Monokulare visuelle SLAM-Systeme werden in der Robotik und Augmented Reality häufig für die Abbildung von Umgebungen und die Schätzung der Kamerabewegung eingesetzt. Sie stehen jedoch vor einer grundlegenden Herausforderung, die als Skalenmehrdeutigkeit bekannt ist und diese Systeme daran hindert, die absolute Größe und Entfernung von Objekten in der Umgebung zu bestimmen.

Skala Mehrdeutigkeit verstehen

Skalierungsunklarheiten treten auf, weil eine einzelne Kamera die absolute Größe oder Entfernung von Objekten nicht direkt messen kann. Sie erfasst nur relative Bewegungen und Merkmale, was bedeutet, dass die rekonstruierte Karte beliebig skaliert werden kann, ohne die visuelle Konsistenz zu beeinträchtigen. Diese Einschränkung macht es schwierig, Aufgaben durchzuführen, die reale Messungen erfordern, wie Navigation oder Objektmanipulation.

Methoden zur Lösung von Skalenmehrdeutigkeiten

Um dieser Herausforderung zu begegnen, wurden mehrere Ansätze entwickelt, die zusätzliche Informationen oder Annahmen enthalten, um den tatsächlichen Umfang der Umwelt abzuschätzen.

  • Sensor Fusion: Die Kombination von Daten von anderen Sensoren wie IMUs, GPS oder Tiefensensoren liefert absolute Maßstabsreferenzen.
  • Known Object Sizes: Mithilfe von Objekten mit bekannten Dimensionen innerhalb der Szene hilft die Kalibrierung der Skala.
  • Bewegungsbeschränkungen: Die Anwendung von Annahmen über die Bewegung, wie z. B. konstante Geschwindigkeit oder spezifische Bewegungsmuster, kann bei der Größenschätzung helfen.
  • Karteninitialisierung: Verwenden externer Messungen während des Systemstarts, um die Anfangsskala festzulegen.

Herausforderungen und zukünftige Richtungen

Trotz dieser Lösungen bleibt die genaue Auflösung von Skalierungen in dynamischen oder funktionsarmen Umgebungen eine Herausforderung. Die zukünftige Forschung konzentriert sich auf die Integration von maschinellen Lerntechniken und robusteren Sensorfusionsmethoden, um die Skalierungsschätzung in Echtzeitanwendungen zu verbessern.