2024-05-22 Meeting #15

TODO:

1. Rezultāti - SLAM bildītes arī sliktās

2. LIDAR Gmapping, skaitliskas vērtības (sliktos), var kādus šausmīgus datus pievienot

3. Video kā braukā

3. Uzlabot un noformulēt hipotēzes ievaa'un secinājumos apstiprināt

4. Secinājumi ir spoguļskats ievadam plūstošā tekstā, mērķis, uzdevumi, hipotēzes, labākie rezultāti relatīvi skaitliski, metode A par 10% labāka kā metode C

5. Anotācija ir viens teikums par pētījuma objektu un summary no secinājumiem

Hipotēze:

1. Iebūvētie LIDAR sensori nespēj iegūt precīzu SLAM rezultātu

2. Deep learning depth metodes sasniegušas depth sensora līmeni

3. Sasniegt precīzes SLAM nepieciešams ievērojamu skaitu apakšsistēmu un konfigurāciju

4. Tālākie pētījumi

   1. Apvienojot Depth ar Visual

   2. Tumsā ierobežojumi

   3. Telpā pārvieto priekšemtus tālākie pētījumi Sākotne

   4. spogulis Stikls

Interesantas metodes kā apstrādāt durvis, logus, spoguļus

https://www.perplexity.ai/search/Which-LIDARS-work-ViXQ0Hi4QjKu5DyOwZE.aQ

• Researchers have developed methods to characterize and address the "sensing failures" that occur when LiDAR encounters mirrors, which are common in indoor environments.

• One approach is to identify and mirror the LiDAR points that fall inside the detected glass plane, then filter out more distant points that are likely reflections