برنامه های کاربردی نقشه برداری پیچیده و رو به رشد داده های فضایی چند منبعی، یک چالش جدی برای دقت و کارایی تجسم نقشه برداری است. این امر به ویژه برای تجسم صحنه در زمان واقعی و پویا در واقعیت افزوده موبایل، با توسعه چشمگیر سنجش داده های مکانی و ظهور AR-GIS صادق است. چنین مسائلی را می توان به سه موضوع تقسیم کرد: نمایش وضعیت دقیق، محاسبه سریع و دقیق روابط توپولوژیکی و روش های شتاب با عملکرد بالا. برای حل این مسائل، یک رویکرد تجسم نقشه برداری زمان واقعی مبتنی بر کواترنیون در این مقاله پیشنهاد شده است. بر روی نمایش دقیق موقعیت و جهت گیری، محاسبه دقیق و کارآمد روابط فضایی و رندر موازی شتاب در AR موبایل تمرکز دارد. اولین، یک روش پردازش پوس مبتنی بر کواترنیون برای داده‌های فضایی چند منبع توسعه داده شده است. سپس، پردازش پیچیده روابط فضایی به عملیات ساده و کارآمد مبتنی بر کواترنیون ترسیم می شود. با استفاده از این روش‌های نگاشت، عملیات روابط فضایی با حجم محاسباتی بزرگ را می‌توان به محاسبات کواترنیونی کارآمد تبدیل کرد و سپس نتایج برای پاسخگویی به تعامل برگردانده می‌شوند. در نهایت، یک مکانیسم شتاب رندر ناهمزمان نیز در این مقاله ارائه شده است. آزمایش‌ها نشان داد که روش پیشنهادی در این مقاله می‌تواند به طور قابل‌توجهی تجسم برداری نقشه AR را بهبود بخشد. رویکرد جدید، در مقایسه با روش‌های تجسم مرسوم، نتایج رندر با ثبات‌تر و دقیق‌تری را ارائه می‌کند، به خصوص زمانی که نقشه AR دارای حرکات شدید و تغییرات فرکانس بالا باشد.

کلید واژه ها:

AR-GIS ; نقشه برداری ; ژئوتصویرسازی ; رباعی ; جعبه سند AR

1. مقدمه

با توسعه سریع گرافیک کامپیوتری و سیستم اطلاعات جغرافیایی (GIS)، تجسم جغرافیایی در GIS واقعیت افزوده (AR-GIS) به سرعت توسعه یافته است و علاقه قابل توجهی را به نقشه‌نگاری جلب کرده است [ 1 ، 2 ]. به جای محدود شدن به رابط کاربری گرافیکی سنتی (GUI)، AR-GIS دستکاری داده های سه بعدی را آسان تر می کند [ 3 ] و امکان تجسم و دستکاری داده های مکانی را به شیوه ای واقعی و شهودی فراهم می کند [ 4 ]. در کشاورزی دقیق، AR-GIS ابزار مفیدی برای جهت یابی در کار میدانی و تجسم اطلاعات کشاورزی است. می تواند کاربر را برای انجام نمونه برداری از خاک در تحقیقات خود راهنمایی کند [ 5]. در آموزش علوم زمین، AR-GIS به عنوان یک ابزار یادگیری تعاملی و سودمند برای درس های هیدرولوژی، مدیریت زمین و علوم خاک استفاده می شود [ 6 ].
اخیراً، سیستم‌های واقعیت افزوده (AR) در حال اجرا یا ارائه نمای افزوده بر روی دستگاه‌های تلفن همراه (واقعیت افزوده موبایل، MAR [ 7 ]) به عنوان قدرتمندترین و شناخته‌شده‌ترین راه‌حل برای برنامه‌های AR-GIS ظاهر شده‌اند. یکی از دلایل اصلی این روند این است که یک دستگاه تلفن همراه می تواند کل راه حل را برای مکان یابی اشیا و مدل سازی صحنه ها ارائه دهد. این امر نیاز به چندین سنسور و دستگاه مختلف (دوربین، GPS، لپ تاپ) را غیر ضروری می کند. در AR-GIS، استفاده از دستگاه‌های تلفن همراه به افزایش انعطاف‌پذیری در ارائه اطلاعات و عملکردهای ضروری در حین انطباق با مکان کاربر کمک می‌کند [ 8 ].
برای درک بهتر استفاده مشترک از GIS و یک سیستم AR، Hugues et al. [ 9 ] کاربردهای AR-GIS را به قلمرو افزوده شده (AT) و نقشه تقویت شده (AM) جدا کنید. طبقه بندی پیشنهادی بر اساس منبع اطلاعات جغرافیایی و نمایش آن در AR-GIS است. در قلمروهای افزوده شده، داده های فضایی دیجیتال مستقیماً در محیط واقعی قرار می گیرند. سنجش و تجزیه ساختار معنایی محیط کاربر هدف اصلی این نوع کاربرد است. در نقشه های افزوده شده، محیط عناصر باید به نمایش گذاشته شود تا تشخیص، واقع گرایی یا درک پروژه تسهیل شود. پردازش داده های مکانی یا برداری هسته اصلی برنامه است.
تجسم نقشه برداری یکی از اجزای اساسی GIS است که نقش مهمی در AR-GIS ایفا می کند [ 10 ]. در بسیاری از برنامه‌های مرتبط با MAR از جمله ATs و AMs، تجسم برداری می‌تواند نمایش موقعیت و رابطه اشیاء فضایی را بهبود بخشد، به طور تعاملی اشیاء را در فضای فیزیکی حاشیه‌نویسی کند، و به طور شهودی کاربران را به تعامل و ایجاد شناخت فضایی با همپوشانی دیجیتال ترغیب کند. اطلاعات در مورد جهان فیزیکی [ 11 ]. به عنوان مثال، رندر برداری برای همپوشانی دستورالعمل ها و مفاهیم ناوبری مجازی در جاده واقعی استفاده می شود تا کاربر را در مسیر و جهت درست راهنمایی کند [ 12 ، 13 ، 14 ]]. در این برنامه‌ها، فلش‌ها و خطوط برای پیشروی بصری هستند [ 15 ]. تجسم برداری در AR همچنین می تواند به کاربران در بررسی اطلاعاتی که دیدن آنها دشوار است کمک کند و توانایی های شناختی فضایی آنها را در شرایط کاربردی خاص بهبود بخشد. در دید محدود و حتی در شب، لایه‌های برداری AR عناصر اطلاعاتی راهنمای ناوبری ایمن را در محیط ناشناخته یا پنهان نشان می‌دهند [ 16 ]. در مهندسی عمران، تأسیسات زیرزمینی (به عنوان مثال، لوله‌ها، کابل‌ها، منهول‌ها) به‌وسیله نقاط و چندخط‌ها به گونه‌ای نمایش داده می‌شوند که گویی کاربر می‌تواند در دید اشعه ایکس «از طریق» جاده را ببیند [ 17 ].
در پشتیبانی تصمیم گیری کشاورزی، چند ضلعی ها و نقاط مورد علاقه، به ترتیب، داده های حسگر فرعی کلی و جزئیات را بیان می کنند [ 18 ]. در وظایف همکاری جغرافیایی، تجسم برداری می تواند محدودیت های فضای فیزیکی را بشکند و مشاغل و منابع را برای اعضای تیم های مجازی به اشتراک بگذارد [ 19 ، 20 ]. در اکتساب داده‌های مکانی و وظایف مدل‌سازی صحنه، نماد برداری می‌تواند به طور تعاملی موجودیت‌ها و ویژگی‌ها را در مدل‌سازی صحنه فضایی ضبط و تفسیر کند [ 21 ، 22 ، 23 ، 24 ، 25 ]. در حوزه طراحی جغرافیایی یا آموزش [ 26 ]، نمایش برداری در جعبه AR [ 27 ]] مانند نقاط برتر [ 28 ]، چند ضلعی نشان دهنده مکان [ 29 ] و خطوط کانتور [ 30 ] برای ارائه پویایی های محیطی در سطح [ 31 ] و مفاهیم جغرافیایی برای تقویت تفکر فضایی [ 32 ] انجام می شود.
تعداد زیادی از تحقیقات قبلی ارائه برداری در GIS بر روی نقاط برداری سریع، چند خطوط [ 33 ، 34 ] و داده های چند ضلعی [ 35 ] متمرکز شده است. در میان محققان GIS به خوبی شناخته شده است که مراحل زمان بر نگاشت برداری بلادرنگ، پرس و جو از داده های مکانی، بازیابی آنها و ارائه گرافیک های هندسی است [ 36 ]. روش‌های مختلفی از جمله تولید داده‌های کاشی‌شده [ 37 ، 38 ]، ساده‌سازی بردار [ 39 ] و بهینه‌سازی موازی [ 40 ، 41 ]، برای بهبود کارایی ارائه داده‌های برداری استفاده شده‌اند.
مطالعات فوق بدون شک برای کاربردهایی مانند ارائه داده‌های برداری عظیم یا پیچیده در GIS سنتی دوبعدی و سه‌بعدی مهم هستند که به خوبی تحقیق و بهبود یافته است. با این حال، تحقیقات نسبتا کمی در مورد تجسم AR-GIS، و حتی کمتر در مورد تجسم برداری در AR-GIS انجام شده است. اشکال اصلی به کارگیری تکنیک‌های رندر فعلی در AR-GIS این است که تقریباً تمام روش‌های موجود به نظر نمی‌رسد به مسائل خاصی از واقعیت افزوده و AR-GIS رسیدگی کنند. رندر برداری در نقشه های AR بسیار پیچیده تر از نگاشت برداری در نرم افزارهای GIS دو بعدی و سه بعدی است. مسائل رندر خاص AR-GIS به سه جنبه زیر تقسیم می شوند.
  • تحقیقات در مورد نمایش وضعیت (موقعیت و جهت) شی فضایی در GIS هنوز محدود است. در یک سیستم GIS دو بعدی یا سه بعدی، سیستم نمایش تنها به عملیات کاربر و پارامترهای نمایش نیاز دارد. با این حال، برای سیستم نمایش در AR-GIS، دقت تخمین پوز و ردیابی به چالش‌های کلیدی تبدیل می‌شود [ 42 ، 43 ]. نمایش موقعیت زوایای اویلر اعمال شده توسط سیستم های GIS سنتی محدود است. موقعیت و جهت گیری مناسب برای بازیابی و نمایش اطلاعات مکانی صحیح بسیار مهم است. زاویه اویلر، که به طور گسترده در GIS به کار می رود، یک نمایش رایج از رویکرد چرخش سه بعدی و پردازش حالت و اطلاعات حرکت زاویه ای است [ 44 ]]. با این وجود، برای یک نیاز خاص تر در روابط فضایی پیچیده و سناریوهای حرکت در مقیاس بزرگ با فرکانس بالا، زوایای اویلر هنگامی که زاویه گام 90 درجه است منجر به تکینگی می شود. این منجر به وجود بی نهایت راه حل برای دنباله اویلر می شود. علاوه بر این، رویکرد توصیف زاویه‌های اویلر در هنگام رسیدگی به ژست مشکلات محاسباتی دارد. علیرغم مطالعات متعددی که روش‌های دقیق‌تر چرخش و تصحیح وضعیت را توسعه می‌دهند، روش‌های فعلی به محاسبه پوزی یک شی فضایی منفرد یا داده‌های مکانی تک منبع محدود می‌شوند. ماژول کلی برای اشیاء فضایی چند منبعی در GIS هنوز کمیاب است.
  • محاسبه رابطه هندسی بین اشیاء فضایی دو بعدی و سه بعدی هنوز ناکارآمد است. در صحنه واقعی نقشه AR، پردازش روابط فضایی پیچیده تر از پردازش در نقشه سنتی دو بعدی و سه بعدی GIS است. دلیل اصلی این است که روابط فضایی در AR شامل معنایی پیچیده فضایی و مسائل رندر سه بعدی خاص است. متفاوت از GIS سنتی 2D/3D، AR-GIS نیاز به تعیین رابطه صحیح بین فضای واقعی و دیجیتال [ 45 ]، قرار دادن عناصر دیجیتال [ 25 ، 46 ] از جمله انسداد [ 47 ، 48 ] و اجتناب [ 10 ] دارد.]. این وظایف در AR-GIS بسیار مهم هستند زیرا مسئولیت محدودیت‌های معنایی فضایی بین موجودیت‌های دیجیتال و محیط‌های واقعی را بر عهده دارند. علاوه بر این، عناصر تولید شده توسط رایانه در صحنه‌های AR پویا باید به دسترسی، وضوح، زیبایی‌شناسی و تداوم مکانی-زمانی بپردازند، که می‌تواند چالش‌برانگیز باشد [ 49 ]. اگرچه فناوری بینایی کامپیوتری می‌تواند برخی از مشکلات را حل کند، نتایج محاسبه رابطه مبتنی بر بصری برای فعال کردن تابع رابطه هندسی فضایی GIS بسیار درشت است. و کارایی پردازش رابطه فضایی پیچیده شی فضایی سه بعدی در سیستم GIS کافی نیست [ 50 ].
  • عملکرد واقعیت افزوده موبایل (MAR) [ 7 ، 51 ] نیز برای برنامه های کاربردی AR-GIS مهم است. دستگاه‌های AR سیار به طور گسترده در برنامه‌های AR-GIS مستقر شده‌اند، زیرا مجهز به حسگرهای متعدد [ 4 ، 52 ] هستند، اما ظرفیت محاسباتی سخت‌افزار موبایل بسیار محدود است [ 53 ]. علاوه بر این، بسیاری از برنامه ها به نمایش بصری پویا در زمان واقعی و قابلیت های محاسباتی بالا نیاز دارند. تجسم در AR نیاز به همگام سازی با پردازش بصری انسان دارد [ 54 ]. تجسم ناکارآمد باعث تاخیر در AR می شود.
برای پرداختن به این مسائل، این مقاله یک روش جدید تجسم برداری AR مبتنی بر کواترنیون ها [ 55 ] پیشنهاد می کند. این مقاله بر روی دقت و کارایی تجسم برداری پیچیده یا متنوع برای نقشه‌های تقویت‌شده با استفاده از دستگاه‌های تلفن همراه تمرکز دارد. سهم این مقاله در سه جنبه نهفته است:
  • کل خط لوله برای به روز رسانی در زمان واقعی وضعیت اشیاء فضایی چند منبعی و کواترنیون ها و روش مبتنی بر SLAM برای ارائه اشیاء نقشه AR-GIS ارائه شده است. با استفاده از روش ما، داده‌های پوسچر شش درجه آزادی از ناوبری اینرسی SLAM سیستم AR در سیستم GIS گنجانده می‌شود تا فرکانس همگام‌سازی نقشه AR با دنیای واقعی را بهبود بخشد، تراز و ثبت دنیای واقعی را درک کند، و کیفیت بالایی را ارائه دهد. ردیابی موقعیت دقیق
  • علاوه بر این، یک رابطه فضایی کارآمد و دقیق بین اشیاء فضایی دو بعدی و سه بعدی برای تجسم برداری AR در این مقاله پیشنهاد شده است. محاسبه روابط فضایی پیچیده اشیاء دو بعدی و سه بعدی به یک راه حل کواترنیون سریع تبدیل می شود. بنابراین، از پرس و جوهای فضایی پرهزینه محاسباتی و توابع مثلثاتی اجتناب می شود. برای این منظور، این مقاله یک رویکرد نگاشت برای تعیین رابطه توپولوژیکی شی 2D/3D و راه حل رابطه فضایی کواترنیون ارائه می دهد.
  • به منظور پاسخ سریع به الزامات به روز رسانی بلادرنگ در محیط واقعی AR، یک مکانیسم رندر ناهمزمان برای تجسم نقشه AR بلادرنگ نیز در این مقاله ارائه شده است. این مقاله بر اساس تحقیقات قبلی [ 25 ] برای ارائه یک زمان‌بندی چند رشته‌ای با کارایی بالا از نقشه‌های واقعیت افزوده است، و روش‌های شتاب کارآمدی مانند نمایه‌سازی مش سلسله مراتبی، رندر دسته‌ای مبتنی بر GPU، پیش ذخیره‌سازی و زمان‌بندی درختی هشت ضلعی را پیاده‌سازی می‌کند.
این مقاله به چهار بخش تقسیم شده است. بخش بعدی یک بررسی در مورد فن آوری ها و برنامه های کاربردی مرتبط با نقشه واقعیت افزوده (نقشه AR) را نشان می دهد. بخش 3 مفاهیم نظری کلیدی پشت ارائه داده های برداری در AR-GIS و روش به کار گرفته شده در این مطالعه را برجسته می کند. بخش 4 سپس تنظیمات آزمایش را تشریح می کند و اثربخشی روش را تحلیل می کند. در نهایت، مقاله با بحث در بخش 5 به پایان می رسد .

