Definition

Spatial Computing (Räumliche Datenverarbeitung)

Was ist Spatial Computing (Räumliche Datenverarbeitung?

Spatial Computing bezeichnet im weitesten Sinne die Prozesse und Werkzeuge, die zur Erfassung, Verarbeitung und Interaktion mit dreidimensionalen (3D) Daten verwendet werden. Spatial Computing ist eine Technologie, die dadurch definiert ist, dass Computer Daten aus der sie umgebenden Welt auf natürliche Art und Weise zusammenführen.

Spatial Computing in Aktion kann so einfach sein wie die Steuerung der Beleuchtung, wenn eine Person einen Raum betritt, oder so komplex wie die Verwendung eines Netzwerks von 3D-Kameras zur Modellierung eines Fabrikprozesses. Spatial-Computing-Konzepte spielen auch eine Rolle bei der Orchestrierung von autonomen Computeranwendungen in der Lagerautomatisierung, bei selbstfahrenden Autos und bei der Automatisierung der Lieferkette.

Benutzer interagieren mit Spatial-Computing-Anwendungen in der Regel über Virtual-Reality-Headsets (VR), die die physische Welt widerspiegeln, oder über Mixed-Reality-Geräte, die Daten über eine Ansicht der physischen Welt legen.

Zu den Komponenten des Spatial Computing gehören Kamerasensoren, das Internet der Dinge (IoT), digitale Zwillinge, Ambient Computing, Augmented Reality (AR), VR, künstliche Intelligenz (KI) und physische Steuerungen. Erhebliche Fortschritte bei diesen Technologien machen das Spatial Computing immer praktischer.

Der Begriff Spatial Computing wurde von Simon Greenwold geprägt, der die Bedeutung des Konzepts in seiner Masterarbeit am MIT im Jahr 2003 als eine wesentliche Komponente, um unsere Maschinen zu vollwertigen Partnern bei unserer Arbeit und unserem Spiel zu machen beschrieb.

Unternehmen wie Apple, Google, Magic Leap, Meta und Microsoft bieten Spatial-Computing-Geräte für das Verbraucherpublikum an.

Funktionsweise des Spatial Computing

Spatial Computing spiegelt wider, wie wir mit virtuellen Objekten in der realen Welt interagieren. Menschen übersetzen die zweidimensionalen Bilder, die sie sehen, in ein 3D-Modell der Welt, erkennen die Objekte in der Welt und lenken dann ihre Hände zum Handeln. Wenn wir zum Beispiel eine Tasse Tee einschenken, beobachten wir die Tasse beim Einschenken, stellen fest, wann die Tasse voll ist, und hören dann auf einzugießen. Spatial Computing macht das Gleiche, allerdings mit Computern, Sensoren und Aktoren.

Spatial Computing umfasst die folgenden Schritte:

  • Sammeln von Daten. Räumliche Kartierungstechniken werden verwendet, um Daten über den Benutzer und die Umgebung des Geräts zu sammeln. Techniken wie Photogrammetrie, Lidar und Radar erfassen ein 3D-Modell der Welt. Lidar oder Radar messen die Reflexion eines Laser- oder Funksignals von Objekten in der Umgebung eines Scanners, um automatisch eine Punktwolke zu erfassen, das heißt eine Reihe von Datenpunkten in einem Raum, die 3D-Formen und Entfernungen darstellen. Bei der Photogrammetrie, der Kunst und Wissenschaft der Erstellung von 3D-Modellen aus Fotografien, werden Bilder von mehreren Bildern oder Kameras kombiniert. Neuere KI-Techniken können auch mit einer wenigen Bilder eine umfassendere Darstellung erfassen.
  • Analysieren Sie die Daten. Techniken wie die maschinelle Bildverarbeitung analysieren diese Daten, um aus den Bildern einen Sinn zu ermitteln. KI-Techniken helfen dabei, einzelne Objekte in einer Szene, ihre Bewegungen und Interaktionen mit anderen Objekten zu identifizieren. Sie können zum Beispiel nach Produktfehlern suchen, Gangmuster verstehen oder analysieren, wie verschiedene Arbeiter einen Prozess durchführen.
  • Handeln Sie. Handheld-Controller, Bewegungssensoren und Spracherkennung unterstützen den Benutzer bei der Interaktion mit dem Gerät und seiner Umgebung. Die Analyse der gesammelten digitalen 3D-Bilder aus den physischen Prozessen ermöglicht es beispielsweise einem selbstfahrenden Auto, einen Fußgänger vor ihm zu erkennen und in Echtzeit anzuhalten. Ein Gebäudesteuerungssystem kann die Heizung oder die Beleuchtung anpassen, wenn jemand einen Raum betritt, und zwar in Abhängigkeit von den in einer Datenbank gespeicherten Präferenzen.

