北京，2023年5月10日/美通社/——全球领先的全息增强现实（AR）技术提供商WiMi全息云股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，开发LMVO算法以提高SLAM的效率。WiMi的LMVO-SLAM通过直接匹配图像中的特征点图像块来获取相位。与传统方法不同，通过基于灰度梯度大小过滤待匹配的点来匹配整个图像。
SLAM的关键是定位和地图构建。WiMi的LMVO算法使用离散特征提取和直接提取关键帧进行定位，并确保图像中特征点分布的均匀性。该算法逐帧通过特征区域点，并利用特征点机器周围的图像像素块来匹配灰度值，以实现路径解。然后，该算法对三维全息点的投影坐标进行优化，得到当前帧中空间点的投影座标，然后对普通特征点进行变换，得到图像坐标，从而确定并获得相机姿态和特征点的三维坐标。点云被定位在3D全息空间中，并被视为两幅图像的普通特征比较，而无需匹配大量数据，这可以显著提高效率。
WiMi的LMVO算法的地图构建包含全息点云数据的深度模型计算。深度模型计算使用滤波方法来实现深度，即估计假设点。深度符合特定的概率模型，并且在获得新的观测值后进一步调整点的深度估计。当深度方差小于某个阈值时，点的深度估计更可靠。反过来，它参与帧间传输，并最终添加到环境映射中。
该算法分为两个主要部分：定位和地图构建。这两个部分在并行线程中执行，以确保算法的实时性。该算法使用最小化的资源来比较与相同3D全息空间点的投影位置相对应的像素之间的间隙，以获得相机位置相对于前一帧时刻的变化。该算法只提取关键帧的特征点。当观察正常帧时，该算法优化特征点的深度值，然后将特征点发送到当前帧。关键帧及其周围像素块的灰度等于关键帧图像中其对应点和周围像素块所呈现的灰度值。该算法获得当前帧的相机坐标系下的空间点及其对应的点，以及相机坐标系统下的3D坐标。当估计图像特征点的深度和3D全息点云的深度时产生误差。该算法通过定位和匹配误差来优化当前帧中特征点的投影图像的坐标。
