基于SLAM的空间和3D结构语言

1基于SLAM的空间和3D结构语言在AR的核心技术图上，3D空间感知和3D对象空间结构感知始终占据着非常重要的位置。

比较了传统的基于激光的方法和基于光学的SLAM方法。

重点在于对纯空间结构的感知和分割，对内容语义和上下文场景的感知仍处于相对原始的阶段。

由于缺少语义信息，它们不能直接用于构建更高级的字符交互（HTI）通道。

同时，深度学习已极大地提高了识别性能，但是这种识别的大部分仅限于图像平面中的输出，或者在最佳情况下，使用3D边界框来完成语义空间结构表示。

从某种意义上讲，但这将使机器人或基于这些略微粗糙的输出而难以进行精确的数字信息叠加。

将学到的知识和语义与3D重建相集成是解决此问题的一种有前途的方法。

例如，近年来提出的语义3D重建技术共同优化了场景的3D结构和语义，并且语义SLAM方法在所估计的3D结构上添加了语义注释。

当前，最新的语义3D重构和语义SLAM的挑战是使用将3D重构技术与大型综合数据集探索的识别和学习相结合的新方法，然后实现在3D重构技术中使用语义信息进行改进密集的匹配过程。

并更有效地实现语义分割与3D技术之间的反馈循环。

这也将为构建更高级的字符交互（HTI）通道和广义的AR云服务场景开辟极其广阔的发展道路。

2与传统的AR云服务相比，自2018年以来，基于空间地图的POI注册和同步已成为各大巨头基于位置感知和兴趣点标记技术的推广和布局重点，但Google的LiveView基于GoogleMap和Microsoft作为Microsoft的角色扩展的云AR平台称为SpatialAnchor。

基于空间地图的POI注册和同步技术的核心是具有增强的地理位置的锚技术（Anchor），“空间锚代表系统随时间推移应跟踪的重要点”。

同时，这也是相关数据构建，同步，检索，管理等集成系统技术的突破。

这还包括相关的SLAM语义感知以及基于神经网络的大规模特征比较技术的进步。

起初，锚点只是使虚拟对象看起来像在AR场景中一样，这源于对关键点及其在现实世界记录中检测到的描述符的依赖。

随着强大的环境理解功能，3D高精度地图功能，空间计算功能以及基于空间地图的POI注册和同步技术的发展，将提供数字孪生子以及现实世界和物理世界的无缝集成。

可能。

3基于空间位置的数字信息集群的管理和搜索技术如何基于管理锚和检索锚，这些管理锚和检索锚将视觉感知转换为高精度LBS（LocationBasedService）视觉信息，这对于将AR作为一种核心手段的开发非常重要。

性格互动和相关业务的发展因素。

这就要求将相关的数字信息分类和管理为：1-何处？ 2-谁是一部分？ 3-可以开发哪些功能，可以上传什么数据？加利福尼亚伯克利理工学院（Berkeley）电气与计算机科学学院的David E. Culler教授正在尝试对智能建筑“ Brick”进行基于位置的关联数据管理，这对于参考非常有用。

“砖”从资源描述框架（RDF：ResourceDescriptionFramework）派生。

它通过使用一组称为三元组的主题预测对象来表达知识。

所有基于位置的相关联的系统信息都以“砖”表示。

通过抽象表示三元组中的主体实体与其他实体之间的关系，即图中的方向边缘。

最后，整个数据系统的管理体现在通过关系（方向边缘）连接的实体（节点）的知识图中，这些知识图以RDF格式存储和使用，并且可以使用SP遍历和查询知识。