2. کارهای مرتبط

رابط‌های AR به دلیل اینکه سیستم‌های AR با مقادیر زیادی از داده‌های مکانی سروکار دارند، ارتباط نزدیکی با GIScience و geovisualization دارند. در نتیجه، چندین زیرساخت و تکنیک GIScience در توسعه سیستم های نقشه برداری AR-GIS بسیار کارآمد، از جمله موقعیت یابی دقیق، مدل سازی کارآمد و ارائه داده های مکانی استفاده می شود.

2.1. ثبت نام و ردیابی برای AR-GIS

هدف اساسی AR تجزیه و تحلیل تغییرات در فریم های دوربین جمع آوری شده و تراز کردن داده های مجازی با صحنه دوربین به درستی بسته به نتایج ردیابی است. اگرچه هر دو تکنیک AR و VR نیاز به ردیابی دیدگاه کاربر دارند، ردیابی برای برنامه های AR مهم تر است. AR برای قرار دادن یک شی مجازی بر روی نماهای محیط فیزیکی و ثبت یکپارچه اطلاعات مجازی و نماهای دنیای واقعی در زمان واقعی به ردیابی نیاز دارد. بنابراین، کلید ردیابی، ارزیابی مجدد مستمر پوزیشن‌ها برای تراز کردن دقیق دارایی‌ها و اصلاح دیدگاه برای افزایش تجربه کاربر در محیط مجازی واقعی است. اثربخشی ثبت به شدت به سرعت، دقت، تحمل نویز و پایداری روش ردیابی بستگی دارد [ 56 ].

2.1.1. ثبت و ردیابی مبتنی بر حسگر

بسیاری از مطالعات موقعیت یابی و ژورفرنس در زمان واقعی بر اساس انواع مختلفی از حسگرهای موقعیت قابل حمل در محیط بیرونی انجام می شوند، اما نتایج آزمایش نشان می دهد که سنسورهای وضعیت قابل حمل معمولی نسبت به نویز اندازه گیری و عوامل تداخل حساس هستند [ 57 ، 58 ]. از آنجایی که ردیابی مبتنی بر حسگر به هیچ نوع قرار دادن نشانگر نیاز ندارد، انعطاف پذیرتر است و برای واقعیت افزوده در فضای باز مناسب تر است [ 59 ]. با این حال، خطاهای اندازه گیری در دستگاه های سیستم جهانی ناوبری ماهواره ای (GNSS) مانند GPS معمولی، Beidou و تراشه موقعیت یابی یکپارچه در تلفن های همراه وجود دارد. [ 60]. در نتیجه، ارجاع جغرافیایی مستقیماً با استفاده از حسگر پوسچر قابل حمل سیار اغلب به پردازش و تصحیح خارج از خط [ 61 ، 62 ] و تعامل دستی [ 63 ] نیاز دارد. برای کاربردهای AR-GIS، ردیابی معمولاً با روش‌های مبتنی بر نشانگر، مبتنی بر ویژگی و سایر روش‌های مبتنی بر دید انجام می‌شود.
2.1.2. ثبت و ردیابی مبتنی بر نشانگر
یک تکنیک مبتنی بر نشانگر امکان ردیابی دقیق با استفاده از نشانگرهای بصری را فراهم می کند. ردیابی مبتنی بر نشانگر از یک دوربین دیجیتال، روش‌های بینایی کامپیوتری و نشانگرهایی که به راحتی قابل تشخیص هستند در محیط‌های داخلی یا خارجی استفاده می‌کند. اکثر برنامه های موجود از نشانگرهای چاپ شده استفاده می کنند.
همانطور که در شکل 1 نشان داده شده است ، تصویر نشانگر باید به سیستم وارد شود و فریم های ویدئویی متوالی باید استخراج شوند. ماژول ردیابی که در شکل 1 نشان داده شده است در هسته سیستم واقعیت افزوده قرار دارد. وضعیت نسبی دوربین را بر اساس نشانه‌های مشخص شده و شناسایی مناسب در صحنه ارزیابی می‌کند. اصطلاح “موقعیت” به موقعیت شش درجه آزادی (DoF) یک موجود فضایی از جمله مکان سه بعدی و جهت گیری سه بعدی اشاره دارد.
روش ردیابی پیشرفته‌تر مبتنی بر نشانگر توسط نشانگر عکس به طور گسترده در سیستم‌های AR موجود [ 64 ]، به‌ویژه در برنامه‌های نقشه افزوده [ 4 ] استفاده می‌شود. نیاز به قرار دادن نشانگرهای مصنوعی مصنوعی در صحنه را از بین می برد [ 65 ، 66 ]. گرفتن عکس از یک جسم مسطح در یک صحنه دنیای واقعی و استفاده از آن به عنوان یک نشانگر بصری کارآمد است.
2.1.3. ثبت و ردیابی مبتنی بر ویژگی
ردیابی مبتنی بر ویژگی، که یک تکنیک محبوب بدون نشانگر در بینایی کامپیوتری است، ژست‌های دوربین را با استخراج ویژگی‌های هندسی در دنیای واقعی برای یافتن دنیای سه‌بعدی و تطابق مختصات تصویر دوبعدی ردیابی می‌کند [ 67 ]]. این روش می‌تواند ردیابی دقیق وضعیت دوربین را در زمان واقعی ارائه دهد. فرض اصلی پشت راه‌حل‌های ردیابی، بر خلاف روش‌های مبتنی بر نشانگر، یافتن ارتباط بین ویژگی‌های تصویر دوبعدی و مختصات قاب جهان سه بعدی آنهاست. روش ردیابی مبتنی بر ویژگی برای هر دو صحنه AR داخلی و خارجی قابل استفاده است در حالی که ردیابی مبتنی بر نشانگر عمدتاً برای موقعیت داخلی مناسب است. با این حال، اگر سایت فاقد ویژگی های کافی باشد، واقعاً عملی نیست. علاوه بر این، رندر کردن اشیاء دیجیتال در فضای فیزیکی ممکن است کند باشد زیرا پردازش مورد نیاز از نظر محاسباتی گران است [ 68 ]، به ویژه برای فضای ویژگی های با ابعاد بالا [ 69 ].
با این حال، این روش‌های ثبت و ردیابی بینایی، از جمله رویکردهای مبتنی بر نشانگر و مبتنی بر ویژگی، دارای اشکالاتی هستند [ 63 ]: (1) ردیابی بینایی فقط می‌تواند صحنه‌های ایستا را با نوسانات کمی مدیریت کند. بنابراین، عملکرد به پایداری کاربر بستگی دارد. (2) ردیابی بینایی به قدرت محاسباتی قابل توجهی نیاز دارد که بار سخت افزاری زیادی را برای AR در فضای باز تحمیل می کند.

2.2. تخمین پست مبتنی بر کواترنیون

برای بسیاری از کاربردهای بصری، تخمین ژست یک روش حیاتی است. در نقشه واقعیت افزوده، جهت گیری فضایی یک جسم صلب اغلب با شش درجه آزادی (6DoF) نشان داده می شود که یک ترجمه و یک سری چرخش منظم (زوایای اویلر) را توصیف می کند. این سری از چرخش ها در نگاه اول شهودی به نظر می رسند، زیرا چرخش حول محورهای اصلی را نشان می دهند. با این حال، سری‌های منظم چرخش، مسائل اساسی ذاتی خاصی دارند، مانند قفل گیمبال یا از دست دادن درجه آزادی. مسئله دیگر این است که 12 ترکیب چرخشی جایگزین وجود دارد که می توان از آنها برای ایجاد یک جهت گیری فضایی خاص استفاده کرد. این نه تنها گیج کننده است، بلکه باعث ایجاد مشکلاتی در هنگام محاسبه دینامیک معکوس یا رو به جلو می شود. محاسبه نرخ تغییر زوایای اویلر برای یک دنباله چرخش معین قابل دستیابی است،
در صنایع مختلفی مانند شیمی، رباتیک، کنترل شاتل فضایی، بازی های سه بعدی و واقعیت مجازی، کواترنیون اپراتور چرخشی ترجیحی است. این به ویژه در انیمیشن های بلادرنگ یا فریم کلیدی و برنامه های AR مفید است. و ضرب کواترنیون از نظر محاسباتی ارزان است که امکان درونیابی سریع و روان جهت گیری ها را فراهم می کند.
کواترنیون ها نمایشی جبری از عملیات چرخشی دلخواه بر روی داده های فضایی جهت دار ارائه می دهند که پردازش آنها با زوایای اویلر در سیستم های GIS سنتی دشوار است. از طریق روش عملیات کواترنیون، راه حلی برای تبدیل چرخشی داده های مکانی پیچیده ارائه می دهد. در مقابل، تکنیک‌های گرافیکی سنتی GIS شامل یک سری مراحل و قوانین سرانگشتی می‌شود که درگیری عمیق کمی در فرآیند بیان یا چرخش داده‌های جهت مکانی دارد.
کواترنیون ها برای تخمین پوز بسیار مفید هستند. از آنجایی که الگوریتم‌های مبتنی بر کواترنیون می‌توانند یک راه‌حل منحصربه‌فرد برای مشکلات تخمین موقعیت دوربین بازیابی کنند، فتحیان و همکاران. [ 70 ] یک رویکرد مبتنی بر کواترنیون برای نشان دادن چرخش ایجاد کرد. با این روش، چرخش و ترجمه به راحتی می تواند بازیابی شود. تخمین پوز مبتنی بر کواترنیون سریعتر و دقیقتر از روشهای سنتی است [ 71 ]. یک سیستم ردیابی می تواند چرخش دقیق یک جسم را تخمین بزند و می تواند اثر رانش را در حالت ایستا از بین ببرد. سئو و همکاران [ 72] تخمین جهت گیری مبتنی بر کواترنیون را برای بهبود دقت سیستم ردیابی و حذف اثر رانش در حالت ایستا ارائه کرد. GIS توانایی مدیریت چرخش و درونیابی جهت گیری را ندارد. دی پاور و همکاران [ 73 ] این مسئله را با معرفی کواترنیون ها حل کرد.
نمایش حالت مبتنی بر کواترنیون ها روش موثرتری برای حل مسائل بهینه سازی حداقل مربعات غیرخطی عمومی است که شامل توابع کواترنیون واحد است [ 74 ]. برای کاهش نیازهای محاسباتی، یک فیلتر کالمن با استفاده از تخمین جهت گیری مبتنی بر کواترنیون از حسگرهای MARG در [ 75 ] ارائه شده است. یک الگوریتم تخمین جهت گیری مبتنی بر کواترنیون می تواند از یک واحد اندازه گیری اینرسی (IMU) استفاده کند [ 76 ]. این بر اساس روابط بین کواترنیون نشان دهنده جهت سکو، اندازه گیری گرانش از شتاب سنج ها و اندازه گیری نرخ زاویه ای از ژیروسکوپ است.
کواترنیون ها توانایی بیان روابط مکانی و هندسه دقیق را دارند. برای تطابق خط و نقطه سه بعدی به دوبعدی، یک تخمین موقعیت خطی جدید بر اساس کواترنیون ارائه شده است که دقت و زمان اجرای الگوریتم تخمین ژست دوربین را بهبود می بخشد [ 77 ]. برای تجسم ناوبری داخلی، یک روش مدل‌سازی سه بعدی دقیق مبتنی بر کواترنیون برای شبکه‌های مسیر برای تولید خودکار مدل‌های سه‌بعدی بسیار قابل تشخیص [ 78 ] پیشنهاد شده است.
کواترنیون ها می توانند چرخش هر محور برداری را توصیف کنند، از چرخش داده های مکانی جهت دار پشتیبانی کنند، تفاوت ها را در سطح سطح داده های مکانی جهت دار بیان کنند. با این حال، تاکنون، مطالعات منتشر شده قبلی در مورد تخمین موقعیت مبتنی بر کواترنیون برای داده‌های مکانی به یک شی فضایی منفرد محدود شده‌اند. تحقیقات کمی در مورد روش‌های مبتنی بر کواترنیون برای اشیاء فضایی چند منبعی و چند نوع و نقشه برداری انجام شده است.

