Diese Bachelorarbeit befasst sich mit der Evaluation von Verfahren zur Objekterkennung und zum Objekttracking im Kontext autarker XR-Systeme, insbesondere für Virtual-Reality-

Anwendungen. Ziel ist es, geeignete Trackingansätze für die Interaktion mit beweglichen physischen Objekten unter den spezifischen Einschränkungen mobiler XR-Hardware zu identifizieren.

Hierzu werden zunächst die theoretischen Grundlagen von Objekterkennung und -tracking sowie die besonderen Anforderungen autarker XR-Systeme analysiert. Darauf aufbauend erfolgt

eine systematische Betrachtung des Stands der Technik, einschließlich markerbasierter, featurebasierter, modellbasierter sowie Deep-Learning-basierter Verfahren.

Im weiteren Verlauf der Arbeit werden relevante Anwendungsszenarien untersucht und daraus konkrete Anforderungen an Trackingverfahren abgeleitet. Auf Basis definierter Evaluationskriterien werden ausgewählte Ansätze praktisch implementiert und in Form von Prototypenin einer XR-Umgebung getestet. Dabei liegt der Fokus insbesondere auf Genauigkeit, Robustheit, Echtzeitfähigkeit sowie dem Implementierungsaufwand.

Die Ergebnisse zeigen, dass markerbasierte Verfahren eine hohe Stabilität und Genauigkeit bieten, jedoch einen erhöhten Vorbereitungsaufwand erfordern. Markerlose Ansätze, insbesondere

Deep-Learning-basierte Verfahren, ermöglichen eine flexiblere Anwendung, sind jedoch stärker durch die begrenzten Ressourcen autarker XR-Systeme eingeschränkt.

Abschließend werden Handlungsempfehlungen für die Auswahl geeigneter Trackingverfahren gegeben sowie Potenziale für zukünftige Entwicklungen im Bereich XR aufgezeigt.

This bachelor thesis evaluates object detection and tracking approaches in the context of autonomous XR systems, with a particular focus on virtual reality applications. The objective

is to identify suitable tracking methods for interacting with dynamic physical objects under the constraints of mobile XR hardware.

The work begins with an analysis of the theoretical foundations of object detection and tracking, as well as the specific requirements of standalone XR systems. Based on this, a

systematic review of the state of the art is conducted, covering marker-based, feature-based, model-based, and deep learning-based approaches.

Subsequently, relevant application scenarios are analyzed to derive concrete requirements for tracking methods. Using defined evaluation criteria, selected approaches are implemented and tested through prototypes within an XR environment. The evaluation focuses on accuracy, robustness, real-time capability, and implementation effort.

The results indicate that marker-based approaches provide high accuracy and stability but require additional preparation effort. In contrast, markerless approaches, especially those

based on deep learning, offer greater flexibility but are more limited by the computational constraints of standalone XR systems.

Finally, recommendations for selecting appropriate tracking methods are provided, along with an outlook on future developments in the field of XR.