φώτα στο δέντρο; Ελεγχος. Παρέχει κάτω από το δέντρο; Ελεγχος. Φωτιστικά στα δώρα; Γιατί όχι! Εάν τα δώρα σας δεν φαίνονται χαρούμενα επαρκή καθώς και έχετε ένα εφεδρικό σύστημα επαγωγικής φόρτισης που βρίσκεται γύρω από το σπίτι – όμως, ίσως να αναπτύξετε πάντα το δικό σας από το μηδέν – μπορείτε να λαμπρύνετε τα πράγματα εγκαθιστώντας μερικές λυχνίες LED στη συσκευασία.

Ο εκπαιδευτής επωφελείται από αυτά τα νέα φώτα LED LED, ένα σκέλος του οποίου συνήθως αντλεί κάτω από 1A, καθώς και ανάγκες γύρω στο 5V, το βάζοντας στο σχιστό πάρκο για εξέχοντα συστήματα επαγωγής που χρησιμοποιούνται για τα κινητά τηλέφωνα τέλους όπως το PowerMat. Σε αυτό το συγκεκριμένο παράδειγμα, ο κλώνος έτρεξε απενεργοποιεί τις 3 μπαταρίες AA ή 4.5V, το οποίο υπονοούσε την ανάδειξη της τάσης είτε με έναν ρυθμιστή ισχύος είτε, πολύ πιο βολικά, μια εύκολη δίοδο σε σειρά.

Ορισμένες επιπλέον προσαρμογές στη συσκευασία καθιστούν την εγκατάσταση, συμπεριλαμβανομένης της σκάλισμα μερικών από το χαρτόνι για να ερυστέρουμε τον δέκτη καθώς και την προστασία ό, τι με καυτή κόλλα προτού περιτύρεις τα πάντα σε χαρτί. Μπορείτε να δείτε ένα γρήγορο βίντεο παρουσίασης παρακάτω.

Εικόνα ένα Quadcopter που αιωρείται πάνω από ένα ωφέλιμο φορτίο – ένα δοχείο φασολιών, ίσως. Το «Copter κατεβαίνει στο ωφέλιμο φορτίο, ενεργοποιεί ένα ηλεκτρομαγνήτη, καθώς και πετάει με το δείπνο ενός hobo. Ιδανικό τώρα, αυτό είναι λίγο αδύνατο. Ένα τυπικό ηλεκτρομαγνήτης που ισχυρό θα χρειαζόταν σε ένα φανταστικό ποσό εξουσίας, κάτι τετράγωνο δεν έχουν κανονικά σε αφθονία. Με το έργο OpenGrab, το όνειρο ενός τηλεχειριστηρίου Skycrane βρίσκεται σε απόσταση, χάρη σε μερικές εξαιρετικά δημιουργικές εφαρμογές μαγνητικών.

Η τεχνολογία πίσω από το OpenGrab είναι ένας ηλεκτρο-μόνιμος μαγνήτης, γενικά ένα ηλεκτρομαγνήτης που μπορείτε να ενεργοποιήσετε καθώς και να απενεργοποιήσετε, ωστόσο δεν χρειάζεται κανένα είδος ισχύος για να παραμείνει. Το OpenGrab επηρεάστηκε σε μεγάλο βαθμό από μια διδακτορική διατριβή που στοχεύει στη χρήση αυτών των gadgets για αυτο-συναρμολόγηση κτίρια.

Αυτή η δουλειά είχε μια εξαιρετικά επιτυχημένη εκστρατεία Kickstarter και έχει δει κάποια φανταστική ανάπτυξη στο έργο. Ενώ η μπύρα δεν είναι διαθέσιμη σε χαλύβδινα δοχεία πια, μπορούμε να φανταστούμε μια εξαιρετικά φοβερό εφαρμογές για αυτή την τεχνολογία από την εξοικονόμηση ηλεκτρονικών παζλ σε μερικές εξαιρετικά τρομερές εφαρμογές τηλεπισκόπησης.

