MixedReality4Business (MR4B) – AdaptiveVR – KeepCool

Virtual Reality (VR) bietet großes Potential für Lehr-Lernlösungen in verschiedenen Kontexten: Sie ermöglicht das Erleben von gefährlichen Situationen, ohne in Gefahr zu sein, das Üben an Maschinen und Anlagen, die für Trainingszwecke viel zu teuer wären sowie das erfahrungsbasierte Lernen mit Fokus auf Kompetenzerwerb.

Gefährliche Situationen sind täglicher Begleiterinnen in der industriellen Produktion. Auch im Handwerk entstehen solche Situationen und es gilt, Maschinen richtig zu bedienen und Unfälle zu vermeiden. In vielen Lernkontexten in Industrie & Handwerk – insbesondere auch zu Themen wie Ausbildung an schweren Maschinen und in gefährlichen Anwendungsfällen – gilt es, eine herausfordernde Balance zu meistern: Die Lernanwendungen sollen weder langweilig noch zu aufregend oder zu schwierig sein.

Weder soll die Wichtigkeit und Bedeutung von Handlungen unterschätzt werden, noch sollen Nutzende Ängste vor den Tätigkeiten entwickeln. Dieser Spagat wird noch herausfordernder durch den Umstand, dass das Level an Emotionen und Stress von individuellen Faktoren und Vorerfahrungen der Nutzenden mit den Tätigkeiten abhängen.

Im zweijährigen Forschungs- und Entwicklungs-Vorhaben AdaptiveVR – KeepCool wurde daher ein Framework für Künstliche-Intelligenz (KI)-gestützte, adaptive VR-Lernumgebungen zu Trainings in Gefahrensituationen in industriellen und handwerklichen Kontexten entwickelt und evaluiert, welches sich an individuelle Schulungsbedürfnisse anpasst. Im Fokus des Vorhabens stand dabei die (simulations-)mechanische und audio-visuelle Adaption (MuAVA) einer VR-Lernumgebung auf Basis von Vitaldaten zur Laufzeit.

Im Projekt wurde dazu die Entwicklung von VR-Lernumgebungen vorangetrieben, welche eine Gefahrensituation simulieren können. Hierzu wurde mit Szenarien für Gefahren- bzw.- Stress-Situationen gearbeitet. Während die Lernenden durch diese Szenarien geführt werden, wird das Stress-Niveau durch körpernahe, nicht-invasive Sensorik gemessen und das Szenario ganz individuell an das ermittelte Stress-Niveau des/der Lernenden angepasst, um die Situation weder zu stressig noch zu langweiluig wirken zu lassen und so ein optimaleres Trainingsszenario bieten zu können.

Desgleichen kann das Lernszenario auch graduell abgeschwächt werden, wenn das ermittelte Stress-Niveau aus den körpernahe nicht-invasive Sensordaten ein zu hohes Stresslevel ableitet.

Projektdaten

Laufzeit: Juni 2023 – September 2025

Mittelgeber: Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR)

Förderprogramm: WIR! – Wandel durch Innovation in der Region

Kooperationspartnerinnen

• • BreakPoint One GmbH
  • Serrala Cloud Solutions GmbH