2.3. نقشه واقعیت افزوده

AR یک فناوری نسبتاً جدید است که می تواند برای توسعه برنامه های کاربردی جدید [ 79 ] مانند یک رابط کاربری گرافیکی برای داده های مکانی در نقشه برداری استفاده شود. از این طریق می توان مناظر و دیگر چیزهای نقشه برداری را در یک زمینه گرافیکی چشمگیر و پویا تجسم کرد.
به منظور تمایز بین منبع اطلاعات نقشه AR و نمایش آن، Hugues et al. [ 9 ] طبقه بندی جدیدی را پیشنهاد کرد که مولد است و نقشه واقعیت افزوده را به نقشه افزوده (AM) و قلمرو افزوده (AT) جدا می کند. همانطور که در جدول 1 نشان داده شده است ، AM و AT دارای هدف تقویت، به روز رسانی و ارائه محتوا و غیره هستند [ 80 ]. AM به درخواست های کاربر پاسخ می دهد و نقشه را به روز می کند [ 81 ]. از آنجایی که داده‌های GIS کانون تقویت‌ها هستند، یک AM نیز می‌تواند به عنوان یک تکنیک مجازی‌سازی تقویت‌شده در نظر گرفته شود [ 82 ]. و به عنوان یک برنامه AR ex-situ شناخته می شود زیرا یک مدل سه بعدی از یک شی را در مکان آن در هر مکان دیگری تجسم می کند [ 83 ]]. AT به دستورالعمل های کاربر پاسخ می دهد و داده ها را با موقعیت مکانی به روز می کند. از آنجایی که محیط واقعی هدف افزایش است، AT (برنامه‌های in situ AR) عمدتاً برای جمع‌آوری اطلاعات اضافی در طول اکتشاف محیط فیزیکی طراحی شده است.

2.3.1. قلمرو افزوده شده

همانطور که در بالا ذکر شد، AT برای کشف و درک محیط واقعی استفاده می شود. این به طور گسترده ای برای ساخت و ساز زیرزمینی، ناوبری، مدل سازی صحنه و بازسازی محیط استفاده می شود. در [ 52 ]، یک نقشه AR سیار در فضای باز برای تصویرسازی جغرافیایی در مقیاس شهر ارائه شده است. اطلاعات مربوط به ساختمان‌های ویران شده و مکان‌های تاریخی را که تحت تأثیر زلزله قرار گرفته‌اند به راحتی در دسترس عموم قرار داد [ 84 ]. فنایس و همکاران استفاده از AR در صنعت ساخت و ساز زیرزمینی را بررسی کرد [ 85]. AT می تواند تجسم بیدرنگ مدل های سه بعدی را در بالای صحنه واقعی ایجاد کند. به این ترتیب، خطر آسیب رساندن به تاسیسات دفن شده را می توان به طور قابل توجهی با اطلاعات افزوده کاهش داد. AT می تواند به مکان یابی ابزارهای موجود و نمایش اطلاعات حیاتی کمک کند. در بررسی سایت معدن، AT می تواند به کاربر کمک کند تا اشیاء معدن زیرزمینی را به سرعت کاوش کند و درک محیط زیرسطحی را آسان تر کند [ 86 ].
AT همچنین می‌تواند بازخورد بصری همهجانبه‌ای را برای کاربر فراهم کند و درک فضایی سه‌بعدی آن‌ها از داده‌های جغرافیایی ارجاع‌شده را افزایش دهد [ 87 ]. از آنجایی که محتویات دیجیتال مستقیماً روی سایت قرار می گیرند و حاشیه نویسی می شوند، AT می تواند از برنامه ریزی و طراحی زیرساخت با تغییر مستقیم داده ها برای ترکیب تغییرات مورد نیاز، بدون نیاز به هیچ گونه پس پردازش، پشتیبانی کند.
2.3.2. نقشه های افزوده شده
AM یک راه جدید برای تعامل با نقشه های چاپ شده، برای افزایش تعامل و انگیزه کاربر، و برای بهبود درک داده های مکانی [ 88 ] ارائه می دهد. پیشرفت سخت‌افزار و نرم‌افزار کامپیوتر، امکان معرفی انواع مختلفی از ارائه‌های نقشه از جمله رندر سه بعدی را در دهه گذشته فراهم کرده است. به عنوان مثال، Bobrich [ 81 ] یک AM با همپوشانی DEM 3 بعدی بر روی نقشه های کاغذی با نشانگرهای ARToolKit ارائه کرد. نقشه های کاغذی چاپی نیز به صورت دیجیتالی با برخی از تعاملات سودمند، با استفاده از فناوری AR گسترش می یابند [ 89 ].
AM می تواند نقشه های الکترونیکی را برای نمایش محتوای نقشه پویا افزایش دهد. نقشه‌های الکترونیکی به‌راحتی در پردازش و تجسم به‌روزرسانی و جستجو می‌شوند، زیرا اطلاعات همه در قالب داده‌های دیجیتال هستند، و آنها را برای نمایش محتوای تغییر پویا نسبت به نقشه‌های کاغذی مناسب‌تر می‌سازد. اخیراً برنامه جدیدی از AM وجود دارد، یعنی جعبه شنی واقعیت افزوده، که به عنوان یک ابزار قدرتمند در آموزش و طراحی زمین ظاهر شده است. از یک جدول با جعبه AR پر از یک لایه شن مجازی به عنوان رابط اصلی ساخته شده است [ 90 ]. سندباکس AR یک روش جدید برای بیان و تحقیق در مورد پیشرفت‌ها و پدیده‌های جغرافیایی مختلف در زمان واقعی ارائه می‌کند. تعداد فزاینده‌ای از شواهد نشان می‌دهد که جعبه ماسه‌ای AR برای تجربه آموزشی و بهبود تفکر فضایی دانش‌آموزان مفید است.27 ، 31 ].
نقشه واقعیت افزوده همراه با فناوری‌های سنجش موبایل و GIS، مانند سایر سیستم‌های واقعیت افزوده، می‌تواند تجربه نقشه AR را بهبود بخشد. از GIS می توان برای بهبود نقشه های AR استفاده کرد و آنها را قابل استفاده تر و دقیق تر کرد [ 91 ]. این اجازه می دهد تا نقشه های مختلف با استفاده از پایگاه داده مرجع یکسان ثبت و تقویت شوند. هنگامی که نقشه‌های AR با تلفن‌های همراه ترکیب می‌شوند، روش‌های جدیدی با استفاده از پروژکتور دوربین قابل حمل برای درگیر شدن و مشاهده محتوای اضافی مورد علاقه می‌تواند ایجاد شود [ 92 ].

3. مواد، مفاهیم و روش ها

3.1. فرآیند تجسم برداری برای نقشه AR

همانطور که در شکل 2 نشان داده شده است ، فرآیند اصلی تجسم نقشه برداری AR، شروع و مقداردهی اولیه سیستم نقشه AR، و همچنین خواندن و مقداردهی اولیه زمینه نقشه AR از طریق مدل داده های برداری GIS است. مختصات موقعیت یابی با دقت بالا در ارتباط با RTK-GPS [ 93]، نقشه های AR از نظر موقعیت و جهت دهی اولیه می شوند و رابطه فضایی بین بافت فضایی نقشه های AR و مدل داده های برداری GIS تعیین می شود. سپس محیط فیزیکی و هواپیما بر اساس دوربین و اندازه‌گیری ناوبری اینرسی دستگاه MAR شناسایی می‌شوند. مقیاس صحنه واقعی و رابطه تبدیل ماتریس دوربین تعیین می شود. مرجع مختصات محیط مجازی GIS و صحنه واقعی AR بر اساس رابطه تبدیل ماتریس و الزامات برنامه های نقشه AR تراز و ثبت می شوند.
هنگامی که داده های فضایی چند منبعی بارگذاری می شوند، شی فضایی AR مربوطه بر اساس نوع داده ساخته می شود ( شکل 3 را ببینید ). کواترنیون چرخشی شی فضایی AR در رابطه با دستگاه MAR محاسبه می شود تا ماتریس چرخش را از یک کواترنیون جدید تولید کند. با استفاده از این ماتریس چرخش، پارامترهای تجسم درگاه دید نقشه برداری در زمان واقعی به روز می شود.
اگر پوز در طول فرآیند تعامل و همکاری نقشه AR به روز شود، کواترنیون جدید دستگاه MAR دوباره محاسبه خواهد شد. اگر شبکه مکان تغییر کرده باشد، شی فضایی AR بازسازی می شود. پس از این مراحل، نتیجه تعامل و عملیات نقشه AR ذخیره خواهد شد.

3.2. محاسبه و تبدیل ژست مبتنی بر کواترنیون

مدل‌سازی و پردازش ژست AR-GIS شامل جمع‌آوری و تبدیل در زمان واقعی داده‌های ژست دوربین و همچنین ترجمه اطلاعات پوزیشن مانند جهت‌گیری مکان مکانی دوربین ویدیویی AR به اطلاعات سازگار با GIS است.
کواترنیون ها می توانند به عنوان جایگزینی برای زوایای اویلر برای پارامترسازی چرخش های فضایی در سه بعدی استفاده شوند [ 94 ]. عملیات تغییر نمای سنتی GIS عمدتاً توسط زوایای اویلر و جابجایی مختصات به دست می‌آید [ 95 ]. این روش قادر به حل دو مشکل رایج در صحنه های AR نیست: (1) حرکت آزاد 6 DoF نامحدود، یعنی هر ترکیبی از عملیات در 6 عملیات مانند چرخش، پیچ، غلت و جابجایی محور X ، جابجایی محور Y ، Z.جابجایی محور، و غیره، در همان زمان می تواند به دقت این حالت حرکت را توصیف کند. (2) زوایای اویلر نشان می دهد که هنگام حرکت با مشکل قفل جهانی مواجه می شود که منجر به همان حالت فضایی می شود.

3.2.1. تبدیل زاویه کواترنیون

این سیستم از زوایای اویلر برای ایجاد یک ماتریس چرخش سه زاویه ای استفاده می کند، سپس آن را به کواترنیون ها تبدیل می کند که زاویه دید نقشه برداری را برای نمایش معکوس می کند. کواترنیون ها دارای مزیت صرفه جویی در فضای ذخیره سازی و تسهیل درون یابی نسبت به روش ماتریسی هستند، در حالی که نقشه های AR باید اغلب از نمایش چرخشی نقشه در محیط واقعی استفاده کنند تا اطمینان حاصل شود که نقشه همیشه می تواند به طور دقیق با محیط واقعی در هر یک از کاربر تعامل داشته باشد. موقعیت ها و دیدگاه های مشاهده

کواترنیون هر موقعیت در سیستم مختصات نسبی را می توان با حرکت دادن دستگاه AR به دست آورد. یک کواترنیون واحد را می توان به عنوان یک نمایش پیچیده یا یک نمایش ماتریسی توصیف کرد.

q=qw+qایکسمن+qyj+qzک=qwqایکسqyqzتی

جایی که  qایکس،qyو qz برای نشان دادن محور به صورت برداری استفاده می شود و qwزاویه چرخش حول محور است.

برای به دست آوردن پارامترهای نمایش مورد نیاز نقشه برداری در عملیات تبدیل نمای، از معادله (2) برای تبدیل کواترنیون دستگاه AR متحرک به زوایای اویلر در موقعیت فعلی دوربین استفاده می شود.

∅θφ=قهوهای مایل به زرد22qwqایکس+qyqz،1-2qایکس2+qy2asin(2(qwqy+qzqایکس))قهوهای مایل به زرد22qwqz+qایکسqy،1-2qy2+qz2

جایی که زوایای اویلر ( ∅،θ،φ)به ترتیب، رول (چرخش حول محور Z )، گام (چرخش حول محور Y جدید )، انحراف (چرخش حول محور X جدید ) هستند.

3.2.2. تجسم اجسام فضایی مبتنی بر کواترنیون
هنگامی که نقشه یک بیت مپ را ارائه می دهد، یک شی نقطه فضایی AR ایجاد می شود. سپس، کواترنیون مربوطه q1بر اساس جهت گیری موقعیت نیز محاسبه می شود. و کواترنیون وضعیت فعلی دستگاه AR سیار به صورت نامگذاری شده است q2. موقعیت مطلق شی فضایی AR نسبت به دستگاه AR متحرک را می توان با مضرب محاسبه کرد q1و q2تعیین یک کواترنیون جدید qn. با q2، یک ماتریس چرخشی ایجاد می شود که به کاربران امکان می دهد نمای نقشه به روز شود و در یک محیط واقعیت افزوده با آن تعامل داشته باشند.

کواترنیون q3وضعیت دستگاه AR موبایل را نشان می دهد. R نشان دهنده ماتریس چرخش دستگاه AR سیار همزمان است که در معادله (3) نشان داده شده است. ماتریس چرخش نقشه برداری شناسایی شده توسط کواترنیون در دستگاه AR متحرک با استفاده از رابطه (4) محاسبه می شود.

آر=r11r12r13r21r22r23r31r32r33،
آر=1-2qy2-2qz22qایکسqy-2qwqz2qایکسqz-2qwqy2qایکسqy-2qwqz1-2qایکس2-2qz22qyqz-2qwqایکس2qایکسqz-2qwqy2qyqz-2qwqایکس1-2qایکس2-2qy2،
همانطور که در رابطه (5) نشان داده شده است، q1نشان دهنده کواترنیون در محل است ایکس1، و q2نشان دهنده کواترنیون در محل است ایکس2. دگرگونی حرکت سفت و سخت بدن در موقعیت ایکس26DoF نسبت به محل ایکس16DoF را می توان با ضرب برای به دست آوردن یک کواترنیون جدید انجام داد. بنابراین، موقعیت اولیه شی فضایی AR اضافه شده توسط کاربر همیشه نسبت به دستگاه AR متحرک بدون تغییر است.

