현재 국내 대부분의 토목 건축 구조물이 BIM 정보가 부재한 상황에서 준공 BIM(as-built BIM)의 수요가 점차 증가하고 있다. 준공 BIM 구축을 위한 공간자료 취득에는 고밀도의 포인트 클라우드를 생성할 수 있는 레이저 스캐너가 주로 활용되고 있다. 하지만 기존의 고정식 스캔 시스템은 이동이 번거롭고, 정밀한 위치 선정이 필요 하며, 스캔 자료 정합을 위해 별도의 표지를 설치하거나 공액점을 추출하는 과정이 필요하다. 본 연구에서는 수작업을 최소화하기 위해 기존의 고정식 스캔 시스템을 대체할 수 있는 이동식 스캔 시스템을 제안하고자 하며, 기반 기술로 graph-based SLAM을 적용하였다. 테스트 장비는 총 세 개의 2차원 스캐너를 탑재하고 있으며, 중앙의 한 개는 수평으로 설치되어 graph 구축을 통한 이동경로취득에 사용되었고, 좌우 두 개는 수직으로 설치되어 시스템 진행의 연직 방향으로 주변 구조물에 대한 3차원 스캔 정보 취득에 사용되었다. 개발된 graph-based SLAM은 이동경로 상에 누적된 위치오차를 해소하기 위한 loop closure 처리 방법으로 Adaboost 기계학습을 적용하였다. 이는 특히 본 연구에서 사용한 장비와 같이 기계학습을 위한 다수의 feature 정보를 제공할 수 있는 멀티 스캐너 시스템에 적합한 방식이며, 두 실내공간을 대상으로 한 테스트에서 단일 스캐너 대비 false positive rate를 각각 7.9% 및 13.6%까지 줄일 수 있었다. 최종적으로 연구대상지역의 2차원 및 3차원 지도 구축을 통해 개발된 graph-based SLAM의 효용성을 확인하였다.
현재 국내 대부분의 토목 건축 구조물이 BIM 정보가 부재한 상황에서 준공 BIM(as-built BIM)의 수요가 점차 증가하고 있다. 준공 BIM 구축을 위한 공간자료 취득에는 고밀도의 포인트 클라우드를 생성할 수 있는 레이저 스캐너가 주로 활용되고 있다. 하지만 기존의 고정식 스캔 시스템은 이동이 번거롭고, 정밀한 위치 선정이 필요 하며, 스캔 자료 정합을 위해 별도의 표지를 설치하거나 공액점을 추출하는 과정이 필요하다. 본 연구에서는 수작업을 최소화하기 위해 기존의 고정식 스캔 시스템을 대체할 수 있는 이동식 스캔 시스템을 제안하고자 하며, 기반 기술로 graph-based SLAM을 적용하였다. 테스트 장비는 총 세 개의 2차원 스캐너를 탑재하고 있으며, 중앙의 한 개는 수평으로 설치되어 graph 구축을 통한 이동경로취득에 사용되었고, 좌우 두 개는 수직으로 설치되어 시스템 진행의 연직 방향으로 주변 구조물에 대한 3차원 스캔 정보 취득에 사용되었다. 개발된 graph-based SLAM은 이동경로 상에 누적된 위치오차를 해소하기 위한 loop closure 처리 방법으로 Adaboost 기계학습을 적용하였다. 이는 특히 본 연구에서 사용한 장비와 같이 기계학습을 위한 다수의 feature 정보를 제공할 수 있는 멀티 스캐너 시스템에 적합한 방식이며, 두 실내공간을 대상으로 한 테스트에서 단일 스캐너 대비 false positive rate를 각각 7.9% 및 13.6%까지 줄일 수 있었다. 최종적으로 연구대상지역의 2차원 및 3차원 지도 구축을 통해 개발된 graph-based SLAM의 효용성을 확인하였다.
In Korea, the absence of BIM use in existing civil structures and buildings is driving a demand for as-built BIM. As-built BIMs are often created using laser scanners that provide dense 3D point cloud data. Conventional static laser scanning approaches often suffer from limitations in their operabil...
