SLAM inayoonekana
SLAM inayoonekana huruhusu kamera inayosonga kujenga ramani ya nafasi isiyojulikana huku ikifuatilia kwa pamoja nafasi yake ndani ya ramani hiyo.
Muhtasari
It is the spatial backbone of robots, drones, AR headsets, and self-driving features.
Dive ya kina
SLAM inawakilisha Ujanibishaji na Uwekaji Ramani kwa Wakati Mmoja, na lahaja inayoonekana huisuluhisha kwa kutumia kamera badala ya (au kando) lida au rada. Kamera inaposonga, mfumo hutambua vipengele bainifu kama vile pembe na kingo, kuzilinganisha kwenye fremu, na hutumia mwendo dhahiri wa pointi hizo kukadiria muundo wa 3D wa tukio na trajectory ya kamera. Sehemu ngumu ni muunganisho wa kuku na yai: unahitaji ramani ili kujua ulipo, lakini unahitaji kujua ulipo ili kujenga ramani. Visual SLAM hushughulikia hili kwa pamoja, mara nyingi huboresha maelfu ya pointi na kuleta mkao mara moja. Inawezesha ARKit, ARCore, Meta ufuatiliaji wa ndani wa Quest, rover za Mirihi, na roboti za ghala, zinazofanya kazi ndani ya nyumba ambapo GPS haifanyi kazi.
Ufahamu wa Kiufundi
Bomba la kawaida lina ncha ya mbele inayofuatilia vipengele vya fremu kwa fremu (kwa kutumia ORB, SIFT, au mbinu za upigaji picha za moja kwa moja) na ncha ya nyuma inayoboresha ramani. Marekebisho ya kifurushi kwa pamoja hupunguza hitilafu ya kukataliwa kwenye miisho mingi ya kamera na pointi za 3D, huku kufungwa kwa kitanzi hutambua kamera inapotembelea tena mahali na kusahihisha utelezi uliokusanyika. SLAM ya Monocular haiwezi kurejesha kiwango kamili, kwa hivyo kamera za stereo au kitengo cha kipimo cha inertial (IMU) huunganishwa ili kuirekebisha.
Athari za kimkakati
Kasi na kiwango
Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
Tengeneza chaguzi
Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
Timu na mtiririko wa kazi
Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Mustakabali wa Visual SLAM
Uga unahama kutoka kwa kipengele kilichoundwa kwa mkono kuelekea vipengele vilivyojifunza, kina kilichojifunza, na SLAM ya neva ya mwisho hadi mwisho ambayo ni thabiti zaidi hadi kuta zisizo na unamu, ukungu wa mwendo na kubadilisha mwanga. Sehemu za mng'aro wa mishipa ya fahamu na kunyunyiza kwa Gaussian zinaunganishwa kwenye SLAM ili kutoa ramani mnene, zenye picha halisi badala ya mawingu machache. Tarajia muunganisho mkali wa kuona-inertial kwenye simu na vifaa vya sauti, pamoja na SLAM ya kisemantiki inayoweka lebo kwenye vitu, kuwezesha roboti kufikiria kuhusu tukio, na si tu kuvinjari jiometri yake.
Utekelezaji wa Ulimwengu Halisi
Ufuatiliaji wa ndani wa Meta Quest na vipokea sauti vya Apple Vision Pro, kumpata mtumiaji katika chumba kisicho na vituo vya msingi vya nje.
Apple ARKit na Google ARCore huimarisha samani pepe au wahusika wa mchezo kwenye sakafu halisi na meza kwenye simu
Viruti vya NASA vya Mirihi kwa kutumia odometry ya kuona na ramani ili kuzunguka eneo ambalo hakuna GPS.
Roboti za ghala zinazojiendesha na roboti za uwasilishaji wa ndani zinaunda ramani za sakafu na ujanibishaji kati ya rafu
Hatari & Walinzi
Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Ramani ya Utekelezaji
Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Visual SLAM quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Kutoa Sababu kwa Maono
Maswali yanayoulizwa mara kwa mara
What is Visual SLAM?
SLAM inayoonekana huruhusu kamera inayosonga kujenga ramani ya nafasi isiyojulikana huku ikifuatilia kwa pamoja nafasi yake ndani ya ramani hiyo. Ni uti wa mgongo wa anga wa roboti, drones, vichwa vya sauti vya Uhalisia Pepe, na vipengele vya kujiendesha.
Je, kifupi SLAM kinamaanisha nini?
SLAM ina maana ya Ujanibishaji na Uwekaji Ramani kwa Wakati Mmoja: kujenga ramani huku ukibaini nafasi yako ndani yake kwa wakati mmoja.
Kwa nini SLAM inayoonekana ya monocular (kamera moja) haiwezi kurejesha kiwango kamili yenyewe?
Kwa kamera moja na hakuna kidokezo kingine, eneo dogo la karibu na eneo kubwa la mbali linaweza kuonekana sawa, kwa hivyo kipimo halisi cha metri ni ngumu bila stereo au IMU.
Ni nini madhumuni ya kufungwa kwa kitanzi katika mfumo wa SLAM?
Hitilafu ndogo za ufuatiliaji hujilimbikiza kwa muda kama drift; kugundua kuwa kamera imerejea mahali panapojulikana huruhusu mfumo kusahihisha trajectory nzima.
Marekebisho ya kifungu yanaboresha nini kwenye mwisho wa nyuma wa SLAM?
Marekebisho ya bundle kwa pamoja huboresha nafasi nyingi za kamera na pointi za ramani ili pointi za 3D zilizokadiriwa zilingane vyema ambapo vipengele vinaonekana kwenye picha.
Kwa nini IMU (kitengo cha kipimo cha inertial) mara nyingi huunganishwa na kamera katika SLAM inayoonekana?
Makadirio ya mwendo wa kasi ya kasi na gyroscopes ambayo hudumisha ufuatiliaji kupitia ukungu wa mwendo na kusaidia kutatua ukubwa, ambao kamera moja haiwezi.