از آنجایی که نقشه برداری نیز یک شی فضایی AR است، کواترنیون ایجاد شده توسط حرکت دستگاه MAR می تواند به یک کواترنیون جدید موقعیت نقشه برداری تبدیل شود، و اطمینان حاصل شود که نقشه برداری پس از ثبت در دنیای واقعی ثابت می ماند. این روش، مطابق با معادله (5)، به نقشه برداری اجازه می دهد تا به طور مستقیم کواترنیون دستگاه AR را به هر موقعیتی که برای ترجمه انتخاب شده است، حرکت دهد و سپس نتیجه تبدیل کواترنیون از طریق فرآیند محاسبه به وظیفه تجسم نقشه برداری AR منتقل می شود. معادله (4).

q1=qw1+qایکس1من+qy1j+qz1کq2=qw2+qایکس2من+qy2j+qz2کq1 · q2=qw1qw2-qایکس1qایکس2-qy1qy2-qz1qz2+qw1qایکس2+qایکس1qw2+qy1qz2-qz1qy2من+qw1qy2+qایکس1qz2+qy1qw2-qz1qایکس2j+qw1qz2+qایکس1qy2+qy1qایکس2-qz1qw2ک

3.3. محاسبه رابطه اجسام فضایی دوبعدی و سه بعدی مبتنی بر کواترنیون

Quaternion و SLAM، در ترکیب با ناوبری اینرسی، می توانند موقعیت یابی و ردیابی مستمر را با فرکانس بالا، با دقت بالا، ارائه دهند و نقشه های AR را فراگیرتر کنند. با این حال، برای به روز رسانی نمای نمایشگر و ماتریس چرخش وضعیت به راحتی، تغییر مداوم رابطه فضایی اشیاء فضایی مجازی بر اساس عملیات کواترنیون نیاز به انطباق موتور رندر GIS دارد.
در زیر روش نقشه برداری AR با استفاده از چند رشته ای ناهمزمان است. داده های برداری چند منبعی از پایگاه داده فضایی GIS، که با قوانین روش های تقسیم شاخص شبکه به نقشه های بیتی تبدیل می شوند، بازیابی می شوند. شی فضایی AR از بیت مپ زمانی ساخته می شود که کش دوگانه و حوضچه بافر ساخته شوند.
هنگامی که حرکت بلادرنگ دستگاه های MAR تغییر می کند، حالت کواترنیون شی فضایی AR به طور همزمان به روز می شود. بیت مپ های هر زیر رشته های رندر برای رندر در هر موقعیت به روز شده ادغام می شوند و کل بیت مپ های ادغام شده ذخیره می شوند و به اندازه بزرگتر از تمام صفحه برش داده می شوند [ 10 ]. سپس شی فضایی AR به صفحه اصلی اطلاع می دهد تا نقشه برداری برش خورده را تازه کند و آن را در صفحه کاربر دستگاه های MAR نمایش دهد. علاوه بر این، این رویکرد با ادغام RTK-GPS و از بین بردن عدم دقت انباشته شده در حین حرکت، تجسم نرم‌تری را ارائه می‌کند که به دنیای واقعی نزدیک‌تر است.
از آنجایی که کواترنیون ها ممکن است چرخش هر محور برداری را نشان دهند، الگوریتم های محاسباتی مبتنی بر کواترنیون می توانند چرخش نامحدود داده های مکانی جهت دار را فعال کرده و تفاوت ها را در سطح سطح داده های مکانی جهت دار توصیف کنند. با این حال، ادبیات کواترنیون حاضر بر اجرای عملیات کواترنیون بر روی اهداف نقطه ای یک شی متمرکز است و هنوز در GIS امکان تمایز بین اشیاء فضایی چند منبع و چند نوع و عناصر برداری وجود ندارد. از آنجایی که واحدهای تحقیقاتی پایه در GIS شامل نقاط، خطوط، سطوح، بدنه‌ها و غیره است، این موجودیت‌های فضایی ممکن است فعالیت‌های فضایی‌سازی مانند پرس و جو، انتخاب، ویرایش، اسنپ، تبدیل مختصات، عملیات توپولوژیکی، تحلیل فضایی و غیره را اجرا کنند.
بنابراین، نحوه ایجاد عملیات کواترنیون و رابطه نگاشت اشیاء فضایی 2 بعدی/3 بعدی در GIS تعیین می کند که آیا عملیات فضایی رایج GIS را می توان در نقشه AR انجام داد، مانند انتخاب ساختمان ها و جاده ها در نمای فعلی در حالت واقعیت. پرس و جو از نتایج سلول نزدیک و تجسم دقیق آن در صحنه واقعی، راهنمایی کاربر برای راه رفتن در جهت تصحیح و تعامل بلادرنگ و واکنش تطبیقی ​​اشیاء فضایی دوبعدی/سه بعدی در جعبه AR تبلت.
در این بخش از نگاشت فضایی اشیاء چند ضلعی و کواترنیون ها به عنوان مثال استفاده شده است. به عنوان یک نوع اساسی نقشه، یک شی چند ضلعی از هر شی فضایی (مانند یک ساختمان سه بعدی) در یک نقشه AR باید از انتخاب، پرس و جو و ویرایش بلادرنگ پشتیبانی کند. به دست آوردن یک منطقه بسته به عنوان یک پنجره، که نتایج حاصل از اکتساب را در یک پایگاه داده مکانی تحت سیستم مختصات نقشه ذخیره می کند، نمونه ای از یک فرآیند تولید داده مبتنی بر GIS است. برخلاف GIS سنتی، که نیاز به یک پرس و جو فضایی با حجم زیاد و محاسبه تابع مثلثاتی دارد، سپس مجموعه هدف را فیلتر می‌کند، کواترنیون‌ها می‌توانند راه سریع‌تری برای کار کردن ارائه دهند. کواترنیون ها را می توان مستقیماً از اشیاء چند ضلعی ساخت و عملیات را می توان به سادگی با تعیین اینکه آیا خط و پرتوهای نمای AR تلاقی می کنند یا خیر تکمیل کرد.
به طور خاص، برنامه های کاربردی نقشه های AR اغلب بالای سطح زمین هستند. فرآیند تولید کواترنیون برای هر چندضلعی در یک نقشه AR را می توان با ساختن کواترنیون چرخش های صفحه ای متشکل از سه نقطه که نسبت به صفحه افقی هم خط نیستند، ساده کرد.
از آنجا که نرمال می تواند به طور منحصر به فرد جهت هر صفحه را شناسایی کند، صفحه فضایی می تواند هر موقعیت پلانی را با چرخش نشان دهد. آرو ترجمه T، و مسئله اکنون به چرخش بردار خطی تبدیل می شود.

مراحل اجرای دقیق به شرح زیر است: A صفحه افقی اولیه نقشه AR، B صفحه ای است که از سه نقطه غیر خطی تشکیل شده است، و بردار نرمال صفحه B با ضرب متقاطع سه نقطه محاسبه می شود. طبق فرمول چرخش رودریگز،

ک=کایکسکyکz،v0=vایکسvyvz

که در آن بردار نرمال واحد صفحه چرخش است ک(یعنی بردار واحد کاز محور چرخش)؛ توجه داشته باشید که هنگام چرخش جهت خلاف جهت عقربه های ساعت مثبت است. بردار نرمال صفحه A به صورت نشان داده می شود v0. بردار چرخشی را می توان به صورت بیان کرد

v1=آر0v0

که در آن بردار نرمال صفحه B به صورت نشان داده می شود v1و θ زاویه چرخش است. آر0ماتریس چرخش در یک زاویه است θخلاف جهت عقربه های ساعت حول محور ککه می تواند به صورت محاسبه شود

آر0=Ecosθ+1-cosθکایکسکyکz کایکسکyکz+گناهθ0-کzکyکz0-کایکس-کyکایکس0

جایی که E نشان دهنده 3 است ×3 ماتریس هویت پس از به دست آوردن ماتریس چرخش شی چند ضلعی مربوطه، اطلاعات کواترنیونی شی چند ضلعی را می توان از طریق رابطه (10) به دست آورد.

مv،θ=cosθ+1-cosθایکس21-cosθایکسy+گناهθz1-cosθایکسz+گناهθy1-cosθyایکس+گناهθzcosθ+1-cosθy21-cosθyz+گناهθایکس1-cosθzایکس+گناهθy1-cosθzy+گناهθایکسcosθ+1-cosθz2،

شکل زیر تبدیل بین ماتریس چرخش و کواترنیون است. همانطور که در رابطه (3) نشان داده شده است، ماتریس چرخش R است. تبدیل ماتریس چرخش R به کواترنیون را می توان بدون از دست دادن محاسبه کرد. معادله (10) محاسبه کواترنیون مربوط به فاز را نشان می دهد،

qایکس=r32-r234qwqy=r13-r314qwqz=r21-r124qwqw=121+r11+r22+r33
پس از ساخت کواترنیون جسم، عملیات کواترنیون اصلی مانند درون یابی، صرف، ضرب و معکوس قابل انجام است. نتیجه عملیات به یک شی صفحه در GIS تبدیل می شود. عملیات سنتی فضایی را می توان از جمله ویرایش داده های مکانی، ضبط، محاسبه توپولوژی و پرس و جو فضایی در GIS نیز اجرا کرد. و سپس نتایج عملیات برای مدیریت و تجسم به کواترنیون ها تبدیل می شوند. شکل 4 و شکل 5 چرخش دلخواه داده های جهت گیری فضایی مبتنی بر کواترنیون و عملیات GIS بر اساس داده های جهت گیری فضایی مبتنی بر کواترنیون را نشان می دهد.

3.4. روش ناهمزمان با سرعت بالا برای تجسم برداری

یک مکانیسم رندر ناهمزمان به منظور پاسخگویی سریع به الزامات به روز رسانی بلادرنگ در محیط واقعی AR پیشنهاد شده است. این نیاز به استقلال بین محتوای تجسم نقشه برداری و فرآیند تعامل پویا ورودی کاربر دارد، و تجسم در زمان واقعی نقشه برداری تحت تأثیر فرکانس رندر، حجم داده و مقیاس تغییرات شدید قرار نمی گیرد. در همان زمان، زمان‌بندی رندر چند رشته‌ای معرفی می‌شود که از نقشه برداری در AR پشتیبانی می‌کند تا به زیر ماژول‌های مش چندگانه برای رندر تجزیه شود. با استفاده از روش‌های تجسم شی فضایی مبتنی بر AR، بیت‌مپ‌های رندر شده به صورت ناهمزمان نمایش داده می‌شوند و به صفحه AR مبادله می‌شوند.
فرآیند نگاشت نقشه AR چند رشته ای ناهمزمان به شرح زیر است: داده های برداری چند منبعی را از یک پایگاه داده مکانی GIS به دست آورید، داده های برداری را با استفاده از قوانین شاخص شبکه نقشه به بیت مپ تقسیم کنید، کار رندر را از طریق صفحه میزبان AR آغاز کنید، و کنترل کنید. نتیجه رندر عملیات پنجره AR فعال به‌روزرسانی، بیت مپ پس از ساخت حافظه پنهان دوگانه، محتوای شبکه برای ساخت یک استخر بافر، بیت مپ برای ساخت یک استخر بافر. شکل 6 روش به روز رسانی ناهمزمان را برای نقشه های برداری AR در دستگاه های MAR نشان می دهد. شکل 7 روش شتاب چند رشته ای را برای تجسم نقشه برداری AR نشان می دهد.