[Jorge Rancé] θηλάζει ένα άρρωστο πουλί πίσω στην υγεία. Το ανακάλυψε στο δρόμο με ένα κατεστραμμένο πόδι, το οποίο χρειάστηκε ένα μικρό γύψο για να θεραπεύσει σωστά. Αλλά αισθάνθηκε φτωχός όταν φύγει από το σπίτι για μεγάλες περιόδους. Πήρε με ένα εύκολο υλικό καθώς και να βάλει το μυαλό του σε απλό με την οικοδόμηση ενός συστήματος παρακολούθησης πουλιών που συνδέεται με το Web. Είναι πραγματικά απλώς ένας λόγος να παίζεις με το βατόμουρο Pi του, όμως ποιος μπορεί να τον κατηγορήσει;

Μια κάμερα web προσθέτει παρακολούθηση βίντεο χρησιμοποιώντας την εφαρμογή λογισμικού Linux που ονομάζεται “Motion” για να κάνετε ροή του βίντεο. Αυτή είναι η ακριβώς ίδια δέσμη που χρησιμοποιούμε με τις γάτες μας όταν ταξιδεύουμε. Προσφέρει ένα σταθερό online ρεύμα, ωστόσο, μπορεί να αποθηκεύσει επίσης τις ηχογραφήσεις κάθε φορά που εντοπίζεται η κίνηση. Πρόσθεσε έναν αισθητήρα θερμοκρασίας USB καθώς και συνδέθηκε έναν αισθητήρα στάθμης νερού στον κεφαλίδα GPIO. Αυτά συλλέγονται αμέσως – μαζί με μια ακίνητη εικόνα από την κάμερα web – καθώς και tweeted όταν ανά ώρα χρησιμοποιώντας ένα σενάριο bash. Απλά χρειάζεται να επεξεργαστεί τα αυτόματα τρόφιμα καθώς και τη διανομή νερού, καθώς ποτέ δεν χρειάζεται να επιστρέψει στο σπίτι! Οι σπόροι πουλιών δεν πρέπει να είναι τύποι σκληρότερου για το γεύμα από το ψάρι, σωστά;

Ενώ οι περισσότεροι άνθρωποι κινούνται πάνω σε βραχίονες και άλλοι μικροελεγκτές υψηλής ειδικής Spec, [Dave Cheney] Bucking την τάση. Μην ανησυχείτε, είναι για έναν καλό λόγο – συνεχίζει την εργασία σε ένα από αυτά τα vintage cpu / microcontroller mashups που εφαρμόζουν ένα ολόκληρο vintage σύστημα σε δύο μάρκες.

Ενώ το πατάτα με το έργο, βρήκε τον μικροελεγκτή που χρησιμοποιούσε, το Atmega1284p, ήταν στην πραγματικότητα αρκετά δροσερό. Έχει οκτώ φορές τη μνήμη RAM ως τα πάντα δημοφιλή 328p και δύο φορές μεγαλύτερη μνήμη RAM με το Atmega2560P που βρέθηκε στο Arduino Mega. Με 128k φλας, 4k EEPROM, 32 iOS, και οκτώ αναλογικές εισόδους, αρχίζει πραγματικά να μοιάζει με το τσιπ που θα έπρεπε να έχει χτιστεί το τσιπ. Φυσικά ιστορικές επιλογές δεν έχουν σημασία, επειδή [Dave] μπορεί να κάνει το δικό του δικό του 1284p prototyping board.

Το διοικητικό συμβούλιο είναι τοποθετημένο στο Fritzing με λίγα μέρη, όπως ένα κρύσταλλο, μερικά καπάκια, ένα σύνδεσμο ISP και οι ακίδες για σειριακό συνδετήρα. Όχι πολύ, αλλά αυτό είναι όλο που χρειάζεστε για ένα διοικητικό συμβούλιο πρωτοτύπων.

