Detail Cantuman

Penelitian ini mengevaluasi kelayakan model Depth-Anything-V2 untuk estimasi kedalaman monokuler pada peta berbasis tampilan secara real-time. Menggunakan dataset EuRoC MAV, penelitian membandingkan performa tiga varian model (Large, Base, Small) dalam hal akurasi odometry, waktu inferensi, dan penggunaan sumber daya. Hasil menunjukkan model Large memberikan akurasi tertinggi dengan RMSE rata-rata 1,67 m, namun dengan waktu inferensi terlama (92,14 ms) dan penggunaan GPU tertinggi (75,82%). Model Base menawarkan keseimbangan dengan RMSE 2,02 m dan waktu inferensi 35,84 ms. Model Small menunjukkan kecepatan inferensi tertinggi (21,68 ms) dengan trade-off pada akurasi (RMSE 2,29 m). Tanpa loop closure, semua model mengalami drift dalam estimasi odometry jangka panjang, dengan standar deviasi berkisar 0,57-0,88 m. Penelitian ini menyoroti potensi dan batasan Depth-Anything-V2 dalam aplikasi navigasi real-time, menekankan pentingnya optimasi lebih lanjut dan integrasi loop closure untuk meningkatkan akurasi pemetaan. Kata kunci: Visual SLAM, Odometry Visual, Estimasi kedalaman monokuler, RTAB-Map, Depth-Anything-V2