4. نتایج و بحث

برای تأیید سازگاری و استحکام الگوریتم تجسم ما در انواع داده های نقشه واقعیت افزوده واقعی مانند نقاط، خطوط، چند ضلعی ها، برچسب ها و مکعب های سه بعدی، زمان پردازش هر مرحله از الگوریتم مقایسه شد (همانطور که در جدول 2 نشان داده شده است.)، تحت حجم زیاد داده های رایج در AR-GIS آزمایش و تأیید شد. زمان پردازش مرحله پرس و جو داده های بردار نقشه درگاه دید دوربین از 11 میلی ثانیه تا 20 میلی ثانیه است. مراحل پیش پردازش ساخت اشیاء فضایی عمدتاً مبتنی بر تبدیل موقعیت کواترنیون است که 10 میلی‌ثانیه تا 24 میلی‌ثانیه طول می‌کشد. رندر ناهمزمان شی فضایی 11 میلی‌ثانیه تا 15 میلی‌ثانیه طول می‌کشد، رندر نتایج به‌صورت پیوسته و نمایش صفحه 5 میلی‌ثانیه تا 6 میلی‌ثانیه طول می‌کشد، عمدتاً از طریق رندر ناهمزمان حافظه پنهان ذخیره‌شده با توجه به اندازه نمایش اشیاء فضایی AR برای دوخت، و به‌صورت تعاملی دستگاه را ترسیم می‌کند. صفحه نمایش کل فرآیند 40 میلی‌ثانیه تا 63 میلی‌ثانیه طول می‌کشد، نقاط، خطوط و چند ضلعی‌ها به آرامی نمایش داده می‌شوند و حاشیه‌نویسی‌ها و مکعب‌های سه‌بعدی هیچ تأخیر آشکاری نشان نمی‌دهند. آنچه در جدول مشخص است، کارایی روش ما است. بر اساس زمان‌بندی وظایف ترسیم چند رشته‌ای ناهمزمان،
همانطور که در جدول 3 نشان داده شده است ، هنگام نمایش تبدیل یک نمای GIS، روش استاندارد مبتنی بر زوایای اویلر به طور چشمگیری در مقادیر شدید عملیات مانند چرخش، زمین، نورد و سایر فعالیت ها برای نقشه AR تکان می خورد. این رویکرد مشکلات کاربردی معمولی را در سناریوهای AR محدود می کند.
نتایج تأیید مقایسه در زیر خلاصه شده است:
  • زوایای اویلر اغلب هنگام نمایش حرکت دارای مشکلات قفل گیمبال هستند که در نتیجه نمایش زاویه اویلر از همان حالت فضایی منحصر به فرد نیست. هنگامی که زاویه چرخش در دوربین نزدیک به 90 درجه است، یا زاویه گام نزدیک به 180 درجه، یا زاویه چرخش نزدیک به 180 درجه است، دو مجموعه نمایش زاویه اویلر با مقادیر بسیار متفاوت ممکن است چرخش یکسانی را نشان دهند. منجر به نمایش نقشه AR ناپایدار می شود.
  • روش های سنتی برای پشتیبانی از حرکت آزاد نامحدود 6DoF، یعنی چرخش، گام، غلتش و هر ترکیبی از عملیات در شش عملیات مانند جابجایی محور X ، جابجایی محور Y و جابجایی محور Z دشوار است. و توصیف دقیق چنین حالت حرکتی برای نقشه های AR غیرممکن است.
  • روش تجسم نقشه AR مبتنی بر کواترنیون ارائه شده در این مقاله می تواند با تجسم صاف تحت شرایط شدید هر محور حرکت دوربین بدون پدیده تکان دادن شدید ادامه یابد. این روش حالت حرکت دستگاه AR متحرک را به صورت حرکت سفت و سخت بدن بیان می‌کند و آن را از طریق کواترنیون بیان می‌کند، به طوری که محتوای تجسم نقشه برداری همیشه می‌تواند با صحنه واقعی، بدون دررفتگی یا لرزش شکستگی، تراز شود. علیرغم شرایط شدید زاویه گام در دوربین، رویکرد ما همچنان می‌تواند تمام محتوای عناصر را در نمای نقشه به‌طور دقیق نمایش دهد.
بر اساس الگوریتم تبدیل کواترنیون و زمان‌بندی چند رشته‌ای ناهمزمان، مکانیسم مدیریت و رندر برای اشیاء فضایی پیچیده AR ایجاد می‌شود، به طوری که تجسم نقشه AR می‌تواند به تعامل انسان و رایانه و هموارسازی نقشه‌ها در زمان واقعی پاسخ دهد. روش رندر جدید به صورت تطبیقی ​​وظایف ترسیمی را بر اساس مقدار داده در یک نقشه برداری اختصاص می دهد. فهرستی از کارهای ترسیمی حاوی تمام انواع ویژگی ها در نقشه برداری واقعیت افزوده ایجاد می کند و نقشه را در زمان واقعی بر اساس محدوده صفحه و رابطه فضایی تعامل انسان و رایانه تجسم می کند. ما اثرات عملیات دو الگوریتم تجسم نقشه برداری را مقایسه کردیم. پنج نوع عملیات آزمایش شده، عملیات متداول نقشه های AR در کاربردهای عملی هستند که می توانند عملیات متداول مانند پانینگ، کشش،شکل 8 نتایج موتور تجسم نقشه منبع باز Mapbox [ 96 ] و روش موجود در این مقاله را نشان می دهد. شکل 9 مقایسه تأخیر نتایج تجسم را در مورد متحرک سریع در یک تعامل مشترک با نقشه های برداری نشان می دهد. آزمایشات نشان می دهد که:
  • الگوریتم تجسم نقشه برداری AR پیشنهاد شده در این مقاله می تواند با سناریوی کاربردی نقشه برداری خام (غیر کاشی) که Mapbox در آن خوب نیست، سازگار شود. روش پیشنهادی از رومینگ عادی و عملیات ترجمه سریع پشتیبانی می کند و حتی می تواند عملیات کشش مداوم نقشه را در سراسر مقیاس انجام دهد و پدیده تاخیر نمایش آشکار را حذف کند.
  • در سناریوی کاربردی که Mapbox در نقشه‌های AR کاشی‌های برداری خوب است، روش پیشنهادی در این مقاله به سختی می‌تواند تأخیر محتوای نقشه را زمانی که نقشه AR کاشی برداری به سرعت پانل می‌شود، ببیند، در حالی که Mapbox تأخیر رندر محتوا را در زمان واقعی ایجاد می‌کند. و نقشه خالی محتوای ترسیم شده ظاهر می شود.
همانطور که در جدول 4 نشان داده شده است ، پایداری روش های تجسم مختلف در یک آزمایش مقایسه شده است. نتیجه نشان می دهد که روش ما هیچ لرزش آشکاری ندارد و عملکرد بصری روش جدید برای تجسم کارآمد است. در مقایسه با نقشه نقشه مشابه Mapbox، مشخص شد که پاسخ به‌روزرسانی محلی Mapbox دارای تاخیر است، به این معنی که فقط از کاشی‌ها پشتیبانی می‌کند و از حرکت در محدوده وسیع پشتیبانی نمی‌کند.
پایداری دو تکنیک تجسم در آزمایش تجسم بالا مقایسه شده است. نتایج نشان می دهد که روش ما هیچ لرزش و تاخیر آشکاری ندارد و از عملیات نقشه بلادرنگ در محدوده وسیعی با داده های مکانی پیچیده پشتیبانی می کند.
به منظور ارزیابی کارایی تجسم این روش با روش سنتی، سه روش تجسم نقشه AR، شامل رویکرد مبتنی بر نشانگر [ 66 ]، رویکرد مبتنی بر ویژگی [ 68 ] و روش ما برای AT و AM مورد بررسی قرار می‌گیرد. شکل 10 این دو صحنه محبوب برنامه نقشه AR را نشان می‌دهد (نمایش ویدیوی YouTube را می‌توانید در https://youtu.be/jjfmKi8sXkA بیابید که در 10 مه 2022 قابل دسترسی است). جدول 5 و جدول 6 نتایج آزمون را نشان می دهد.
تعدادی از معیارهای کلیدی برای AT و AM آزمایش شده است. برنامه‌های AT را به عنوان مثال در نظر بگیرید: عملکرد تجسم برنامه‌ها از جمله تور نمای خیابان، رندر کردن داده‌های برداری در پیکان مسیرهای بردار جهت‌گیری دلخواه در صحنه واقعی، و رندر زمان واقعی داده‌های برداری در مقیاس بزرگ با کیفیت بالا آزمایش می‌شوند. موقعیت یابی دقیق جدول 5 نتایج سه رویکرد را در سناریوهای AT نشان می دهد. جدول 6 نتایج سه روش را در AM نشان می دهد. نتایج بررسی مقایسه ای به شرح زیر است:
  • الگوریتم کواترنیون در روش ما می‌تواند به طور مؤثری پوز اینرسی SLAM را به ماتریس نمای مورد نیاز برای نمایش نقشه صاف تبدیل کند، در حالی که ویژگی‌های نرخ فریم رندر فرکانس بالا و به‌روزرسانی وضعیت با دقت بالا را حفظ می‌کند. این بیشتر برای تجسم و کارهای تعاملی برنامه های کاربردی مختلف نقشه AR، به ویژه سناریوهای کاربردی نقشه AR در مقیاس بزرگ و پیوسته مانند ناوبری نقشه در حالت واقعی و کاوش صحنه شهری در حالت چشم پوشی مناسب است.
  • روش مبتنی بر تطبیق ویژگی مزیت استخراج سریع و عدم نیاز به اطلاعات تصویر قبلی را دارد، اما در استفاده از نقشه‌های واقعیت افزوده واقعی، حرکت مکرر دستگاه AR موبایل و تعامل انسان و رایانه باعث تغییر زیادی در اطلاعات واقعی محیطی می‌شود و عملیات مرور نقشه اطلاعات مکرر مکرر را تولید می کند که تأثیر محاسباتی اضافی بیشتری را برای تطبیق ویژگی ها به ارمغان می آورد. علاوه بر این، تکمیل عملیات اصلی مانند راه رفتن و رومینگ طولانی مدت و مداوم، ناوبری پیاده روی، پاننگ و بزرگنمایی نقشه واقعی واقعیت افزوده دشوار است.
  • بر اساس روش نشانگر، معایب در کاربردهای نقشه پیوسته در مقیاس بزرگ آشکار است. پس از از دست رفتن اطلاعات تصویر نشانگر، دستگاه قادر نخواهد بود به حفظ اطلاعات موقعیت مکانی مربوط به تجسم نقشه AR ادامه دهد، اما در حالت جدول شنی دسکتاپ و حالت چشم پوشی در مقیاس کوچک، روش نشانگر از استحکام خوبی برخوردار است. و نیازی به محاسبه پیچیده و ثبت جغرافیایی اشیاء فضایی AR ندارد.
همانطور که قبلاً در بخش 2 ذکر شد ، روش مبتنی بر نشانگر و روش مبتنی بر ویژگی دارای اشکال محاسباتی فشرده و نامناسب بودن برای برنامه های نقشه AR در فضای باز با فاصله صدها یا حتی ده ها متر است [ 63 ]. در نتیجه، رویکرد مبتنی بر حسگر اغلب در نقشه AR صحنه واقعی استفاده می‌شود ( شکل 11 را ببینید ). تجزیه و تحلیل مقایسه ای کاربردهای AT با استفاده از روش مبتنی بر حسگر [ 62 ] و روش ما انجام شد. دقت نتایج تجسم تبدیل زاویه حسگر به یک ماتریس چرخش با دقت روش مبتنی بر کواترنیون مقایسه می‌شود.
ما یک تجزیه و تحلیل از مجموعه های متعدد از مناطق تجربی برای روش مقایسه انجام دادیم. منطقه مورد نظر حاوی اطلاعات مکانی مانند جاده های ترافیکی، ساختمان ها، روکش منهول های شهری و نرده ها با ویژگی های بصری آشکار، خط های آسمان و خطوط با ویژگی های نامحسوس و سیگنال های موقعیت یابی است که تا حدی مسدود شده اند. نتایج نشان می دهد که روش ما نسبت به روش حسگر پیشرفت قابل توجهی دارد.
محدود به دقت ثبت اولیه، خطای تجسم داده های برداری در روش سنتی در ابتدا زیاد است. خطای محل اولیه تجسم به طور متوسط ​​57.2 سانتی متر است. با توجه به توانایی روش‌های سنتی در خود اصلاحی بر اساس محاسبه زاویه سنسور، خطای تجسم روش‌های سنتی در یک فاصله معین به طور قابل‌توجهی با افزایش کیلومتر شمار ورزشی افزایش نمی‌یابد. با این حال، یک خطای بزرگ در محاسبه زاویه سنسور وجود دارد. خطای روش سنسور با فاصله از موقعیت بصری دستگاه AR در حالت متفاوت در موقعیت افزایش می یابد. به عنوان مثال، در رویکرد مبتنی بر حسگر، نمایش ساختمانی دورتر از دستگاه AR فعلی دارای خطای 104.6 سانتی متر است.
همانطور که در جدول 7 نشان داده شده است ، روش در این مقاله محاسبه پوز SLAM بصری-اینرسی را بر اساس کواترنیون انجام می دهد و خطای تجسم اولیه به 8.9 سانتی متر کاهش می یابد. اگرچه این روش با حرکت خطا را جمع می‌کند، اما همچنان از دقت بهتری نسبت به روش‌های سنتی برخوردار است. خطای تجسم ساختمان در شرایط مشابه با روش سنسور تنها 16.8 سانتی متر است. در عین حال، خطای تجمعی این روش را می توان با روش هایی مانند همجوشی چند حسگر [ 97 ] حذف کرد.]. از آنجایی که خطای فرآیند ثبت اولیه و ردیابی کوچک است، فاصله از موقعیت بصری دستگاه AR تأثیر کمی بر خطای تجسم داده‌های برداری تحت نگرش‌های مختلف در یک موقعیت مشابه دارد. خطای تجسم اجسام فضایی مشاهده شده توسط دستگاه AR، مانند جاده برداری جلوی چشم، ساختمان دور و پوشش منهول زیر پا، بین 13 سانتی متر تا 16 سانتی متر است. به طور خلاصه، روش پیشنهادی می‌تواند انواع مختلفی از داده‌های برداری را در برنامه‌های AT به طور دقیق تجسم کند و اثر تجسم تحت تأثیر عواملی مانند مساحت داده‌های برداری و فاصله قرار نمی‌گیرد.
همانطور که در جدول 8 نشان داده شده است، این روش از انواع سناریوهای کاربردی تجسم نقشه AR، از جمله ناوبری AR داخلی و خارجی، بازرسی خط لوله زیرزمینی، مدل سازی برداری سه بعدی ساختمان ها، میز شنی آموزش مجازی و سالن نمایشگاه صحنه واقعی همهجانبه پشتیبانی می کند. این سناریوها ویژگی های تجسم متفاوتی دارند و به عنوان حالت نقشه AR AT، AM یا هر دو طبقه بندی می شوند. همانطور که قبلا ذکر شد، بهبود فنی این روش بهتر از این ویژگی های بصری پشتیبانی می کند. این روش یک ماتریس تبدیل حرکت کوچک را با دقت بیشتری از طریق ویژگی‌های هموارسازی کواترنیون‌ها نشان می‌دهد، که تداوم و پایداری تجسم‌های برداری مانند نمادهای پیکان مسیر را در ناوبری AR تضمین می‌کند. روش محاسبه نگاشت روابط فضایی که بر این اساس ساخته شده است می تواند موقعیت داده های برداری 2 بعدی/3 بعدی را با سرعت و دقت بیشتری حل کند، از نمایش سریع و دقیق بردارهای نقشه AR اطمینان حاصل کند، هر سطحی را در صحنه واقعی به درستی شکاف داده و نقشه را بهبود بخشد. تجربه تعامل در حالت AM. این روش می تواند به سرعت معنای مکانی را برای مدل سازی برداری استخراج کند. بر اساس محاسبه سریع و دقیق روابط چندگانه فضایی در این روش، پردازش و نمایش روابط فضایی مانند استخراج سطحی سه بعدی فضایی، خط گسترش فضایی، خط سه بعدی و بدنه چند ضلعی خط نقطه ای سه بعدی محقق می شود. و سالن نمایشگاه صحنه واقعی همهجانبه که نمایش اطلاعات مجازی را با صحنه واقعی و برنامه پیچیده AR ترکیب می کند به طور کامل پشتیبانی می شود.

