Delade Augmented reality (AR) system är ofta implementerade på ett sådant sätt att de är hårt kopplade av hårdvaran eller utnyttjar stora ramverk eller grafikmotorer för att implementera den grafiska delen av projektet. Detta är ett problem då system som är hårtkopplade till hårdvara inte är lika enkla att distribuera och minskar användarsegmentet som kan använda systemet. Implementationer som nyttjar stora grafikmotorer använder ofta bara en liten del av funktionaliteten som motorn erbjuder och denna funktionalitet som inte används utgör en förlust i prestanda. För att lösa detta måste ett system abstraherat från hårdvara med den minsta nödvändiga funktionaliteten nödvändig för delad Augmented reality implementeras. 

Rapporten arbetar med abstraktion av hårdvara för ett projicerat delat Augmented reality med hjälp av maskinlärning. Detta utförs genom uppdelning av systemet i två delar. En del fångar upp individen framför kameran och beräknar hur personen är positionerad med hjälp av en maskinlärning-modell, medan den andra delen hanterar projiceringen genom att ta in data från maskinlärning-modellen, som skickas över via socketkommunikation, för att knyta samman punkterna till ett tredimensionellt skelett. Tester gjordes om denna typ av abstraktion innebär för signifikanta fördröjningar samt påfrestningar på prestanda. Testerna visade att programmet körs med 50 millisekunder fördröjning på 80 bilder per sekund. Detta tyder på att det är gynnsamt att abstrahera applikationen för distribution av dess olika moduler eller byta ut dem. En slutgiltig projektion enlig med personen kunde inte tas fram men abstraktionen som är nödvändig för att tillhandahålla systemet är godtycklig nog för att vara oberoende av hårdvara och visa vilken funktionalitet som krävs av system inom delad AR.

Shared augmented reality (AR) systems are often implemented in a way that tightly couples them to the hardware or relies on large frameworks or graphics engines to implement the graphical part of the project. This is a problem because systems tightly coupled to hardware are not as easy to distribute and reduce the user segment that can use the system. Implementations that rely on large graphics engines often utilize only a small portion of the engine's functionality, resulting in a loss of performance for unused functionality. To solve this, a hardware-agnostic system with the minimal necessary functionality for shared augmented reality must be implemented. 

The report works with hardware abstraction for a projected shared augmented reality using machine learning. This is accomplished by dividing the system into two parts. One part captures the individual in front of the camera and calculates their positioning using a machine learning model, while the other part handles projection by receiving data from the machine learning model, transmitted via socket communication, to connect the points into a three-dimensional skeleton. Tests were conducted to determine if this type of abstraction results in significant delays and performance strain. The tests showed that the program runs with a 50-millisecond delay at 80 frames per second. This suggests that it is beneficial to abstract the application for the distribution of its different modules or to replace them. A final projection aligned with the individual could not be produced, but the abstraction necessary to provide the system is arbitrary enough to be independent of hardware and demonstrate the required functionality of shared AR systems.