimi, ongelmallisten tapausten lukumäärä. sekä normaalien tapausten lukumäärä, sekä määritämme lajitteluksi laskevan järjestyksen ongelmallisten tapausten lukumäärän perusteella.


var table = dc.dataTable("#dc-table-attempts");
table
.dimension(taskDim)
.columns([
{ label: 'Tehtävä', format: function(d){ return d._id;} },
{ label: 'Ongelmissa (kpl)', format: function(d){ return d.numberOfStudentsInProblems;} },
{ label: 'OK (kpl)', format: function(d){ return d.numberOfStudentsOk;} }
])
.size(1000)
.group(function(d) {return "yes";})
.showGroups(false)
.sortBy(function(d) {return d.numberOfStudentsInProblems;})
.order(d3.descending);

Taulukon kukin rivi kertoo meille numeeriset arvot, millainen tilanne yksittäisen tehtävän osalta oli palautuskertojen suhteen – montako ongelmallista ja montako normaalia tapausta.
Loppujen lopuksi käskytämme dc.js-kirjastoa piirtämään kaaviot:
dc.renderAll();

Lopputulos palkkikaaviosta voi näyttää sopivalla datajoukolla esimerkiksi tältä. Oranssi palkki kuvaa normaalisti suorittaneiden määrää, ja sininen puolestaan raja-arvon ylittäneiden määrää. Ongelmalliset tehtävät on havaittavissa selkeästi.

Taulukko puolestaan esittää saman tiedon numeerisesti.

Miten kokeilu onnistui?

Visualisoinnin perusteella on helppo havaita mitkä tehtävistä ovat hankalia ja mitkä puolestaan helpompia. Myös yksityiskohtaiset tehtävänimet ja numeeriset arvot näkyvissä taulukosta. Kaavio ja taulukko tarjoavat suoraan tiedon, mitä tehtävistä on kehitettävä, joten kehitettyä visualisointia voi pitää varsin onnistuneena. Visualisointi on myös tarpeen mukaan suoraan siirrettävissä muihin opintojaksototeutuksiin, joissa on paljon automaattisesti tarkistettavia tehtäviä. Tämä tekee siitä varsin hyödyllisen työkalun suunnittelun tueksi.

Myöhemmin tänä keväänä esittelen erilaisen aktiivisuuskaavion toteutusta, jolla saadaan seurattua opiskelijan edistymistä vaikkapa tietyn aihealueen parissa.

Kirjoittaja Anssi Gröhn, tietojenkäsittelyn lehtori

(21.3.2019 muokattu kuvia ja tekstiä)

eAMK-hankkeen satoa: DigiAvain ja CampusOnline

eAMK-hankkeessa ammattikorkeakoulut rakentavat yhteistä digitaalista ja ympärivuotista opintotarjontaa. Hanke on ollut käynnissä nyt 1,5 vuotta 23 ammattikorkeakoulun voimin.

Lisäksi työelämälähtöistä oppimisen ekosysteemiajattelu on osa ammattikorkeakoulupedagogiikkaa ja taustalle on vahvistettu opetushenkilöstön digipedagogiikka, mahdollistetaan opiskelijoiden digikyvykkyyden kasvun.

eAMK-kuvio

Starttipakettipilotti

Pilotteihin osallistui Hämeen amk, Humanistinen amk, Kajaanin amk, Laure-amk ja Savonia-amk. Laurea toteutti starttipaketin Optima-oppimisympäristöön ja muut Moodleen. Starttipaketti tulee opiskelijalle käyttöön siinä kohtaa opiskelua, kun hän on saanut opiskelupaikan ja on ottanut sen vastaan, mutta opiskelu ei ole vielä alkanut. Paketti on ”tulopalvelu” ja vastaa opiskeluintoon, joka aloittavilla opiskelijoilla on. Hyödynnetään tätä innokkuutta. Lisäksi tavoitteena on madaltaa sirpaleisuudesta ja järjestelmien palvelujen runsaudesta johtuvaa infoähkyä.

DigiAvaimen sijoittuminen opintoihin

Savoniassa DigiAvain-työtila on opiskelijan käytettävissä 3–4 viikkoa enne opintojen alkua. Savoniassa tämä sisältö on osa orientaatio-opintoja. Opiskelijatuutoreita hyödynnettiin BYOD-klinikoiden pitäjinä.

Palaute (asteikolla 1–4) oli suomenkielisestä 3,3 ja englanninkielisestä 2,9. Hyödylliseksi paketin koki 91 % suorittaneista. Kirjautuneita työtilaan oli 1714 suomenkielistä opiskelijaa ja 162 englanninkielistä. Moodle-badgen suoritti 1302 opiskelijaa ja palautetta antoi 767 opiskelijaa.

”Ohjelmat ym ovat nyt tuttuja, niin ei mene ihmettelyyn ja kaikkeen säätämiseen niin paljon aikaa koulun alettua.”

