Przejdź do treści

Bike fit z iPhone’a: co naprawdę mierzy LiDAR i rozpoznawanie pozy

LiDAR iPhone'a skanuje z dokładnością ±1 cm, a rozpoznawanie pozy myli kąt kolana o 4–10°. Sprawdzamy w badaniach, co z telefonu nadaje się do fitu, a co nie.

Telefon sam roweru nie ustawi. LiDAR w iPhonie Pro skanuje z dokładnością ok. ±1 cm, a programy rozpoznające sylwetkę mylą kąt kolana o 4–10°, podczas gdy siodło stroi się co kilka milimetrów i 1–2°. Telefon nadaje się za to do wymiarów ciała, spisania geometrii roweru i, z naklejkami na stawach i wzorcem skali w kadrze, do kątów z wideo.

W skrócie

  • Skan iPhone’a trzyma ok. ±1 cm, ale tylko dla obiektów większych niż 10 cm. Rury roweru mają 2–4 cm.
  • Długość uda i podudzia ze skanu zgadza się z taśmą, ale połowa skanów nóg była niekompletna.
  • Pomiar wzrostu w AR myli się do ±2,2 cm. To za duży błąd, żeby liczyć z niego siodło, ale do tabeli rozmiaru ramy wystarczy.
  • Programy rozpoznające pozę bez markerów mylą biodro i kolano o 4–10°, kostkę jeszcze bardziej. Wideo z naklejkami na stawach myli się o ok. 2°.
  • 1 cm siodła to od ok. 2° (Ferrer-Roca i in. 2014) do prawie 5° w kolanie, więc błąd 4–10° to 1–5 cm siodła. To wielokrotnie więcej niż krok korekty.

Co naprawdę mierzy LiDAR w iPhonie

Czujnik z tyłu iPhone’a Pro mierzy, ile czasu światło lasera leci do przedmiotu i z powrotem. Wysyła 576 punktów i sięga do 5 m. Im dalej, tym rzadziej: ok. 7225 punktów na m² z 25 cm, ale tylko 150 na m² z 250 cm. iPad Pro ma ten sam czujnik (Luetzenburg i in. 2021).

Aplikacje tych punktów nie dostają. System łączy je z obrazem z aparatu w mapę głębi 256 × 192 pikseli i tylko ją udostępnia (Tondo i in. 2023). Według dokumentacji Apple dokładność spada na powierzchniach mocno odbijających i mocno pochłaniających światło. To deklaracja producenta, nie pomiar (developer.apple.com, ARDepthData, odczyt 13.10.2026).

Mapa jest opisana jako 60 Hz, ale nowe dane głębi pojawiają się 15 razy na sekundę (Tondo 2023). Przy 90 obr./min to 10 map na obrót korby, każda rzadka i wygładzona. Do kątów w ruchu LiDAR się więc nie nadaje.

Ten sam zespół zmierzył płaską płytę z różnych odległości. Za blisko telefon się myli o kilka centymetrów, od 30 cm wzwyż trafia:

OdległośćOdczytSzum (odch. std.)Wniosek
12 cm15,4 cm6,5 mmza blisko: +3,4 cm błędu
20 cm22,6 cm1,0 mmnadal +2,6 cm
30 cm29,9 cm0,5 mmdobrze
40 cm39,7 cm0,3 mmdobrze
100 cm100,1 cm0,9 mmdobrze
Statyczna mapa głębi iPhone’a 13 Pro, płaska płyta w środku kadru (Tondo i in. 2023, tab. 1). Optymalny zakres według autorów: 0,30–2,00 m.

Milimetrowy szum dotyczy jednego piksela na dużej, płaskiej powierzchni. Na krawędziach płyty odczyt skakał, a w ruchu jeszcze bardziej (Tondo 2023). Wymiar ze skanu to inna sprawa.

Dokładność skanu: centymetr, nie milimetr

Aplikacje sklejają setki map głębi w siatkę i ją wygładzają. Na 14 pudełkach o bokach od 2 do 52 cm iPhone 12 Pro trzymał ±1 cm dla obiektów większych niż 10 cm. Im większy obiekt, tym lepiej (Luetzenburg 2021).

Z drobnymi kształtami jest gorzej. Przy małych, złożonych obiektach do połowy punktów z iPada nie pasowało do wzorca, bo punktów jest mało, a siatka wygładza kształt. Granitowy cokół z połyskiem psuł odczyt (Łabędź i in. 2022).

