Каково решение для картографирования большой территории с использованием компьютерного зрения для внутренней навигационной системы?

Question

Для использования внутренней навигации, основанной на компьютерном зрении, сначала нам нужно отсканировать область и разместить модели, объекты и пути. Сохраните карту, которую мы можем загрузить позже при открытии приложения. Проблема в том, что область, которая будет отображаться, великаи иметь несколько этажей, будет сложно отсканировать область с помощью мобильного устройства.

Есть ли альтернативный способ нанести на карту большую площадь? Решение на основе трехмерной карты, если оно существует?распознает сцену и размещает модели и объекты. Если я могу создать точную трехмерную карту и объединить ее в единое целое, чтобы можно было объединить объекты и модели в единое целое и создать приложение. Поэтому, когда мы открываем приложение, устройство сканирует и распознаетсцены и поместите объекты туда, а не входить в сцену и картирование с помощью мобильного устройства.

Answer 1

Самый надежный способ получить карту мира облаков точек - это сканировать всю область несколько раз, используя устройство Apple с ARKit, и сохранять ее как отображающие мир данные в локальном хранилище.

Для Постоянный опыт AR вы можете сохранить отсканированную карту мира:

func writeWorldMap(_ worldMap: ARWorldMap, to url: URL) throws {
    let data = try NSKeyedArchiver.archivedData(withRootObject: worldMap, 
                                         requiringSecureCoding: true)
    try data.write(to: url)
}

и затем извлечь ее, когда вам нужно:

func loadWorldMap(from url: URL) throws -> ARWorldMap {
    let mapData = try Data(contentsOf: url)
    guard let worldMap = try NSKeyedUnarchiver.unarchivedObject(ofClass: ARWorldMap.self, 
                                                                   from: mapData) else { 
        throw ARError(.invalidWorldMap) 
    }
    return worldMap
}

В дополнение к этому у вас естьиспользовать печатный / окрашенный визуальный контент (он же на основе предварительно обученных моделей ML для каркасов CoreML и Vision) для определения точного положения пользователя на карте мира (для этой цели вы можете использовать дорожные знаки,как на картинке ниже).