”viimeisen osion pari kysymystä oli kyllä niin kryptisiä ettei niistä kyllä ottanut tolkkua ennekuin analysoi oikein tunteella.”

Savonian DigiAvaimen sisältö

CampusOnline

On kesällä 2018 lanseerattu ammattikorkeakoulujen yhteisen verkko-opintotarjonnan portaali. CampusOnline on laajuudeltaa ympärivuotinen (kolme lukukautta). Ensimmäisessä tarjonnassa (syksy 2018) opintojaksoja oli 67. Keväällä 2019 jo lähes 400 opintojaksoa. Ilmoittautumisen ensimmäisenä päivänä vieraili portaalissa 7200 kävijää. Opiskelijat oli hyvin informoitu CampusOnlinesta. Kesän 2019 tarjonta avautuu 11.3. ja tarjolla silloin on yli 500 opintojaksoa. Tarjonta on avoinna myös avoimen amk:n opiskelijoille.

Digipedavalmennusta CampusOnline-opettajille

Ensimmäinen valmennus toteutettiin keväällä 2018 ja toinen syksyllä 2018. Näiden rinnalla on ammattikorkeakouluissa järjestetty omia valmennuksia. Helmikuussa 2019 on ammattikorkeakouujen pedagogisille tukipalveluhenkilöille tapaaminen jossa sovitaan, miten valmennus jatkossa hoidetaan ammattikorkeakoulujen omina toteutuksina.

Lisätietoa eAMK-hankkeesta muun muassa:

Tekstin ja kuvien lähde: Savonian koulutusvastuusuunnittelija Marja Kopelin esitysmateriaali ja esitys UEF–Karelia–Savonian ”DigiOpen pikkujoulu -webinaarissa” 13.12.2018.

Kirjoittaja Maarit Ignatius

DigiCampus-hanke, mitä se tuo tullessaan

DigiCampus on opetus- ja kulttuuriministeriön kärkihanke, joka on alkanut keväällä 2018.

Hankkeessa useita osahankkeita

  1. Digitaalinen oppimisympäristö
  2. Pedagogiset tukipalvelut
  3. Oppimismaiseman uudelleen sovittaminen
  4. Sisältöhankkeet
  5. Arvioinnin kehittäminen
  6. Esteettömyys ja saavutettavuus

DigiCampus-hankkeen rakenne ja osahankkeet

Hankkeessa on mukana 17 korkeakoulua. Arvioinnin kehittämisen osahankkeessa on lisäksi  Exam-konsortio mukana.

1. Digitaalinen oppimisympäristö

Tämän osahankkeen tavoitteena on rakentaa kaikille korkeakouluille yhteinen, moderni digitaalinen oppimisympäristö, joka lisää korkeakoulujen jatkuvaa yhteistyötä ja avointa toimintakulttuuria. Oppimisympäristö on rakennettu Moodle-pohjaiseksi CSC-palvelimille. Oppimisympäristöön kirjautumisessa mahdollistetaan useammat kirjautumistavat. Tämä mahdollistaa korkeakoulujen ulkopuolisten henkilöiden toimimisen ja työskentelyn, esim. MOOC:n muodossa. Oppimisympäristö avautuu kärkihankkeille maaliskuussa 2019 ja hankeyliopistojen käyttöön kesällä 2019.

Luokkahuoneiden joustava käyttö opetuksessa mahdollistetaan Multilocation ClassRoom -konseptin avulla. Multilocation-tekniikan sisältävässä luokkahuonetilassa on yksi kokonainen seinä muodostaa näytön. Toisella kampuksella on vastaava luokkahuonetila ja sen seinä vastaanottaa ja lähettää tietoa. Näille seinille heijastetut toisen kampuksen luokkatila todellisessa koossa & opettajan jakama materiaali mahdollistaa interaktiivisuuden luokkahuonetyöskentelyssä tilojen sijaitessa eri kampuksilla. Eri kampuksilla työskentelevät opiskelijat voivat kommunikoida reaaliajassa seinän kautta ja nähdä toisessa tilassa tapahtuvan työskentelyn todellisessa koossa.

Multilocation ClassRoom -tilan kehittelyversio

2. Pedagogisdigitaaliset tukipalvelut

Osahankkeessa takennetaan korkeakoulujen yhteinen tukipalvelu sekä henkilökunnalle että opiskelijoille. Tukipalvelut tarjoavat pedagogista ja digitaalista tukea korkeakoulujen yhteiskäyttöisten oppimisympäristöjen käyttöön. Palvelua olisi tarjolla myös virka-ajan ulkopuolella. Palvelua automatisoidaan ohjelmistorobotiikan avulla. Tukipalvelu avautuu kärkihankkeille maaliskuun alussa 2019.

