답변:
태양과 구름과 같은 것들과 멀리 떨어진 다른 것들의 거리 추정치는 inf입니다. 많은 문제가 발생할 수 있습니다. 주변을 돌아 다니려면 거리의 역수가 추정됩니다. 모든 infs는 0이되어 문제가 덜 발생합니다.
역 깊이 매개 변수화는 추정 알고리즘 내에서 1 / d에 비례하여 카메라에서 표시 한대로 정확하게 랜드 마크의 거리 d를 나타냅니다. 접근 방식의 합리적 근거는 확장 칼만 필터 (EKF)와 같은 필터링 접근 방식은 피처와 관련된 오류가 가우시안이라는 가정을한다는 것입니다.
시각적 오도 메 트리 설정에서 랜드 마크의 깊이는 일련의 프레임에서 관련 피처를 추적 한 다음 유도 된 시차를 사용하여 추정됩니다. 그러나 (카메라의 변위와 관련한) 먼 특징들에 대한 결과적인 시차는 작을 것이고, 깊이와 관련된 에러 분포는 긴 꼬리를 가진 최소 깊이에 가깝게 정점에 도달합니다. 가우스 분포). 예를 보려면 Civera 등의 논문 (@freakpatrol에 의해 언급 됨)의 그림 7 또는 Fallon 등 의 그림 4를 참조해야 합니다. ICRA 2012 .
역 깊이 (즉, 1 / d)를 나타내면이 오류는 가우스가됩니다. 또한 매우 먼 지점, 예를 들어 무한대의 지점을 표현할 수 있습니다.
이 방법을 소개하는 Davison의 논문은 다음과 같이 이해하기 쉽습니다.
Javier Civera, Andrew J. Davison 및 JM Martınez Montiel DOI의 Monocular SLAM 에 대한 역 깊이 매개 변수화 : 10.1109 / TRO.2008.2003276
역 깊이의 수치 조절에 대한 다른 답변에서 언급 된 이유 외에도이 용어가 특히 시각적 요도 측정 문헌에 나타나는 주된 이유는 입체 비전에서 깊이가 계산되는 방식입니다. 정류 후 3D 정보는 다음과 같이 추론됩니다. 두 카메라 이미지에서 점이 나타나는 위치 사이의 X 거리.
깊이, 그런 다음 시차로부터 계산됩니다. , 같이 , 어디 과 초점 거리 (픽셀) 및 카메라 기준선 (미터)입니다. 따라서 반대 깊이의 공간에서 작업하면 수량이 직접 추정되는 불균형의 공간에도 놓이게되고 해당 수량의 분포 또는 오차를 다루는 것이 더 쉬워집니다.