Как работает распознавание объектов в AR?
Object tracking позволяет AR-приложению распознавать реальный физический объект по его 3D-форме и удерживать цифровой контент привязанным к нему при движении камеры и самого объекта. В отличие от image tracking, здесь не нужны маркеры — достаточно самого объекта. Мы, команда с 5+ годами опыта в AR-разработке, реализовали 10+ проектов с object tracking и выработали эффективные подходы. Свяжитесь с нами для оценки вашего объекта.
В основе object tracking лежит построение point cloud и извлечение feature points. ARKit на iOS использует ARObjectScanningConfiguration для сканирования и ARWorldTrackingConfiguration с detectionObjects для распознавания. Подробное описание API доступно в документации ARKit. Точность распознавания — 5–10 мм при хорошем освещении. На устройствах A12+ сканирование занимает 10–15 минут, полученный .arobject файл весит от 1 до 50 МБ.
Почему object tracking, а не image tracking?
Image tracking работает с плоскими изображениями — наклейками, постерами, экранами. Если объект трёхмерный, контент будет «плавать» при изменении угла обзора. Object tracking использует point cloud, чтобы определить точное положение и ориентацию объекта в 3D. Это единственный способ реализовать аннотации на двигателе автомобиля или наложение схемы на промышленный станок.
Какие объекты распознаются хорошо, а какие нет?
| Хорошие кандидаты | Плохие кандидаты |
|---|---|
| Игрушки с рисунками/деталями | Монохромные пластиковые корпуса |
| Бытовая техника с панелями | Стеклянные/прозрачные объекты |
| Промышленное оборудование с маркировкой | Металлические полированные поверхности |
| Коробки с упаковкой | Мягкие деформируемые объекты |
| Автомобильные детали | Объекты без постоянной формы |
Стеклянные и зеркальные поверхности не поддаются visual feature tracking — для них используем маркеры или LiDAR mesh matching.
Как мы решаем проблему грязных объектов: кейс из практики
В одном из проектов для сервисного центра наш клиент столкнулся с проблемой: техник наводит камеру на двигатель автомобиля — ARKit не распознаёт из-за грязи и нагара. Чистый эталонный .arobject не подходил. Мы отсканировали несколько вариантов (чистый / с умеренным загрязнением) и добавили все в detectionObjects. Это подняло точность с 60% до 92%. Выигрыш во времени — на 30% быстрее, чем ручной поиск по каталогу.
Vuforia Model Targets: альтернатива ARKit
ARKit Object Detection требует физического сканирования. Vuforia Model Targets — распознавание по CAD-модели (STEP, OBJ, FBX) без физического сканирования. Это разница для промышленности, где CAD-данные уже есть. Лицензия Vuforia стоит от $840/год, что экономит до 50% бюджета по сравнению с кастомным решением.
| Сравнение | ARKit Object Detection | Vuforia Model Targets |
|---|---|---|
| Требуется физический объект? | Да | Нет (нужна CAD-модель) |
| Точность | 5–10 мм | 5–10 мм |
| Устойчивость к загрязнению | Низкая | Средняя (алгоритм более робастный) |
| Лицензирование | Бесплатно | Платная, от $840/год |
| Поддерживаемые платформы | iOS | iOS + Android |
ARKit быстрее в настройке, Vuforia выигрывает при наличии CAD-модели. Выбор технологии — бесплатная консультация.
Что входит в нашу работу по object tracking
- Анализ объекта: оценка текстур, формы, условий эксплуатации; подбор технологии (ARKit / Vuforia / ARCore).
- Сканирование или подготовка CAD: получение эталонного описания объекта.
- Разработка AR-модуля: настройка detection, привязка контента.
- Интеграция с backend: сохранение состояния, загрузка контента из БД.
- Тестирование: проверка при разном освещении и степени загрязнения.
- Документация и обучение: инструкции по сканированию.
Примерный план работ и сроки
- Анализ и сканирование — 3–5 дней.
- Разработка прототипа — 5–10 дней.
- Интеграция контента и тестирование — 5–10 дней.
- Финальная доработка и деплой — 3–5 дней.
Базовое object detection с одним объектом — 1–2 недели. Сложные проекты — 3–5 недель. Стоимость рассчитывается индивидуально. Закажите разработку — мы подготовим коммерческое предложение.
Как отслеживать движущиеся объекты?
Для движущихся объектов (конвейерная деталь, робот) используем MediaPipe Object Detection (COCO SSD) + depth estimation через LiDAR. Точность tracking при скорости более 0.5 м/с деградирует. Такой подход мы применили для конвейерной линии на заводе — снизили время идентификации деталей на 40%.
Получите консультацию — обсудим ваш объект и подберём решение.