3. Oppimismaiseman uudelleensovittaminen

Sujuvan arjen takaaminen opettajalle sekä opiskelijalle opetuksessa.

Oppimismaiseman uudelleen sovittaminen ja siihen liittyvät osa-alueet

Kuvassa on tarkemmin esitelty tämän osahankkeen tarkemmat tavoitteet.
Tavoitteena on digitaalisten ja fyysisten ympäristöjen yhteen sovittaminen pedagogiikan ehdoilla.

4. Sisältöhankkeet

Kaikille avointa koulutustarjontaa, menetelmiä ja oppaiden tuottaminen. Hankkeen sivuilta löytyy näistä tarkemmin tietoa. Karelia AMK toimii tässä osahankkeessa toteuttajana ja on rakentamassa OpenBio oppimisympäristöä.

  • OpenBio (sosio-digitaalinen oppimisympäristö biotalouden ilmiöiden oppimiseen, tutkimiseen sekä yhteiskehittelyyn)
  • Kemian kurssitarjotin kemian eri osa-aluilta
  • Oikeustieteiden DigiPeda, jossa kehitetään UEFin ja TY:n oikeustieteiden yhteisiä opintoja

5. Arvioinnin kehittäminen

EXAM – sähköisen tenttijärjestelmän edelleen kehittämistä niin, että se edistää opiskelun joustavuutta ja ympärivuotisia opiskelumahdollisuuksia.

  • Salitentin kehittäminen (mahdollistaa oman koneen käytön luentosalissa tehtävään sähköiseen tenttiin)
  • Autograding (tekoälyn hyödyntäminen esseemuotoisten vastausten arvioinnissa)
  • Yhteistentti ja hankehallinto (Examin yhteiskäyttöisyyden jatkokehitystä).

6. Esteettömyys ja saavutettavuus

Esteettömyys ja saavutettavuus osahankkeen osiot

Verkkopalveluiden saavutettavuuteen keskittyvä osahanke. Auttaa korkeakouluja EU:n saavutettavuus direktiivin täytäntöön panossa.

ESAn viikon vinkki sisältää käytännönläheisiä vinkkejä esteettömyyden saavutettavuudesta! Käy tutustumassa!

DigiCampus-hankkeen yhteystiedot

DigiCampus-hankkeen toimijat

Tekstin ja kuvien lähde: UEFin Opintopalveluiden e-oppimisen erikoissuunnittelijan Sari Tervosen esitysmateriaali ja esitys UEF–Karelia–Savonian ”DigiOpen pikkujoulu -webinaarissa” 13.12.2018.

Kirjoittaja Minna Rokkila

SMErec: Virtuaalihologrammit rekrytoinnin tukena – syvyyskameroista

Karelian tietojenkäsittelyn koulutuksessa etäopiskelu on varsin yleistä. Tämän vuoksi opiskelijoiden mahdollisuudet osallistua erilaisiin rekrytointitapahtumiin Joensuussa ovat käytännössä pitkien etäisyyksien vuoksi rajatumpia lähiosallistujiin nähden. SMErec-hankkeen yhtenä tavoitteena on vahvistaa pk-yritysten kilpailukykyä kehittämällä yritysten rekrytointiosaamista ja varmistamalla sitä kautta pk-yritysten rekrytointien onnistuminen. Tätä tavoitetta kohti päästään parantamalla etäosallistujien mahdollisuuksia tuoda omaa osaamistaan esille erilaisissa rekrytointitapahtumissa. Siksi kehitämme keväällä 2019 hologrammitallenteita, silmällä pitäen erityisesti tietojenkäsittelyn etäopiskelijoiden tarpeita.

Avaan seuraavaksi hieman teknistä taustaa, millainen kamerateknologia osaltaan mahdollistaa virtuaalihologrammit ja holoportaation, sekä miten pääsemme yhden askeleen lähemmäksi VASU (6/2017) -artikkelissani käsittelemääni digitaalista läsnäoloa.

Mitä Intel Realsense –syvyyskamerat ovat?

 

Intel RealSense D435-kamerat ovat varsin näppärän kokoisia.

Siinä missä Microsoftin tutkima ja kehittämä holoportaatioratkaisu käyttää Kinect-sensoreita, SMErec-hankkeessa kamerateknologiaksi on valittu Intelin Realsense. Ominaisuuksiltaan ne ovat kuitenkin vastaavia; molemmissa on normaali kamera, infrapunasensorit, sekä stereokuvien laserkeilaukseen perustuva syvyyssensori. Niiden avulla voidaan muodostaa kolmiulotteinen pistepilvi, joka kuvaa rakeisena 3D-mallina kameran havaitseman ympäristön. Tämä on eräs fotogrammetrian menetelmistä, jossa pyritään selvittämään eri kohteista niiden muodot ja ominaisuudet (Aalto-yliopisto, 2019). Fotogrammetriaa voidaan hyödyntää niin suuriin kuin pieniinkin kohteisiin. Fotogrammetria toimii joko yksittäisillä kuvilla, jotka kuvataan kohteen ympäriltä ja joista ohjelmallisesti rakennetaan 3D-malli, tai keilaukseen pohjautuvilla menetelmillä, joissa syvyystieto mitataan erillisen sensorin avulla.