Το bootloader χειρίζεται το [Maniacbug] Mighty 1284 πακέτο υποστήριξης Arduino. Αυτό υποστηρίζει μόνο το Arduino 1.0, όχι τις νεότερες 1.5 εκδόσεις, αλλά τώρα [Dave] έχει ένα καταπληκτικό μικρό πρωτότυπο πίνακα που μπορεί να τοποθετηθεί μαζί από το Perfober και τα γυμνά εξαρτήματα σε λίγες ώρες. Είναι επίσης ένα καταπληκτικό εργαλείο για να συνεχίσετε την ανάπτυξη του applica applica της Apple i Dave].

As a fun project I thought I’d put Google’s Inception-v3 neural network on a Raspberry Pi to see how well it does at recognizing objects first hand. It [turned out to be] not only fun to implement, but also the way I’d implemented it ended up making for loads of fun for everyone I showed it to, mostly folks at hackerspaces and such gatherings. And yes, some of it bordering on pornographic — cheeky hackers.

An added benefit numerous pointed out is that, once installed, no internet access is required. This is state-of-the-art, standalone object recognition with no big brother knowing what you’ve been up to, unlike with that nosey Alexa.

But will it result in widespread helpful AI? If a neural network can recognize every object around it, will that result in human-like skills? Συνέχισε να διαβάζεις.

How To Do object Recognition

Inception object recognizer internals
The implementation consists of:

Raspberry Pi 3 model B

amplifier and speaker

PiCamera

momentary swtich

cellphone charger battery for the Pi

The heart of the required software is Google’s Inception neural network which is implemented using their TensorFlow framework. You can download it by following the TensorFlow tutorial for image recognition. The tutorial doesn’t involve any programing so don’t worry if you don’t know Python or TensorFlow. That is, unless you’re going to modify their sample code as I did.

classify_image.py printing that it saw a panda
The sample code takes a fixed named file including a picture of a panda and does object recognition on it. It gives the result by printing out that it saw a panda. But that wasn’t enough fun.

I hunted around for some text-to-speech software and found Festival. Now when it wants to say it saw a panda, I modified the sample code to run festival in a linux shell and tell it to actually say “I saw a panda” to the speaker.

Audio Playerhttps://hackaday.com/wp-content/uploads/2017/06/classify_speak_panda_audio.wav

00:00
00:00
00:00

But that still wasn’t fun enough. I connected a PiCamera to the Raspberry Pi, and had that take a photo and give it to the TensorFlow code to do object recognition. In the vernacular, it now ran inference on my photo.

And lastly, to make it all real easy I connected a momemtary switch to one of the Pi’s GPIO pins and took the photo when the momentary switch was pressed.

Here’s the Python program’s main() function before…

1
2
3
4
5
def main(_):
  maybe_download_and_extract()
  image = (FLAGS.image_file if FLAGS.image_file else
           os.path.join(FLAGS.model_dir, ‘cropped_panda.jpg’))
  run_inference_on_image(image)

… και μετά.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
def main(_):
  os.system("echo %s | festival –tts" % "Wait while I prepare my brain…")

  maybe_download_and_extract()
  # creates graph from saved GraphDef.
  create_graph()

  # preparing for the switch
  GPIO.setmode(GPIO.BCM)
  GPIO.setup(17, GPIO.IN)

  camera = PiCamera()

  os.system("echo %s | festival –tts" % "I am ready to see things.")

  while True:
    # loop for the switch
    while (GPIO.input(17) == GPIO.LOW):
      time.sleep(0.01)

    # take and write a snapshot to a file
    image = os.path.join(FLAGS.model_dir, ‘seeing_eye_image.jpg’)
    camera.capture(image)

    os.system("echo %s | festival –tts" % "I am thinking about what you showed me…")
    human_string = run_inference_on_image(image)
    os.system("echo I saw a %s | festival –tts" % human_string)

The calls to os.system() are where I run the festival text-to-speech program to make it say something to the speaker.

maybe_download_and_extract() is where Google’s Inception neural network would be downloaded from the Internet, if it’s not already present. By default, it downloads it to /tmp/imagenet which is on a RAM disk. The first time it did this, I copied it from /tmp/imagenet to /home/inception on the SD card and now run the program using a command line that includes where to find the Inception network.

