[논문]속도증분벡터를 활용한 ORB-SLAM 및 관성항법 결합 알고리즘 연구

김연조; 손현진; 이영재; 성상경

doi:10.5370/kiee.2019.68.1.189

속도증분벡터를 활용한 ORB-SLAM 및 관성항법 결합 알고리즘 연구
Integrated Navigation Algorithm using Velocity Incremental Vector Approach with ORB-SLAM and Inertial Measurement 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.68 no.1, 2019년, pp.189 - 198

김연조 (Dept. of Aerospace Information Engineering, Konkuk University) , 손현진 (Dept. of Aerospace Information Engineering, Konkuk University) , 이영재 (Dept. of Aerospace Information Engineering, Konkuk University) , 성상경 (Dept. of Aerospace Information Engineering, Konkuk University)

Abstract ▼ AI-Helper

In recent years, visual-inertial odometry(VIO) algorithms have been extensively studied for the indoor/urban environments because it is more robust to dynamic scenes and environment changes. In this paper, we propose loosely coupled(LC) VIO algorithm that utilizes the velocity vectors from both visual odometry(VO) and inertial measurement unit(IMU) as a filter measurement of Extended Kalman filter. Our approach improves the estimation performance of a filter without adding extra sensors while maintaining simple integration framework, which treats VO as a black box. For the VO algorithm, we employed a fundamental part of the ORB-SLAM, which uses ORB features. We performed an outdoor experiment using an RGB-D camera to evaluate the accuracy of the presented algorithm. Also, we evaluated our algorithm with the public dataset to compare with other visual navigation systems.

주제어

표/그림 (12)

$그림 1 <TEX>${\Delta}\overrightarrow{V}{^n}{_{Ref,k}}$</TEX>와 <TEX>${\Delta}\overrightarrow{V}{^n}{_{INS,k}}$</TEX>의 관계[11] Fig. 1 The relation between <TEX>${\Delta}\overrightarrow{V}{^n}{_{Ref,k}}$</TEX> and <TEX>${\Delta}\overrightarrow{V}{^n}{_{INS,k}}$</TEX>[11]$ 그림 그림 1 ${\Delta}\overrightarrow{V}{^n}{_{Ref,k}}$와 ${\Delta}\overrightarrow{V}{^n}{_{INS,k}}$의 관계[11] Fig. 1 The relation between ${\Delta}\overrightarrow{V}{^n}{_{Ref,k}}$ and ${\Delta}\overrightarrow{V}{^n}{_{INS,k}}$[11]
표 표 1 EuRoC dataset의 위치, 자세 오차 결과 Table 1 Position and Attitude Error of EuRoC Dataset
그림 그림 2 V103 오일러 자세각 추정 결과 Fig. 2 Ground Truth and estimated result of Euler angles of V103
그림 그림 3 제안된 알고리즘과 약결합 기반 알고리즘의 V103 자세 오차 비교 Fig. 3 Attitude error of proposed and LC algorithm of V103
그림 그림 4 제안된 알고리즘과 약결합 기반 알고리즘의 V103 위치 오차 비교 Fig. 4 Position error of proposed and LC algorithm of V103
표 표 2 알고리즘 별 ATE 결과(median) Table 2 Absolute Translational RMSE (median)
그림 그림 5 항법 모듈 및 실험 장비 Fig. 5 Navigation module and experimental setup
그림 그림 6 야외 실험 환경 Fig. 6 Outdoor experimental environments
그림 그림 7 수평 및 수직 위치 추정 결과 Fig. 7 Estimation results of horizontal and vertical position
표 표 3 ADIS 16448 제원 Table 3 Specification of ADIS 16448
그림 그림 8 위치 추정 오차 비교 Fig. 8 Estimation error of position
그림 그림 9 자세 추정 오차 비교 Fig. 9 Estimation error of attitude