In Korea, the absence of BIM use in existing civil structures and buildings is driving a demand for as-built BIM. As-built BIMs are often created using laser scanners that provide dense 3D point cloud data. Conventional static laser scanning approaches often suffer from limitations in their operability due to the difficulties in moving the equipment, the selection of scanning location, and the requirement of placing targets or extracting tie points for registration of each scanned point cloud. This paper aims at reducing the manual effort using a kinematic 3D laser scanning system based on graph-based simultaneous localization and mapping (SLAM) for continuous indoor mapping. The robotic platform carries three 2D laser scanners: the front scanner is mounted horizontally to compute the robot's trajectory and to build the SLAM graph; the other two scanners are mounted vertically to scan the profiles of surrounding environments. To reduce the accumulated error in the trajectory of the platform through loop closures, the graph-based SLAM system incorporates AdaBoost loop closure approach, which is particularly suitable for the developed multi-scanner system providing more features than the single-scanner system for training. We implemented the proposed method and evaluated it in two indoor test sites. Our experimental results show that the false positive rate was reduced by 13.6% and 7.9% for the two dataset. Finally, the 2D and 3D mapping results of the two test sites confirmed the effectiveness of the proposed graph-based SLAM.
In Korea, the absence of BIM use in existing civil structures and buildings is driving a demand for as-built BIM. As-built BIMs are often created using laser scanners that provide dense 3D point cloud data. Conventional static laser scanning approaches often suffer from limitations in their operability due to the difficulties in moving the equipment, the selection of scanning location, and the requirement of placing targets or extracting tie points for registration of each scanned point cloud. This paper aims at reducing the manual effort using a kinematic 3D laser scanning system based on graph-based simultaneous localization and mapping (SLAM) for continuous indoor mapping. The robotic platform carries three 2D laser scanners: the front scanner is mounted horizontally to compute the robot's trajectory and to build the SLAM graph; the other two scanners are mounted vertically to scan the profiles of surrounding environments. To reduce the accumulated error in the trajectory of the platform through loop closures, the graph-based SLAM system incorporates AdaBoost loop closure approach, which is particularly suitable for the developed multi-scanner system providing more features than the single-scanner system for training. We implemented the proposed method and evaluated it in two indoor test sites. Our experimental results show that the false positive rate was reduced by 13.6% and 7.9% for the two dataset. Finally, the 2D and 3D mapping results of the two test sites confirmed the effectiveness of the proposed graph-based SLAM.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
향후 연구에서는 3차원 위치추정이 가능하도록 키넥트 혹은 회전식 스캐너를 이용한 stop-and-go 방식의 스캐닝 시스템을 개발하고, 이에 따른 3차원 스캔 매칭 알고리즘을 테스트할 예정이다. 또한 BIM 구축을 위해서는 구조물의 기하정보(geometric information) 외에 의미정보(semantic information)가 추가되어야 하므로, 스캔 정보로부터 구조물의 속성을 인식하고 관계를 구축하기 위한 semantic mapping 연구를 진행하고자 한다. 본 연구에서 제안한 SLAM 기법은 토목·건축 구조물을 대상으로 준공 BIM 구축을 위한 기초자료 제공과 더불어, 공항 및 지하철 역사와 같은 대규모 실내 공간의 지도화 작업 및 3차원 스캔 자료를 필요로 하는 다양한 분야에서 활용될 수 있을 것으로 기대된다.
본 논문은 토목·건축 구조물을 대상으로 실내공간에 대한 효율적인 3차원 스캔 정보 취득을 위해 graph-based SLAM 기술의 활용을 제안하고자 한다.
본 연구는 로봇이나 무인 자동차의 실시간 위치추적이 아닌 토목·건축 구조물 실내 환경에 대한 정밀한 3차원 스캔 정보 취득을 목적으로 하고 있다.
본 연구에서는 토목/건축 구조물의 실내 환경에 대한 정밀한 3차원 스캔자료 구축을 목적으로 graph-based SLAM을 이용한 방법론을 제안하였다. 이는 오차누적을 해소하기 위해 초기 위치를 재방문하여 전체 경로를 재조정하는 loop closure를 포함하고 있으며, 높은 정밀도를 요구하는 실내 공간의 스캔자료 취득에 최적화된 방법이라 할 수 있다.
제안 방법
본 연구에서는 분류기의 학습을 위해 Granstrom et al.(2011)의 논문을 참조하여 각 node의 스캔 정보로부터 총 44 종류의 2차원 feature1) 를 추출하였고 강한 분류기를 생성하기 위한 약한 분류기로는 다음 수식 (3)와 같은 이진 분류기를 이용하였다.
특히, Jung et al.(2015a)이 개발한 멀티 스캐너 시스템이 제공하는 feature 정보를 최대한 활용할 수 있도록 Adaboost 기계학습 기반의 loop closure 방식을 도입하였으며, 두 실내 공간을 대상으로 테스트를 수행하였다.
본 연구에서는 Hokuyo 센서의 경우 두 연구대상지역에 대해 이동 및 회전 간격이 각각 0.005m 및 0.1° 이하에 서는 검색시간만을 증가시킬 뿐 정확도 향상 효과는 미미해짐을 확인하였고, 동일한 검색간격을 적용하였다.
반면, 최대 검색범위는 모바일 시스템을 운영하는 사용자 및 환경에 따라 node 간격이 상이할 수 있다. 본 연구에서는 odometry2) 센서를 통해 전체 이동 경로를 사전에 추정하고, 이중 node 간의 최대 이동 및 회전변환 파라미터보다 조금 더 큰 값을 최대 검색범위로 선정하였다. 이렇게 선정된 최대 검색범위는 Area1이 0.
최종 판별함수에 포함된 각 학습단계의 최적 분류기는 고유의 가중치를 지니며, 수식 (3)를 통해 결정된 이진값과의 가중합을 최종 분류를 결정하는 추정치로 사용한다. 본 연구에서는 이러한 추정치를 0에서 1사이로 정규화하고, 0.5를 임계값으로 그 이상은 loop detection이 성립하는 positive pair로, 이하는 negative pair로 결정하였다.
본 연구에서는 임계값으로 최대 반복 횟수가 10회를 상회하거나, 반복 계산 시 Δx의 변화가 0.001보다 작으면 최적화를 중단하였다.
한편, 본 연구에서 사용한 이동식 스캐닝 시스템은 위치추정을 위한 graph 구축을 위해 정면방향의 스캐너만을 이용하지만, Adaboost 분류에 사용되는 feature는 위치정보와 무관하므로 수직 스캔 정보로부터도 feature를 추출할 수 있다. 앞서 선택한 최적 파라미터를 기반으로, 이러한 추가 feature의 효용성을 판단하기 위해 feature 추가 전후의 Receiver Operating Characteristic(ROC) 곡선 변화를 비교하였다. ROC 곡선은 기계학습의 분류 정확도를 판단하는 대표적인 방법으로 false positive rate 대비 true positive rate의 변화를 나타낸다.
2). 이후, 스캔 B에 대한 LUT를 생성하고, 주어진 검색범위 내에서 두 스캔 자료 사이의 변환식, 즉 이동(translation)과 회전(rotation) 변수를 정해진 검색간격에 따라 조금씩 변화시켜 두 스캔의 상관지수를 최대화하는 변수를 찾는다. 이렇게 찾아낸 두 스캔 사이의 이동과 회전 변환은 모바일 시스템이 node i에서 i+1로 이동하는 동안 발생하는 움직임의 변화(dx, dy, dθ)를 나타내며, graph에서 두 node 사이를 연결하는 edge 역할을 한다(Tang et al.
본 연구에서 Adaboost 분류 성능을 결정하는 파라미터는 학습반복횟수(number of training rounds)와 학습표본크기(number of training sample pairs)로 구분할 수 있다. 최적 파라미터 선정을 위해 한 개의 파라미터를 고정하고, 남은 파리미터를 일정범위 내에서 변화시켜가며 다음의 수식 (13)와 수식 (14)과 같이 오분류율을 계산하였다.
4-(c)와 4-(d)는 각각 두 연구대상지역에 대한 학습표본크기의 테스트 결과를 나타낸다. 학습표본크기는 지나치게 작을 경우 과다적합(over fitting)이 발생할 수 있으므로 본 연구에서는 학습에 사용된 pair의 개수를 200개부터 시작하여 6,000개까지 10개 간격으로 순차적으로 증가시켜가며 수렴 여부를 확인하였다. 분석결과, 두 대상지역 모두 초반에는 급격한 오분류율 감소를 나타내었으나, 표본의 크기가 3,000 이상부터는 변화폭이 크지 않음을 확인하였다.
한편, graph 상의 node 간격이 좁으면 loop closure가 연속해서 발생하는 경우가 있는데, 이는 오차 누적 해소에 큰 도움이 되지 못할 뿐만 아니라 연산량을 증가시키므로, 본 연구에서는 시스템의 경로 상에서 0.5 m 혹은 5 ° 간격으로 back-end를 수행하도록 제한하였다.
Back-end는 Gauss-Newton 기반의 optimization을 포함 한다. 한편, 본 연구에서 사용한 이동식 스캔 시스템은 graph 구축을 위해 수평 장착한 스캐너(horizontal scanner)와 더불어 3차원 정보 취득을 목적으로 두 개의 스캐너(vertical scanner)를 수직으로 장착하였다. 따라서 동 시간대에 취득한 시스템의 2차원 위치 정보(x, y, θ)를 기반으로 수직 스캔 자료가 취득한 높이 정보(z)가 더해져 최종적으로 대상 지역의 3차원 스캔 정보를 수집할 수 있다.
대상 데이터
(2015a)이 제안한 방식으로 검교정을 수행하였다. 테스트는 연세대학교 과학관(Area1)과 공학관(Area2) 건물에 포함된 복도를 대상으로 진행하였다.
데이터처리
두 실내 공간을 대상으로 한 테스트에서 제안한 graphbased SLAM을 통해 효과적으로 누적된 위치오차를 해소하고 3차원 스캔 자료를 구축할 수 있음을 확인하였다. 또한 Adaboost loop closure는 본 연구에서 사용한 모바일 시스템과 같이 멀티 스캐너를 직교 배치했을 경우 적합한 방식임을 ROC 커브 분석을 통해 입증하였다.
이론/모형
해당 시스템은 Jung et al.(2015a)이 제안한 방식으로 검교정을 수행하였다. 테스트는 연세대학교 과학관(Area1)과 공학관(Area2) 건물에 포함된 복도를 대상으로 진행하였다.
본 연구에서는 graph-based SLAM 알고리즘의 테스트를 위해 연세대학교에서 개발한 이동식 레이저 스캐닝 시스템을 이용하였다(Fig. 3). 해당 시스템은 다음의 그림과 같이 총 세개의 2D 스캐너(Hokuyo UTM-30LX)를 탑재하고 있다.
2011, Song and Hwang 2014). 본 연구에서는 두 node 간의 유사성을 판단하기 위해 우선 다음의 수식 (2)과 같은 Mahalanobis 거리를 계산하였다(Gutmann and Konolige 1999, Arras 2003).
여기서 P는 두 개의 pose로 구성된 pair의 집합을 나타낸다. 본 연구에서는 수식 (5)에 대한 수치해법으로 Gauss-Newton 방식을 이용하였다(Kummerle et al. 2011). graphbased SLAM의 back-end 단계에서 최적화 문제는 overallerror를 최소화하는 벡터 x*를 구하는 데 있다.
앞서 Mahalanobis 테스트를 통과한 후보군을 대상으로 좀 더 정확하게 두 node 사이의 유사성 여부를 판단하기 위한 방법으로는 Adaboost 기계학습을 이용하였다. Adaboost는 정확한 결과를 도출할 확률이 50%보다 조금 높은 약한 분류기(week classifier)와 가중치 조합을 통해 높은 분류 성능을 가지는 강한 분류기(strong classifier)를 생성하는 방법이며, 특히 본 연구와 같은 이진 분류 문제에 있어 활용도가 높다(Park and Lee 2011).
성능/효과
5-(c)와 5-(d)는 loop closure 이후의 2차원 지도 구축 결과와 오차타원 변화를 나타내고 있다. Graph를 구성하는 node 숫자는 Area1이 1,445개, Area2가 2,634개이며, 전체 이동 길이는 Area1이 134.829m, Area2가 169.950m로 추정되었다. 그림에서 보는 바와 같이 두 대상지역 모두 지도상의 부정합이 개선되었음은 물론, loop closure에 따른 누적오차의 소거로 이동경로 전 구간에서 오차타원이 크게 감소했음을 확인할 수 있다.
이는 오차누적을 해소하기 위해 초기 위치를 재방문하여 전체 경로를 재조정하는 loop closure를 포함하고 있으며, 높은 정밀도를 요구하는 실내 공간의 스캔자료 취득에 최적화된 방법이라 할 수 있다. 두 실내 공간을 대상으로 한 테스트에서 제안한 graphbased SLAM을 통해 효과적으로 누적된 위치오차를 해소하고 3차원 스캔 자료를 구축할 수 있음을 확인하였다. 또한 Adaboost loop closure는 본 연구에서 사용한 모바일 시스템과 같이 멀티 스캐너를 직교 배치했을 경우 적합한 방식임을 ROC 커브 분석을 통해 입증하였다.
학습표본크기는 지나치게 작을 경우 과다적합(over fitting)이 발생할 수 있으므로 본 연구에서는 학습에 사용된 pair의 개수를 200개부터 시작하여 6,000개까지 10개 간격으로 순차적으로 증가시켜가며 수렴 여부를 확인하였다. 분석결과, 두 대상지역 모두 초반에는 급격한 오분류율 감소를 나타내었으나, 표본의 크기가 3,000 이상부터는 변화폭이 크지 않음을 확인하였다. 앞선 학습반복횟수와 마찬가지로 지나치게 큰 표본크기는 정확도 향상에 큰 효과가 없는 반면, 학습에 많은 시간이 소요되므로 본 연구에서는 두 대상지역의 학습표본크기를 3,000으로 제한하였다.
그림 상에서 굵은 실선과 점선은 각각 두 오분류율이 수렴하는 지점을 판단하기 위하여 average filter를 적용한 결과이다. 분석결과, 두 테스트 모두 반복횟수가 50까지는 오분류율이 급격히 줄어들다가 100이후부터는 수렴함을 확인하였다. 지나치게 큰 반복횟수는 정확도 향상에 큰 효과가 없는 반면, 학습에 많은 시간이 소요되므로 본 연구에서는 두 대상지역 모두 학습반복횟수 100을 선택하였다.
9%만큼 감소한 것으로 계산되었다. 이러한 결과는 본 모바일 시스템과 같이 3차원 데이터 취득을 위해 스캐너를 직교 배치했을 경우 Adaboost 기계학습이 적합한 loop closure 방식임을 보여주고 있다.
한편, 본 연구에서 사용한 이동식 스캐닝 시스템은 위치추정을 위한 graph 구축을 위해 정면방향의 스캐너만을 이용하지만, Adaboost 분류에 사용되는 feature는 위치정보와 무관하므로 수직 스캔 정보로부터도 feature를 추출할 수 있다. 앞서 선택한 최적 파라미터를 기반으로, 이러한 추가 feature의 효용성을 판단하기 위해 feature 추가 전후의 Receiver Operating Characteristic(ROC) 곡선 변화를 비교하였다.
후속연구
본 연구에서 제안한 SLAM 기법은 토목·건축 구조물을 대상으로 준공 BIM 구축을 위한 기초자료 제공과 더불어, 공항 및 지하철 역사와 같은 대규모 실내 공간의 지도화 작업 및 3차원 스캔 자료를 필요로 하는 다양한 분야에서 활용될 수 있을 것으로 기대된다.
하지만 본 연구에서 개발한 시스템과 알고리즘은 2차원 위치추정에 제한된 단점이 있다. 향후 연구에서는 3차원 위치추정이 가능하도록 키넥트 혹은 회전식 스캐너를 이용한 stop-and-go 방식의 스캐닝 시스템을 개발하고, 이에 따른 3차원 스캔 매칭 알고리즘을 테스트할 예정이다. 또한 BIM 구축을 위해서는 구조물의 기하정보(geometric information) 외에 의미정보(semantic information)가 추가되어야 하므로, 스캔 정보로부터 구조물의 속성을 인식하고 관계를 구축하기 위한 semantic mapping 연구를 진행하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
Simultaneous Localization And Mapping이란?
외부로부터 위치정보 수신이 불가능한 실내 지역에서 모바일 시스템의 위치추적 및 주변 환경 정보 취득을 위해서는 Simultaneous Localization And Mapping (SLAM) 기술이 활용되고 있다. SLAM은 로봇이 사전 정보가 없는 미지의 공간상에서 주행을 시작하는 경우 주변 환경에 대한 사전 정보 없이 센서를 이용하여 환경에 대한 지도를 작성하고, 동시에 작성된 지도로부터 로봇의 현재 위치를 추정하는 기술이다 (Song and Hwang 2014). 로보틱스 분야에서는 이미 실생활에 적용된 청소로봇부터 최근 이슈가 되고 있는 무인 자동차에 이르기까지 폭넓게 활용되고 있다.
3차원 준공 BIM이란?
3차원 준공 BIM(3D as-built BIM)은 시공 후 토목·건축 구조물의 설계도면이 존재하지 않을 때 측량장비를 이용하여 3차원 데이터를 취득하고 모델링 과정을 통하여 도면화하는 과정을 가리킨다. 일반적으로 준공 BIM 제작은 해당 공간의 3차원 데이터 취득, 취득된 데이터를 기반으로 한 3차원 기하 모델 추출, 그리고 객체인식 및 관계정립을 통해 속성정보를 입력하고 최종적으로 준공 BIM을 제작하게 된다(Jung et al.
준공 BIM을 제작하는 방법은?
3차원 준공 BIM(3D as-built BIM)은 시공 후 토목·건축 구조물의 설계도면이 존재하지 않을 때 측량장비를 이용하여 3차원 데이터를 취득하고 모델링 과정을 통하여 도면화하는 과정을 가리킨다. 일반적으로 준공 BIM 제작은 해당 공간의 3차원 데이터 취득, 취득된 데이터를 기반으로 한 3차원 기하 모델 추출, 그리고 객체인식 및 관계정립을 통해 속성정보를 입력하고 최종적으로 준공 BIM을 제작하게 된다(Jung et al.2015c).
참고문헌 (35)
Andrade-Cetto, J., Vidal-Calleja, T., and Sanfeliu, A. (2005). "Unscented transformation of vehicle states in SLAM." IEEE International Conference on Robotics and Automation (ICRA), Barcelona, Spain. pp. pp. 323-328.
Arras, K. O. (2003). "Feature-based robot navigation in known and unknown environments." Doctoral thesis, Swiss Federal Institute of Technology Lausanne. p. 206.
Bosse, M., and Zlot, R. (2009). "Keypoint design and evaluation for place recognition in 2D lidar maps." Robotics and Autonomous Systems, 57(12), pp. 1211-1224.
Digital times. (2015). "The BIM will affect more than 20% of civil structures in Korea by the year 2020." news paper, http://www.dt.co.kr/contents.html?article_no2015012202109976753006.
Durrant-Whyte, H., and Bailey, T. (2006). "Simultaneous localization and mapping: part I." Robotics & Automation Magazine, IEEE, 13(2), pp. 99-110.
Eastman, C., Teicholz, P., Sacks, R., and Liston, K. (2011). "BIM handbook: A guide to building information modeling for owners, managers, architects, engineers, contractors, and fabricators." Wiley, Hoboken, NJ. p. 648.
Granstrom, K., Schon, T. B., Nieto, J. I., and Ramos, F. T. (2011). "Learning to close loops from range data." The international journal of robotics research, 30(14), pp. 1728-1754.
Grisetti, G., Kummerle, R., Stachniss, C., and Burgard, W. (2010). "A tutorial on graph-based SLAM." Intelligent Transportation Systems Magazine, IEEE, 2(4), pp. 31-43.
Gutmann, J. S., and Konolige, K. (1999). "Incremental mapping of large cyclic environments. Paper presented at the Computational Intelligence in Robotics and Automation." IEEE International Symposium on Computational Intelligence in Robotics and Automation (CIRA), California, USA. pp. 318-325.
Hanley, J. A., and McNeil, B. J. (1982). "The meaning and use of the area under a receiver operating characteristic (ROC) curve." Radiology, 143(1), pp. 29-36.
Jung, J., Hong, S., Jeong, S., Kim, S., Cho, H., Hong, S., and Heo, J. (2014). "Productive modeling for development of as-built BIM of existing indoor structures." Automation in Construction, 42, pp. 68-77.
Jung, J., Kim, J., Yoon, S., Kim, S., Cho, H., Kim, C., and Heo, J. (2015a). "Bore-Sight Calibration of Multiple Laser Range Finders for Kinematic 3D Laser Scanning Systems." Sensors, 15(5), pp. 10292-10314.
Jung, J., Yoon, S., Ju, S., and Heo, J. (2015b). "Development of Kinematic 3D Laser Scanning System for Indoor Mapping and As-Built BIM Using Constrained SLAM." Sensors, 15(10), pp. 26430-26456.
Jung, J., Hong, S., Yoon, S., Kim, J., and Heo, J. (2015c). "Automated 3D Wireframe Modeling of Indoor Structures from Point Clouds Using Constrained Least-Squares Adjustment for As-Built BIM." Journal of Computing in Civil Engineering, 10.1061/(ASCE)CP.1943-5487.0000556, 04015074.
Jung, Y., Kim, Y., Kim, M., and Ju, T. (2013). "Concept and Structure of Parametric Object Breakdown Structure (OBS) for Practical BIM." Korean Journal of Construction Engineering and Management, KICEM, 14(3), pp. 88-96.
Kang, D., Zhang, G., and Suh. I. (2011). "Experimental Verification of a Vanishing Point-based Loop Closure Method in a Line-based SLAM under Various Environment." Information and control symposium, Seoul, Korea, pp. 119-120.
Kang, L., Moon, H., Kim, H., and Kwak, J. (2013). "Usability Improvement of BIM for Construction Projects Using Active BIM Fuctions." Korean Journal of Construction Engineering and Management, KICEM, 14(5), pp. 74-83.
Kim, R., Choi, H., and Kim, E. (2011). "GraphSLAM improved by removing measurement outliers." Korean Institute of Intelligent Systems, 21(4), pp. 493-498.
Kummerle, R., Grisetti, G., Strasdat, H., Konolige, K., and Burgard, W. (2011). "g2o: a general framework for graph optimization." IEEE International Conference on Robotics and Automation (ICRA), Shanghai, China. pp. 3607-3613.
Martinez-Cantin, R., and Castellanos, J. A. (2005). "Unscented SLAM for large-scale outdoor environments." IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Alberta, Canada. pp. 3427-3432.
Neuhaus, F. (2011). "A Full 2D/3D GraphSLAM System for Globally Consistent Mapping based on Manifolds." Doctoral thesis, Universitat Koblenz-Landau. p. 85.
Ochmann, S., Vock, R., Wessel, R., and Klein, R. (2016) . "Automatic reconstruction of parametric building models from indoor point clouds." Computers & Graphics, 54, pp. 94-103.
Olson, E. B. (2009). "Real-time correlative scan matching." IEEE International Conference on Robotics and Automation (ICRA), Kobe, Japan. pp. 4387-4393.
Park, H., and Lee, K. (2011). "Pattern Recognition." Ehanmedia. p. 423.
Petersen, K. B., and Pedersen, M. S. (2008). "The matrix cookbook." Technical University of Denmark, p. 15.
Ryu, K. (2012). "Autonomous Robotic Strategies for Urban Search and Rescue." Doctoral thesis , Virginia Polytechnic Institute and State University. p. 109.
Shojaie, K., and Shahri, A. M. (2008). "Iterated unscented SLAM algorithm for navigation of an autonomous mobile robot." International Conference on Intelligent Robots and Systems (IROS), Nice, France, pp. 1582-1587.
Song, J., and Hwang, S. (2014). "Past and state-ofthe-art SLAM technologies." Journal of Institute of Control, Robotics and Systems, 20(3), pp. 372-379.
Tang, J., Chen, Y., Jaakkola, A., Liu, J., Hyyppa, J., and Hyyppa, H. (2014). "NAVIS-An UGV Indoor Positioning System Using Laser Scan Matching for Large-Area Real-Time Applications." Sensors, 14(7), pp. 11805-11824.
Thomson, C., Apostolopoulos, G., Backes, D., and Boehm, J. (2013). "Mobile laser scanning for indoor modelling." ISPRS Workshop Laser Scanning, Antalya, Turkey. pp. 289-293.
Thrun, S., and Montemerlo, M. (2006). "The graph SLAM algorithm with applications to large-scale mapping of urban structures." The International Journal of Robotics Research, 25(5-6), pp. 403-429.
Turner, E. L. (2015). "3D Modeling of Interior Building Environments and Objects from Noisy Sensor Suites." Doctoral thesis, UC Berkeley.
Wang, H., Fu, G., Li, J., Yan, Z. and Bian, X. (2013). "An adaptive UKF based SLAM method for unmanned underwater vehicle." Mathematical Problems in Engineering, 2013, p. 12.
Wong, K.D., and Fan, Q. (2013). "Building information modelling (BIM) for sustainable building design." Facilities, 31(3/4), pp. 138-157.
Yin, J., Carlone, L., Rosa, S., Anjum, M. L., and Bona, B. (2014). "Scan Matching for Graph SLAM in Indoor Dynamic Scenarios." Conference on the 27th International Florida Artificial Intelligence Research Society, Florida, USA. pp. 418-423.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.