Realistisk formidling af virtuelle lydkilder - 4-to-one

Programmet kommer altså med et bud på, hvilke(n) HRTF det vil være mest hensigtsmæssigt for lytte-
ren at bruge. Ideelt set burde lytteren naturligvis benytte et sæt af HRTF, der er optaget på lytteren selv,
men den næstbedste løsning må være at benytte et sæt HRTF fra en person, der minder om lytteren.
Det er ikke en helt enkel og entydig beregning at vurdere hvilket subject, der minder mest om lytteren.
For eksempel er der sandsynligvis forskel på, hvor stor betydning de enkelte anatomiske mål har for
HRTF. Derfor har jeg forsøgt at lave en vægtning for hvert mål. Denne vægtning er på ingen måde viden-
skabeligt begrundet, men er blot et skøn fra min side. Dog håber jeg, at programmet kan være en hjælp
til at finde et egnet match.
Programmets udregning foretages som følger:
For hvert subject i databasen matches hvert indtastet lytter-mål med subjectets mål og en afvigelseskvoti-
ent bestemmes. Denne afvigelseskvotient beregnes som forskellen mellem lytter-mål og subjectets mål
divideret med målets standardafvigelse (standardafvigelserne er angivet i databasens dokumentation) og
til sidst ganget med en vægtning af dette måls vigtighed. For hver database-subject summeres alle gyldige
afvigelseskvotienter og herefter divideres med summen af gyldige vægtninger. På denne måde findes frem
til et overordnet afvigelsesmål for hvert subject i databasen. Subjectet med det laveste afvigelsesmål er
programmets bud på det bedste match. Programmet er essentielt set en Max-patch, som foretager ud-
regningen ved hjælp af en Java external, jeg har kaldt for HRTFSubjectMatcher 40 . I forbindelse med udar-
bejdelsen af programmet er jeg blevet inspireret af artiklen, Rendering Localized Spatial Audio in a Virtual
Auditory Space, som skitserer, hvordan man i det projekt har valgt at udregne det bedste match.
Realisering af head tracking
Der findes forskellige metoder til at bestemme lytterens hoveds orientering. Head in Space -projektet
benytter, som beskrevet, en form for kamera-tracking af lytterens ansigt. Jeg har dog valgt at basere head
trackingen i mit projekt på sensorteknologi. Dette med henblik på at opnå stabil og robust tracking.
Der findes forskellige sensorer på markedet. I projekter, der ligner mit, benyttes ofte sensorer produce-
ret af firmaet Polhemus 41 42 . Hvor disse sensorer fra Polhemus sandsynligvis er gode og præcise, er de
samtidig temmelig bekostelige – et system ligger gerne på den gode side af 20000kr! I min research stød-
te jeg også på den såkaldte AmmSensor 43 , som kan kommunikere trådløst og er noget billigere, men dog
stadig udenfor min økonomiske ramme. Jeg skrev derfor til Amm Technologies med henblik på at overta-
le dem til at sponsorere en sensor til mit projekt 44 . Da de imidlertid ikke var interesserede i dette, måt-
40 Se evt. bilag 3 – Java-kode
41 http://polhemus.com/
42 Eksempelvis Zotkin, Duraiswami, og Davis samt Sandvad
43 http://www.ammsensor.com/
44 Se evt. bilag 5 – Project description and application for Amm.
25