Spatial Computing, das über ein Headset erlebt wird, nutzt Technologien wie AR und VR, interne und externe Kamerasensoren, Controller und Bewegungsverfolgung. Diese Headsets sammeln Daten über den Benutzer und seine Bewegungen und analysieren und interpretieren die eingehenden Daten, um entsprechend zu reagieren.

Hauptmerkmale und Vorteile von Spatial Computing

Spatial Computing kann Unternehmensprozesse auf folgende Weise verbessern:

  • Angleichung der Computerprogrammierung an die Art und Weise, wie Menschen über die Welt denken.
  • Ermöglicht die Schaffung neuer physischer Arbeitsabläufe.
  • Kombination von Daten aus verschiedenen Arten von Sensoren, um die Benutzererfahrung zu optimieren.
  • Automatisierung des Prozesses der Erstellung digitaler Zwillinge.
  • Verknüpfung der Punkte zwischen robotergestützter Prozessautomatisierung und physischer Automatisierung.
  • Bereitstellung neuer Möglichkeiten der Interaktion zwischen Menschen, Robotern und Produkten im physischen Raum.
  • Unterstützung von Unternehmen bei der Messung der Leistung von physischen Prozessvariationen.
  • Ermöglicht die Orchestrierung von mehreren physischen Prozessen.
  • Verbesserung des Designs von physischen Einrichtungen und Prozessen.

Industrielle Anwendungsfälle für Spatial Computing

Spatial Computing wird auf in folgenden Einsatzszenarien eingesetzt:

  • Fertigungsanlagen können die Produktionslinie während jedes Prozessschrittes überwachen. Dies kann helfen, die verschiedenen Schritte bei der Herstellung eines Produkts zu identifizieren. Außerdem kann ermittelt werden, wann und warum verschiedene Teams unterschiedliche Vorgehensweisen wählen und welche Auswirkungen dies auf Zeit und Qualität hat.
  • Lagerhäuser können Daten über den physischen Standort von Produkten mit den Bewegungen von Robotern und Menschen kombinieren, die diese Waren verpacken. Auf diese Weise können Mitarbeiter und Roboter zu den Produkten geführt werden. So lassen sich auch verschiedene Lagerlayouts simulieren, um die Gesamteffizienz zu verbessern und ein Burn-Out der Mitarbeiter zu verringern.
  • Immobilienverwaltungsfirmen können mithilfe von Spatial Computing ein Modell eines Büros erstellen, das mit verschiedenen Layouts überlagert wird, um die Raumnutzung zu optimieren.
  • Das Gebäudemanagement kann automatische Beleuchtungs- und Umgebungssteuerungen programmieren, um Beleuchtung, Heizung und Kühlung an die Präferenzen der Mitarbeiter anzupassen.
  • Krankenhäuser können mit Hilfe von Standort-Tags wichtige Patientendaten automatisieren oder in Notfällen spezielle Geräte beschaffen.
  • Unternehmen können 3D-Visualisierungen von physischen Produkten verwenden, um ein Produkt oder Modell in jeder Entwicklungsphase zu betrachten. Beim Produktdesign kann ein Unternehmen das Format, die Ergonomie und die voraussichtliche Nutzung eines Projekts in einem 3D-Raum testen.
  • Mitarbeiter können Headsets für die Remote-Zusammenarbeit verwenden. So können sie aus der Ferne arbeiten, aber dennoch in einem gemeinsamen Raum zusammenarbeiten.
  • Personalabteilungen können Spatial Computing nutzen, um die Zeit für die Schulung neuer Mitarbeiter zu verkürzen oder die Schulungsergebnisse und -erfahrungen zu verbessern.

Beispiele für Spatial Computing

Im Folgenden finden Sie Beispiele für Spatial Computing:

  • Ein Mixed-Reality-Headset, das ein Reparaturhandbuch überlagert, um den Techniker zu führen.
  • Ein Netzwerk von Kameras, das automatisch einen Automobilproduktionsprozess modelliert.
  • Ein Spatial-Computing-Analyseprogramm, das Angestellten zeigt, wie sie schädliche Bewegungen reduzieren können.
  • Ein räumliches Modell des Produktionsprozesses, mit dem Manager Variationen simulieren können, um den Prozess zu optimieren.
  • Belegungsanalyseprogramme, die Sicherheitschecks für Angehörige und Pfleger automatisieren.
  • Büroräume, in denen die Beleuchtung und die Umgebungssteuerung dynamisch auf die einzelnen Mitarbeiter abgestimmt werden.