Rura podsiodłowa, sztyca, mostek i ramiona korby mają 2–4 cm średnicy, czyli są poniżej progu 10 cm. Lakier karbonowej ramy bywa właśnie takim połyskiem. Badania skanu karbonowych rur nie znaleźliśmy, więc sprawdź to sam na rurze o znanej średnicy.

Na dużych, gładkich powierzchniach bywa lepiej. Odcinki na ciele dłuższe niż 40 cm, mierzone iPadem z aplikacją Polycam, miały błąd poniżej 1,5% (Callegari i in. 2024). Na walcach o znanych wymiarach tryb zdjęciowy Polycam był dokładniejszy niż LiDAR (Grobler i Celano 2025).

Wymiary ciała, przekrok i Miarka

Tu LiDAR ma sens. U 22 osób skanowanych iPadem długość uda ze skanu bardzo dobrze zgadzała się z taśmą (R² 0,90), a podudzia nieco słabiej (R² 0,83).

Haczyk: tylko 11 z 22 skanów było kompletnych. Pięć dało samo udo, a sześć było zniekształconych albo dziurawych, zwykle między nogami i przy podłodze (Oberhofer i in. 2024). Jak skanować, żeby wyszło lepiej, piszemy niżej.

Apple Miarka według instrukcji iPhone’a umie zmierzyć wzrost osoby (support.apple.com, odczyt 13.10.2026). Badania samej Miarki nie znaleźliśmy. Najbliżej jest aplikacja AR do mierzenia wzrostu dzieci na iPhonie. Średnio różniła się od wzrostomierza o 0,11 cm, ale pojedyncze pomiary o −2,2 do +2,4 cm (Thaventhiran i in. 2023).

Do ustawienia siodła to za duży błąd. Wzór 0,883 × przekrok zamienia centymetr błędu na 8,8 mm siodła, a wzór 109% na 10,9 mm. Przekrok mierz książką o ścianę, jak opisujemy w tekście o wysokości siodła. Do tabeli rozmiaru ramy ±2 cm wzrostu za to wystarczy.

Kąty z kamery: czy telefon widzi stawy

ARKit śledzi szkielet osoby w 3D, a od iOS 17 Vision ma używać danych głębi, „jeśli system na to pozwala” (developer.apple.com, odczyt 13.10.2026). Jedyne badanie porównało śledzenie ARKit z laboratoryjnym systemem VICON. Przebieg ruchu był dobry, ale pełny zakres ruchu w stawach wyraźnie zaniżony (Reimer i in. 2021).

Większość aplikacji do fitu rozpoznaje pozę na zwykłym wideo 2D. U 26 kolarzy na trenażerze OpenPose różnił się od śledzenia markerów o 4–8° w biodrze i kolanie i o 15–22° w kostce (Bini i in. 2023). Nowsze biblioteki wypadały dobrze poza rowerem, ale na rowerze nikt ich nie sprawdził.

3D bez znaczników z dwóch telefonów, czyli OpenCap, sprawdzono na rowerze u 10 osób. Przebieg kątów zgadzał się z systemem markerowym, ale błąd wynosił 9–10° w kolanie, ok. 8° w biodrze i 11–12° w kostce (Kakavand i in. 2025).

Dla porównania wideo 2D z naklejkami na stawach zaniżało kąt kolana wobec 3D średnio o 2,2°, za to powtarzalnie (Fonda i in. 2014). Jak takie nagranie zrobić, opisujemy w tekście o wideo 2D z markerami.

Czy 4–10° w kolanie wyklucza ustawianie siodła

Do drobnych korekt tak, do wykrycia dużego błędu nie. U 14 wytrenowanych kolarzy siodło 2% niżej i 2% wyżej, łącznie 3 cm przy 75 cm, zmieniało wyprost kolana o ok. 7° (Ferrer-Roca i in. 2014). To ok. 2,3° na centymetr.

Z samej geometrii wychodzi więcej. Dla uda 44 cm i podudzia 43 cm zmiana zgięcia kolana w dolnym punkcie z 30° na 35° skraca odległość biodro–pedał o 10,6 mm. Czyli 1 cm to prawie 5°. U kolarza wychodzi mniej, bo część różnicy przejmuje kostka.

W obu przeliczeniach błąd 4–10° to 1–5 cm siodła. Wysokość stroi się co 2–5 mm, a cały zalecany zakres kąta ma 10° szerokości. Narzędzie z takim błędem nie powie, czy w nim jesteś.