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

[23][24]의 경우가 다양한 센서를 융합한 연구로써, [23]는 IEKF(Iterated-EKF)를 기반으로 이론적으로 센서 여러 개를 무한히 결합할 수 있는 일반적인 프레임을 제시하였다. 또한 센서 가용 또는 비가용으로 전환되는 상황에 대응하여 센서 데이터를 손실 없이 다루는 것을 목표로 하였다. [24] 역시 GPS, 지자기센서, 압력 고도계, 레이저 스캐너 등과 UKF를 기반으로 결합하는 모듈형의 확장 가능한 프레임을 제시하여 다양한 환경 에서 기능할 수 있게 하였다.
본 논문에서는 확장 칼만 필터 기반의 새로운 약결합 VIO 알고리즘을 제안하였다. 제안하는 알고리즘은 전통적인 약결합 방식과 달리, 속도 벡터를 활용하여 자세 측정치를 생성하는 알고리즘이며, 이러한 측정치 생성 방법을 통해 VIO의 결합도를 높이고 항법 해 정확도를 향상시키고자 하였다.
두 논문 모두 영상/관성센서를 기반으로 여러 센서를 다룰 수있는 일반적인 구조를 제시했지만, 영상 센서 결합 부분에 있어 서는 기존의 약결합 방식과 같이 VO 결과를 그대로 사용하여 결합하였다. 본 논문에서는, 센서를 확장하기보다 결합 알고리즘 자체를 향상시키는데 초점을 둔다. 이를 위해, VO에서 추정된 위치및 자세를 그대로 사용하는 대신 위치 추정치 차분을 통해 속도를 만들어 자세를 보정한다.
본 논문에서는, 약결합 방식의 장점인 적은 연산량과 강인성을 유지하면서 정확도를 향상시키는 알고리즘을 제안한다. 제안하는 알고리즘은 이전 연구[11][12]의 측정치 보정 알고리즘을 VIO에 적용한 것으로, 이전 연구에서는 몇 가지 가정을 통해 속도 벡터를 통해 자세를 보정할 수 있음을 보였다.
제안하는 알고리즘은 이전 연구[11][12]의 측정치 보정 알고리즘을 VIO에 적용한 것으로, 이전 연구에서는 몇 가지 가정을 통해 속도 벡터를 통해 자세를 보정할 수 있음을 보였다. 본 논문에서도 이와 같이 영상 항법으로부터 속도를 추출하여 관성 센서와 결합해 자세 보정하며, 이를 통해 항법 해의 정확도를 높인다. 자세한 내용은 3.

가설 설정

여기서 일정한 구간 ∆t동안 적분되는 자세 오차의 주 원인은 자이로 바이어스(gyro bias)라고 간주할 수 있다. 일반적으로 자이로 바이어스의 경우 크기가 작고 긴 시간에 걸쳐 변하는 저대역폭 신호이기 때문에, ∆t동안 일정하며 그 크기는 작다고 가정하였 다. 이러한 가정 하에서, 가속도 변화가 작을 경우 두 벡터는 그림 1과 같이 한 평면상에 위치할 수 있다.