Running the inception object recognizer
The call to create_graph() was moved from inside the run_inference_on_image() function. create_graph() sets up the neural network, which you need do only once. previously the program was a one-shot deal, but now it has an unlimited while loop which calls run_inference_on_image() each time through the loop. Obviously, setting up the neural network is something you do only once (see our introduction to TensorFlow for much more about graphs) so it had to be moved above the loop.

The run_inference_on_image() function is where the image is given to the neural network to do the object recognition. It used to just print out whatever it thought was in the image, but I modified it to instead return the text string including what it thinks the object is, “coffee mug” for example. So the last line is where it would say”Είδα μια κούπα καφέ” στον ενισχυτή και το ηχείο.

Πυγμαχία Όλα αυτά μου έδωσαν ένα μικρό, αυτόνομο πακέτο που θα μπορούσε να μεταφερθεί και να δοκιμάσει από οποιονδήποτε. Εδώ είναι ένα βίντεο σε δράση.

Μια βελτίωση θα ήταν να προσθέσετε μια μικρή οθόνη έτσι ώστε ο χρήστης να δει τι βλέπει η βιντεοκάμερα, αλλά η πικάμαρα έχει μια ευρεία γωνία που βλέπει και μια οθόνη αποδειχθεί ότι δεν είναι απαραίτητη.

Πόσο καλή είναι η αναγνώρισή του αντικειμένου

Την έναρξη βλέποντας ένα καπνό
Το δείχνοντάς του ένα κινητό τηλέφωνο συχνά έχει ως αποτέλεσμα να λέει ότι είδε ένα κινητό τηλέφωνο, αλλά σε ορισμένες περιπτώσεις ένα iPod. Ωστόσο, μέχρι στιγμής έχει πάρει φιάλες νερού και κούπες καφέ κατάλληλα κάθε φορά.

Ωστόσο, δεν κάνει καλά με τους ανθρώπους. Το δείχνοντάς το στο γραφείο μου αναγκάζει να πει ότι είδε ένα “κατάστημα καπνού, το καπνό κατάστημα, τον καπνό”, πιθανώς λόγω των ράφια του εξοπλισμού και των εξαρτημάτων ακριβώς πίσω μου. Ωστόσο, στέκεται ενάντια σε ένα κενό τοίχο, είπε ότι είδε ένα φούτερ, αφαιρώντας ότι είδε ένα μπλουζάκι μπλουζάκι, αφαιρώντας ότι, είπε “κορμούς κολύμβησης, κολύμπι κορμούς”, παρά το γεγονός ότι βλέπουμε μόνο το γυμνό ανώτερο κορμό και το κεφάλι μου. (Θα σας χαλαρώσω τη φωτογραφία.)

Imagenet δείγμα εικόνων κινητών τηλεφώνων

Imagenet δείγμα καφέ καφέ

Το νευρικό δίκτυο εκπαιδεύεται σε ένα σύνολο δεδομένων που ονομάζεται Imagenet, η έκδοση από τη μεγάλη πρόκληση οπτικής αναγνώρισης του 2012. Αυτό το σύνολο δεδομένων αποτελείται από μια τεράστια συλλογή εικόνων που χωρίζονται σε 1000 μαθήματα, κάθε τάξη, συμπεριλαμβανομένων εικόνων ενός συγκεκριμένου αντικειμένου. Όπως μπορείτε να δείτε από αυτό το μικρό δείγμα από την κλάση κινητού τηλεφώνου, μερικές από τις εικόνες του τηλεφώνου είναι λίγο χρονολογημένες. Ωστόσο, τα αντικείμενα όπως οι κούπες καφέ δεν αλλάζουν με την πάροδο του χρόνου.

