top of page

ARCONA AR CORE

КЛЮЧИ К ГЛОБАЛЬНОМУ ПОЗИЦИОНИРОВАНИЮ


В основе нашей метавселенной лежит уникальная технологическая платформа Arcona AR Core. Именно она автоматически оцифровывать поверхность планеты и генерирует глобальный слой дополнительной реальности - Цифровую землю. По сути, она создает виртуальный слепок планеты, который точно копирует существующий ландшафт.


Цифровая территория полностью подготовлена для того, чтобы пользователи системы могли дистанционно размещать виртуальный контент и видеть 3D модели в конкретных местах физического мира.


Ключевые преимущества — качественная и стабильная работа как внутри, так и вне помещений, в том числе в сложных условиях: недостаточном освещении, перекрытиях камеры, быстрых движениях пользователя.


Как же работает Arcona AR Core?


Платформа параллельно использует два подхода глобального позиционирования:

  • На основе входящих данных GPS и данных встроенного компаса;

  • На основе карты, построенной на распознавание пространственных привязок, полученных с сервера Arcona.


Оба подхода базируются на привязке текущей траектории SLAM (метод одновременной навигации и построения карты) к информации, поступающей от GPS и компаса для первого подхода, и к распознанным пространственным привязкам - для второго.

Точность позиционирования увеличивается по мере поступления новой информации, пока не будет достигнут максимум. Для получения наилучшего результата необходимы несколько условий:

  • пользователь приложения должен пройти определенное расстояние от своей начальной точки (независимо от его траектории);

  • должно быть собрано определенное количество сообщений GPS или определений пространственной привязки.

Подход на основе GPS подходит для пространств без высоких зданий и других структур, искажающих сигнал GPS. Примерами таких локаций являются: парки, сады, усадьбы, большинство исторических центров города и т.д. Позиционирование с таким подходом требует небольших вычислительных затрат.


Подход на основе карт предназначен для использования в достаточно компактных местах, содержащих заметные объекты, такие как здания, скалы, памятники, которые могут быть распознаны пользовательским устройством с помощью бортовой камеры.


Этот подход обеспечивает большую точность. Но для его использования необходимо заранее создать правильный набор пространственных привязок для соответствующего местоположения. Такие наборы могут создаваться автоматически на стороне сервера из соответствующих пакетов выборочных данных, которые формируются и отправляются специально разработанным мобильным приложением.


Каждый якорь распознается в диапазоне до 1,5 м и угловом раскрытии до 60 град. Увеличение этих дальности и светосилы возможно, но приводит к значительным потерям точности.


Якоря могут образовывать разреженное поле, покрывающее соответствующую локацию, или располагаться в наиболее часто посещаемых точках. Во избежание перегрузки мобильного устройства все вычисления при таком подходе выполняются строго в два потока и только один из них выполняет массовые числовые операции, поэтому фактически может быть занято не более одного процессорного ядра.


Оба подхода к позиционированию могут использоваться одновременно, поддерживая друг друга.


Разработка обоих подходов была начата в 2019 году, и основные показатели первой рабочей версии (2020 г.) и актуальной версии приведены в таблицах ниже.


Таблица 1: показатели точности подхода на основе GPS


Таблица 2: показатели точности подхода на основе карт

Обозначения:

Lp - линейная точность в метрах; Ар - угловая точность в градусах

для приведенных индексов: медиана - max/min значение;

R - удаленность от точки старта в метрах; N - количество собранных навигационных событий (GPS-сообщений или распознанных якорей); «R = 0, N = 1» соответствует начальному случаю.


Вероятность распознавания якорей в актуальной версии подхода на основе карт увеличилась почти в 2 раза по сравнению с версией 2020 года.

Особенности метода SLAM в Arcona


Наша реализация SLAM относится к классу визуально-инерционных решений для настройки связки. В отличие от многих аналогов, наш метод может выполнять полномасштабную задачу нелинейной оптимизации на довольно слабом мобильном устройстве (Apple 6s) с удовлетворительной производительностью (10 – 16 кадров в секунду) и потребляет до 30% меньше памяти.

Comments

Couldn’t Load Comments
It looks like there was a technical problem. Try reconnecting or refreshing the page.
bottom of page