제안 방법

사용한 RGB-D 카메라는 Intel사의 RealSense R200이며, 영상정보의 해상도는 640x480, 주기는 30Hz로 설정하였다. 관성센서와 RGB-D 카메라는 그림 5의 오른쪽과 같이 거치대를 제작하여 견고하게 장착하였고, 카메라 센서의 Z축과 관성센서의 X축이 일치 되도록 하였다.
앞서 얻은 VO의 자세, 위치 추정치는 기존 약결합 방식과 같이 별도의 수정 없이 측정치로 활용될 수 있다. 그러나 본 논문 에서는 자세 추정 성능을 향상시키기 위해, VO로부터 속도를 유도하여 자세를 보정한다. 속도를 활용하여 자세를 보정하는 방법은 이전 논문[11]과 같으며 다음과 같이 두 속도 벡터로부터 유도된다.
더욱 다양한 환경에서 성능 평가를 수행하기 위해 영상/관성 센서 모듈을 구성하여 실외 실험을 수행하였다. 사용된 관성센서는 Analog Device의 ADIS16448로 표 3과 같은 성능을 갖추었으며 출력 주기는 100Hz이다.
두 논문 모두 영상/관성센서를 기반으로 여러 센서를 다룰 수있는 일반적인 구조를 제시했지만, 영상 센서 결합 부분에 있어 서는 기존의 약결합 방식과 같이 VO 결과를 그대로 사용하여 결합하였다. 본 논문에서는, 센서를 확장하기보다 결합 알고리즘 자체를 향상시키는데 초점을 둔다.
알고리즘 성능 검증은 공용 데이터셋을 사용하여 수행하였으며 다른 영상/관성 복합 항법 알고리즘과 비교하였다. 또한 RGB-D센서를 이용한 항법모듈과 기준항법 장비를 구성하여 야외 데이터셋을 취득하여 성능을 평가하였다. 실험 결과, 기존 약결합 방식과 비교하여 자세 및위치 추정 정확도를 높이고 발산 정도를 낮출 수 있음을 보였다.
[24] 역시 GPS, 지자기센서, 압력 고도계, 레이저 스캐너 등과 UKF를 기반으로 결합하는 모듈형의 확장 가능한 프레임을 제시하여 다양한 환경 에서 기능할 수 있게 하였다. 또한 경량의 소형 MAV 플랫폼을 구성하여 실험을 수행하였다.
KVH 1750은 고정밀 FOG (Fiber optic gyro)를 포함하여 매우 정밀한 6자유도 항법 결과를 제공한다. 본 논문에서 제안한 결합항법 알고리즘은 Intel NUC 5i7RYH에서 구동되었으며 필터 출력은 영상 입력 주기와 같은 30Hz이다. CPU는 i7-5557U(쿼드 코어 @3.
본 논문에서는 VO의 결과값인 위치, 자세를 측정치로 사용한다. VO 알고리즘은 ORB-SLAM[16,17]의 특징점 추출과 특징점 매칭, 비선형 최적화 기법을 이용한 포즈 추정 기능을 활용하였다.
이 방법을 적용하기 위해 (13)의 속도 증분 벡터를 VO에서 얻어진 위치를 차분하여 구성하였다. 속도 증분 벡터는 모두 n-frame(local-level frame)에서 적분하므로 다음과 같이 위치 차분 벡터를 n-frame에서 표현한다.
본 논문에서는, 센서를 확장하기보다 결합 알고리즘 자체를 향상시키는데 초점을 둔다. 이를 위해, VO에서 추정된 위치및 자세를 그대로 사용하는 대신 위치 추정치 차분을 통해 속도를 만들어 자세를 보정한다. 이 같은 방법을 통해 센서 간 결합 도를 높이고, 위치 정확도에도 영향을 미치는 자세 추정 성능을 향상시키는데 기여한다.
그 중 비선형 최적화 기반 알고리즘[1][4]은 그래프 기반 영상 항법과 관성센서를 결합한 형태로, 포즈(pose)정보와 특징점 사이의 구속조건(edge)뿐 아니라 관성센서를 이용한 구속조건을 함께 고려한다. 이후 이러한 구속조건들을 이용하여, 비선형 최적화(nonlinear optimization) 문제를 풂으로써 항법 해를 계산한다. 이 방식은 EKF 구조에서 오는 선형화 오차가 없다는 장점이 있으며, 영상처리 과정에서 많은 특징점을 추출하고 RANSAC 알고리즘을 사용하기 때문에 동적인 상황에서 보다 강인하다.
본 논문에서는 확장 칼만 필터 기반의 새로운 약결합 VIO 알고리즘을 제안하였다. 제안하는 알고리즘은 전통적인 약결합 방식과 달리, 속도 벡터를 활용하여 자세 측정치를 생성하는 알고리즘이며, 이러한 측정치 생성 방법을 통해 VIO의 결합도를 높이고 항법 해 정확도를 향상시키고자 하였다. 알고리즘 성능 검증은 공용 데이터셋을 사용하여 수행하였으며 다른 영상/관성 복합 항법 알고리즘과 비교하였다.