Beispiele für Spatial-Computing-Headsets sind folgende:

  • Apple Vision Pro
  • Magic Leap
  • Meta Quest Pro
  • Microsoft Hololens

Spatial Computing vs. Virtual Reality

Spatial Computing kann als allgemeiner Begriff verwendet werden, der sich auf Technologien wie AR, VR und Mixed Reality erstreckt.

VR simuliert eine 3D-Umgebung, in der Benutzer eine virtuelle Umgebung erkunden und mit ihr interagieren können. Die Umgebung wird mithilfe von Computerhardware und -software geschaffen, die über ein tragbares Headset bereitgestellt wird. AR funktioniert ähnlich, aber anstatt eine andere Umgebung zu simulieren, werden die Simulationen über reale Umgebungen gelegt.

AR, VR und Spatial Computing unterscheiden sich darin, dass beim Spatial Computing digitale Simulationen mit physischen Umgebungen interagieren können oder diese zu verändern scheinen.

Ein digitales Objekt, das einem Headset überlagert wird, versteht zum Beispiel, dass es auf einem realen Tisch ruht. Der Benutzer könnte im realen Raum um den Tisch herumgehen, um die Rückseite des Objekts zu sehen, es aufheben und auf einen realen Sockel stellen. Das Headset sollte in der Lage sein, ein digitales Objekt darzustellen, die reale Umgebung, in der es sich befindet, und die umgebenden realen Objekte zu verstehen und mit dem Benutzer oder den nahe gelegenen physischen Objekten zu interagieren.

Spatial Computing vs. Edge Computing

Spatial Computing und Edge Computing klingen zwar ähnlich, beziehen sich aber auf unterschiedliche Konzepte. Spatial Computing verbindet digitale und reale Daten auf natürliche Weise, während Edge Computing die Datenverarbeitung näher an den Benutzer heranführt.

Edge Computing ist eine verteilte IT-Architektur, bei der Kundendaten am Rande des Netzes verarbeitet werden, so nah wie möglich an der Ursprungsquelle.

Vereinfacht ausgedrückt, verlagert Edge Computing einen Teil der Speicher- und Rechenressourcen aus dem zentralen Rechenzentrum heraus und näher an die Datenquelle selbst. Anstatt Rohdaten zur Verarbeitung und Analyse an ein zentrales Datenzentrum zu übermitteln, wird diese Arbeit dort ausgeführt, wo die Daten aktiv erzeugt werden.

Ein Spatial-Computing-Headset könnte beispielsweise als Edge-Computing-Gerät betrachtet werden, wenn die von den Sensoren erfassten Daten im Headset verarbeitet, anstatt an ein separates Gerät gesendet zu werden.

Das Potenzial des Spatial Computing

Trotz der potenziellen Vorteile des Spatial Computing ist der Erfolg der Technologie bisher begrenzt. Spatial-Computing-Headsets haben in der Regel die folgenden drei Probleme:

  • Die Kosten für die Hardware. Die erforderlichen Sensoren, die Verarbeitungsleistung und die Materialien für einige räumliche Headsets können bis zu einigen tausend Dollar kosten.
  • Das Gewicht der Hardware. Dies wirkt sich direkt darauf aus, wie lange ein Headset bequem getragen werden kann, wenn man sich bewegt oder hinsetzt.
  • Mobilität und Akkulaufzeit. Bei einem kabellosen Headset ist der Benutzer zwar mobiler, aber die Akkulaufzeit ist möglicherweise kurz. Bei einem kabelgebundenen Headset ist die Lebensdauer des Akkus zwar länger, aber der Benutzer ist an ein Kabel gebunden.

Allerdings haben sich diese Technologien in letzter Zeit weiterentwickelt, was das Erlebnis praktischer macht. Das Apple Vision Pro zum Beispiel kann eine Reihe von Sensoren aufnehmen. Das macht die Bewegung mit dem Gerät und die Verwendung von Handgesten flüssiger und reaktionsschneller. Apple Vision Pro verwendet zwei Hauptkameras, vier nach unten gerichtete Kameras, zwei Infrarotkameras, zwei TrueDepth-Kameras, zwei Seitenkameras und fünf weitere Sensoren.

Diese Definition wurde zuletzt im April 2025 aktualisiert

Erfahren Sie mehr über Datenanalyse