Αλλά αυτό δεν σταμάτησε σε όλους όσους έπαιξαν με το να διασκεδάζουν, περπατώντας γύρω από το να το δοκιμάζουν σε όλα όσα βρίσκονται σαν να βρίσκουν ένα μαγικό ραβδί για πρώτη φορά και να το κυματίζουν για να δουν τι θα μπορούσε να δει τι θα μπορούσε να φανεί τι θα μπορούσε να προκαλέσει.

Είναι το καλύτερο που μπορείτε να κάνετε;

Λοιπόν, κάθε αναγνώριση διαρκεί περίπου 10 δευτερόλεπτα σε ένα Raspberry PI 3 έτσι είτε αυτό πρέπει είτε να επιταχυνθεί ή ένας ταχύτερος επεξεργαστής χρησιμοποιείται, κατά προτίμηση ένα με ένα CUDA ενεργοποιημένο NVIDIA GPU επειδή αυτός είναι ο μόνος τύπος Tensorflow GPU που υποστηρίζει αυτήν τη στιγμή.

Το νευρικό δίχτυ της έναρξης είναι τόσο καλό όσο τα δεδομένα που εκπαιδεύονται. Τα ελαττώματα που επεσήμανα παραπάνω σχετικά με την αναγνώριση των κινητών τηλεφώνων και των ανθρώπων είναι ζητήματα με το σύνολο δεδομένων Imagenet. Μόνο το 3,46% του χρόνου είναι όλες οι 5 από τις καλύτερες εικασίες του λάθος, ενώ οι άνθρωποι που κάνουν την ίδια δοκιμασία είναι λάθος στις 5 καλύτερες εικασίες του 5% του χρόνου. Δεν είναι κακό.

Όπως επισημάνσαμε στο σύντομο άρθρο μας σχετικά με τα νευρικά δίκτυα Freaky Stuff σήμερα, τα μακρά βραχυπρόθεσμα μνήμη (LSTM) Neurals μπορούν να εξετάσουν αυτό που βλέπουν σε ένα μόνο πλαίσιο ενός βίντεο, λαμβάνοντας υπόψη το τι έφτασε στο βίντεο. Για παράδειγμα, έχει πολύ περισσότερη εμπιστοσύνη ότι είδε μια μπάλα παραλίας αντί για μια μπάλα μπάσκετ αν η προηγούμενη σκηνή ήταν αυτή ενός παραλιακού κόμματος. Αυτό διαφέρει από το νευρικό δίκτυο της ίδρυσης σε αυτή την έναρξη έχει μόνο την εικόνα που το δείξατε να συνεχίσετε.

Πού μας οδηγεί αυτό;

Η βελτίωση της αναγνώρισης αντικειμένων έχει ως αποτέλεσμα ευρέως διαδεδομένο εξυπηρετικό AI με ανθρώπινες δεξιότητες; Η εξέλιξη του οφθαλμού συχνά αναφέρεται ως μια σημαντική αιτία της έκρηξης σε σωματικές αλληλογραφίες γνωστές ως έκρηξη της Καμπίας πριν από περίπου 541 εκατομμύρια χρόνια, αν και υπάρχουν πολλά επιχειρήματα για το γεγονός αυτό.

Όταν τα μάτια αυτά εξελίχθηκαν, ωστόσο, υπήρξε ήδη κάποια μορφή εγκεφάλου για να τα χρησιμοποιήσει. Αυτός ο εγκέφαλος έχει ήδη χειριστεί τις αισθήσεις των επαφών, των κραδασμών και της οσμής. Έτσι, η βελτιωμένη αναγνώριση αντικειμένων μόνο δεν θα προκαλούσε επανάσταση. Για ανθρώπινες δεξιότητες, το AIS μας θα χρειαστεί πολύ περισσότερη νοημοσύνη. Αυτή τη στιγμή έχουμε μόνο κομμάτια ιδεών για το τι χρειαζόμαστε για αυτό.

