D-04

相機與深度相機

相機是視覺 SLAM 的核心感測器，但一張影像只記錄方向，不記錄距離。本頁以四組三維互動圖說明相機如何把三維場景投影成像素、為什麼單眼影像無法決定尺度、立體相機與深度相機如何取回距離，以及稀疏特徵與稠密深度兩種成點方式的差別，並對照本站已查證的文獻，討論素面牆、陽光、玻璃與深色材料在工地上可能造成的影響，以及目前的證據缺口。

本頁內容

針孔模型：從三維點到像素

理想相機可以用針孔模型（pinhole camera model）描述：場景點的光線都通過同一個投影中心（centre of projection），落在其後方的影像平面上。以相機座標系表示時（ $Z_c$ 沿光軸向前），點 $(X_c,Y_c,Z_c)$ 的像素座標為：

u=f_x\,\frac{X_c}{Z_c}+c_x,\qquad v=f_y\,\frac{Y_c}{Z_c}+c_y

$f_x,f_y$ 是以像素為單位的焦距， $(c_x,c_y)$ 是主點（principal point），合稱內參（intrinsic parameters）。把世界座標到相機座標的剛體轉換 $[\mathbf R\mid\mathbf t]$ （外參（extrinsic parameters））一起寫入，就得到齊次形式：

\lambda\begin{bmatrix}u\\ v\\ 1\end{bmatrix}=\mathbf K\,[\mathbf R\mid\mathbf t]\begin{bmatrix}\mathbf X\\ 1\end{bmatrix},\qquad \mathbf K=\begin{bmatrix}f_x&0&c_x\\ 0&f_y&c_y\\ 0&0&1\end{bmatrix}

$\lambda$ 等於點的深度 $Z_c$ 。投影時除以深度，深度本身就消失了：一個像素只對應一條從投影中心出發的射線，不對應一個點。以上是幾何光學的推導，不是特定文獻的結果；實際鏡頭另有畸變，須由校正取得並修正。

單眼相機的尺度模糊

把整個場景連同相機的位置與運動一起放大 $s$ 倍，每個點相對於相機中心的位置向量都只放大 $s$ 倍、方向不變，也就是點沿著原來的投影射線外移，投影後的像素完全相同：

\mathbf K\,[\mathbf R\mid s\,\mathbf t]\begin{bmatrix}s\,\mathbf X\\ 1\end{bmatrix}=s\,\mathbf K\,[\mathbf R\mid\mathbf t]\begin{bmatrix}\mathbf X\\ 1\end{bmatrix}\;\Longrightarrow\;(u,v)\ \text{不變}

因此只靠一台相機的影像，重建出的地圖與軌跡只確定到一個未知的比例，這稱為尺度模糊（scale ambiguity）。這是射影幾何的推導，不是特定文獻的結果。在已查證的文獻中，ORB-SLAM 的單眼模式要先把尺度與真值對齊後才報告精度(Mur-Artal et al., 2015, Sec. IX-A)；沒有迴圈可修正時，尺度還會隨時間漂移，作者在 KITTI 08 序列觀察到約為軌跡尺寸 5% 的誤差(Mur-Artal et al., 2015, Sec. VIII-E, Fig. 12)。ORB-SLAM3 在單眼或尚未成熟的單眼慣性地圖中，以含尺度的相似轉換 Sim(3) 對齊迴圈或地圖合併的候選，其餘情況才用剛體 SE(3)(Campos et al., 2021, Sec. VI-A)。