대상 데이터

알고리즘의 성능을 검증하기 위해, 오픈 데이터 셋인 EuRoC MAV Dataset[13]을 사용하였다. EuRoC 데이터 셋은 영상 또는 영상/관성 복합항법을 위한 데이터셋으로, 스테레오 카메라와 관성센서를 탑재한 MAV(Micro Aerial Vehicle)의 비행 데이터를 포함하고 있다. 관성센서는 ADIS16448로 200Hz의 출력 주기를 갖고, 영상센서 출력 주기는 20Hz이다.
더욱 다양한 환경에서 성능 평가를 수행하기 위해 영상/관성 센서 모듈을 구성하여 실외 실험을 수행하였다. 사용된 관성센서는 Analog Device의 ADIS16448로 표 3과 같은 성능을 갖추었으며 출력 주기는 100Hz이다. 또한 특징점의 3차원 좌표를 얻기 위한 깊이(depth) 정보는 RGB-D 카메라를 통해 획득하였다.
또한 특징점의 3차원 좌표를 얻기 위한 깊이(depth) 정보는 RGB-D 카메라를 통해 획득하였다. 사용한 RGB-D 카메라는 Intel사의 RealSense R200이며, 영상정보의 해상도는 640x480, 주기는 30Hz로 설정하였다. 관성센서와 RGB-D 카메라는 그림 5의 오른쪽과 같이 거치대를 제작하여 견고하게 장착하였고, 카메라 센서의 Z축과 관성센서의 X축이 일치 되도록 하였다.
알고리즘의 성능을 검증하기 위해, 오픈 데이터 셋인 EuRoC MAV Dataset[13]을 사용하였다. EuRoC 데이터 셋은 영상 또는 영상/관성 복합항법을 위한 데이터셋으로, 스테레오 카메라와 관성센서를 탑재한 MAV(Micro Aerial Vehicle)의 비행 데이터를 포함하고 있다.
먼저 제안한 알고리즘과 약결합 방식 (24)을 비교하기 위해, Vicon room sequence에 대해 위치 및 자세의 RMSE(Root Mean Square Error)를 계산하여 표 1에 나타내었다. 여기서 V201, V202셋의 경우, MAV의 착륙시 움직임이 급격하고 착륙 지점 주변의 특징점이 풍부하지 않으므로, 착륙 직전까지의 데이터를 사용하였다. 자세 RMSE의 경우 롤, 피치, 요 오차의 크기(2-norm) 를 이용하여 계산하였다.

데이터처리

ATE는 참 궤적과 추정된 궤적 사이의 오차가 최소가 되도록 궤적을 회전시킨 후 오차를 구하는 방법이다[28]. 계산된 ATE RMSE 결과는 LIBVISO2 (Library for visual odometry 2)[29], PIVO (Probabilistic inertial-visual odometry)[30], S-PTAM (Stereo parallel tracking and mapping), VI-ORB SLAM (Visual-inertial ORB SLAM)[31]과 비교하였다. 알고리즘 별 ATE결과는 각 논문을 참고하였으며 LIBVISO2와 S-PTAM은 [33]에서 발췌하였다.
2절에서 다룬다. 또한 RGB-D 카메라와 GPU 가속을 사용하지 않는 경량화 된 플랫폼(Intel NUC5i7RYH)을 구성하여 항법 저해요소가 있는 일반적 환경에서 성능평가를 수행하였으며 공용 데이터셋인 EuRoC 데이터셋[13]을 통해 알고리즘 성능을 비교하였다.
자세 RMSE의 경우 롤, 피치, 요 오차의 크기(2-norm) 를 이용하여 계산하였다. 또한 RMSE는 알고리즘을 5회 수행한뒤 평균값을 사용하였다.
먼저 제안한 알고리즘과 약결합 방식 (24)을 비교하기 위해, Vicon room sequence에 대해 위치 및 자세의 RMSE(Root Mean Square Error)를 계산하여 표 1에 나타내었다. 여기서 V201, V202셋의 경우, MAV의 착륙시 움직임이 급격하고 착륙 지점 주변의 특징점이 풍부하지 않으므로, 착륙 직전까지의 데이터를 사용하였다.
제안하는 알고리즘은 전통적인 약결합 방식과 달리, 속도 벡터를 활용하여 자세 측정치를 생성하는 알고리즘이며, 이러한 측정치 생성 방법을 통해 VIO의 결합도를 높이고 항법 해 정확도를 향상시키고자 하였다. 알고리즘 성능 검증은 공용 데이터셋을 사용하여 수행하였으며 다른 영상/관성 복합 항법 알고리즘과 비교하였다. 또한 RGB-D센서를 이용한 항법모듈과 기준항법 장비를 구성하여 야외 데이터셋을 취득하여 성능을 평가하였다.
제안된 알고리즘의 성능을 타 알고리즘과 비교하기 위해 ATE(Absolute Translational Error)를 계산하여 표 2에 나타내었다. ATE는 참 궤적과 추정된 궤적 사이의 오차가 최소가 되도록 궤적을 회전시킨 후 오차를 구하는 방법이다[28].

