지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 유진우
- 발행연도
- 2023
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수11
이 논문의 연구 히스토리 (3)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Visual SLAM(Simultaneous Localization And Mapping)은 카메라를 사용하여 이 미지로부터 3차원 공간에서의 측위 및 지도 작성을 동시에 수행하는 시스템이다. 라이다보다 저렴하고 센서 배치에 유연하며 GPS와 HD(High Definition) 지도를 활 용하기 어려운 환경에서도 사용할 수 있어서 실내 로봇, AR(Augmented Reality), VR(Virtual Reality), Autonomous Driving 등 다양한 분야에서 활발하게 연구되고 있다. 이미지로부터 3차원 공간을 만들기 위해서는 연속된 이미지들에서 같은 영역 을 나타낼 수 있는 특징점이 필요하다. 반복성과 신뢰성을 갖춘 강건한 특징점은 카메라의 정확한 자세와 경로를 추정할 수 있지만, 전통적인 특징점 추출 알고리즘 은 카메라가 취약할 수 있는 다양한 조도와 환경에 전부 대응하여 강인한 특징점을 만드는 데 한계가 있다. 본 논문에서는 Deep Learning 기법을 활용하여 기존의 특 징점 및 기술자를 대체하는 방법론을 제안한다. 반복성과 신뢰성이 우수한 특징점 을 얻기 위해 L2-Net을 기반으로 하는 R2D2(Repeatable and Reliable Detector and Descriptor)를 활용하였다. 학습 단계에서 특징점의 높은 반복성과 적절한 개수 를 얻기 위해 손실 함수에 사용되는 패치의 크기는 N=48로 결정하였다. 추론된 특 징점들과 기술자들은 임계 이상에 반복성과 신뢰성을 나타내는 경우에만 SLAM에 사용된다. 또한, 옵티컬 플로우로 이미지 내에 재투영 영역을 제한하여 매칭 정확도 를 향상한다. 본 실험에서는 검증을 위해 KITTI Odometry 데이터 세트를 활용하 였으며 Mono SLAM에 대해 평가하였다. 실험 결과 ORB를 사용한 기존에 ORB SLAM보다 대부분에 실험데이터에서 더 낮은 RMSE 경로 오차를 달성할 수 있었 으며 일부 데이터에서 발생했던 Tracking Loss 문제도 해결되었다.
목차
제 1 장 서 론 11.1 연구 배경 11.2 SLAM(Simultaneous Localization and Mapping) 기술 동향 41.3 연구 기여 61.4 논문 구성 7제 2 장 관련 연구 82.1 ORB(Oriented FAST and Rotated BRIEF) Extractor 92.2 딥러닝 기반 특징점 검출 102.2.1 Improved ORB SLAM via Deep Learning-based 132.3 Optical Flow 14제 3 장 제안하는 방법론 183.1 R2D2(Repeatable and Reliable Detector and Descriptor) 183.2 옵티컬 플로우를 통한 매칭 보조 203.2.1 Rotation Flow Filter 243.2.2 Cross Flow Filter 26제 4 장 실험 결과 284.1 실험 환경 284.2 실험 결과 304.3 추가 실험 34제 5 장 결론 365.1 결론 및 기대 효과 365.2 향후 과제 37참고문헌 38Abstract 41
최근 본 자료
댓글(0)
0