要讓尺度可觀測，必須引入一個以公尺計的量。下圖比較兩種常見來源：

IMU：加速度計以 m/s² 量測比力（含重力），扣除重力後即為公制的加速度。影像重建出的軌跡二次微分後，與 IMU 加速度只差一個比例 $\lambda$ ，可用最小平方估計（下式假設重力已扣除、姿態已知）： $a_{\mathrm{imu}}(t)=\lambda\,a_{\mathrm{vis}}(t)+n(t),\qquad \hat\lambda=\frac{\sum a_{\mathrm{imu}}a_{\mathrm{vis}}}{\sum a_{\mathrm{vis}}^{2}},\qquad \sigma_{\lambda}=\frac{\sigma_a}{\sqrt{\sum a_{\mathrm{vis}}^{2}}}$ 分母顯示，相機若靜止或等速前進， $\sum a_{\mathrm{vis}}^{2}$ 趨近零，尺度就無法估計（推導）。VINS-Mono 以單眼相機加低成本 IMU 估計具公制尺度的狀態，初始化時先做僅視覺的運動恢復結構，再與 IMU 預積分對齊，求出陀螺儀偏差、速度、重力方向與尺度(Qin et al., 2018)；作者在引言指出公制尺度需要加速度激勵(Qin et al., 2018, Sec. I)，並提醒視運動與環境而定，系統可能變成弱可觀測或退化(Qin et al., 2018, Sec. X)。ORB-SLAM3 的 IMU 初始化在 2 s 後尺度誤差約 5%，15 s 後約 1%(Campos et al., 2021, Sec. II-B, V-A to V-C)；作者也指出緩慢運動或缺少俯仰與側滾激勵（如平地上的車輛）時 IMU 難以初始化，純旋轉探索時單眼慣性模式無法估計深度(Campos et al., 2021, Sec. VIII)。
已知基線：立體相機兩個鏡頭的間距 $B$ 由校正以公尺求得，單一影格就能三角量測出公制深度。ORB-SLAM2 把深度小於 40 倍基線的立體特徵視為近點，只用一個影格就能三角化並帶有尺度；遠點仍須多個影格(Mur-Artal & Tardos, 2017, Sec. III, III-A)。

D-04a針孔投影與單眼尺度模糊教學模擬 · 非實測資料

假設世界放大倍率 s1.00

尺度線索

投影射線

三維教學模擬：施工中樓層上，三腳架滑軌上的相機左右移動，細線是從投影中心射向場景點的投影射線，鏡頭前的影像平面與右下角小窗顯示相機看到的影像；放大倍率滑桿把整個場景連同相機與腳架放大，影像保持不變。

三維場景載入中…

看什麼：拖動 $s$ ：整個工地、工人、三腳架、相機與滑軌的行程一起放大或縮小，但右下角的相機影像與鏡頭前的影像平面完全不變；讀數「兩種世界的影像差」以相同的投影公式逐點計算，始終為零。改選「IMU 加速度」：青色箭頭是 IMU 量到的加速度，上方的橘色箭頭是假設世界所需的加速度（為前者的 $s$ 倍），只有 $s=1$ 時兩者等長；讀數中的 $\hat\lambda$ 以含雜訊的模擬加速度估計，應為 $1/s$ 。改選「立體基線」：假設的世界需要 $s$ 倍長的基線，與標定值矛盾。

相機解析度 1280 × 720、水平視角 70°、滑軌振幅 ±0.3 m 與 IMU 雜訊都是示意參數。小窗的霧化距離隨 $s$ 同比例調整，讓兩個世界的影像逐像素相同。投影射線與顏色是教學視覺化；設備是通用外型，不是特定產品；場景為模擬，不是實測資料。

立體相機：視差與深度誤差

兩台平行、已校正的相機相距基線 $B$ ，同一點在左右影像同一列上的橫向位移稱為視差（disparity） $d$ 。由相似三角形：

d=u_L-u_R=\frac{f\,B}{Z},\qquad Z=\frac{f\,B}{d}

視差的量測誤差 $\delta d$ （匹配雜訊，以像素計，下圖取次像素的示意值）經過這個倒數關係傳到深度，一階近似為：

\delta Z\approx\left|\frac{\partial Z}{\partial d}\right|\delta d=\frac{Z^{2}}{f\,B}\,\delta d,\qquad \delta X\approx\frac{Z}{f}\,\delta u

深度誤差隨距離平方成長、與基線成反比，橫向誤差只隨距離線性成長，因此遠處點的不確定度是一個沿視線拉長的細長橢球。以下圖的示意參數（ $f=914$ px、 $B=0.12$ m、 $\delta d=0.25$ px）計算，5 m 處 $\sigma_Z$ 約 5.7 cm，10 m 處約 22.8 cm。以上是物理原理推導，不是特定文獻的結果。

