آشنایی با حسگر ToF و LiDAR و تفاوت آنها
امروزه فناوریهای جدید زیادی در دوربین گوشیهای هوشمند وجود دارد اما مفهوم ToF و LiDAR و تفاوت آنها چیست؟ در این مطلب سعی داریم به آشنایی با حسگر ToF و LiDAR و تفاوت آنها بپردازیم .
به تازگی فناوری LiDAR در گوشیهای جدید آیفون سروصدای زیادی کرد اما این فناوری بخصوص در کنار ابزارهای ToF در گوشیهای سامسونگ قادر است امکانات زیادی در اختیار کاربران قرار دهد.
چه توسعه دهنده باشید و چه قصد خرید یک گوشی جدید را دارید یا فقط به دنبال افزایش معلومات خودتان هستید، خوب است نگاهی به مفهوم این عبارتها و عملکرد این فناوری در گوشیهای جدید داشته باشید.
ToF چیست؟
ToFمخفف Time of Flight به معنای زمان پرواز است.
معمولاً ToF یعنی استفاده از سرعت نور (یا حتی صوت) برای تعیین فاصله. در این ارزیابی میزان زمان طی شده برای خروج نور (یا صدا) از دستگاه، برخورد آن به یک شی یا سطح و برگشت دوباره آن به وسیله ارزیابی میشود. تقسیم کردن این عدد بر ۲ فاصله دستگاه با شی یا سطح مورد نظر را مشخص میکند.
ارتباط LiDAR با ToF این است که LiDAR هم نوعی حسگر زمان پرواز محسوب میشود. ما برای ساده تر شدن توضیحات، وقتی از ToF صحبت میکنیم در واقع به ارزیابی فاصله نوری توجه داریم نه LiDAR.
اما با توجه به اینکه LiDAR و ToF نوری غیر LiDAR هر دو از نور برای ارزیابی فاصله و نقشه برداری سه بعدی استفاده میکنند، تفاوت آنها چیست؟
لیدار (LiDAR) چیست؟
لیدار مخفف Light Detection and Ranging است. این فناوری از یک یا چند لیزر به عنوان منبع نور استفاده میکند.
می توان از اعداد به دست آمده توسط یک حسگر لیدار برای ارزیابی مواردی مثل عرض یک اتاق استفاده کرد اما چند لیدار میتوانند به ایجاد ابر نقاط (point cloud) کمک کنند که از آنها برای ساخت مدل سه بعدی اشیاء یا نقشه برداری توپوگرافی از یک محدوده استفاده میشود.
هر چند لیدار برای گوشیهای موبایل یک پدیده جدید محسوب میشود اما خود این فناوری مدتهاست که وجود دارد. در حوزههایی غیر از موبایل از لیدار برای انجام کارهای مختلف استفاده میشود مثل نقشه برداری از محیطهای زیرآب یا اکتشاف و بررسی سایتهای باستان شناسی.
تفاوت LiDAR و ToF
تفاوت عملی بین لیدار و سایر انواع ToF این است که در لیدار از لیزر پالسی برای ساختن ابر نقاط استفاده میشود که تصویر یا نقشه سه بعدی از روی آنها ساخته میشود. اپلیکیشنهای ToF معمولاً نقشه عمق را بر اساس تشخیص نور و با استفاده از یک دوربین RGB معمولی انجام میدهند.
مزیت ToF نسبت به لیدار این است که ToF نیاز به تجهیزات تخصصی کمتری دارد بنابراین میتوان در وسایل ارزان و کوچک از آن استفاده کرد. مزیت لیدار ناشی از راحت تر بودن کار کامپیوتر برای خواندن ابر نقاط در مقایسه با نقشه عمق است.
APIی Depth که گوگل برای دستگاههای اندروید طراحی کرده با وسایل مجهز به حسگر ToF بهتر کار میکند و با ایجاد نقشه عمق و شناسایی «نقاط feature» کار میکند. این نقاط معمولاً بین محلهایی با شدت نور متفاوت وجود دارند و از آنها برای شناسایی سطوح مختلف در محیط استفاده میشود. در واقع به این روش یک ابر نقطه با رزولوشن کمتر ایجاد میشود.
ToF و لیدار در حوزه واقعیت افزوده موبایلی چطور کار میکنند؟
ابر نقاط و نقشههای عمق قابلیتهای جالبی هستند و برای بعضی از کاربردها و بعضی از اشخاص کفایت میکنند اما برای بیشتر کاربردهای حوزه واقعیت افزوده، این دادهها باید زمینه یابی شوند. ToF و لیدار هر دو این کار را با همکاری سایر حسگرهای گوشی انجام میدهند. بخصوص چنین پلتفرمهایی نیاز به درک جهت قرار گرفتن و حرکات گوشی دارند.