Αυτό που συμφωνούν είναι ότι το AI μας θα πρέπει να κάνει προβλέψεις ώστε να μπορέσει να σχεδιάσει. Διότι θα μπορούσε να έχει ένα εσωτερικό μοντέλο ή κατανόηση του κόσμου που θα χρησιμοποιήσει ως βάση για τις προβλέψεις αυτές. Για την ανθρώπινη ικανότητα να εφαρμόσει μια πρόταση συγκόλλησης σε ένα καλώδιο, ένα εσωτερικό μοντέλο θα πρόβλεπε τι θα συνέβαινε όταν η πρόταση έγινε επαφή και στη συνέχεια σχέδιο με βάση αυτό. Όταν η πρόταση έρχεται σε επαφή με το σύρμα, εάν τα πράγματα δεν πάνε όπως προβλέπεται, τότε θα αντιδρούταν το AI.

Πρόσφατες εργασίες από το Facebook με γεννητικά Adverserial δίκτυα (GANS) μπορεί να υπονοεί σε ένα σημείο εκκίνησης εδώ που περιέχει ένα τέτοιο μοντέλο και προγνωστική ικανότητα (αν δεν είστε εξοικειωμένοι με τους Gans, σας παραπέμπουμε και πάλι στο σύντομο άρθρο μας σχετικά με τα νευρικά δίκτυα Freaky Stuff σήμερα). Το “γεννητικό” μέρος του ονόματος υποδηλώνει ότι δημιουργούν εικόνες. Αλλά πολλά πιο συγκεκριμένα, αυτά είναι βαθιά περίπλοκα gans, που σημαίνει ότι περιλαμβάνουν μια κατανόηση του τι έχουν δει στις εικόνες που έχουν εκπαιδευτεί. Για παράδειγμα, γνωρίζουν τα παράθυρα, τις πόρτες και τις τηλεοράσεις και όπου πηγαίνουν στα δωμάτια.

Πρόβλεψη βίντεο ADGL
Τι γίνεται με τη λήψη προβλέψεων; Πολύ περισσότερη δουλειά από το Facebook περιλαμβάνει παραγωγή βίντεο. Χρησιμοποιώντας το Adversararial Differial Differe Prepitor (AGDL) Προβλέπουν τα επόμενα δύο πλαίσια ενός βίντεο. Στη φωτογραφία ενός παιχνιδιού μπιλιάρδου μπορείτε να δείτε το grounD Αλήθεια, δηλ. Αυτό που πραγματικά συνέβη και τι προβλεπόταν το δίκτυο AGDL. Δεν είναι πολύ μακριά στο μέλλον, αλλά είναι μια αρχή.

Αυτά είναι τουλάχιστον μικρά βήματα για το μονοπάτι από ένα αναγνωριστικό αφελών αντικειμένων σε ένα με ανθρώπινες δεξιότητες.

Κλείνοντας

Πού μπορείτε να έχετε δει το Neural Network της έναρξης που αναγνωρίζει τα αντικείμενα πριν; Έχουμε καλύψει [Lukas Biewald] χρησιμοποιώντας το σε ένα αυτοκίνητο RC για να αναγνωρίσει αντικείμενα στο γκαράζ / εργαστήριό του.

Ενώ αυτό [αποδείχθηκε ότι είναι διασκεδαστικό για όλους να χρησιμοποιήσουν όπως είναι, τι άλλες χρήσεις μπορείτε να σκεφτείτε για αυτό; Ποια χρήσιμη εφαρμογή μπορείτε να σκεφτείτε; Τι μπορεί να προστεθεί; Ενημερώστε μας στα σχόλια παρακάτω.