5. نتیجه گیری ها

این مطالعه یک روش تجسم داده‌های برداری دوبعدی و سه بعدی سریع و دقیق را برای برنامه‌های نگاشت واقعیت افزوده موبایل (MAR) پیشنهاد کرد. با در نظر گرفتن ناوبری نقشه AR از بلوک های فضای باز در مسافت طولانی به عنوان یک تصویر، رویکرد پیشنهادی دقت نمایش و کارایی پاسخ بالاتری در یک صحنه واقعی نسبت به روش های رایج دارد. متفاوت از الگوریتم تجسم سنتی داده های برداری، که به حرکت کمکی زیاد و زمان پردازش طولانی نقاط ویژگی نیاز دارد، این روش به روز رسانی دینامیکی داده های برداری را بهینه می کند و محدودیت های چرخشی را برای اشیاء فضایی مختلف ایجاد می کند، بدون اتکا به علائم قبلی بصری. یا اطلاعات ویژگی های پیوسته این روش تجسم پیشرفته مداوم را برای دستگاه های کوچک مانند دوربین های مینیاتوری ارائه می دهد.
در مقایسه با روش‌های تجسم MAR موجود، رویکرد در این مقاله عمدتاً فرآیند رندر اشیاء فضایی برداری 2 بعدی/3 بعدی را بر اساس کواترنیون‌ها بهبود می‌بخشد. این اساساً مبتنی بر سه اثر است: نمایش وضعیت دقیق مبتنی بر کواترنیون برای داده‌های فضایی چند منبعی، محاسبه سریع و دقیق روابط فضایی 2 بعدی/3 بعدی اشیاء فضایی و روش ناهمزمان با سرعت بالا برای تجسم برداری. در تبدیل حالت مبتنی بر کواترنیون دوربین، هر افزایش (رابطه تبدیل حالت مجاور) بر روی فضای مماس SE(3) محاسبه می شود [ 98] در ماتریس هویت، و افزایش به دست آمده به صورت تصاعدی به موقعیت فضایی جهانی دستگاه AR متحرک نگاشت می شود. این ویژگی تفاوت هموار شده چهارتایی ها از تکینگی ها جلوگیری می کند و تضمین می کند که ماتریس های تبدیل کوچک نیز می توانند نمایش داده شوند و از بیان صاف تفاوت بین جهت های دلخواه پشتیبانی می کنند. بر اساس این ویژگی، این مقاله یک الگوریتم نقشه برداری با دقت بالا را بین اشیاء فضای AR مختلف پیاده سازی کرد و عملیات ماتریس چرخش سه بعدی را برای ایجاد بیشتر یک راه حل نگرش دقیق برای تبدیل بدون تلفات انواع داده های برداری 2D/3D در ترکیب کرد. نمای یک دوربین AR این نتایج راه حل را می توان مستقیماً برای نمایش نمایش صفحه استفاده کرد و AR-GIS را قادر می سازد تا داده های برداری را به سرعت و با دقت در محیط های واقعی نمایش دهد.
مقاله ما راه و چارچوب جدیدی برای تجسم داده های برداری AR-GIS در صحنه های نقشه افزوده و قلمرو افزوده ارائه می دهد. برای تأیید رویکرد پیشنهادی، این مقاله روش جدید را با مقایسه پایداری و عملکرد بصری روش‌های مختلف آزمایش کرده است. نتایج تجربی نشان داد که روش ما می تواند برای ارائه بردار AR-GIS در چندین صحنه کاربردی در دنیای واقعی استفاده شود. هنگام ارائه داده های برداری از یک نقشه جعبه ماسه ای AR، روش پیشنهادی در این مقاله تقریباً 10 برابر دقیق تر از روش سنتی نمایش زاویه ورودی حسگر با ماتریس تبدیل است. علاوه بر این، این روش می‌تواند از تجسم در زمان واقعی مجموعه‌های نقشه‌های متعدد در مکان‌های فضایی مختلف پشتیبانی کند. این می تواند داده های برداری 2 بعدی/3 بعدی را مطابق با قوانین نقشه برداری فضایی اطلس های مختلف نمایش دهد و تجربه تعاملی برنامه های نقشه AR را بسیار افزایش دهد. این امر با ایجاد رابطه تبدیل ربع و اشیاء فضایی به دست می آید. این تکنیک به طور قابل توجهی تجسم داده های برداری واقعیت افزوده موبایل را بهبود می بخشد. با استفاده از تجسم برداری با روش ما، تجسم برداری تحت شرایط شدید هر محور حرکت دوربین می تواند پایدار و دقیق باشد. و عملکرد این روش برای کاربردهای بلادرنگ نیز قابل اجرا است. این تکنیک به طور قابل توجهی تجسم داده های برداری واقعیت افزوده موبایل را بهبود می بخشد. با استفاده از تجسم برداری با روش ما، تجسم برداری تحت شرایط شدید هر محور حرکت دوربین می تواند پایدار و دقیق باشد. و عملکرد این روش برای کاربردهای بلادرنگ نیز قابل اجرا است. این تکنیک به طور قابل توجهی تجسم داده های برداری واقعیت افزوده موبایل را بهبود می بخشد. با استفاده از تجسم برداری با روش ما، تجسم برداری تحت شرایط شدید هر محور حرکت دوربین می تواند پایدار و دقیق باشد. و عملکرد این روش برای کاربردهای بلادرنگ نیز قابل اجرا است.
این کار یک مطالعه اساسی در حوزه AR-GIS ارائه می دهد که ممکن است برای ترویج تحقیقات بصری مرتبط استفاده شود. با این حال، تحقیقات ما هنوز محدودیت هایی دارد. اولاً، نمایش و عملکرد اجسام فضایی بر اساس کواترنیون ها بصری نیست، به ویژه از نظر درونیابی غیرخطی. فرآیند محاسبه پیچیده تر از محاسبه زاویه ای سنتی است. تجسم برداری با استفاده از عملیات کواترنیون همچنین نیاز به تطبیق با سناریوهای کاربردی نقشه بیشتری دارد، از جمله نقشه های برداری پیچیده در مقیاس بزرگ، زمین با نوسانات ارتفاع آشکار، و مدل های با چگالی بالا در صحنه های واقعی. اگرچه معرفی روش‌های جدید کواترنیونی می‌تواند برخی از مشکلات تجسم AR GIS را حل کند، اما پیچیدگی پردازش داده‌های برداری نقشه‌های AR را نیز افزایش می‌دهد. نگاشت فضایی داده های برداری سنتی دوبعدی و سه بعدی در سیستم مختصات جغرافیایی نزدیک به سطح زمین پیچیده تر خواهد بود. دوم، در حالی که کواترنیون‌ها می‌توانند اثر فرآیند ثبت و ردیابی فرآیندهای تجسم AR را بهبود بخشند، و تراز کردن اشیاء مجازی و فیزیکی را دقیق‌تر کنند، برخی از مشکلات مربوط به تجسم در واقعیت افزوده همچنان کاربرد AR-GIS را محدود می‌کند، از جمله دشواری اشیاء مجازی همیشه. تطبیق با محیط فیزیکی واقعی، و عملکرد نادرست تعامل ناشی از توهم عمق. این روش می‌تواند دقت و پایداری نمایشگر را مطابق با محیط فیزیکی واقعی بهبود بخشد، اما نمی‌تواند الزامات برنامه‌های AR-GIS مانند نقشه برداری داده‌های برداری و تولید داده‌های نگاشت در دوام و تعامل انسان و رایانه را به طور کامل برآورده کند. در آینده، روش هایی مانند همجوشی چند سنسوری IMU و RTK-GPS را می توان برای بهبود بیشتر دوام، دقت و استحکام رندر معرفی کرد. تحقیقات آینده در مورد این تکنیک در ارتباط با درک صحنه هوشمند کامپیوتری با توجه به پیشرفت فناوری هوش مصنوعی و فناوری مکان یابی چند منبعی بسیار مهم خواهد بود.

