Eye Tracking ใน AR อุตสาหกรรม: จาก Gaze Analytics สู่ Foveated Rendering — Deep Dive จาก Pupil-Corneal Reflection ถึง Attention Data ของโรงงาน

เมื่อพูดถึง AR (Augmented Reality) ในโรงงาน คนส่วนใหญ่นึกถึงภาพ “แว่นสมาร์ทที่ฉายคู่มือประกอบลอยอยู่กลางอากาศ” แต่สำหรับวิศวกรที่ทำงานจริง คำถามที่สำคัญกว่านั้นคือ ระบบรู้ได้อย่างไรว่าคนงานกำลัง “มอง” อะไรอยู่ คำตอบของคำถามนี้คือ Eye Tracking หรือการติดตามการกวาดสายตา ซึ่งกำลังเปลี่ยนจากฟีเจอร์หรูในหูฟัง VR ระดับไฮเอนด์ มาเป็นเครื่องมือวัดผลและออกแบบงาน (Ergonomics และ Work Study) ที่โรงงานสามารถใช้ได้จริง

หลักการทำงาน: ตามนัยตาไม่ทันเห็น กล้องเห็นก่อน

Eye Tracker รุ่นใหม่ใช้หลักการ Video-based Oculography — ส่องแสงอินฟราเรด (Near-IR) ความถี่ต่ำเข้าตา แล้วใช้กล้องความเร็วสูงจับภาพ ระบบจะคำนวณตำแหน่งจากจุดสองจุดหลัก คือ ศูนย์กลางม่านตา (Pupil Center) และ จุดสะท้อนบนกระจกตา (Corneal Reflection หรือ Purkinje Image) เมื่อหัวขยับหรือตาหมุน มุมระหว่างสองจุดนี้เปลี่ยน ระบบก็คำนวณทิศทางการมอง (Gaze Vector) ออกมาได้แบบเรียลไทม์

ความเร็วในการสุ่มตัวอย่าง (Sampling Rate) คือหัวใจของการเลือกใช้งาน ตามข้อมูลอ้างอิงทางวิชาการ ระบบทั่วไปใช้ 30 Hz เป็นขั้นต่ำ 50–60 Hz เป็นมาตรฐานที่พบบ่อย ส่วนงานวิจัยหรืองานที่ต้องวิเคราะห์การเคลื่อนไหวของตาอย่างละเอียด เช่น การวัด Saccade Dynamics ต้องใช้เครื่อง 240, 350 หรือแม้กระทั่ง 1000/1250 Hz

3 การใช้งานจริงในโรงงาน

1. Attention Analytics — วัดว่าคนงาน “มอง” ถูกที่หรือไม่

สถานการณ์คลาสสิกของโรงงานอาหาร: สายพานลำเลียงวิ่ง 12 ชั่วโมง เหนือสายพานมีจอแสดงผลคุณภาพที่กระพริบทุก 2 วินาที คำถามคือ ระหว่างที่สินค้าพร้อมส่ง 3,000 ชิ้นต่อชั่วโมง คนงานมองจอนั้นกี่ครั้ง และหยุดดูนานแค่ไหน ข้อมูล Fixation (การหยุดจ้อง) และ Dwell Time (ระยะเวลาจ้องรวม) ตอบคำถามนี้ได้เป็นตัวเลข ไม่ใช่ความรู้สึก เมื่อนำไปซ้อนกับ Time Study แบบเดิม ทีม IE จะเห็นทันทีว่าจุดไหนที่คนงานต้อง “หา” (Visual Search) นานผิดปกติ — มักเป็นจุดที่ Label กำกับชั้นวางหรือสีของถาดไม่ต่างจากกันพอ

2. ออกแบบ HMI ด้วยหลักฐาน ไม่ใช่ความสวยงาม

บทความก่อนหน้าของเราเคยพูดถึงมาตรฐาน ISA-101 สำหรับหน้าจอควบคุม ตอนนี้ลองจินตนาการว่าถ้าเอา Gaze Data ของโอเปอเรเตอร์จริง 20 คน มาซ้อนบนหน้าจอ SCADA ที่ออกแบบไว้ เราจะเห็นว่าปุ่ม E-Stop ที่วางมุมขวาล่างนั้น อยู่ใน Peripheral Vision (ส่วนรอบนอกของลานสายตาที่ความละเอียดต่ำกว่าจุดโฟวีเยอร์ถึง 10 เท่าต้นๆ) หรือไม่ และ Alarm สีแดงกระพริบที่ตั้งใจให้เด่น กลับถูกกลืนด้วยสีของกราฟพื้นหลังหรือเปล่า