視差要靠立體匹配（stereo matching）取得：在右影像同一列上，逐一比較候選視差處的影像區塊與左影像區塊，取代價最小者。若區塊內幾乎沒有灰階變化，所有候選的代價都差不多，找不到明確的最小值，匹配只能放棄；下圖的匹配器以區塊內的灰階標準差與「最小代價對次小代價的比值」兩項檢查決定是否接受；兩項檢查與門檻都是教學用的示意模型，不代表特定匹配器的實作。

文獻中的立體相機系統基線差異很大：ORB-SLAM2 使用的 EuRoC 資料集立體相機基線約 11 cm，KITTI 約 54 cm，均為該研究報告的規格(Mur-Artal & Tardos, 2017, Sec. IV-A, IV-B)。S-MSCKF 的作者指出，以 KLT 做立體匹配時，20 cm 基線下深度大於約 1 m 的角點才可靠(Sun et al., 2018, Sec. III-E)；在 EuRoC V2_03 序列中，左右影像亮度不一致使 KLT 立體匹配失效，濾波器因此發散(Sun et al., 2018, Sec. IV-A)。StereoScan 以稀疏特徵做每秒 25 幀的里程計，另以稠密立體匹配每秒產生 3 至 4 張視差圖，依位姿重投影後融合成點雲(Geiger et al., 2011, Sec. III)；但其三維重建只做了定性展示(Geiger et al., 2011, Sec. IV-C)。

D-04b立體視差與深度誤差教學模擬 · 非實測資料

深度 Z（相機到柱面）5.0 m

基線 B0.12 m

視差雜訊 σd0.25 px

柱後牆面

目標點

三維教學模擬：施工中樓層上，裝在橫桿上的兩台相機對準圓柱，左右投影中心各有一條射線交會於目標點（柱面或牆面）；橘色虛線是視差搜尋中的候選射線，目標點上的橢球表示深度不確定度，小窗（寬畫面在右下角，手機在上方）畫出左右影像同一列的像素與匹配代價；立體匹配產生的點依深度誤差著色。

三維場景載入中…

看什麼：橘色候選點沿左相機射線來回滑動：每個候選視差 $d$ 對應深度 $fB/d$ ，小窗（寬畫面在右下角，手機在上方）的代價曲線在真實視差處最低。把深度拉到 10 m 以上或縮短基線：目標點上的橢球沿視線拉長（半軸為 2σ），點雲沿射線方向散開，遠處的點依誤差由藍轉紅（色階 0 至 0.3 m）。把柱後牆面改成「粉刷塗漆」：牆上的點消失，目標點改選「牆面」時，代價曲線沒有明顯的最小值。

點雲每 0.25 s 由一幀立體匹配產生：右相機看不到的點（遮擋）與未通過匹配檢查的點都不產生；少數紋理相似處造成、又通過重複檢查的錯誤匹配會留下離群點。相機解析度、焦距與雜訊都是示意參數。射線、候選點與顏色是教學視覺化；設備是通用外型，不是特定產品；場景為模擬，不是實測資料。

立體深度誤差隨距離的平方成長（示意）

σZ = Z² σd ÷ (f B)，f = 914 px（影像寬 1280 px、水平視角 70°），σd = 0.25 px；三條線是三種基線。

圖 D-04b-2

距離加倍時誤差變為四倍；基線加倍時誤差減半。以三維圖目前的基線 0.12 m 與視差雜訊 0.25 px 計算，σZ 在約 4.7 m 處達到 5 cm。這是一階近似，忽略了校正誤差、錯誤匹配與遮擋。

