Respuestas:
Las características como el sol y las nubes y otras cosas que están muy lejos tendrían una estimación de distancia de inf. Esto puede causar muchos problemas. Para evitarlo, se estima la inversa de la distancia. Todas las infs se convierten en ceros que tienden a causar menos problemas.
La parametrización de profundidad inversa representa la distancia de un punto de referencia, d, desde la cámara exactamente como dice, como proporcional a 1 / d dentro del algoritmo de estimación. Lo racional detrás del enfoque es que, los enfoques de filtrado como el filtro Kalman extendido (EKF) suponen que el error asociado con las características es gaussiano.
En una configuración de odometría visual, la profundidad de un punto de referencia se estima mediante el seguimiento de las características asociadas a través de una serie de cuadros y luego utilizando el paralaje inducido. Sin embargo, para las características distantes (en relación con el desplazamiento de la cámara), el paralaje resultante será pequeño y, lo que es más importante, la distribución de errores asociada con la profundidad es muy alta cerca de la profundidad mínima con una cola larga (es decir, no está bien modelada a través de un Distribución gaussiana). Para ver un ejemplo, consulte la Fig. 7 en el artículo de Civera et al. (Mencionado por @freakpatrol), o la Fig. 4 de Fallon et al. ICRA 2012 .
Al representar la profundidad inversa (es decir, 1 / d), este error se vuelve gaussiano. Además, permite representar puntos muy distantes, por ejemplo, puntos en el infinito.
El aspecto importante de la representación utilizada es el artículo de Civera que se explica en la Sección II B de su documento (ver Ecuación (3)). Aquí, se representa un punto de referencia en relación con la pose (posición y orientación) de la primera cámara desde la que se ve. Esta pose se captura en los primeros cinco parámetros de la ecuación (3), mientras que el sexto parámetro, , representa la profundidad inversa. La ecuación (4) proporciona una expresión para recuperar la posición mundial del punto (es decir, donde la profundidad inversa se convierte en profundidad como )
El documento de Davison que presenta el método es bastante fácil de entender:
Parametrización de profundidad inversa para SLAM monocular por Javier Civera, Andrew J. Davison y JM Martınez Montiel DOI: 10.1109 / TRO.2008.2003276
Además de las razones mencionadas en otras respuestas sobre el condicionamiento numérico de la profundidad inversa, una razón importante para que este término aparezca en literatura de odometría visual específica es la forma en que las profundidades se calculan a partir de la visión estereofónica: después de la rectificación, se infiere información 3D a partir de la distancia en X entre donde aparece un punto en las imágenes de las dos cámaras.