Dunelm: LiDAR-unterstütztes AR-„View-in-Room“-Erlebnis

Kurze Zusammenfassung

• Rolle: Mitbegründer und Hauptentwickler
• Dauer: September 2017 – Januar 2021
• Plattformen: iOS, Android
• Engine: Unreal Engine (C++)
• AR-Frameworks: ARKit, ARCore
• Unterscheidung: Tiefenbasierte LiDAR-Okklusion + einheitliche AR-Abstraktionsschicht

Zeitleiste (2017–2022)

• 2017: MVP/PoC und erste Kundendemos.
• 2018–2020: Produktisierung, Dunelm-Partnerschaft, Asset-Pipeline und AR-Bereitstellungsflüsse.
• 2021: letzte Verbesserungen und Übergabe (Abschluss meines aktiven Beitrags).
• 2022: Dunelm-Kundeneinführung (nach meinem aktiven Beitrag).

Probleme und Einschränkungen

• Notwendigkeit eines genauen Maßstabs und einer realistischen Platzierung, um die Rücklaufquoten zu reduzieren.
• Leistungsgrenzen und unterschiedliche Sensorfunktionen auf Mobilgeräten.
• ARKit/ARCore-API-Unterschiede und plattformübergreifende Konsistenz.
• Den großen Produktkatalog AR-ready machen.
• E-Commerce-Integration und Aktualität der Daten.

Lösungszusammenfassung

Ich habe eine einheitliche Abstraktionsschicht für ARKit/ARCore entworfen, indem ich das View-in-Room-Erlebnis auf der Unreal Engine aufgebaut habe. Sowohl visueller Realismus als auch Kompatibilität mit E-Commerce-Abläufen wurden durch LiDAR-unterstützte Tiefenokklusion, PBR-Materialien und Produktdatenpipeline erreicht.

Architektur auf einen Blick

• Einheitliche AR-Sitzungsebene: ARKit/ARCore-Unterschiede in einer einzigen API zusammenführen.
• Koordinatentransformation und Normalisierung der Ebenenerkennung.
• Render-Pipeline: PBR-Materialien, Schatten-/Lichtanpassung, LOD.
• Produktdatenfluss: REST API -> Cache -> Streaming -> AR-Szene.

LiDAR-Okklusion (tiefenbasiert) + Fallback-Strategie

Ich habe die Pro-Pixel-Okklusion mithilfe einer Tiefenkarte auf LiDAR-unterstützten iOS-Geräten angewendet und sichergestellt, dass reale Objekte virtuelle Produkte korrekt verdeckten. Auf Nicht-LiDAR-Geräten habe ich einen leichteren Fallback-Flow mit ebenenbasierter Okklusion und Tiefenschätzung verwendet.- Tiefenkarte -> Okklusions-Shader -> stabile Maske mit zeitlicher Filterung.

• Nicht-LiDAR-Fallback: Ebenenverdeckung + vereinfachte Kantenglättung.
• Kompromiss: hoher Realismus vs. Batterie-/Leistungskosten.

Plattformübergreifendes AR (ARKit + ARCore)

Ich habe die unterschiedlichen Koordinatensysteme von ARKit und ARCore mit Laufzeittransformationen normalisiert, um einen einzigen Positionierungs- und Skalierungsfluss bereitzustellen. Die Parität wurde bei der Sitzungsinitialisierung und dem Feature-Gating entsprechend den Gerätefunktionen gewahrt.

Produktdaten- und Asset-Pipeline

Produktinformationen und 3D-Assets wurden über die REST-API abgerufen; Mit dem Cache-Layer und progressivem Streaming wurde ein schneller Start angestrebt. 3D-Modelle sind mit LOD, Texturkomprimierung und PBR-Materialstandardisierung für Mobilgeräte optimiert.

Leistung und Qualitätssicherung

• Profil- und Regressionstests auf der iOS/Android-Gerätematrix.
• Anpassungen der LOD- und Texturqualität entsprechend dem GPU-/CPU-Budget.
• Limittests für Batterieverbrauch und thermische Drosselung.

Auswirkungen/Ergebnisse

– App-Akzeptanz – 100.000 Downloads (erste 3 Monate) – Quelle: App Store Connect/Play Console (überprüfbar durch interne Analyse von Dunelm). – Conversion-Steigerung – +35 % – Zeitraum: [X], Basiswert: AR-Sitzungen im Vergleich zu Nicht-AR-Sitzungen – Quelle: GA4/Firebase (kann bei Überprüfung hinzugefügt werden).

• Reduzierung der Rücklaufquote - -40 % - Zeitraum: [X], Basislinie: vor AR - Quelle: Dunelm interne BI (kann bei Bestätigung hinzugefügt werden). – Erhöhung der Sitzungsdauer – +50 % – Zeitraum: [X] – Quelle: Analytics (kann bei Überprüfung hinzugefügt werden).

Wichtige Kompromisse

• Wahl der Unreal Engine: Steigerung der visuellen Qualität, jedoch auf Kosten der mobilen Optimierung.
• Nur-LiDAR-Qualität vs. Abdeckung: Ausgewogenheit mit Nicht-LiDAR-Fallback.
• Hochauflösende Assets vs. schnelles Öffnen: Streaming + LOD.
• Realismus vs. Batterieverbrauch: Shader- und Nachbearbeitungsgrenzen.

FAQ

Wie funktioniert die LiDAR-Okklusion?

Die Verdeckung pro Pixel wird über die Tiefenkarte angewendet. Reale Objekte verbergen virtuelle Objekte genau.

Was passiert mit Nicht-LiDAR-Geräten?

Der grundlegende Realismus bleibt durch die ebenenbasierte Okklusion und die abgeschwächte Tiefenschätzung erhalten.

Wie wurde die Skalengenauigkeit erreicht?

Produktdimensionen werden mit metrischen Werten aus der REST-API gezogen und exakt auf die Szene angewendet.

Wie wurde die Leistung gemessen?

FPS, Speicher und Ladezeiten wurden mit Profiltools und Gerätematrixtests verfolgt.

Wie wurde die Asset-Pipeline aufgebaut?

Produktmodelle wurden mit LOD+-Texturkomprimierung optimiert und mit progressivem Streaming geladen.

Wie waren die Telemetrie und die Qualitätsverfolgung?

Fehler-, Leistungs- und Nutzungsprotokolle wurden regelmäßig mit Geräte-/Betriebssystemsegmentierung überwacht.

Wie wurden ARKit/ARCore-Unterschiede gehandhabt?

Mit der einheitlichen Abstraktionsschicht und dem Runtime-Feature-Gating wurde ein einzelner Fluss erreicht.

Verwandte Projekte

• Rapid Render: Echtzeit-3D-Produktkonfigurator
• Mulcol: VR-Brandschutz-Montagesimulation
• Mulcol: AR-Baugruppenkatalog (markerbasiert)

Projektimpressum

• Firma/Kunde: Dunelm (UK)
• Firma: Lindow Labs (Mitbegründer)
• Rolle: Mitbegründer und Hauptentwickler
• Dauer: September 2017 – Januar 2021
• Plattformen: iOS, Android
• Engine: Unreal Engine (C++)
• AR-Frameworks: ARKit, ARCore, LiDAR
• Start: Juni 2022 (Dunelm-Seite; nach meinem aktiven Beitrag)
• Standort: London, Großbritannien / Istanbul, Türkiye (entfernt)