Z naklejkami na stawach i kamerą ustawioną prostopadle do roweru błąd wideo 2D wynosi ok. 2° (Fonda 2014). Wtedy centymetr siodła widać. Kąt na milimetry dla twoich wymiarów przelicza kalkulator wysokości siodła.

Co chcesz zmierzyć – czym – z jaką dokładnością

CoCzymDokładność z badańWystarczy do fitu?
Wysokość siodła (oś suportu – siodło)taśma, poziomica; skan LiDARskan ±1 cm (Luetzenburg 2021)skan: nie, tylko kontrola grubych błędów
Cofnięcie siodłapion przez oś suportu; skanskan ±1 cm, cienkie rury gorzej (Łabędź 2022)skan: nie
Drop i reach do klamek, stack/reach ramypoziomica laserowa, taśma; skanprofil obiektu do 3 cm RMSE (Desai 2021), małe pudełka ±1 cmorientacyjnie; porównanie dwóch rowerów
Przekrokksiążka o ścianę, taśmawzrost w AR: granice zgodności ±2,2 cm (Thaventhiran 2023)AR: nie (1 cm przekroku = 0,9–1,1 cm siodła)
Udo, podudzie, barkiskan LiDAR × 3, medianaR² 0,83–0,90 (Oberhofer 2024); skala −0,5 ± 5,3% (McConnochie 2025)tak, do modelu i proporcji (±1 cm)
Kąt kolana w ruchuwideo z boku z markerami2D z markerami −2,2° (Fonda 2014); bez markerów 4–10° (Bini 2023; Kakavand 2025)z markerami tak; bez – tylko gruby błąd
Kąt kostki w ruchuwideo z markeramibez markerów 11–22°bez markerów: nie
Zestawienie redakcji z cytowanych walidacji. „Skan” = LiDAR iPhone’a lub iPada z aplikacją budującą siatkę.

Pomiar w domu: co nagrać i jak to sprawdzić

Skan roweru. Postaw rower na trenażerze z klockiem pod przednim kołem. Telefon trzymaj 0,5–1,5 m od ramy. W kadrze połóż wzorzec skali: kartkę z kwadratem o znanym boku albo ramię korby z nadrukowaną długością.

Zmierz wzorzec na skanie. Jeśli 175 mm wychodzi na skanie jako 182 mm, cały skan jest powiększony w tej samej proporcji. Celem jest zapis geometrii i porównanie z następnym rowerem co do centymetra. Sposób skanowania i porównania dwóch chmur punktów, opisany dla iPhone’a w geonaukach, działa tak samo dla roweru (Luetzenburg i in. 2024).

Skan ciała. Zrób trzy skany: obcisły jednokolorowy strój, jednolite tło i światło, pozycja T ze stopami rozstawionymi na 25–30% wzrostu. Obchodź ciało po okręgu w stałym tempie, z telefonem 50–100 cm od ciała i prostopadle do niego (Oberhofer i in. 2024).

Z mediany trzech skanów bierzesz udo, podudzie, tułów, ramię i barki. Skan z dziurą odrzucasz. Oddechu i kołysania badania nie opisują, stąd trzy powtórzenia.

Wideo. Telefon na statywie, obiektyw 1×, nie 0,5×, bo szeroki kąt wygina obraz na brzegach. Konsensus ekspertów wymaga przy pomiarze 2D kalibracji i korekty tego zniekształcenia (Priego-Quesada 2024). Obiektyw ustaw prostopadle do roweru, na wysokości suportu, 3–4 m od niego.

Punkt bliżej kamery niż wzorzec wychodzi większy, więc kolano wychylone na zewnątrz zmienia skalę i kąt. Nagrywaj w 120 lub 240 kl./s, żeby złapać klatkę dokładnie w dolnym punkcie, i uśrednij co najmniej 10 obrotów.

Naklejki daj na krętarz większy, boczny kłykieć kolana i kostkę zewnętrzną. Wzorzec skali trzymaj w płaszczyźnie roweru. Jedź co najmniej 2 min przy docelowej intensywności i kadencji i nagraj co najmniej 30 s (Priego-Quesada 2024). Nagrywaj z obu stron i z przodu.

Nagraj też przy dwóch mocach. Między 60 a 90% tętna maksymalnego wyprost kolana i zgięcie grzbietowe kostki rosły o 6–9% (Holliday i in. 2019).