Έχουμε δει προτάσεις γάμου μέσω προσαρμοσμένων παιχνιδιών Nintendo πριν, αλλά πολλά από αυτά έθεσαν την πρόταση αμέσως μετά το πρώτο επίπεδο. Είναι ένα πράγμα που να έχετε τον γέρο στο Zelda να παρουσιάσει το σας έτσι με ένα δαχτυλίδι, αλλά είναι ένα άλλο πράγμα εξ ολοκλήρου να νικήσει το παιχνίδι πριν φτάσετε σε ένα γόνατο. Αυτό απαιτεί [Quinn] να κάνει [AMY] να κάνει όταν πρότεινε τροποποίηση του ROM για να προβάλει την καλύτερη πρόταση πριν από τις τελικές πιστώσεις.

Με το σχίσιμο ανοίγουν λίγα φυσίγγια, [Quinn] βρήκε τον εαυτό του με μια δέσμη eproms και PCB CARRIDGE NES. Αφού αρπάζει το Contra ROM από το Διαδίκτυο, το [Quinn] επεξεργάστηκε την τελική οθόνη του παιχνιδιού στην πρότασή του. Αυτό καίγεται στη συνέχεια σε ένα 1 megabit eprom, συγκολλήθηκε σε ένα φυσίγγιο και έβαλε στο NES για να παίξει τώρα. Μόλις ολοκληρωθεί η [Amy] και η [Quinn] τελείωσε το παιχνίδι (χωρίς εξαπάτηση, παρεμπιπτόντως), [Amy] είδε την πρότασή της και [Quinn] έβγαλε το δαχτυλίδι.

Το Xbox One είναι έξω, μαζί με έναν νέο αισθητήρα Kinect, καθώς και αυτή τη φορά γύρω γύρω από τη Microsoft δεν σπαταλάω κανένα είδος χρόνου, καθιστώντας αυτόν τον αισθητήρα 3D Vision που προσφέρεται για τα Windows. [Προγραμματισμός4fun] πήρε τα χέρια του στον νέο αισθητήρα Kinect V2 καθώς και ξεκίνησε να εργάζεται σε ένα σύστημα αλιευμάτων για να εισάγει οτιδήποτε σε ένα ηλεκτρονικό περιβάλλον.

Έχουμε δει την εργασία [προγραμματισμός4fun] πριν με μια απίστευτα παράξενο, καθώς και την αρχική κατασκευή που μετατρέπει οποιοδήποτε είδος οθόνης σε μια οθόνη 3D με τη βοήθεια ενός αισθητήρα Kinect V1. Αυτή τη φορά γύρω από τον [Προγραμματισμό] δεν χρησιμοποιεί απλώς ένα Kinect για την οθόνη ενός αντικειμένου 3D, είναι επίσης η χρήση ενός Kinect για να πιάσει τα δεδομένα 3D.

[Προγραμματισμός] που έπιασε να παίζει μερικές χορδές σε μια κιθάρα με τον νέο αισθητήρα Kinect V2. Αυτό αποθηκεύτηκε σε ένα προσαρμοσμένο στυλ δεδομένων που μπορεί να αναπαραχθεί στον κινητήρα ενότητας. Με τη βοήθεια ενός Kinect V1, [Προγραμματισμός4fun] μπορεί να τοποθετήσει καθώς και να κλίνει γύρω από αυτό το online σχεδιασμό μόνο με τη μετακίνηση του κεφαλιού του.

Εάν αυτό δεν αρκεί, ο [Προγραμματισμός] περιλάμβανε επίσης υποστήριξη για το Oculus Rift, γυρίζοντας το ηλεκτρονικό αντίγραφο που βασίζεται σε ενότητα σε κάτι που μπορεί να αλληλεπιδράσει με ένα βιντεοπαιχνίδι.

Όσο μπορούμε να πούμε, αυτή είναι η πρώτη ανάπτυξη στο Hackaday που χρησιμοποιεί τον νέο αισθητήρα Kinect. Ζητήσαμε ό, τι θα τελειώσει ο καθένας με αυτό το νέο βελτιωμένο υλικό, καθώς και από το demo του [προγραμματισμού], φαίνεται ότι υπάρχουν ακόμα πολλά ανεξερεύνητα υποψήφιες με το νέο Xbox One SpyBox.