מערכות מונוקוליות חזותיות SLAM משמשות רבות רובוטיקה ומציאות מוגברת עבור סביבות מיפוי וקידום המצלמה.עם זאת, הם מתמודדים עם אתגר בסיסי הידוע בשם עמימות בקנה מידה, אשר מונע מערכות אלה מקביעת הגודל המוחלט ומרחק של אובייקטים בסביבה.כתובת בעיה זו חיונית לשיפור הדיוק והיציבות של יישומים מונוקולאריים.

הבנה של שאיפה

עמימות מידה מתרחשת כי מצלמה אחת לא יכולה למדוד ישירות את הגודל המוחלט או המרחק של אובייקטים.זה רק ללכוד תנועה יחסית ותכונות, כלומר המפה המשוחזרת ניתן בקנה מידה עצום ללא השפעה על עקביות הראייה.מגבלה זו מקשת לבצע משימות הדורשות מדידות בעולם האמיתי, כגון ניווט או מניפולציה של אובייקטים.

שיטות לפתרון ⁇

כמה גישות פותחו כדי להתמודד עם אתגר זה.שיטות אלה משלבות מידע נוסף או הנחות כדי להעריך את ההיקף האמיתי של הסביבה.

  • (FLT:0)Sensor Fusion:FLT:1 משלב נתונים מחיישנים אחרים כגון IMUs, GPS או חיישני עומק מספק אזכורים בקנה מידה מוחלט.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0)Motion Constraints:FLT:1 יישום הנחות על התנועה, כגון מהירות קבועה או דפוסי תנועה ספציפיים, יכול לעזור בהערכת גודל.
  • (FLT:0) Map Firstization:FLT:1 שימוש במדידות חיצוניות במהלך ההפעלה המערכת כדי להגדיר את הסקאלה הראשונית.

אתגרים וכיוונים עתידיים

למרות הפתרונות האלה, פתרון מדויק של היקף נשאר מאתגר בסביבות דינמיות או תכונה-פרדות. מחקר עתידי מתמקד שילוב טכניקות למידת מכונה ושיטות היתוך חזקות יותר לשיפור הערכת המאזניים בקנה מידה ביישומים בזמן אמת.