Weryfikacja. Nagraj tę samą pozycję trzy razy w osobnych sesjach i zapisz rozrzut kąta. To twój błąd między sesjami. Po skanie zmierz taśmą jeden znany wymiar. Jeśli liczysz kąty programem do rozpoznawania pozy, puść go na tym samym nagraniu co markery i zobacz różnicę. Zmianę pozycji uznawaj za prawdziwą, gdy przekracza rozrzut.

Czego nie mierzyć LiDAR-em: wysokości i cofnięcia siodła w krokach 2–5 mm, pochylenia siodła poniżej 1°, bloków i czegokolwiek w ruchu. Tu działa taśma, pion, poziomica cyfrowa i wideo z markerami. Ból, który nie mija po korektach, to sprawa dla fizjoterapeuty albo fittera, nie aplikacji.

Na marginesie: LiDAR w naszych profilach podjazdów, na przykład Kocierza przez Widokową, to lotniczy skan GUGiK z siatką 1 m – ten sam skrót, inny czujnik i inna dokładność.

Co mówią badania

Inne pomiary skanem z telefonu dają podobny obraz. Profil uszkodzonego samochodu ze skanu iPadem różnił się od skanera geodezyjnego o maksymalnie 3 cm (Desai i in. 2021). Wymiary piersi w 3D Scanner App miały błąd 1,4–2,8% dla odcinków prostych i 13% po krzywiźnie (Kyriazidis i in. 2025).

Tryb zdjęciowy Polycam miał na walcach błąd systematyczny 7 mm (Grobler i Celano 2025). Model twarzy z metody Gaussian splatting ze smartfona różnił się od wzorca o 10–18 mm i ponad 20° (Genç i in. 2026). Odcinki na ciele krótsze niż 40 cm dają większy błąd procentowy (Callegari i in. 2024).

Skan iPadem posłużył też do skalowania modelu mięśniowo-szkieletowego. Skala miednicy, uda i goleni różniła się od metody z markerami o −0,5 ± 5,3%, powtórne skany były bardzo zgodne, a kąty stawów różniły się średnio o 3,7° (McConnochie i in. 2025).

W porównaniu 16 bibliotek do rozpoznawania pozy najlepiej wypadły MeTRAbs w 3D oraz AlphaPose, rtmlib i YOLOv7 w 2D (Kahl i in. 2026). HRNet i MediaPipe trzymały zmienność kątów poniżej 10% (Hamilton i in. 2024). Na rowerze drugi z badanych modeli, MSRA, wypadł gorzej od OpenPose (Bini i in. 2023).

Przeglądy chodu i skoków mówią to samo: biodro i kolano z boku wychodzą umiarkowanie lub bardzo dobrze, a kostka i ruchy w płaszczyźnie czołowej słabo (Scataglini i in. 2024; Chougule i in. 2026). W skokach błąd kolana wynosił 4,4° (Ogura i in. 2026).

Model biomechaniczny dopasowany do wideo z jednego telefonu trzymanego w ręku dał w chodzie medianę błędu poniżej 3° (Peiffer i in. 2026). Tyle że bez roweru w kadrze, który zasłania stawy.

Według przeglądu z 2011 roku zmiana wysokości siodła o 5% zmieniała ruch kolana o 35% (Bini i in. 2011). Konsensus 14 ekspertów zaleca pomiar 3D, a gdy go nie ma, pomiar 2D z opisem ograniczeń. Każda metoda ma podawać błąd i powtarzalność w sesji i między sesjami (Priego-Quesada i in. 2024).

Co z tym zrobić

  1. Sprawdź w specyfikacji Apple, czy twój model ma LiDAR (w badaniach: iPhone 12, 13 i 15 Pro, iPady Pro od 2020). Zeskanuj rower z wzorcem skali i zapisz geometrię z dokładnością do centymetra.
  2. Zeskanuj ciało trzy razy i weź medianę długości odcinków. Przekrok zmierz książką o ścianę, nie Miarką.
  3. Wysokość, cofnięcie i pochylenie siodła mierz taśmą, pionem i poziomicą cyfrową. Zapisz, od jakiego punktu mierzyłeś.
  4. Kąty licz z wideo z boku, z naklejkami na stawach, obiektywem 1× i wzorcem w kadrze. Nagrywaj przy swojej intensywności i bierz średnią z 10 obrotów. Program do rozpoznawania pozy to druga opinia, nie pomiar.
  5. Zanim przestawisz siodło, porównaj różnicę kąta z rozrzutem trzech nagrań. Zmiana mniejsza niż błąd to nie zmiana.