3. Foveated Rendering — ทางออกของปัญหาแบตเตอรี่แว่น AR

ข้อจำกัดใหญ่ที่สุดของแว่น AR อุตสาหกรรมคือพลังงาน การเรนเดอร์ภาพเต็ม FOV ด้วยความละเอียดสูงสิ้นเปลือง GPU มหาศาล วิธีแก้ที่กำลังเป็นมาตรฐานใหม่คือ Foveated Rendering — เรนเดอร์เฉพาะบริเวณที่ตากำลังมอง (Fovea) ด้วยความละเอียดเต็ม ส่วนรอบนอกลดความละเอียดลง เพราะเรตินา (Retina) ส่วนรอบนอกไม่สามารถแยกแยะรายละเอียดในส่วนรอบนอกได้อยู่แล้ว งานวิจัยของผู้บริหารเทคนิคของบริษัท VR ชั้นนำประเมินว่า แนวทางนี้ร่วมกับ Sparse Rendering และ Deep Learning Image Reconstruction มีศักยภาพลดจำนวนพิกเซลที่ต้องเรนเดอร์ลงได้ ราวหนึ่งลำดับขั้น (Order of Magnitude หรือ ~10 เท่า) ซึ่งแปลว่าอายุการใช้งานต่อการชาร์จหนึ่งครั้งยืดออกไปได้จริง — ปัจจัยชี้ขาดว่าแว่นจะอยู่บนหน้าคนงานได้ตลอดกะ 8 ชั่วโมงหรือไม่

ข้อควรระวังก่อนนำไปใช้

• การสอบเทียบ (Calibration) — ทุกคนมีพฤติกรรมตาต่างกัน ต้อง Calibrate ต่อคนต่อเซสชัน ไม่งั้น Gaze Point คลาดเคลื่อนเป็นองศา ซึ่งที่ระยะ 1 เมตรเท่ากับคลาดเคลื่อนหลายเซนติเมตร
• แสงในโรงงาน — แสงอินฟราเรดจากดวงอาทิตย์ผ่านหน้าต่าง หรือเตาอบอุตสาหกรรม รบกวน Corneal Reflection ได้ ต้องเลือกตำแหน่งติดตั้งและกรองแสงให้ดี
• ความเป็นส่วนตัวของข้อมูล — Gaze Data บอกได้มากกว่าการมอง มันสะท้อนสมาธิและความเหนื่อยล้า ต้องกำหนดนโยบายการเก็บข้อมูลชัดเจนตามกรอบ PDPA โดยตั้งเป้าเป็นการปรับปรุงงาน ไม่ใช่การจับผิดรายบุคคล

ประสบการณ์จากภาคสนาม: ทีมงาน Honey Corporation มีประสบการณ์ติดตั้งระบบ IoT Monitoring และแว่น AR ในโรงงานอุตสาหกรรม เราพบว่าโครงการ Eye Tracking ที่สำเร็จไม่ใช่โครงการที่ฮาร์ดแวร์แพงที่สุด แต่เป็นโครงการที่เริ่มจากคำถามทางธุรกิจชัดเจนก่อน เช่น “ต้องการลด Visual Search Time ในจุด Pick ที่ช้าที่สุด 3 จุด” แล้วค่อยเลือกเครื่องมือให้เหมาะกับคำถามนั้น

Key Takeaways

1. Eye Tracking วัดจาก Pupil Center + Corneal Reflection ด้วยแสง Near-IR — ไม่ใช่การ “ถ่ายวิดีโอหน้าคนงาน” แต่เป็นการวัดมุมการมองเชิงเรขาคณิต
2. เลือก Sampling Rate ให้ตรงงาน: 30–60 Hz สำหรับ Heat Map งานทั่วไป, 240 Hz ขึ้นไปสำหรับวิเคราะห์ Saccade และการตอบสนองต่อ Alarm
3. Attention Analytics เปลี่ยน Work Study จากการจับเวลาด้วยสต็อปวอทช์ ให้กลายเป็นการมองเห็น “ช่องว่าง” ที่เคยมองไม่เห็น เช่น จุดที่คนงานต้องหาของนาน
4. Gaze Data + ISA-101 = วิธีออกแบบ HMI แบบ Evidence-based ตรวจสอบได้ว่าปุ่มฉุกเฉินอยู่ในลานสายตาจริงหรือไม่
5. Foveated Rendering ลดพิกเซลที่ต้องเรนเดอร์ได้ราว 10 เท่า ทำให้แว่น AR ทนกะ 8 ชั่วโมงได้จริง
6. ก่อนเริ่มโครงการ ต้องมีแผน Calibration แผนรับมือแสงรบกวน และนโยบาย PDPA ครบ — สามอย่างนี้ขาดข้อใดข้อหนึ่ง โครงการล้ม