پژوهشگران دانشگاه لافبورو پیشنهاد می‌کنند از داده‌های موجود لیدار متحرک برای ارزیابی تخمین عمق و بازسازی سه‌بعدی مبتنی بر دوربین در محیط‌های پُرپوشش گیاهی استفاده شود. فرایند پیشنهادی آن‌ها هندسه مرجع را از دید دوربین تولید می‌کند و وابستگی به برداشت‌های کامل و پرهزینه با اسکنر لیزری را کاهش می‌دهد.
ژی‌پنگ ژونگ، متیو کومبز و کونجیا لیو این پژوهش را در پیش‌چاپی شرح داده‌اند که ۳ نوامبر ۲۰۲۶ در arXiv منتشر شد. داوری علمی و تکرار مستقل نتایج تأیید نشده است.
این فرایند، تصاویر دوربین، اندازه‌گیری‌های لیدار و موقعیت‌ها و جهت‌گیری‌های مرجع را هم‌تراز می‌کند، اعوجاج ناشی از حرکت را اصلاح می‌کند، نمونه‌های نویزی را حذف می‌کند و ۲۱ اسکن مجاور را روی هم می‌گذارد. تجمیع، تراکم را افزایش می‌دهد؛ اما به‌دلیل انسداد دید، نمونه‌برداری ناقص و تفاوت دیدگاه دوربین و لیدار، ممکن است نقاط پس‌زمینه به‌اشتباه روی پوشش گیاهی پیش‌زمینه تصویر شوند.
«امتیاز دیدپذیری شکاف بزرگ عمق» پیشنهادی، عمق‌های مجاورِ تصویرشده را برای یافتن ناپیوستگی‌های بزرگ بررسی می‌کند. نمونه‌هایی که پشت گروه‌های عمقی نزدیک‌تر قرار دارند، امتیاز پایین‌تری می‌گیرند. این امتیاز همچنین انتخاب خودکار مقیاس در روش «حذف نقاط پنهان» را هدایت می‌کند؛ روشی که دیدپذیری را مستقیماً از ابرنقاط برآورد می‌کند. یکی از پیکربندی‌های آزموده‌شده، نسبت هدفِ پیکسل‌های اشغال‌شده که دارای دیدپذیری پایین تشخیص داده می‌شوند را ۵٪ قرار می‌دهد و سپس پالایش را با آستانه امتیاز دیدپذیری ۰٫۷ انجام می‌دهد. این اعداد تنظیمات الگوریتم‌اند، نه نرخ‌های خطای اندازه‌گیری‌شده.
پژوهشگران دقت مرجع را با داده‌های شبیه‌سازی‌شده TartanAirV2 و TartanGround آزمودند. لیدار هم‌راستا با دوربین چپ به نمای دوربین راست تصویر شد تا جدایی دیدگاه ایجاد شود؛ سپس نتیجه با عمق معلومِ نمای راست ارزیابی شد. نویسندگان گزارش می‌دهند که ترکیب حذف نقاط پنهان و پالایش بر اساس امتیاز دیدپذیری، در خطای نسبی مطلق عمق مشابه، تقریباً سه برابر بازسازی سطح پواسون تراکم مرجع را حفظ کرد. این نتیجه بیانگر موازنه دقت و پوشش است؛ مقایسه روی اسکن‌های تنکِ متحرک، ضعف عمومی بازسازی پواسون را اثبات نمی‌کند، زیرا این روش برای برداشت‌های متراکم و کامل مناسب است.
این فرایند همچنین روی مجموعه‌داده واقعی BotanicGarden برای مقایسه بدون آموزش اختصاصی روی داده‌های آزمون، میان مدل‌های پیش‌خور هندسه بصری و روش متعارف «ساختار از حرکت» به کار رفت؛ روشی که با تطبیق ویژگی‌های تصاویر و مثلث‌بندی، هندسه را بازسازی می‌کند. نویسندگان گزارش می‌دهند که روش‌های پیش‌خور، پیش‌بینی‌های متراکم را با کارایی بالا تولید کردند، اما بازسازی‌های آن‌ها می‌توانست شامل ساختارهای تکراری باشد. روش‌های متعارف عموماً هندسه منسجم‌تری ساختند، ولی تنک باقی ماندند و در پوشش گیاهی دشوار بیشتر مستعد شکست بودند.
یافته‌ها به شرایط بررسی‌شده محدودند. دقت مرجع در شبیه‌سازی اعتبارسنجی شد و اعتبارسنجی مستقل عمق در دنیای واقعی گزارش نشده است. این فرایند، صحنه را ایستا فرض می‌کند و به دقت موقعیت و جهت‌گیری، کالیبراسیون و زمان‌بندی وابسته است؛ نمونه‌برداری تنک و اسکن‌های تجمیع‌شده می‌توانند خطاهای دیدپذیری را باقی بگذارند. فریم‌های نزدیک و اسکن‌های هم‌پوشان، مشاهدات وابسته‌اند و شواهد ارائه‌شده، واحدهای نمونه‌برداری مستقل یا فاصله‌های اطمینان را مشخص نمی‌کند. هم‌پوشانی با داده‌های آموزشی و انتخاب پارامترها روی داده‌های کنارگذاشته‌شده نیز قابل ارزیابی نیست. نتایج، قابلیت اتکای عملیاتی ربات‌های کشاورزی را اثبات نمی‌کنند. نویسندگان وعده انتشار ابزارها و مجموعه‌داده را داده‌اند؛ در دسترس بودن آن‌ها تأیید نشده است.
منبع: https://arxiv.org/abs/2611.05361