資料來源物理原理推導；示意參數，不是任何設備的規格

素面牆與低紋理

低紋理是以影像為主的方法的共同弱點。ORB-SLAM3 的作者把低紋理環境列為主要失效情境(Campos et al., 2021, Sec. VIII)；VIL-SLAM 在無特徵的走廊中，牆面使視覺慣性里程計約束不足，地圖在迴圈閉合前出現錯位(Shao et al., 2019, Sec. VIII-B)。營建相關的證據來自一份在室內施工現場錄製的 RGB-D 資料集：序列包含低紋理、反光、過曝與有工人走動的場景(Li et al., 2025, Fig. 7, Table 3)，ORB-SLAM 在貼近灰色低紋理牆面時無法完成軌跡(Li et al., 2025, Sec. 3, Fig. 2, Fig. 8b)；不過該文沒有報告任何量化的軌跡或地圖誤差(Li et al., 2025, Sec. 3, Fig. 8a, Fig. 9)，同儕審查狀態也尚未確認。Yarovoi 與 Cho 的回顧同樣把素面石膏板牆與室內外混合照明列為營建部署的考量(Yarovoi & Cho, 2024, Sec. 2, 3.2, 3.4)。

深度相機：主動投射的光

深度相機（depth camera）自己發出近紅外光，因此在紋理稀少的表面也能量到深度。常見的兩類原理是結構光（structured light）（包含主動立體視覺）與間接飛時（indirect time of flight, iToF）。

結構光：點陣位移與三角量測

以參考平面比對的結構光原理如下（原理說明，不是特定產品的實作）：投影器把固定的偽隨機光點圖樣投向場景，紅外相機從相距基線 $b$ 的位置拍攝。與預先記錄在參考平面 $Z_0$ 上的圖樣相比，每個光點沿基線方向的位移 $\Delta u$ 決定其深度：

\Delta u=f\,b\left(\frac{1}{Z}-\frac{1}{Z_0}\right),\qquad Z=\left(\frac{1}{Z_0}+\frac{\Delta u}{f\,b}\right)^{-1}

這與立體相機的視差關係相同，因此深度雜訊同樣隨 $Z^2$ 成長（推導）。以示意參數 $f=577$ px、 $b=0.072$ m、位移雜訊 0.15 px 計算，3 m 處約 3.2 cm。Henry 等描述的 PrimeSense 主動立體相機（等同 Kinect 感測器）以紅外發射器與紅外相機取得 640 × 480、每秒 30 幀的深度影像，並指出這類相機的深度通常小於 5 m、3 m 處雜訊約 3 cm、視角約 60°，均為該研究報告的規格(Henry et al., 2012, Sec. 1; Sec. 3.1.1)；ICL-NUIM 資料集則以視差雜訊與量化模擬 Kinect 式的深度雜訊(Handa et al., 2014, Sec. V)。ORB-SLAM2 把 RGB-D 深度換算成虛擬的右影像座標，Kinect 與 Asus Xtion 的結構光基線近似取 8 cm(Mur-Artal & Tardos, 2017, Sec. III-A)；作者也說明 TUM RGB-D 資料集 freiburg2 序列的深度圖約有 4% 的尺度偏差，並在自己的實驗中補償(Mur-Artal & Tardos, 2017, Sec. IV-C)。

光點能否被偵測，取決於光點訊號 $S$ 與環境光 $A$ 的相對大小。以光子雜訊為主的簡化模型為：

\mathrm{SNR}=\frac{S}{\sqrt{S+A+\sigma_r^{2}}},\qquad S\propto\frac{\rho\cos\theta}{R^{2}},\qquad A\propto\rho\,E_{\mathrm{amb}}

光點訊號隨距離平方與入射角餘弦下降，並與表面的近紅外反射率成正比；環境光進入像素的量不隨距離衰減。下圖假設直射陽光即使經過感測器的窄頻濾光，仍比 1 m 處白色表面上的光點強數十倍。這是輻射度學的簡化推導，下圖的常數都是示意參數。

間接飛時：每個像素量相位

iToF 相機以調變頻率 $f_m$ 的泛光照亮整個視野，每個像素量測回波調變相對發射調變的相位 $\varphi$ ：

\varphi=\frac{4\pi f_m R}{c}\ (\mathrm{mod}\ 2\pi),\qquad R=\frac{c\,\varphi}{4\pi f_m}+n\,\frac{c}{2f_m}

相位每 $2\pi$ 循環一次，距離只在不模糊距離（unambiguous range） $c/(2f_m)$ 內唯一：20 MHz 時為 7.49 m，100 MHz 時只有 1.50 m，更遠的表面會「折回」到近處。若一個像素收到多條光路（例如牆角處，光先照到另一面牆再反射過來），量到的是各路相量的和：

