الدمج التكيفي للعمق الأحادي والعمق المتعدد الرؤى للقيادة الذاتية

أظهرت تقديرات العمق متعددة الزوايا أداءً مبهرًا عبر العديد من المعايير المعيارية. ومع ذلك، تعتمد معظم الأنظمة الحالية متعددة الزوايا على مواقف كاميرات مثالية محددة مسبقًا، وهي غير متوفرة في العديد من السيناريوهات الواقعية، مثل القيادة الذاتية. في هذا العمل، نقترح معيارًا جديدًا لاختبار الموثوقية لتقييم نظام تقدير العمق تحت ظروف متنوعة من الوضع المُضطرب (الضوضاء في الموضع). بشكل مفاجئ، وجدنا أن الطرق الحالية لتقدير العمق متعدد الزوايا، وكذلك الطرق المدمجة بين الأحادية والمتعددة الزوايا، تفشل عندما تُقدَّم لها بيانات موضع مُضطربة. لمعالجة هذه التحديات، نقترح نظامًا جديدًا لتقدير العمق المدمج بين الأحادية والمتعددة الزوايا، والذي يُدمج تلقائيًا النتائج عالية الثقة من الفرعين (الأحادي والمتعدد الزوايا) لتحقيق تقديرات دقيقة وموثوقة للعمق. يقوم وحدة الدمج التكيفية بالدمج من خلال اختيار مناطق عالية الثقة ديناميكيًا بين الفرعين بناءً على خريطة موثوقية مُغلفة (wrapping confidence map). وبالتالي، يميل النظام إلى اختيار الفرع الأكثر موثوقية في حالات مثل المشاهد الخالية من النسيج، أو التصحيح غير الدقيق، أو وجود كائنات ديناميكية، أو أي ظروف تدهور أخرى أو صعبة. يتفوق منهجنا على أحدث الطرق المتعددة الزوايا والطرق المدمجة في اختبارات الموثوقية. علاوة على ذلك، نحقق أداءً من الطراز الأول على المعايير الصعبة (KITTI وDDAD) عند توفر تقديرات دقيقة للموضع. موقع المشروع: https://github.com/Junda24/AFNet/.