北京，2023年5月10日/美通社/——全球領先的全息增強現實（AR）技術提供商WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，開發LMVO算法以提高SLAM的效率。WiMi的LMVO-SLAM通過直接匹配圖像中的特征點圖像塊來獲取相位。與傳統方法不同，通過基于灰度梯度大小過濾待匹配的點來匹配整個圖像。
SLAM的關鍵是定位和地圖構建。WiMi的LMVO算法使用離散特征提取和直接提取關鍵幀進行定位，并确保圖像中特征點分布的均勻性。該算法逐幀通過特征區域點，并利用特征點機器周圍的圖像像素塊來匹配灰度值，以實現路徑解。然後，該算法對三維全息點的投影坐标進行優化，得到當前幀中空間點的投影座标，然後對普通特征點進行變換，得到圖像坐标，從而确定并獲得相機姿态和特征點的三維坐标。點雲被定位在3D全息空間中，并被視為兩幅圖像的普通特征比較，而無需匹配大量數據，這可以顯著提高效率。
WiMi的LMVO算法的地圖構建包含全息點雲數據的深度模型計算。深度模型計算使用濾波方法來實現深度，即估計假設點。深度符合特定的概率模型，并且在獲得新的觀測值後進一步調整點的深度估計。當深度方差小于某個阈值時，點的深度估計更可靠。反過來，它參與幀間傳輸，并最終添加到環境映射中。
該算法分為兩個主要部分：定位和地圖構建。這兩個部分在并行線程中執行，以确保算法的實時性。該算法使用最小化的資源來比較與相同3D全息空間點的投影位置相對應的像素之間的間隙，以獲得相機位置相對于前一幀時刻的變化。該算法隻提取關鍵幀的特征點。當觀察正常幀時，該算法優化特征點的深度值，然後将特征點發送到當前幀。關鍵幀及其周圍像素塊的灰度等于關鍵幀圖像中其對應點和周圍像素塊所呈現的灰度值。該算法獲得當前幀的相機坐标系下的空間點及其對應的點，以及相機坐标系統下的3D坐标。當估計圖像特征點的深度和3D全息點雲的深度時産生誤差。該算法通過定位和匹配誤差來優化當前幀中特征點的投影圖像的坐标。