Źródła

  1. Luetzenburg G, Kroon A, Bjørk AA (2021). Evaluation of the Apple iPhone 12 Pro LiDAR for an Application in Geosciences. Scientific Reports, 11(1), 22221. doi:10.1038/s41598-021-01763-9
  2. Tondo GR, Riley C, Morgenthal G (2023). Characterization of the iPhone LiDAR-Based Sensing System for Vibration Measurement and Modal Analysis. Sensors, 23(18), 7832. doi:10.3390/s23187832
  3. Łabędź P, Skabek K, Ozimek P, Rola D, Ozimek A, Ostrowska K (2022). Accuracy Verification of Surface Models of Architectural Objects from the iPad LiDAR in the Context of Photogrammetry Methods. Sensors, 22(21), 8504. doi:10.3390/s22218504
  4. Desai J, Liu J, Hainje R, Oleksy R, Habib A, Bullock D (2021). Assessing Vehicle Profiling Accuracy of Handheld LiDAR Compared to Terrestrial Laser Scanning for Crash Scene Reconstruction. Sensors, 21(23), 8076. doi:10.3390/s21238076
  5. Callegari E, Agnolucci J, Angiola F, Fais P, Giorgetti A, Giraudo C, i in. (2024). The Precision, Inter-Rater Reliability, and Accuracy of a Handheld Scanner Equipped with a Light Detection and Ranging Sensor in Measuring Parts of the Body – A Preliminary Validation Study. Sensors, 24(2), 500. doi:10.3390/s24020500
  6. Kyriazidis I, Berner JE, Waked K, Hamdi M (2025). 3D Breast Scanning in Plastic Surgery Utilizing Free iPhone LiDAR Application: Evaluation, Potential, and Limitations. Aesthetic Surgery Journal, 45(4), NP99–NP104. doi:10.1093/asj/sjae251
  7. Grobler E, Celano G (2025). Photogrammetric and LiDAR Scanning with iPhone 13 Pro: Accuracy, Precision and Field Application on Hazelnut Trees. Sensors, 25(18), 5629. doi:10.3390/s25185629
  8. Genç C, Arısan A, Toprak M, Duran GS (2026). 3D Gaussian Splatting vs. 2D Photogrammetry and Direct Anthropometry for Facial Measurements. Orthodontics & Craniofacial Research, 29(4), 688–697. doi:10.1111/ocr.70116
  9. Oberhofer K, Knopfli C, Achermann B, Lorenzetti SR (2024). Feasibility of Using Laser Imaging Detection and Ranging Technology for Contactless 3D Body Scanning and Anthropometric Assessment of Athletes. Sports, 12(4), 92. doi:10.3390/sports12040092
  10. McConnochie G, Fox A, Bellenger C, Thewlis D (2025). LiDAR-based scaling of OpenSim musculoskeletal human models is a viable alternative to marker-based approaches – A preliminary study. Journal of Biomechanics, 179, 112439. doi:10.1016/j.jbiomech.2024.112439
  11. Thaventhiran T, Orr J, Morris JK, Hsu A, Martin L, Davies KM, i in. (2023). A Digital Health Solution for Child Growth Monitoring at Home: Testing the Accuracy of a Novel "GrowthMonitor" Smartphone Application to Detect Abnormal Height and Body Mass Indices. Mayo Clinic Proceedings: Digital Health, 1(4), 498–509. doi:10.1016/j.mcpdig.2023.08.001
  12. Reimer LM, Weigel S, Ehrenstorfer F, Adikari M, Birkle W, Jonas S (2021). Mobile Motion Tracking for Disease Prevention and Rehabilitation Using Apple ARKit. Studies in Health Technology and Informatics, 279, 78–86. doi:10.3233/shti210092
  13. Bini RR, Serrancoli G, Santiago PRP, Pinto A, Moura F (2023). Criterion validity of neural networks to assess lower limb motion during cycling. Journal of Sports Sciences, 41(1), 36–44. doi:10.1080/02640414.2023.2194725
  14. Hamilton RI, Glavcheva-Laleva Z, Haque Milon MI, Anil Y, Williams J, Bishop P, i in. (2024). Comparison of computational pose estimation models for joint angles with 3D motion capture. Journal of Bodywork and Movement Therapies, 40, 315–319. doi:10.1016/j.jbmt.2024.04.033