R_{\mathrm{meas}}=\frac{c}{4\pi f_m}\,\arg\Bigl(\sum_k a_k\,e^{\,i\,4\pi f_m R_k/c}\Bigr),\qquad R_k=\tfrac12\,(\text{第 }k\text{ 條光路的往返長度})

由三角不等式，間接光路總是比直接光路長；只要兩者的相位差小於半個週期，相量和的相位就落在兩者之間，因此多路徑（multipath）干擾會讓凹角附近的距離偏長，牆角被量成圓弧。以上是連續波量測的物理原理推導，不是特定文獻的結果；下圖以單次反射、忽略遮蔽的教學模型計算。已查證文獻中，Keller 等的點式融合除了 Kinect 也以 200 × 200 的 PMD 飛時相機測試，並把每個像素的振幅納入樣本的信心權重(Keller et al., 2013, Sec. 3, Sec. 7, Table 1)。

D-04c深度相機：結構光、間接飛時與失效情境教學模擬 · 非實測資料

原理

對準

深度點著色

三維教學模擬：施工中建築的下層樓板上，三腳架上的 RGB-D 深度相機對著粉刷牆角、待安裝的玻璃與黑色塑膠布覆蓋的材料投射近紅外光點，由開放的樓板邊緣射入的陽光照亮部分地面與牆腳；右下角小窗顯示紅外影像或每像素相位。

三維場景載入中…

看什麼：結構光模式下，粉紅色小點是被紅外相機偵測到的投射光點，灰色小點是沒被偵測到的光點。對準「陽光」：地面與牆腳照到陽光的區域光點被淹沒，小窗中成為灰色光暈；切換到深色主題時，改由鹵素工作燈提供強烈的近紅外環境光。對準「深色與玻璃」：黑色塑膠布反射太少，落在上面的光點大多偵測不到，只在距離較近、正對相機的側面留下稀疏的點；光點穿過玻璃落在後方牆面，玻璃本身沒有點。小窗中光點旁的短線是相對參考平面的位移，近處與遠處的方向相反。

切換到「間接飛時」並對準「牆角」、著色改為「深度誤差」：凹角附近的點被量得偏遠。對準「遠處」並把調變頻率提高到 100 MHz：超過不模糊距離的表面折回到相機前方，形成不存在的假面。相機與投影器的視角、基線、反射率與環境光強度都是示意參數。

可見的光點、光束、相位色彩與點的顏色都是教學視覺化：深度相機使用的近紅外光人眼不可見。設備是通用外型，不是特定產品；場景為模擬，不是實測資料。

深度相機在工地的限制

KinectFusion 的作者說明，Kinect 在不反射紅外光的材料、非常細的結構與掠射角的表面會出現空洞，快速移動也會造成模糊；系統以約 0.4 至 8 m 的保守範圍做光線投射(Newcombe et al., 2011b, Sec. 2.1; Sec. 3.4)。由於只使用深度，它對室內照明條件不敏感(Newcombe et al., 2011b, Sec. 4.3)；但大片平面占滿視野時，ICP 有三個自由度不受約束，會漂移或失敗(Newcombe et al., 2011b, Sec. 4.3)。RGBDSLAMv2 的作者指出，結構光感測器通常無法在直射陽光下使用、量測距離短，在大型廳室中會出現缺乏特徵又沒有深度的路段(Endres et al., 2014, Sec. II, IV-A)。

本站紀錄中，深度相機在營建現場建圖的直接證據屬先導規模。Shang 與 Shen 在無人機底部朝下安裝一台 RGB-D 相機（紅外雷射投影器加兩個紅外感測器），在碎石基礎溝槽上以 RTAB-Map 即時建圖；作者指出這台相機對戶外照度敏感，需要調整參數，最佳量測距離為 0.5 至 5 m(Shang & Shen, 2018, System architecture; Experimental setup; Table 1)，模型中央因紅外量測距離不足而出現空洞(Shang & Shen, 2018, Accuracy evaluation)。以攝影測量模型為參考、在 8 個人工選取的角點間比較邊長，平均單位誤差為 3.3 cm，作者也說明此比較未考慮量測誤差(Shang & Shen, 2018, Field applications: Accuracy Evaluation; Figure 4)。

從影像到點：稀疏與稠密

相機產生點的方式可分成兩大類。稀疏作法只在容易重複辨認的位置（角點、斑點）偵測特徵，跨影格匹配同一個特徵後，由多條觀測射線求最接近的交點：

\mathbf X^{*}=\arg\min_{\mathbf X}\sum_i\bigl\|(\mathbf I-\mathbf d_i\mathbf d_i^{\top})(\mathbf X-\mathbf o_i)\bigr\|^{2}

其中 $\mathbf o_i$ 是第 $i$ 個影格的相機中心， $\mathbf d_i$ 是觀測射線的單位方向。射線間的夾角（視差角）越小，交點沿視線方向越不確定。稠密作法則對每個有深度的像素反投影：

\mathbf X_c=Z\,\mathbf K^{-1}\begin{bmatrix}u\\ v\\ 1\end{bmatrix}

兩式都是幾何推導。稠密點的數量上限由影像解析度決定，品質則取決於每個像素的深度誤差與位姿誤差。

以特徵為主的系統輸出的是稀疏地圖點：ORB-SLAM3 在 EuRoC V202 序列的四種設定中保留 9,686 至 14,245 個地圖點與 135 至 332 個關鍵影格，論文未產生或評估稠密重建(Campos et al., 2021, Table VI; whole paper)；Photo-SLAM 在 ORB 特徵點上加入高斯參數以呈現外觀，作者明言網格重建的評估不在範圍內(Huang et al., 2024c, Sec. 4.1)。ORB-SLAM2 論文中的稠密點雲，是以估計的關鍵影格位姿把感測器深度圖反投影所得，不是聯合最佳化的稠密地圖(Mur-Artal & Tardos, 2017, Sec. IV-C; Fig. 7)。DROID-SLAM 為每個關鍵影格估計逐像素的逆深度，但作者表示缺乏評估 SLAM 重建的標準協定，沒有評估三維重建(Teed & Deng, 2021, Sec. 4)。

稠密深度通常還要融合。KinectFusion 把每一幀深度融合進截斷有號距離函數（TSDF）體素(Newcombe et al., 2011b, Sec. 3.3)，這種體積式整合源自 Curless 與 Levoy；後者指出表面後方的截斷距離坡道會在薄面兩側互相干擾，使薄面變厚、尖角變圓(Curless & Levoy, 1996, Sec. 7)。RGB-D Mapping 把 95 幀、每幀約 25 萬點的點雲整併成約 73 萬個面元（surfel），約為原本的三十二分之一(Henry et al., 2012, Sec. 4.4)。

D-04d從影像到點：稀疏特徵三角化與稠密深度反投影教學模擬 · 非實測資料

成點方式

觀測射線

三維教學模擬：施工中樓層上，裝在有輪三腳架上的深度相機沿著磚牆、混凝土牆與模板牆移動；青色大點是由多個關鍵影格三角化的稀疏地標，細線是觀測射線，小點是深度像素直接反投影的稠密點雲；右下角小窗顯示最新關鍵影格與追蹤的特徵。

三維場景載入中…

看什麼：相機每 0.5 s 取一個關鍵影格。稀疏作法中，青色細線從目前影格射向已三角化的地標，橘色細線來自前一次觀測到該地標的影格，兩者交會處就是地標；小窗中的圓圈是偵測到的特徵，橘色短線是它們與前一影格位置的連線。地標集中在磚牆、混凝土、模板與木料等設定為特徵豐富的材料上（各材料出現可追蹤特徵的機率是示意參數）；讀數中的平均誤差是與真實位置比較的結果。稠密作法中，每個取樣的深度像素都成為一點，平整牆面也被完整覆蓋，但點帶有隨距離平方成長的深度雜訊，0.4 m 以內、超過 5 m 或入射角大於 80° 的表面沒有點。

