Monoculaire visuele SLAM-systemen worden op grote schaal gebruikt in robotica en augmented reality voor het in kaart brengen van omgevingen en het schatten van camerabeweging. Echter, ze staan voor een fundamentele uitdaging die we kennen als schaal ambiguïteit, die voorkomt dat deze systemen de absolute grootte en afstand van objecten in de omgeving bepalen.

Begrijpen Schaal Ambiguïteit

Ambiguïteit van de schaal treedt op omdat één camera de absolute grootte of afstand van objecten niet direct kan meten. Het vangt alleen relatieve beweging en functies, wat betekent dat de gereconstrueerde kaart willekeurig kan worden geschaald zonder de visuele consistentie te beïnvloeden. Deze beperking maakt het moeilijk om taken uit te voeren die reële metingen vereisen, zoals navigatie of objectmanipulatie.

Methoden om Ambiguïteit op te lossen

Om deze uitdaging aan te gaan zijn verschillende benaderingen ontwikkeld, waarbij aanvullende informatie of aannames zijn opgenomen om de werkelijke omvang van het milieu te schatten.

  • Sensorfusie: Het combineren van gegevens van andere sensoren zoals IMU, GPS of dieptesensoren levert absolute schaalverwijzingen.
  • Bekende objectgroottes: Het gebruik van objecten met bekende afmetingen in de scène helpt bij het kalibreren van de schaal.
  • Motion Restricties: Het toepassen van aannames over de beweging, zoals constante snelheid of specifieke bewegingspatronen, kan helpen bij schaalschatting.
  • Kaart Initialisatie: Met externe metingen tijdens het opstarten van het systeem om de beginschaal in te stellen.

Uitdagingen en toekomstige aanwijzingen

Ondanks deze oplossingen blijft nauwkeurig oplossende schaal uitdagend in dynamische of feature-sparse omgevingen. Toekomstig onderzoek richt zich op het integreren van machine learning technieken en robuustere sensor fusie methoden om schaalschatting in real-time toepassingen te verbeteren.