Lost in Tracking Translation: A Comprehensive Analysis of Visual SLAM in Human-Centered XR and IoT Ecosystems

要約

追跡アルゴリズムの進歩により、自動運転車の操縦からロボットの誘導、ユーザーの拡張現実エクスペリエンスの強化に至るまで、さまざまな領域にわたって初期のアプリケーションが強化されています。
ただし、これらのアルゴリズムはアプリケーション固有であり、異なるタイプのモーションを使用するアプリケーションでは機能しません。
特定のアプリケーション向けに設計された追跡アルゴリズムであっても、高度に標準的な条件から逸脱したシナリオでは機能しません。
たとえば、建物内でのロボットのナビゲーション用に設計された追跡アルゴリズムは、屋外環境で同じロボットを追跡する場合には機能しません。
この問題を実証するために、さまざまなアプリケーションやシナリオにわたる最先端の追跡方法のパフォーマンスを評価します。
分析に情報を提供するために、まず、追跡アルゴリズムが直面するアルゴリズム、環境、移動関連の課題を分類します。
当社は、自動運転車、ドローン、人間を含む幅広いモノのインターネット (IoT) および拡張現実 (XR) アプリケーションについて、複数の追跡アルゴリズムと代表的なデータセットを使用してパフォーマンスを定量的に評価します。
私たちの分析によると、さまざまなアプリケーションやアプリケーション内のシナリオにわたって機能する追跡アルゴリズムはないことがわかりました。
最終的に、分析から生成された洞察を使用して、入力データの特性評価、中間情報の活用、出力評価を使用して追跡パフォーマンスを向上させるための複数のアプローチについて説明します。

要約(オリジナル)

Advancements in tracking algorithms have empowered nascent applications across various domains, from steering autonomous vehicles to guiding robots to enhancing augmented reality experiences for users. However, these algorithms are application-specific and do not work across applications with different types of motion; even a tracking algorithm designed for a given application does not work in scenarios deviating from highly standard conditions. For example, a tracking algorithm designed for robot navigation inside a building will not work for tracking the same robot in an outdoor environment. To demonstrate this problem, we evaluate the performance of the state-of-the-art tracking methods across various applications and scenarios. To inform our analysis, we first categorize algorithmic, environmental, and locomotion-related challenges faced by tracking algorithms. We quantitatively evaluate the performance using multiple tracking algorithms and representative datasets for a wide range of Internet of Things (IoT) and Extended Reality (XR) applications, including autonomous vehicles, drones, and humans. Our analysis shows that no tracking algorithm works across different applications and scenarios within applications. Ultimately, using the insights generated from our analysis, we discuss multiple approaches to improving the tracking performance using input data characterization, leveraging intermediate information, and output evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google