  15. Kahl F, Wegner P, Kapsecker M, Nissen L, Faber J, Jonas SM, Reimer LM (2026). A Comparative Assessment of Accuracy in Video-Based Monocular Human Pose Estimation Frameworks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 48(7), 8470–8484. doi:10.1109/tpami.2026.3672463
  16. Kakavand R, Ahmadi R, Parsaei A, Brent Edwards W, Komeili A (2025). Comparison of kinematics and kinetics between OpenCap and a marker-based motion capture system in cycling. Computers in Biology and Medicine, 192, 110295. doi:10.1016/j.compbiomed.2025.110295
  17. Scataglini S, Abts E, Van Bocxlaer C, Van den Bussche M, Meletani S, Truijen S (2024). Accuracy, Validity, and Reliability of Markerless Camera-Based 3D Motion Capture Systems versus Marker-Based 3D Motion Capture Systems in Gait Analysis: A Systematic Review and Meta-Analysis. Sensors, 24(11), 3686. doi:10.3390/s24113686
  18. Chougule A, Dowsett M, Ekundayomi D, Machesney A, Mather T, Gompels B, i in. (2026). Accuracy and Validity of 3D Markerless Motion Capture Compared to Marker-Based Systems for Lower-Limb Biomechanical Assessment: A Systematic Review. Sensors, 26(12), 3956. doi:10.3390/s26123956
  19. Ogura A, Florio E, Wileman TM, Dennison L, Psarakis M (2026). Are we there yet? A systematic review and meta-analysis of the validity and reliability of automated markerless motion capture systems during jumping tasks. Journal of Sports Sciences, 44(10), 1275–1295. doi:10.1080/02640414.2025.2589689
  20. Peiffer JD, Shah K, Djuraskovic I, Anarwala S, Abdou K, Patel R, i in. (2026). Portable biomechanics laboratory enables clinically accessible movement analysis from a handheld smartphone. npj Digital Medicine, 9(1), 692. doi:10.1038/s41746-026-02825-w
  21. Fonda B, Sarabon N, Li FX (2014). Validity and reliability of different kinematics methods used for bike fitting. Journal of Sports Sciences, 32(10), 940–946. doi:10.1080/02640414.2013.868919
  22. Ferrer-Roca V, Bescós R, Roig A, Galilea P, Valero O, García-López J (2014). Acute Effects of Small Changes in Bicycle Saddle Height on Gross Efficiency and Lower Limb Kinematics. Journal of Strength and Conditioning Research, 28(3), 784–791. doi:10.1519/jsc.0b013e3182a1f1a9
  23. Bini R, Hume PA, Croft JL (2011). Effects of Bicycle Saddle Height on Knee Injury Risk and Cycling Performance. Sports Medicine, 41(6), 463–476. doi:10.2165/11588740-000000000-00000
  24. Priego-Quesada JI, Arkesteijn M, Bertucci W, Bini RR, Carpes FP, Diefenthaeler F, i in. (2024). Bicycle Set-Up Dimensions and Cycling Kinematics: A Consensus Statement Using Delphi Methodology. Sports Medicine, 54(11), 2701–2715. doi:10.1007/s40279-024-02100-6
  25. Holliday W, Theo R, Fisher J, Swart J (2019). Cycling: joint kinematics and muscle activity during differing intensities. Sports Biomechanics, 22(5), 660–674. doi:10.1080/14763141.2019.1640279
  26. Luetzenburg G, Kroon A, Kjeldsen KK, Splinter KD, Bjørk AA (2024). High-resolution topographic surveying and change detection with the iPhone LiDAR. Nature Protocols, 19(12), 3520–3541. doi:10.1038/s41596-024-01024-9
  27. Apple Inc. ARKit: ARFrame.sceneDepth, ARDepthData, confidenceMap, ARBodyTrackingConfiguration; Vision: VNDetectHumanBodyPose3DRequest. Dokumentacja deweloperska, developer.apple.com (odczyt 13.10.2026) – opis interfejsu i deklaracje producenta, nie dowód dokładności.
  28. Apple Inc. iPhone User Guide: Measure dimensions with iPhone; Measure a person's height. support.apple.com (odczyt 13.10.2026) – opis funkcji, nie walidacja.

Piszemy na podstawie badań z recenzją i udokumentowanej praktyki. Zasady redakcyjne

Czytaj dalej