درک لوکیشن یک وسیله در محیط نقشه برداری شده، موقعیت یابی و نقشه برداری همزمان (Simultaneous Localization and Mapping یا به اختصار SLaM) نامیده میشود. از SLaM برای کاربردهای دیگر مثل خودروهای مستقل هم استفاده میشود اما برای اپلیکیشنهای واقعیت افزوده جهت قرار دادن اشیای دیجیتال در محیط فیزیکی ضروری تر هستند.
بخصوص این قابلیت برای اشیای مجازی که وقتی کاربر با آنها در تعامل نیست، سرجای خودشان باقی میمانند و برای قرار دادن اشیای دیجیتال پشت اشیاء و افراد واقعی مهم است.
یکی دیگر از فاکتورهای مهم، قرار دادن اشیای دیجیتال در کاربردهایی از لیدار و ToF است که از «انکر» استفاده میکنند. انکرها نقاطی دیجیتال در دنیای واقعی هستند که اشیای دیجیتال به آنها پیوست میشوند.
در بازیهای بزرگی مثل Pokemon Go این کار از طریق فرایندی مجزا موسوم به Geotagging انجام میشود اما در اپلیکیشنهای واقعیت افزوده موبایلی، اشیای دیجیتال به نقاطی از ابرنقاط لیدار یا یکی از نقاط ویژگی در نقشه عمق، پیوست میشوند.
آیا لیدار بهتر از ToF است؟
در مجموع، لیدار سریع تر و دقیق تر از ToF است اما این ویژگی در رابطه با اپلیکیشنهایی که از نظر تکنولوژیکی پیشرفته تر هستند، اهمیت بیشتری دارد.
برای مثال، ToF و APIی Depth گوگل برای تشخیص سطوح بزرگ با بافت کمتر مثل دیوار سفید مشکل دارند. در نتیجه اپلیکیشنهایی که از این روش برای قرار دادن دقیق اشیای دیجیتال در سطوح دنیای فیزیکی استفاده میکنند، با مشکل روبرو میشوند. برای اپلیکیشنهایی که از لیدار استفاده میکنند، احتمال بروز چنین مشکلی کمتر است.
اما اپلیکیشنهایی که شامل محیطهای بزرگتر یا دارای بافتهای متنوع تر هستند، کمتر دچار مشکل میشوند. بعلاوه، بیشتر اپلیکیشنهای موبایلی واقعیت مجازی که برای کاربران طراحی میشوند، از یک فیلتر واقعیت افزوده برای چهره یا بدن کاربر استفاده میکنند که بعید است به مشکل سطوحِ بدون بافت وسیع برخورد کنند.
اپل و گوگل چطور از حسگرهای تشخیص عمق استفاده میکنند؟
به گفته اپل محصولات مجهز به لیدار این شرکت شامل سنسورها و سختافزارهای مخصوصی هستند که به انجام کارهای پیشرفته تر و عکس برداری و فیلم برداری حرفهای کمک میکنند. این شرکت آیپد پروی مجهز به لیدار خودش را “بهترین وسیله جهان برای واقعیت مجازی” میداند.
گوگل توضیحات زیادی درباره اینکه چرا در APIی Depth و لاین جدید محصولاتش از لیدار استفاده نشده، ارائه نکرده است. حذف لیدار علاوه بر سبک و مقرون به صرفه نگه داشتن طراحی محصول از نظر دسترس پذیری و امکان کار با محصولات مختلف هم مزیت خاصی دارد.
از آنجایی که اندروید با محصولات شرکتهای مختلف کار میکند، استفاده از لیدار باعث میشد که طراحان سیستم عامل و برنامههای کاربردی محصولاتشان را فقط برای دستگاههای مجهز به لیدار طراحی کنند. بعلاوه، از آنجایی که APIی Depth فقط به یک دوربین معمولی نیاز دارد، قابلیت سازگاری عقبرو با محصولات بیشتری را خواهد داشت.
در واقع این API مخصوص هیچ دستگاهی طراحی نشده بنابراین پلتفرم طراحی کاربردهای واقعیت افزودهی گوگل امکان طراحی محصولاتی که با تولیدات اپل کار کنند را هم دارد.
کاربردهای گسترده تشخیص عمق
در این مقاله بیشتر به بحث لیدار و ToF برای واقعیت مجازی مبتنی بر موبایل پرداختیم چون این کاربردهای پیچیده نیاز به توضیحات بیشتری دارند. همچنین این کاربردها جذاب تر و نویدبخش تر هستند.
اما فناوری سنجش عمق، پایه و اساس بسیاری از کاربردهای ساده تر و عملی تر و ابزارهایی است که ممکن است هر روز از آنها استفاده کنید. امیدواریم که مطالعه درباره ToF و لیدار باعث شود بیشتر متوجه کاربرد این اپلیکیشنها و ارزش آنها شوید.
منبع : Makeuseof