Depth Estimation

Depth estimation là một quá trình quan trọng trong computer vision nhằm xác định khoảng cách của các đối tượng từ camera, qua đó bổ sung thêm chiều thứ ba cho các ảnh 2D. Bằng cách tính toán khoảng cách của mọi pixel trong ảnh, kỹ thuật này tạo ra một depth map, một dạng biểu diễn trong đó cường độ pixel tương ứng với khoảng cách. Khả năng này mô phỏng binocular vision của con người, cho phép máy móc nhận thức các mối quan hệ không gian và hình học. Đây là công nghệ nền tảng giúp các hệ thống tự trị điều hướng an toàn, hiểu rõ môi trường xung quanh và tương tác với các vật thể vật lý.

Các Cơ chế và Kỹ thuật Cốt lõi#

Có nhiều cách để thực hiện ước tính độ sâu, từ các giải pháp dựa trên phần cứng đến các phương pháp thuần túy dựa trên phần mềm sử dụng trí tuệ nhân tạo.

• Hệ thống thị giác lập thể (Stereo Vision Systems): Tương tự như mắt người, stereo vision sử dụng hai camera đặt cạnh nhau. Các thuật toán phân tích sự khác biệt nhỏ, hay còn gọi là độ chênh lệch (disparity), giữa ảnh bên trái và bên phải để tính toán khoảng cách theo phương pháp tam giác. Quá trình này phụ thuộc nhiều vào việc feature matching chính xác để nhận diện các điểm tương ứng trong cả hai khung hình.
• Ước tính chiều sâu đơn mắt (Monocular Depth Estimation): Phương pháp tiên tiến này ước tính chiều sâu từ một ảnh đơn. Do một bức ảnh 2D đơn lẻ thiếu dữ liệu chiều sâu vốn có, các deep learning models được huấn luyện trên các tập dữ liệu lớn để nhận biết các dấu hiệu trực quan như phối cảnh, kích thước vật thể và hiện tượng che khuất. Các kiến trúc hiện đại, chẳng hạn như convolutional neural networks (CNNs), thực hiện xuất sắc tác vụ này, giúp việc suy luận cấu trúc 3D từ các camera tiêu chuẩn trở nên khả thi.
• LiDAR và Time-of-Flight (ToF): Các cảm biến chủ động như LiDAR (Light Detection and Ranging) và Time-of-Flight cameras phát ra các xung ánh sáng và đo thời gian chúng quay lại. Các phương pháp này tạo ra các point clouds có độ chính xác cao và thường được sử dụng để thu thập dữ liệu mặt nạ thực tế (ground truth) phục vụ huấn luyện các mô hình machine learning.

Các ứng dụng trong thực tế#

Khả năng đo lường khoảng cách mang tính chuyển đổi trên nhiều ngành công nghiệp, thúc đẩy các ứng dụng đòi hỏi nhận thức không gian.

• Xe tự lái (Autonomous Driving): Xe tự hành phụ thuộc vào depth estimation để phát hiện chướng ngại vật, đo khoảng cách đến các phương tiện khác và điều hướng qua các mạng lưới đường phức tạp một cách an toàn. Công nghệ này đóng vai trò không thể thiếu đối với 3D object detection nhằm nhận diện người đi bộ và người đi xe đạp.
• Robotics và Tự động hóa (Robotics and Automation): Robot sử dụng khả năng nhận thức chiều sâu cho các tác vụ như path planning và thao tác vật thể. Ví dụ, một robot trong kho hàng cần biết chính xác khoảng cách đến một kệ hàng để có thể lấy kiện hàng mà không va chạm với nó.
• Thực tế Tăng cường (AR): Để đặt các đối tượng ảo vào một cảnh thực tế một cách thuyết phục, các thiết bị AR phải hiểu hình học 3D của môi trường. Ước tính độ sâu đảm bảo rằng các nhân vật ảo có thể ẩn sau đồ nội thất thực, một khái niệm được gọi là xử lý che khuất.

Ví dụ Mã: Ước tính Độ sâu Đơn mắt#

Mặc dù các mô hình chuyên biệt về chiều sâu tồn tại, bạn thường có thể suy ra các mối quan hệ không gian bằng cách sử dụng các bounding box của object detection làm đại diện cho khoảng cách trong các kịch bản đơn giản (các hộp lớn hơn thường biểu thị các vật thể ở gần hơn). Dưới đây là cách tải một mô hình bằng gói ultralytics để phát hiện vật thể, đây là bước đầu tiên trong nhiều pipeline nhận thức chiều sâu.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Process results
for result in results:
    # Get bounding boxes (xyxy format)
    boxes = result.boxes.xyxy

    # Iterate through detections
    for box in boxes:
        print(f"Detected object at: {box}")

Mối quan hệ với các Khái niệm Thị giác Máy tính khác#

Điều quan trọng là phải phân biệt depth estimation với các thuật ngữ có liên quan. Trong khi object detection xác định vật thể là gì và ở đâu trong không gian 2D (sử dụng bounding box), depth estimation xác định khoảng cách của nó là bao xa (trục Z). Tương tự, semantic segmentation phân loại các pixel thành các danh mục (ví dụ: đường đi, bầu trời, ô tô), trong khi depth estimation gán một giá trị khoảng cách cho chính các pixel đó.

Những tiến bộ trong AI Không gian#

Sự tiến bộ gần đây trong generative AI đang thu hẹp khoảng cách giữa tầm nhìn 2D và 3D. Các kỹ thuật như Neural Radiance Fields (NeRF) sử dụng nhiều ảnh 2D để tái tạo các cảnh 3D phức tạp, dựa nhiều vào các nguyên lý chiều sâu cơ bản. Hơn nữa, khi các kỹ thuật model optimization được cải thiện, việc chạy depth estimation có độ chính xác cao trên các edge AI devices đang dần trở nên khả thi. Điều này cho phép tính toán không gian thời gian thực trên các phần cứng nhỏ gọn như drone hoặc kính thông minh, được hỗ trợ bởi các nền tảng như Ultralytics Platform giúp huấn luyện và triển khai mô hình hiệu quả.