منابع

  1. ادلر، دی. Kersten، TP Virtual and Augmented Reality in Spatial Visualization. KN-J. کارتوگر. Geogr. Inf. 2021 ، 71 ، 221-222. [ Google Scholar ] [ CrossRef ]
  2. دیکمن، اف. کیل، جی. دیکمن، پل. ادلر، دی. تأثیر تکنیک‌های واقعیت افزوده بر تجسم کارتوگرافی. KN-J. کارتوگر. Geogr. Inf. 2021 ، 71 ، 285-295. [ Google Scholar ] [ CrossRef ]
  3. رومائو، تی. رومرو، ال. دیاس، ای. دانادو، ج. کوریا، ن. ترابوکو، ای. سانتوس، سی. سانتوس، آر. نوبر، ای. Câmara، A. تقویت واقعیت با اطلاعات جغرافیایی مرجع برای مدیریت محیطی. در مجموعه مقالات دهمین سمپوزیوم بین‌المللی ACM در مورد پیشرفت‌ها در سیستم‌های اطلاعات جغرافیایی-GIS ’02, McLean, VA, USA, 8-9 نوامبر 2002. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2002; پ. 175. [ Google Scholar ]
  4. لیاروکاپیس، اف. گریت بچ، آی. کوه، دی. گونش، ع. بروژیک-اکرتیک، وی. رپر، جی. تکنیک‌های واقعیت افزوده موبایل برای تجسم جغرافیایی. نهم بین المللی Conf. Inf. Vis. 2005 ، 2005 ، 745-751. [ Google Scholar ] [ CrossRef ]
  5. هوسکونن، جی. Oksanen، T. نمونه برداری خاک با هواپیماهای بدون سرنشین و واقعیت افزوده در کشاورزی دقیق. محاسبه کنید. الکترون. کشاورزی 2018 ، 154 ، 25-35. [ Google Scholar ] [ CrossRef ]
  6. Vaughan، KL; وان، RE; Seeley، JM Experiential Learning در علوم خاک: استفاده از یک جعبه شنی واقعیت افزوده. نات علمی آموزش. 2017 ، 46 ، 1-5. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. چاتزوپولوس، دی. برمجو، سی. هوانگ، ز. Hui, P. Mobile Reality Survey: از جایی که هستیم تا جایی که می رویم. IEEE Access 2017 ، 5 ، 6917–6950. [ Google Scholar ] [ CrossRef ]
  8. Koegst، L. پتانسیل های گشت و گذار با هدایت دیجیتالی در دانشگاه ها با استفاده از مثال یک سفر جغرافیایی شهری در اشتوتگارت نشان داده شده است. KN-J. کارتوگر. Geogr. Inf. 2022 ، 72 ، 59-71. [ Google Scholar ] [ CrossRef ]
  9. هیوگ، او. سیوتات، جی.-م. Guitton، P. GIS و واقعیت افزوده: وضعیت هنر و مسائل. در کتابچه راهنمای واقعیت افزوده ; Furht، B.، Ed. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; صص 721-740. شابک 978-1-4614-0063-9. [ Google Scholar ]
  10. هوانگ، ک. وانگ، سی. وانگ، اس. لیو، آر. چن، جی. Li, X. یک چارچوب رندر نقشه کارآمد و مستقل از پلتفرم برای واقعیت افزوده موبایل. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 593. [ Google Scholar ] [ CrossRef ]
  11. وانگ، ز. بای، ایکس. ژانگ، اس. بیلینگ هرست، ام. او، دبلیو. وانگ، ی. هان، دی. چن، جی. لی، جی. نقش دستورالعمل AR کاربر محور در بهبود شناخت فضایی تازه کار در یک کار رویه ای با دقت بالا. Adv. مهندس به اطلاع رساندن. 2021 ، 47 ، 101250. [ Google Scholar ] [ CrossRef ]
  12. نرزت، دبلیو. پومبرگر، جی. فرشا، ع. کلب، دی. مولر، آر. ویگاردت، جی. هورتنر، اچ. Lindinger, C. یک مفهوم تجسم جدید برای سیستم های ناوبری. در مجموعه مقالات پارادایم های تعامل کاربر محور برای دسترسی جهانی در جامعه اطلاعاتی، وین، اتریش، 28-29 ژوئن 2004. Stary, C., Stephanidis, C., Eds. Springer: برلین/هایدلبرگ، آلمان، 2004; صص 440-451. [ Google Scholar ]
  13. نرزت، دبلیو. پومبرگر، جی. فرشا، ع. کلب، دی. مولر، آر. ویگاردت، جی. هورتنر، اچ. Lindinger, C. سیستم های ناوبری واقعیت افزوده. یونیورسال دسترسی به Inf. Soc. 2006 ، 4 ، 177-187. [ Google Scholar ] [ CrossRef ]
  14. دی هان، جی. پیگیلت، اچ. پست، ناوبری فضایی FH برای نظارت تصویری آگاه از زمینه. محاسبات IEEE. نمودار. Appl. 2010 ، 30 ، 20-31. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. لیو، بی. منگ، L. کنفرانس دکتری – به سوی یک رابط کاربری بهتر از برنامه ناوبری داخلی مبتنی بر واقعیت افزوده. در مجموعه مقالات ششمین کنفرانس بین المللی 2020 شبکه تحقیقاتی یادگیری فراگیر (iLRN)، سن لوئیس اوبیسپو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 25 ژوئن 2020؛ IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2020؛ صص 392-394. [ Google Scholar ]
  16. تمپلین، تی. پوپیلارچیک، دی. Gryszko، M. استفاده از واقعیت افزوده و مجازی (AR/VR) برای پشتیبانی از ناوبری ایمن در مناطق آبی داخلی و ساحلی. Remote Sens. 2022 , 14 , 1520. [ Google Scholar ] [ CrossRef ]
  17. استیلیانیدیس، ای. والاری، ای. پاگانی، ع. کاریلو، آی. کونودس، ا. مایکل، ک. Smagas، K. تجسم جغرافیایی واقعیت افزوده برای تاسیسات زیرزمینی. PFG-J. فتوگرام سنسور از راه دور Geoinf. علمی 2020 ، 88 ، 173-185. [ Google Scholar ] [ CrossRef ]
  18. ژنگ، م. تجسم واقعیت افزوده در محل مبتنی بر مکان Campbell، AG برای ناوبری میدان کشاورزی اعمال شد. در مجموعه مقالات سمپوزیوم بین المللی IEEE 2019 در مورد واقعیت ترکیبی و افزوده (ISMAR-Adjunct)، پکن، چین، 10 تا 18 اکتبر 2019؛ IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2019؛ ص 93-97. [ Google Scholar ]
  19. جین، ی. سئو، جی. لی، جی جی; آن، اس. هان، S. واقعیت افزوده فضایی مبتنی بر BIM (SAR) برای همکاری در طراحی معماری: اثبات مفهوم. Appl. علمی 2020 ، 10 ، 5915. [ Google Scholar ] [ CrossRef ]
  20. لیوینگستون، MA; Ai، Z. کارش، ک. Gibson، طراحی رابط کاربری GO برای برنامه های کاربردی AR نظامی. واقعی مجازی. 2011 ، 15 ، 175-184. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. ما، دبلیو. شیونگ، اچ. دای، ایکس. ژنگ، ایکس. ژو، ی. مکانیزم ثبت سه بعدی مبتنی بر تشخیص صحنه داخلی برای تجسم AR-GIS در زمان واقعی در برنامه های موبایل. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 112. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. محمود، ب. هان، اس. لی، دی.-ای. ثبت و بومی سازی ابرهای نقطه سه بعدی صحنه های داخلی با استفاده از ویژگی های هندسی برای واقعیت افزوده مبتنی بر BIM. Remote Sens. 2020 , 12 , 2302. [ Google Scholar ] [ CrossRef ]
  23. ورنیکا، تی. هانکه، آ. برنشتاین، WZ بهره‌برداری از نمایش‌های مکانی استاندارد برای واقعیت افزوده صنعتی. در مجموعه مقالات یازدهمین اجلاس سازمانی مبتنی بر مدل (MBE 2020)، Gaithersburg، MD، ایالات متحده، 31 مارس تا 2 آوریل 2020؛ ص 184-190. [ Google Scholar ]
  24. شیونگ، اچ. ما، دبلیو. ژنگ، ایکس. گونگ، جی. Abdelalim, D. تکسچرینگ صحنه داخلی بر اساس تصاویر تک تلفن همراه و مدل سه بعدی فیوژن. بین المللی جی دیجیت. زمین 2019 ، 12 ، 525–543. [ Google Scholar ] [ CrossRef ]
  25. هوانگ، ک. وانگ، سی. لیو، آر. Chen, G. یک روش گیرکردن هدف فضایی سریع و دقیق برای مدل‌سازی و نقشه‌برداری صحنه سه‌بعدی در واقعیت افزوده موبایل. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 69. [ Google Scholar ] [ CrossRef ]
  26. مک نیل، KS; رایکر، ک. ویتمایر، اس. جورجیس، س. اتکینز، آر. لادو، ن. کلارک، سی. سولتیس، ن. پینگل، تی. یک مطالعه چند نهادی در مورد فعالیت‌های آزمایشگاهی مبتنی بر تحقیق با استفاده از ماسه‌بازی واقعیت افزوده: تأثیرات بر یادگیری دانشجویان مقطع کارشناسی. جی. جئوگر. بالا. آموزش. 2020 ، 44 ، 85-107. [ Google Scholar ] [ CrossRef ]
  27. سانچز، S.Á. مارتین، LD; گیمنو گونزالس، ام. مارتین-گارسیا، تی. آلماراز-منندز، ف. Ruiz, C. Sandbox واقعیت افزوده: بستری برای تجربیات آموزشی. در مجموعه مقالات چهارمین کنفرانس بین المللی اکوسیستم های فناورانه برای تقویت چندفرهنگی، سالامانکا، اسپانیا، 2 تا 4 نوامبر 2016. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2016; جلد 27، ص 599–602. [ Google Scholar ]
  28. پتراسووا، آ. هارمون، بی. پتراس، وی. تبریزیان، پ. میتاسووا، اچ. مدلسازی ملموس با GIS منبع باز. ; انتشارات بین المللی اسپرینگر: چم، سوئیس، 2018; شابک 978-3-319-89302-0. [ Google Scholar ]
  29. افروز، ع. بالال، اچ. Pettit, C. پیاده سازی Sandbox واقعیت افزوده در Geodesign: A Future. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، 4 ، 5-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. وودز، TL; رید، اس. Hsi، S. Woods, JA; مطالعه آزمایشی Woods، MR با استفاده از Sandbox واقعیت افزوده برای آموزش نقشه‌های توپوگرافی و فرآیندهای سطحی در آزمایشگاه‌های زمین‌شناسی مقدماتی. جی. ژئوشی. آموزش. 2016 ، 64 ، 199-214. [ Google Scholar ] [ CrossRef ]
  31. جورج، آر. هویت، سی. اوکلی، جی. استفاده کودکان خردسال از یک ماسه باکس واقعیت افزوده برای تقویت تفکر فضایی. کودک. Geogr. 2020 ، 18 ، 209-221. [ Google Scholar ] [ CrossRef ]
  32. Carbonell Carrera، C.; Bermejo Asensio، LA واقعیت افزوده به عنوان یک محیط آموزشی دیجیتالی برای توسعه تفکر فضایی. کارتوگر. Geogr. Inf. علمی 2017 ، 44 ، 259-270. [ Google Scholar ] [ CrossRef ]
  33. او، جی. ژو، ی. تان، ایکس. لی، ایکس. Guo, X. یک روش مبتنی بر صفحه موازی برای ارائه چند خطوط و چند ضلعی در سطوح زمین. محاسبه کنید. Geosci. 2017 ، 99 ، 19-27. [ Google Scholar ] [ CrossRef ]
  34. او، جی. لی، سی. لی، جی. Wei, Q. روشی کارآمد برای رندر کردن نمادهای خطی در زمین های سه بعدی با استفاده از زبان شیدر. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 476-497. [ Google Scholar ] [ CrossRef ]
  35. وو، ام. چن، تی. ژانگ، ک. جینگ، ز. هان، ی. چن، ام. وانگ، اچ. Lv، G. یک روش تجسم کارآمد برای داده های چند ضلعی با ساده سازی پویا. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 138. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. گو، ام. هوانگ، ی. Xie, Z. یک رویکرد تجزیه متوازن برای تجسم در زمان واقعی نقشه های برداری بزرگ در CyberGIS. جلو. محاسبه کنید. علمی 2015 ، 9 ، 442-455. [ Google Scholar ] [ CrossRef ]
  37. احمد، دبلیو. ضیاء، ع. خالد، U. یک شبکه اجتماعی مبتنی بر نقشه گوگل (GMBSN) برای کاوش اطلاعات در مورد یک منطقه خاص. جی. سافتو. مهندس Appl. 2013 ، 06 ، 343-348. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. نتک، آر. ماسوپوست، ج. پاولیچک، اف. Pechanec، V. تست عملکرد بر روی کاشی های نقشه برداری در مقابل نقشه شطرنجی-مطالعه مقایسه ای روی سنجه های بار. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 101. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. لی، ال. هو، دبلیو. زو، اچ. لی، ی. Zhang، H. مدل داده‌های برداری کاشی‌شده برای ویژگی‌های جغرافیایی نقشه‌های نمادین. PLoS ONE 2017 , 12 , e0176387. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  40. هو، دبلیو. لی، ال. وو، سی. ژانگ، اچ. زو، اچ. یک روش موازی برای تسریع تجسم و تعامل برای کاشی های برداری. PLoS ONE 2019 , 14 , e0221075. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  41. گوو، ام. هوانگ، ی. گوان، کیو. زی، ز. Wu, L. سازماندهی کارآمد داده و استراتژی زمانبندی برای تسریع در ارائه داده های برداری بزرگ. ترانس. GIS 2017 ، 21 ، 1217-1236. [ Google Scholar ] [ CrossRef ]
  42. ژو، ز. کارلکار، ج. هی، دی. اشنایدر، ام. لو، دبلیو. Wittkopf، S. برآورد پوس قوی برای واقعیت ترکیبی در فضای باز با همجوشی حسگر. در یادداشت های سخنرانی در علوم کامپیوتر (شامل یادداشت های سخنرانی های فرعی در هوش مصنوعی و یادداشت های سخنرانی در بیوانفورماتیک) ؛ Stephanidis, C., Ed. Springer: برلین/هایدلبرگ، آلمان، 2009; جلد 5616 LNCS، ص 281-289. ISBN 3642027121. [ Google Scholar ]
  43. Rabbi, I. تکنیک های ردیابی واقعیت افزوده: یک پروتکل مروری نظام مند ادبیات. IOSR J. Comput. مهندس 2012 ، 2 ، 23-29. [ Google Scholar ] [ CrossRef ]
  44. پنچال، ک. شاه، اچ. تشخیص چهره سه بعدی بر اساس تصحیح ژست با استفاده از روش زاویه اویلر. در مجموعه مقالات کنفرانس بین المللی Proceedings-2013 در مورد تحقیق و پیشرفت هوش ماشینی، ICMIRA 2013، Katra JK، هند، 21-23 دسامبر 2013. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2013؛ صص 467-471. [ Google Scholar ]
  45. پورتالس، سی. لرما، جی ال. ناوارو، S. واقعیت افزوده و فتوگرامتری: هم افزایی برای تجسم محیط های فیزیکی و شهری مجازی. ISPRS J. Photogramm. Remote Sens. 2010 ، 65 ، 134-142. [ Google Scholar ] [ CrossRef ]
  46. ژو، ز. وانگ، ال. پوپسکو، V. یک چیدمان متحدالمرکز تا حدی مرتب شده برای بومی سازی کارآمد برچسب در واقعیت افزوده. IEEE Trans. Vis. محاسبه کنید. نمودار. 2021 ، 27 ، 4087-4096. [ Google Scholar ] [ CrossRef ]
  47. تیان، ی. لانگ، ی. شیا، دی. یائو، اچ. ژانگ، جی. مدیریت انسداد در واقعیت افزوده بر اساس روش بازسازی سه بعدی. محاسبات عصبی 2015 ، 156 ، 96-104. [ Google Scholar ] [ CrossRef ]
  48. تیان، ی. وانگ، ایکس. یائو، اچ. چن، جی. وانگ، ز. یی، L. کنترل انسداد با استفاده از تکنیک‌های حجم متحرک و ریخته‌گری پرتو برای سیستم‌های واقعیت افزوده. چندتایی. ابزارهای کاربردی 2018 ، 77 ، 16561-16578. [ Google Scholar ] [ CrossRef ]
  49. جیا، جی. الزوویک، س. فن، اچ. یانگ، اس. لیو، جی. گوو، دبلیو. قهوهای مایل به زرد، CC; Ling, H. Semantic-Aware Label Placement for Augmented Reality in Street View. Vis. محاسبه کنید. 2021 ، 37 ، 1805-1819. [ Google Scholar ] [ CrossRef ]
  50. یوان، ال. یو، ز. لو، دبلیو. یی، ال. Lü, G. محاسبات روابط توپولوژیکی چند بعدی-یکپارچه: یک رویکرد مبتنی بر جبر هندسی سلسله مراتبی. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 2435-2455. [ Google Scholar ] [ CrossRef ]
  51. پارکر، سی. Tomitsch, M. روندهای تجسم داده ها در برنامه های کاربردی واقعیت افزوده موبایل. در مجموعه مقالات هفتمین سمپوزیوم بین المللی ارتباطات و تعامل اطلاعات بصری – VINCI ’14، سیدنی، استرالیا، 5 تا 8 اوت 2014. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2014. جلد 2014، ص 228-231. [ Google Scholar ]
  52. لی، جی.ای. دانسر، ا. کیم، اس. Billinghurst، M. CityViewAR: یک برنامه کاربردی AR در فضای باز موبایل برای تجسم شهر. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی IEEE در مورد واقعیت ترکیبی و افزوده 2012—مقالات هنر، رسانه و علوم انسانی، ISMAR-AMH 2012، آتلانتا، GA، ایالات متحده آمریکا، 5-8 نوامبر 2012; IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2012؛ صص 57-64. [ Google Scholar ]
  53. چن، ک. لی، تی. کیم، اچ اس. کولر، دی. Katz، RH MARVEL: فعال کردن واقعیت افزوده موبایل با انرژی کم و تأخیر کم. در مجموعه مقالات شانزدهمین کنفرانس ACM در مورد سیستم های حسگر شبکه جاسازی شده، SenSys’18، شنژن، چین، 4 تا 7 نوامبر 2018؛ Ramachandran, GS, Krishnamachari, B., Eds. انجمن ماشین‌های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا؛ صص 292-304. [ Google Scholar ] [ CrossRef ]
  54. چولتکین، ا. لوچهد، آی. مدن، م. کریستف، اس. دوو، ا. پتیت، سی. قفل، O.; شوکلا، س. هرمان، ال. استاچون، ز. و همکاران واقعیت بسط یافته در علوم فضایی: مروری بر چالش های پژوهشی و جهت گیری های آینده. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 439. [ Google Scholar ] [ CrossRef ]