 

 

Miten syvyyskameroita käytetään?

 

Realsense-viewer ja kolmen kameran kuvat.

Kameroita varten on tarjolla ohjelmistokirjasto testiohjelmineen. Esimerkiksi Realsense-viewer tukee useampaa kameraa, ja sen avulla voi tarkastella sekä säätää kaikkia kameroiden ominaisuuksia. Se tukee RGB- kuin syvyystiedon esittämistä kuvina, sekä esitettyä yhden kameran tuottaman pistepilven 3D-mallina. Kameran kuva- ja syvyystiedon käsittelyyn tarvitsee kuiteknin Librealsense-ohjelmistokirjaston, on saatavilla Github-versionhallintapalvelusta niin Windows, Linux ja Mac OS-käyttöjärjestelmille.

 

Ohjelmistoja ja kameroita kehitetään jatkuvasti, joten myös niiden firmware saa päivityksiä kohtalaisen tiheään. Myös Realsense-viewer -ohjelman versioilla on vähimmäisvaatimuksena yleensä tietty kameroiden firmware-versio, joten ei ole syytä hämmästyä, jos ohjelmisto ei toimikaan kameroilla suoraan.

Realsense-viewerin tuottama 3D-malli syvyystiedon ja videokuvan perusteella.

Onko käyttöönotto helppoa?

Kamerat saa helposti käyttöön – mutta mikäli tavoitteena on siirtää syvyyskamera metriä kauemmaksi työasemasta, tai käyttöön on tarkoitus ottaa useampi kamera kerralla, on syytä huomioida muutamia asioita.

Yksi kamera vaatii aina yhden USB 3.0-väylän, joita kyllä nykyisissä PC-työasemissa on tarjolla. Yhteen väylään on voitu kytkeä useampi liitin, jolloin väylän kaistanleveys jaetaan siihen liittettyjen laitteiden kesken. Koska yhden kameran tuottama striimi kuluttaa kaistaa noin 5Gb/s (625 MB/s), mikä on lähellä yhden USB 3.0-väylän määritettyä maksimisiirtonopeutta, voi olla, että useampaa kameraa ei voi liittää yhteen työasemaan suoraan.

 

Kaistan riittävyysongelman saa ratkottua esimerkiksi erillisellä PCI Express 4x USB3.0-ohjainkortilla, joka tarjoaa jokaiselle liittimelle oman kanavan, eli 5Gbit/s kaista on varmasti tarjolla jokaiselle siihen liitetylle laitteelle. Testilaitteistoon hankitussa kortissa on tuki neljälle erilliselle USB 3.0-väylälle. PCI Express (2.0) 4x-väylän kapasiteetti puolestaan pitäisi riittää useamman kameran datan siirtämiseen, sillä sen kapasiteetti on noin 20Gbit/s. (Edwards, 2013).

Kauemmaksi sijoitetuille kameroille tarvitaan paremmat kaapelit.

Toinen ongelma, mitä kameroiden käyttöön liittyy, on että USB 3.0-kaapeleiden pituus muodostuu rajoittavaksi. Mikäli käytössä on normaali kaapeli, signaali heikkenee vastaavasti ja tiedonsiirtonopeus laskee kaapelin pituuden kasvaessa.  Yhden kameran käyttäessä lähes koko kanavan kapasiteetin, tiedonsiirtonopeuden lasku aiheuttaa pienempää ruudunpäivitysnopeutta. Koska tässä tapauksessa kaapeleiden pituuden on oltava 3-5 metriä, tarvitaan niin sanottuja aktiivikaapeleita, jotka vahvistavat signaalia ja varmistavat tiedonsiirtonopeuden riittävyyden.

 

Mitä näillä kameroilla on tarkoitus siis tehdä?

Kameroita käytetään animoitujen virtuaalihologrammien luomiseen. Eli skannaamme ja tallennamme reaaliaikaisesti kohteen liikkeen ja äänen, jotka voidaan toistaa myöhemmin uudelleen virtuaalitodellisuuslaseilla sekä erilaisilla lisätyn todellisuuden katsontalaitteilla.

Tämä vaatii tosin testiympäristön rakentamista, erilaisten tallennusmenetelmien tutkimista, sekä soveltuvan visualisointiohjelmiston rakentamista, joihin palaan vielä myöhemmin tämän keväänä Digit!-blogissa.

Kirjoittaja Anssi Gröhn, tietojenkäsittelyn lehtori