이론/모형

본 논문에서는 VO의 결과값인 위치, 자세를 측정치로 사용한다. VO 알고리즘은 ORB-SLAM[16,17]의 특징점 추출과 특징점 매칭, 비선형 최적화 기법을 이용한 포즈 추정 기능을 활용하였다. ORB-SLAM에서는 특징점 추출 후 매칭 단계에서의 효율적인 매칭을 위해 등속(constant velocity) 모델을 이용한다.
기준항법 시스템은 KVH사의 KVH 1750 IMU를 사용하여 IMU/GNSS 결합항법을 구성하였다. KVH 1750은 고정밀 FOG (Fiber optic gyro)를 포함하여 매우 정밀한 6자유도 항법 결과를 제공한다.
또한 적절한 적분 구간 ∆t 에 의해 항법 출력 주기가 낮아지는 것을 보완하기 위해, [11]과 같이 슬라이딩 윈도우(sliding window)기법을 사용하여 연속적으로 보정될 수 있게 하였다.
확장 칼만 필터를 구성하기 위해, 상태 변수와 시스템 모델을 정의한다. 본 논문의 상태 변수 벡터 x와 모델은 MSCKF[15]논문을 참고하였다.
이 같은 방법을 통해 센서 간 결합 도를 높이고, 위치 정확도에도 영향을 미치는 자세 추정 성능을 향상시키는데 기여한다. 이 과정에서 VO 알고리즘은 오픈 소스 SLAM 시스템인 ORB-SLAM[5][25]의 일부를 활용하였다. ORB-SLAM은 ORB 특징점[26]을 사용하는 SLAM으로, ORB 특징점은 SIFT[27]에 비해 약 백배 수준 정도의 빠른 매칭 속도를 보이면서, SIFT와 유사한 성능을 보이므로[26] 실시간성이 중요한 시스템에 적합하다.
본 논문에서는, 약결합 방식의 장점인 적은 연산량과 강인성을 유지하면서 정확도를 향상시키는 알고리즘을 제안한다. 제안하는 알고리즘은 이전 연구[11][12]의 측정치 보정 알고리즘을 VIO에 적용한 것으로, 이전 연구에서는 몇 가지 가정을 통해 속도 벡터를 통해 자세를 보정할 수 있음을 보였다. 본 논문에서도 이와 같이 영상 항법으로부터 속도를 추출하여 관성 센서와 결합해 자세 보정하며, 이를 통해 항법 해의 정확도를 높인다.

성능/효과

그림 9의 자세 추정 오차 결과 또한 본 알고리즘이 약결합 방식보다 정확한 추정 성능을 보임을 알 수 있다. 초반부의 정지상태 구간을 제외한 자세 오차의 5회 평균값은 LC가 2.
표 1을 통해 비교해 본 결과 전반적으로 위치 및 자세 추정성능이 향상되었으며, 자세의 경우 대체적으로 2도 이하의 오차를 보였다. 단, V203의 경우 심한 모션 블러로 인해 제안한 알고리 즘과 LC 모두 트래킹(tracking)에 실패하였다. 반면 V103의 경우, 그림2와 같이 상대적으로 급격한 포즈 변화가 있음에도 다른 셋과 유사한 오차 수준을 보임을 알 수 있다.
비교 결과 V201~203에서는 PIVO가 보다 정확한 결과를 보이지만, V101~103에서는 본 알고리즘 결과가 더 정확함을 알 수 있다. 두 알고리즘 모두 항법에 실패하지 않은 V101, V103~V202의 RMSE 평균을 비교하면, 본 알고리즘이 0.36, PIVO가 0.47로 본알고리즘의 오차가 더 적음을 알 수 있다. S-PTAM은 Stereo 카메라 기반 SLAM으로 관성센서는 사용되지 않았다.
PIVO는 MSCKF와 유사한 구조를 갖는 EKF기반 영상/관성 결합 오도메트리로 본 알고리즘과 비교하기에 가장 적합하지만, PIVO는 단안 카메라만을 사용한다는 차이점이 있다. 비교 결과 V201~203에서는 PIVO가 보다 정확한 결과를 보이지만, V101~103에서는 본 알고리즘 결과가 더 정확함을 알 수 있다. 두 알고리즘 모두 항법에 실패하지 않은 V101, V103~V202의 RMSE 평균을 비교하면, 본 알고리즘이 0.
또한 RGB-D센서를 이용한 항법모듈과 기준항법 장비를 구성하여 야외 데이터셋을 취득하여 성능을 평가하였다. 실험 결과, 기존 약결합 방식과 비교하여 자세 및위치 추정 정확도를 높이고 발산 정도를 낮출 수 있음을 보였다. 향후 항법 정확도를 보다 높이고 오차 누적을 늦추기 위해 키프레임 기반의 VO를 활용하여 결합하거나, 또는 SLAM 시스템을 필터에 적용함으로써 지도를 이용한 최적화 기법을 통해 누적된 오차를 줄이는 방법 또한 적용 가능할 것으로 예상된다.
그림 8은 위치 추정 오차를 나타낸 것이다. 위치 추정 결과, 제안한 알고리즘이 수직 위치에서 보다 정확한 추정 결과를 보이는 것을 알 수 있다. 초반 부의 정지 구간을 제외한 위치 RMSE(Root Mean Square Error) 의 5회 평균값은 LC가 2.
반면 V103의 경우, 그림2와 같이 상대적으로 급격한 포즈 변화가 있음에도 다른 셋과 유사한 오차 수준을 보임을 알 수 있다. 이를 통해, 제안된 측정치 기반 보정 알고리즘에서 적용한 가정이 급격한 움직임에도 어느 정도 강인함을 보임을 알 수 있다. 그림 3에는 V103의 자세 추정 오차를 상세히 나타내어 LC알고리즘과 비교하였고, 그림 4에서는 위치 오차를 비교하였다.
위치 추정 결과, 제안한 알고리즘이 수직 위치에서 보다 정확한 추정 결과를 보이는 것을 알 수 있다. 초반 부의 정지 구간을 제외한 위치 RMSE(Root Mean Square Error) 의 5회 평균값은 LC가 2.89 m, 제안한 알고리즘이 2.07 m이다.
표 1을 통해 비교해 본 결과 전반적으로 위치 및 자세 추정성능이 향상되었으며, 자세의 경우 대체적으로 2도 이하의 오차를 보였다. 단, V203의 경우 심한 모션 블러로 인해 제안한 알고리 즘과 LC 모두 트래킹(tracking)에 실패하였다.

후속연구

또한 본 실험에서는 격자 타일 바닥으로부터 항법 모듈로 심한 진동이 가해진다. 강한 진동으로부터 발생 되는 잡음은 관성센서와 영상센서의 추정 정확도를 저해하는 요인이 되며, 속도로부터 자세 측정치를 얻는 본 알고리즘에 보다 도전적인 요인이 될 것으로 예상된다.
앞서 얻은 VO의 자세, 위치 추정치는 기존 약결합 방식과 같이 별도의 수정 없이 측정치로 활용될 수 있다. 그러나 본 논문 에서는 자세 추정 성능을 향상시키기 위해, VO로부터 속도를 유도하여 자세를 보정한다.
실험 결과, 기존 약결합 방식과 비교하여 자세 및위치 추정 정확도를 높이고 발산 정도를 낮출 수 있음을 보였다. 향후 항법 정확도를 보다 높이고 오차 누적을 늦추기 위해 키프레임 기반의 VO를 활용하여 결합하거나, 또는 SLAM 시스템을 필터에 적용함으로써 지도를 이용한 최적화 기법을 통해 누적된 오차를 줄이는 방법 또한 적용 가능할 것으로 예상된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	최근 자율 로봇의 특징은?	최근 자율 로봇(autonomous robot)은 소형화와 경량화에 힘입어 점차 생활권과 가까워지고 있다. 그 예로, 드론은 초기에 군사적 목적으로 사용되었으나, 현재 택배 배달 및 영상 촬영에 활용되고 있다.
	드론의 초기목적은 무엇있었나?	최근 자율 로봇(autonomous robot)은 소형화와 경량화에 힘입어 점차 생활권과 가까워지고 있다. 그 예로, 드론은 초기에 군사적 목적으로 사용되었으나, 현재 택배 배달 및 영상 촬영에 활용되고 있다. 또한 Boston dynamics의 SpotMini처럼 실내에서 활용 가능한 지상 로봇 역시 꾸준히 개발되고 있다.
	약결합 방식에서 칼만 필터를 활용하는 이점은 무엇인가?	이와 다르게 약결합 방식은 영상센서와 영상 항법 알고리즘을 하나의 센서처럼 다루며(black box), 주로 그래프 기반 Visual Odometry(VO)의 위치 및 자세 추정 결과를 칼만 필터의 측정치로 활용하는 방법을 사용한다[2][10]. 이러한 방법은 필터 구조가 비교적 간단하며 연산량이 적다. 또한 필터 기반 강결합 방식에 비해 많은 수의 특징점을 추출하므로 최적화 기반 방식과 같이 동적 환경에 강인할 수 있으며, SLAM 알고리즘으로 확장 역시 가능하다.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증