  55. Vince, J. Quaternions for Computer Graphics , 2nd ed.; Springer: لندن، انگلستان، 2011; پ. 181. [ Google Scholar ] [ CrossRef ]
  56. هالووی، تجزیه و تحلیل خطای ثبت RL برای واقعیت افزوده. Presence Teleoperators Virtual Environ. 1997 ، 6 ، 413-432. [ Google Scholar ] [ CrossRef ]
  57. مین، اس. لی، ال. وی، اچ. Xiang، R. ثبت تعاملی برای GIS واقعیت افزوده. در مجموعه مقالات کنفرانس بین المللی 2012 بینایی کامپیوتر در سنجش از دور، Xiamen، چین، 16-18 دسامبر 2012. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2012؛ صص 246-251. [ Google Scholar ]
  58. رایت مایر، جی. Schmalstieg, D. OpenTracker-معماری نرم افزار باز برای ردیابی قابل تنظیم مجدد بر اساس XML. در مجموعه مقالات واقعیت مجازی IEEE 2001، یوکوهاما، ژاپن، 13 تا 17 مارس 2001. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2001؛ ص 285-286. [ Google Scholar ]
  59. کسپری، ج. ادواردسون، نماینده مجلس؛ رومرو، ام. انسداد در واقعیت افزوده فضای باز با استفاده از داده‌های ساختمان جغرافیایی. در مجموعه مقالات سمپوزیوم ACM در نرم افزار و فناوری واقعیت مجازی، VRST، گوتنبرگ، سوئد، 8 تا 10 نوامبر 2017. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2017؛ صص 1-10. [ Google Scholar ]
  60. فوگلیارونی، پ. مازورکیویچ، بی. کاتنبک، ام. جیانوپولوس، I. واقعیت افزوده با آگاهی جغرافیایی برای VGI. Adv. کارتوگر. GIScience ICA 2019 ، 2 ، 1-9. [ Google Scholar ] [ CrossRef ]
  61. نیومن، جی. واگنر، ام. بائر، ام. مک ویلیامز، ای. پینتاریک، تی. بیر، دی. پوستکا، دی. استراسر، اف. اشمالستیگ، دی. کلینکر، جی. ردیابی همه جا حاضر برای واقعیت افزوده. در مجموعه مقالات ISMAR 2004: سومین سمپوزیوم بین المللی IEEE و ACM در مورد واقعیت ترکیبی و افزوده، آرلینگتون، VA، ایالات متحده آمریکا، 2 تا 5 نوامبر 2004. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2004; صص 192-201. [ Google Scholar ]
  62. لی، دبلیو. هان، ی. لیو، ی. زو، سی. رن، ی. وانگ، ی. Chen, G. رندر زمان واقعی بر اساس موقعیت مکانی خطوط لوله زیرزمینی شهری. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 32. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  63. هوانگ، دبلیو. سان، م. لی، اس. یک مکانیسم ثبت تعاملی مبتنی بر GIS سه بعدی برای سیستم واقعیت افزوده فضای باز. سیستم خبره Appl. 2016 ، 55 ، 48-58. [ Google Scholar ] [ CrossRef ]
  64. ژانگ، ایکس. فرونز، اس. نواب، ن. تشخیص و رمزگشایی نشانگر بصری در سیستم‌های AR: یک مطالعه تطبیقی. در مجموعه مجموعه مقالات – سمپوزیوم بین المللی در مورد واقعیت ترکیبی و افزوده، ISMAR 2002، دارمشتات، آلمان، 30 سپتامبر تا 1 اکتبر 2002. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2002؛ صص 97-106. [ Google Scholar ]
  65. خان، د. الله، س. Rabbi، I. ایجاد نشانگر با لبه تیز، بدون نویز و متمایز (SDD) برای ARToolKit. در ارتباطات در علوم کامپیوتر و اطلاعات ; Springer: برلین/هایدلبرگ، آلمان، 2014; جلد 465، صص 396–407. [ Google Scholar ]
  66. ننوسکی، بی. Nedelkovski، I. شناسایی و ردیابی اشیاء در فضای باز با استفاده از نشانگرهای Artoolkit. بین المللی جی. کامپیوتر. علمی Inf. تکنولوژی 2019 ، 11 ، 21-28. [ Google Scholar ] [ CrossRef ]
  67. هان، بی. رابرتز، دبلیو. وو، دی. Li, J. ردیابی شیء مبتنی بر ویژگی قوی. در مجموعه مقالات الگوریتم ها برای تصاویر رادار دیافراگم مصنوعی XIV، اورلاندو، FL، ایالات متحده آمریکا، 10-11 آوریل 2007. Zelnio، EG، Garber، FD، Eds. SPIE: Bellingham, WA, USA, 2007; جلد 6568، ص. 65680U. [ Google Scholar ]
  68. فن، ال. ریهیماکی، م. Kunttu، I. یک رویکرد ردیابی شی مبتنی بر ویژگی برای پردازش بیدرنگ تصویر در دستگاه های تلفن همراه. در مجموعه مقالات – کنفرانس بین المللی پردازش تصویر، ICIP، هنگ کنگ، چین، 26-29 سپتامبر 2010. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2010؛ صص 3921–3924. [ Google Scholar ]
  69. بوهیونگ، اچ. دیویس، ال. ردیابی شی با استخراج ویژگی تطبیقی. در مجموعه مقالات کنفرانس بین المللی 2004 در مورد پردازش تصویر، 2004. ICIP ’04، سنگاپور، 24-27 اکتبر 2004; IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2004; جلد 3، ص 1501–1504. [ Google Scholar ]
  70. فتحیان، ک. رامیرز-پاردس، جی پی. Doucette، EA؛ کرتیس، جی دبلیو. Gans، NR QuEst: یک رویکرد مبتنی بر کواترنیون برای تخمین حرکت دوربین از نقاط ویژگی حداقل. ربات IEEE. خودکار Lett. 2018 ، 3 ، 857-864. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. رزا، اس. توسکانا، جی. Bona، B. Q-PSO: تخمین پوز مبتنی بر کواترنیون سریع از تصاویر RGB-D. جی. اینتل. ربات. سیستم تئوری کاربردی 2018 ، 92 ، 465-487. [ Google Scholar ] [ CrossRef ]
  72. Seo, E.-H.; پارک، سی.-اس. کیم، دی. آهنگ، J.-B. تخمین جهت گیری مبتنی بر کواترنیون با کاهش خطای استاتیکی. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در مورد مکاترونیک و اتوماسیون، پکن، چین، 7 تا 10 اوت 2011. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2011؛ صفحات 1624-1629. [ Google Scholar ]
  73. De Paor، DG محاسبات جهت‌گیری‌ها برای سیستم اطلاعات جغرافیایی – “رول” کواترنیون‌ها. محاسبه کنید. Methods Geosci. 1996 ، 15 ، 447-456. [ Google Scholar ]
  74. Ude، A. حداقل مربعات غیرخطی بهینه سازی توابع کواترنیون واحد برای تخمین پوس از ویژگی های مربوطه. در مجموعه مقالات چهاردهمین کنفرانس بین المللی تشخیص الگو (Cat. No.98EX170)، بریزبن، استرالیا، 16-20 اوت 1998; IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 1998؛ جلد 1، ص 425–427. [ Google Scholar ]
  75. مارینز، جی ال. یون، ایکس. باخمن، ER; مک گی، آر.بی. Zyda، MJ یک فیلتر کالمن توسعه یافته برای تخمین جهت گیری مبتنی بر کواترنیون با استفاده از حسگرهای MARG. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2001 در مورد ربات ها و سیستم های هوشمند. گسترش نقش اجتماعی رباتیک در هزاره بعدی (Cat. No.01CH37180)، Maui، HI، ایالات متحده آمریکا، 29 اکتبر تا 3 نوامبر 2001. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2001؛ جلد 4، ص 2003–2011. [ Google Scholar ]
  76. کیم، آ. گل نراقی، MF الگوریتم تخمین جهت گیری کواترنیونی با استفاده از واحد اندازه گیری اینرسی. In Proceedings of the Record—IEEE PLANS, Position Location and Navigation Symposium, Monterey, CA, USA, 26-19 آوریل 2004. IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2004; صص 268-272. [ Google Scholar ]
  77. سلام.؛ جیانگ، سی. هو، سی. شین، جی. وو، کیو. Wang, F. الگوریتم تخمین موقعیت خطی بر اساس کواترنیون. در یادداشت های سخنرانی در علوم کامپیوتر (از جمله یادداشت های سخنرانی های فرعی در هوش مصنوعی و یادداشت های سخنرانی در بیوانفورماتیک) ؛ Springer: برلین/هایدلبرگ، آلمان، 2011; جلد 6838 LNCS، ص 303-310. ISBN 9783642247279. [ Google Scholar ]
  78. جیان، اچ. فن، ایکس. لیو، جی. جین، Q. Kang, X. یک روش مدل‌سازی سه بعدی تکه‌ای مبتنی بر کواترنیون برای شبکه‌های مسیر داخلی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 89. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  79. گیتا، اس. عنبراسی، لی ج. پراساد، AV; گوپتا، ا. برنامه واقعیت افزوده راج، BE. در ورودی چند رسانه ای و حسی برای واقعیت افزوده، ترکیبی و مجازی ؛ Tyagi، AK، اد. IGI Global: Hershey، PA، ایالات متحده آمریکا، 2021؛ صص 118-133. [ Google Scholar ]
  80. چنگ، ی. زو، جی. یانگ، سی. میائو، جی. Ge, W. ویژگی های تحقیقات نقشه افزوده از دیدگاه نقشه برداری. کارتوگر. Geogr. Inf. علمی 2022 ، 1-17. [ Google Scholar ] [ CrossRef ]
  81. بوبریچ، جی. Otto, S. Augmented Maps. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2002 ، 34 ، 502-505. [ Google Scholar ]
  82. ورنر، پی. بررسی پیاده‌سازی واقعیت افزوده در نقشه‌ها و تصاویر آنالوگ و دیجیتال مرجع جغرافیایی. اطلاعات 2018 ، 10 ، 12. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  83. دوو، ا. هوراو، سی. بردیف، م. کریستف، اس. ژئوتصویرسازی شهری سه بعدی: آزمایش‌های واقعیت افزوده و ترکیبی درجا. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، 4 ، 41-48. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  84. لی، جی. Billinghurst, M. CityViewAR Outdoor AR Visualization. در مجموعه مقالات سیزدهمین کنفرانس بین‌المللی فصل NZ از گروه علاقه‌مند ویژه ACM در مورد تعامل انسان-رایانه – CHINZ ’12، Dunedin، نیوزیلند، 2 تا 3 ژوئیه 2012; ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2012; پ. 97. [ Google Scholar ]
  85. Fenais، AS; آریاراتنام، ST; آیر، SK; اسمیلوفسکی، ن. مروری بر واقعیت افزوده اعمال شده در ساخت و ساز زیرزمینی. J. Inf. تکنولوژی ساخت و ساز 2020 ، 25 ، 308-324. [ Google Scholar ] [ CrossRef ]
  86. سو، جی. لی، اس. Choi, Y. UMineAR: سیستم پشتیبانی بررسی سایت خطر مین رها شده مبتنی بر تبلت موبایل با استفاده از واقعیت افزوده. Minerals 2017 , 7 , 198. [ Google Scholar ] [ CrossRef ][ Green Version ]
  87. پنیا-ریوس، آ. هاگراس، اچ. گاردنر، ام. Owusu, G. یک سیستم مبتنی بر منطق فازی نوع 2 برای تجسم واقعیت افزوده داده های جغرافیایی مرجع. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد سیستم های فازی، ریودوژانیرو، برزیل، 8 تا 13 ژوئیه 2018؛ IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2018؛ جلد 2018، صص 1-8. [ Google Scholar ]
  88. د آلمیدا پریرا، جی اچ. سهام، K. استاماتو دلازاری، ل. Centeno، واقعیت افزوده JAS و نقشه ها: امکانات جدید برای تعامل با داده های جغرافیایی. کارتوگر. J. 2017 ، 54 ، 313-321. [ Google Scholar ] [ CrossRef ]
  89. آدیتیا، سی. کوسیک، ک. نامراتا، دی. ناگلی، وی اس. شریواستاوا، اس. Rakshit، S. رویکرد واقعیت افزوده برای تجسم نقشه کاغذی. در مجموعه مقالات کنفرانس بین المللی 2010 در زمینه ارتباطات و هوش محاسباتی، INCOCCI-2010، تامیل نادو، هند، 27-29 دسامبر 2010. صص 352-356. [ Google Scholar ]
  90. رید، اس.-ای. کریلوس، او. Hsi، S. کلوگ، L.-H.; شلادو، جی. ییکیلماز، م.-ب. سگال، اچ. سیلورمن، جی. یالوویتز، اس. Sato, E. Shaping Watersheds Exhibit: An Interactive, Augmented Reality Sandbox برای پیشرفت آموزش علوم زمین. در مجموعه مقالات چکیده نشست پاییز AGU، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 15-19 دسامبر 2014. جلد 2014، ص. ED34A-01. [ Google Scholar ]
  91. یانگ، ال. نورماند، جی.-ام. Moreau, G. تقویت نقشه‌های کاغذی خارج از قفسه با استفاده از تشخیص تقاطع و سیستم‌های اطلاعات جغرافیایی. در مجموعه مقالات چهاردهمین کنفرانس بین المللی IAPR در سال 2015 در مورد کاربردهای بینایی ماشین (MVA)، توکیو، ژاپن، 18 تا 22 مه 2015؛ IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2015؛ صص 190-193. [ Google Scholar ]
  92. شونینگ، جی. لوختفلد، ام. روهس، ام. کروگر، آ. کراتز، اس. چراغ مشعل نقشه: واحد پروژکتور دوربین واقعیت افزوده موبایل. در مجموعه مقالات کنفرانس عوامل انسانی در سیستم های محاسباتی – مجموعه مقالات، بوستون، MA، ایالات متحده، 4-9 آوریل 2009. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2009; صص 3841–3845. [ Google Scholar ]
  93. رن، ایکس. سان، م. جیانگ، سی. لیو، ال. Huang, W. یک روش ثبت جغرافیایی واقعیت افزوده برای محلی‌سازی هدف زمینی از یک پلت‌فرم پهپاد کم‌هزینه. Sensors 2018 , 18 , 3739. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  94. دیبل، جی. نشان دهنده نگرش: زوایای اویلر، کواترنیون های واحد و بردارهای چرخشی. ماتریس 2006 ، 58 ، 1-35. [ Google Scholar ]
  95. خو، اچ. لو، جی. شنگ، ی. ژو، ال. گوا، اف. شانگ، ز. Wang, J. عملیات فضایی سه بعدی GIS بر اساس اپراتورهای اویلر توسعه یافته. در مجموعه مقالات ژئوانفورماتیک 2008 و کنفرانس مشترک GIS و محیط ساخته شده: شبیه سازی جغرافیایی و محیط های مجازی GIS، گوانگژو، چین، 28-29 ژوئن 2008. لیو، L.، لی، X.، لیو، K.، Zhang، X.، چن، A.، ویرایش. SPIE: Bellingham, WA, USA, 2008; جلد 7143، ص. 71433D. [ Google Scholar ]
  96. Laksono, A. استفاده از موتور بازی برای تجسم داده های توپوگرافی سه بعدی تعاملی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 361. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  97. شما، اس. Neumann، U. Fusion of Vision و Gyro Tracking برای ثبت واقعیت افزوده قوی. در مجموعه مقالات IEEE Virtual Reality 2001، یوکوهاما، ژاپن، 13-17 مارس 2001. ص 71-78. [ Google Scholar ]
  98. تید، ز. دنگ، جی. پس انتشار فضایی مماس برای گروه‌های تبدیل سه بعدی. در مجموعه مقالات کنفرانس IEEE/CVF 2021 در مورد دید رایانه و تشخیص الگو (CVPR)، مجازی، 19 تا 25 ژوئن 2021؛ IEEE: منهتن، نیویورک، ایالات متحده آمریکا، 2021؛ ص 10333–10342. [ Google Scholar ]
Ijgi 11 00383 g001 550
شکل 1. نمودار جریان سیستم AR مبتنی بر نشانگر.
Ijgi 11 00383 g002 550
شکل 2. فرآیند اصلی تجسم نقشه برداری AR بر اساس کواترنیون.
Ijgi 11 00383 g003 550
شکل 3. خط لوله پردازش داده برای تجسم برداری AR-GIS.
Ijgi 11 00383 g004 550
شکل 4. چرخش خودسرانه داده های فضایی مبتنی بر کواترنیون: ( الف ) فلش هایی که به سمت راست منتهی می شوند. ( ب ) پس از دنبال کردن راهنما، به پیکانی که به سمت راست اشاره می کند ادامه دهید. ( ج ) اشیاء فضایی (فلش) که بر اساس عملیات کواترنیون هستند ناپدید می شوند و با مقصد جایگزین می شوند. ( د ) پیکانی که به سمت چپ اشاره می کند. ( ه ) پس از دنبال کردن راهنما، پیکان سمت چپ را دنبال کنید.
Ijgi 11 00383 g005 550
شکل 5. عملیات GIS بر اساس کواترنیون ها برای داده های فضایی: ( الف ) پرس و جو فضایی نقشه سه بعدی. ( ب ) پرس و جو فضایی نقشه سه بعدی (پرسش نشده). ( ج ) پرس و جوی فضایی نقشه دوبعدی. ( د ) پرس و جوی فضایی نقشه دوبعدی (پرسش نشده). ( ه ) شناسایی و استخراج خودسرانه هواپیما. ( و) شناسایی و استخراج خودسرانه هواپیما ( دوربرد ). ز ) شناسایی و استخراج هر صفحه از مناطق اداری پیچیده. ( ح ) شناسایی و استخراج هر هواپیما در مناطق اداری پیچیده (مسافت طولانی).
Ijgi 11 00383 g006 550
شکل 6. روش به روز رسانی ناهمزمان برای نقشه های برداری AR بدون تاخیر.
Ijgi 11 00383 g007 550
شکل 7. روش شتاب چند رشته ای برای تجسم نقشه برداری AR.
Ijgi 11 00383 g008 550
شکل 8. دو روش تجسم داده های برداری برای بهبود دنیای واقعی: ( الف ) جعبه نقشه، ( ب ) روش پیشنهادی.
Ijgi 11 00383 g009 550
شکل 9. مقایسه تأخیر دو روش در مورد عملیات سوخاری سریع: ( الف ) قبل از تابه سریع (Mapbox)، ( ب ) قبل از تابه سریع (روش ما)، ( ج ) پس از پانل سریع (Mapbox)، ( د ) بعد از تابه سریع (روش ما).
Ijgi 11 00383 g010 550
شکل 10. صحنه های کاربردی نقشه AR: ( الف ) AT برای پیمایش در صحنه های دنیای واقعی. ( ب ) AM برای جعبه ایمنی دسکتاپ AR.
Ijgi 11 00383 g011 550
شکل 11. دو روش تجسم داده های برداری برای AT: ( الف ) روش ما، ( ب ) روش مبتنی بر حسگر.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید