1. 190608 도정찬
특징점 기반 단안 영상 SLAM의 최적화 기법 및
필터링 기법의 성능 연구
중앙대학교, 전자전기공학과 제어 및 시스템,
전진석
2. 2
(1) 서론
1. 연구배경 및 목적, 2. SLAM 연구동향, 3. 연구 내용 및 논문 구성
(2) 카메라 영상의 특징점 검출 및 정합
1. 카메라 기본 개념, 2. 특징점 검출 및 정합
(3) 카메라 자세 추정 방법
1. 2D-2D 자세 추정, 2. 삼각측량법, 3.3D-2D 자세추정
(4) 카메라 자세 및 3D 위치 보정 방법
1. 번들 조정 방법, 2.필터 방법
(5) 2D-2D, 3D-2D 자세추정 방법 성능 실험
1. 이미지 입력 및 특징점 추출 및 정합, 2. Visual Odometry 2D-2D 자세 추정 3. 3D-2D자세 추정
(6) 확장 칼만필터와 번들 조정 방법 성능 실험
1. Visual SLAM에 대한 번들 조정을 이용한 지도 작성, 2. Visual Odometry에 대한 EKF 결과
3. .Visual SLAM에 대한 EKF 지도 작성 4. 확장 칼만필터와 번들조정의 거리 및 각도 오차 비교
(7) 결론 및 향후 과제
목차
* 번들 조정(Bundle Adjustment) : 루프 클로징 시 부유 오차를 줄여줌.
3. 3
-최적화 방식인 번들조정과 필터 방식인 확장 칼만필터의 장단점 비교
- 최적화 방식을 사용하는 이유 조사
- Visual Odometry, Visual SLAM에서의 카메라 자세와 3차원 점 구하기
목표
4. 4
* 2D – 2D 자세추정 : 2차원 영상으로부터 2차원 자세를 추정한다. 입력은 정합 된 특징점, 출력은 카메라 자세이다.
카메라 자세 추정 방법 : 2D – 2D 자세 추정
2D-2D 알고리즘 블록도
Epipolar Geometry
5. 5
* 2D – 2D 자세추정 : 2차원 영상으로부터 2차원 자세를 추정한다. 입력은 정합 된 특징점, 출력은 카메라 자세이다.
카메라 자세 추정 방법 : 3D – 2D 자세 추정
3D-2D 알고리즘 블록도
2D와 Reprojection 된 2D의 오차가
가장 작은 자세 계산
19. 19
- Visual Odometry와 Visual SLAM에서 사용되는 카메라 자세와 공간 좌표에서 3D 점 추정 알고리즘 비교 분석.
- 2D-2D 알고리즘은 정확한 자세를 추정하지 못하며, scale 조정을 해도 3D-2D 알고리즘 보다 정확하지 못함.
하지만 3D-2D 알고리즘은 이미지 3개를 연속으로 갖고 있어야 한다.
- 자세 추정은 칼만 필터가 좋으나, 3차원 점 추정에서는 번들 조정이 칼만 필터보다 성능이 좋다.
결론 및 향후 과제