Odpowiedzi:
Funkcje takie jak słońce, chmury i inne rzeczy, które są bardzo daleko, miałyby szacunkową odległość inf. Może to powodować wiele problemów. Aby obejść ten problem, szacowana jest odwrotność odległości. Wszystkie inf stają się zerami, które zwykle powodują mniej problemów.
Parametryzacja odwrotnej głębokości reprezentuje odległość punktu orientacyjnego, d, od kamery dokładnie tak, jak mówi, jako proporcjonalna do 1 / dw algorytmie szacowania. Uzasadnieniem tego podejścia jest to, że podejścia filtrujące, takie jak rozszerzony filtr Kalmana (EKF), zakładają, że błąd związany z cechami ma charakter gaussowski.
W ustawieniu wizualnej odometrii głębokość punktu orientacyjnego jest szacowana poprzez śledzenie powiązanych funkcji w niektórych seriach ramek, a następnie za pomocą indukowanej paralaksy. Jednak w przypadku odległych elementów (w odniesieniu do przemieszczenia aparatu) wynikowa paralaksa będzie niewielka, a co ważne rozkład błędów związany z głębokością jest bardzo wysoki w pobliżu minimalnej głębokości długim ogonem (tj. Nie jest dobrze modelowany za pomocą Rozkład Gaussa). Aby zobaczyć przykład, należy odwołać się do ryc. 7 w pracy Civera i in. (Wspomnianej przez @freakpatrol) lub ryc. 4 Fallon i in. ICRA 2012 .
Reprezentując odwrotną głębokość (tj. 1 / d) błąd ten staje się gaussowski. Ponadto pozwala reprezentować bardzo odległe punkty, np. Punkty w nieskończoności.
Artykuł Davisona przedstawiający tę metodę jest wystarczająco łatwy do zrozumienia:
Parametr odwrotnej głębokości dla monokularowego SLAM autorstwa Javiera Civery, Andrew J. Davisona i JM Martıneza Montiela DOI: 10.1109 / TRO.2008.2003276
Oprócz powodów wymienionych w innych odpowiedziach na temat warunkowania numerycznego odwrotnej głębokości, głównym powodem pojawienia się tego terminu w literaturze odometrii wizualnej jest sposób, w jaki głębokości są obliczane na podstawie widzenia stereo: Po sprostowaniu informacje 3D są wywnioskowane z odległość w X między miejscem, w którym pojawia się punkt na obrazach dwóch kamer.