為了只比較成點方式，這裡直接使用真實的相機位姿；位姿本身如何估計，以及誤差如何累積，見 D-07 從量測到點雲地圖。特徵偵測率、像素雜訊與深度模型都是示意參數。射線、標記與顏色是教學視覺化；深度相機投射的近紅外光人眼不可見，圖中未畫出；設備是通用外型，不是特定產品；場景為模擬，不是實測資料。

一個以手持裝置在施工中建築疊合 BIM 的研究，也顯示特徵地圖在工地上的時效問題。Hsieh 等使用 iOS 裝置內建的 ARKit 視覺慣性 SLAM，在一棟地下一層至地上六樓的 RC 施工中建築測試；特徵點地圖在施工持續變動下約 1 至 3 個工作天就失效，必須重新掃描(Hsieh et al., 2023, Sec. 4.2.4)。在單一移動速率試驗中，每秒 0.5 m 以下時虛實物件中心相距 4.3 至 5.2 cm，每秒 1.00 m 時為 7.9 cm(Hsieh et al., 2023, Table 2)；作者也指出光線不足與遮擋會影響特徵點建圖(Hsieh et al., 2023, Sec. 8)。該系統只保存稀疏特徵點地圖，不產生稠密點雲(Hsieh et al., 2023, Sec. 4.2.4, 5.2, 6.1; Sec. 6.2, 7)。

論文圖：結構光 RGB-D 擷取設備

用於建立 Replica 的自建 RGB-D 資料擷取設備
出處Straub et al., 2019Fig. 4
授權CC BY 4.0（授權條款，另開新視窗）
原始圖檔開啟原始來源（另開新視窗）
本站修改僅轉換為 WebP 格式

Replica 資料集的網格由這台自建設備取得：紅外投影器產生結構光深度，以 TSDF 融合後抽取網格(Straub et al., 2019, Sec. III)。該文為預印本，論文未報告網格相對獨立量測的幾何精度。

本站證據庫中的相機

本站 361 張方法卡中，感測器欄位提到任何相機的有 167 張：單眼或未註明配置 92 張、立體 30 張、RGB-D 或深度相機 68 張、多相機組 9 張、熱像 3 張。驗證環境含施工中工地的方法卡共 22 張，其中提到相機的只有 9 張，其中 8 張同時列出 LiDAR。

本站方法卡中各類相機的出現次數

依方法卡感測器欄位的文字分類；一張卡可同時屬於多類。第二組長條是驗證環境含施工中工地的卡片。

圖 D-04e

分類只看作者列出的感測器，不代表方法只能用於該類相機；明確標示「未使用」或「未測試」的項目不計入。使用合成資料或公開資料集的卡片也計入，因此張數反映的是文獻使用哪類相機，不是工地實測的次數。

資料來源本站已查證的方法卡（methods.json），於頁面產生時計算

在施工中工地驗證、且列出相機的方法卡： Asadi et al. 2019 SLAM image-to-BIM registration（單眼）、Localization in architectural 3D plans（多相機）、maplab 2.0（多相機）、Probabilistic degeneracy detection (DRPM)（單眼）、PIN-SLAM（RGB-D）、LIO-BIM（RGB-D）、BIM-Loc (S05)（單眼）、FAST-LIVO2（單眼）、FAST-LIVO2 on Resource-Constrained Platforms（單眼）。列出相機不代表相機參與了工地驗證：部分卡片的相機只用於合成資料、視覺化或標記偵測，須回到各方法卡的感測器欄位確認。其他以相機為主的工地研究（如上文的 Shang 與 Shen、Hsieh 等，以及施工現場 RGB-D 資料集）屬於應用研究或資料集紀錄，不在方法卡統計內。可在設備與感測器頁查看 RGB-D 設備的原始規格文字。

延伸閱讀：相機與 IMU 的融合與時間同步見 D-05 IMU 與多感測器融合；點如何經由外參與軌跡落到地圖上，見 F-01 一個點如何落到地圖上；代表性方法卡見 ORB-SLAM3、KinectFusion與 VINS-Mono。LiDAR 點如何取得相機影像的實際顏色，見 D-08 彩色點雲：LiDAR 加相機。

下一步：相機與深度相機只是產生量測的一環；量測如何變成一致的點雲地圖，見 D-07 從量測到點雲地圖。