[논문]3차원 포즈 추정을 위한 시각 관성 주행 거리 측정

이보은; 고낙용

doi:10.11003/jpnt.2024.13.4.379

Abstract ▼ AI-Helper

Real-time localization is essential for autonomous driving of robots. This paper presents the implementation and a performance analysis of a localization algorithm. To estimate the position and attitude of a robot, a visual inertial odometry (VIO) algorithm based on a multi-state constraint Kalman f...

Real-time localization is essential for autonomous driving of robots. This paper presents the implementation and a performance analysis of a localization algorithm. To estimate the position and attitude of a robot, a visual inertial odometry (VIO) algorithm based on a multi-state constraint Kalman filter is used. The sensors employed in this study are a stereo camera and an inertial measurement unit (IMU). The performance is analyzed through experiments using three different camera view directions: floor-view, front-view, and ceiling-view. The number of detected features also affects navigation performance. Even if the number of recognized feature points is large, performance degrades if the correspondence between feature points is not accurately identified. The results show that VIO improves navigation performance even with low-cost sensors, thus facilitating map building as well as autonomous navigation.

Keyword

표/그림 (17)

그림 Fig. 1. Checker board pattern.
그림 Fig. 2. April grid pattern.
그림 Fig. 3. Calibration block diagram of stereo camera and IMU.
표 Table 1. Intrinsic and extrinsic parameters of stereo camera.
표 Table 2. Transformation matrix between cameras and IMU.
그림 Fig. 4. VIO block diagram.
그림 Fig. 5. Coordinate of camera and IMU.
그림 Fig. 6. Experiment environment.
그림 Fig. 8. Estimated attitude through VIO for the floor-view.
그림 Fig. 9. Estimated position through VIO for the front-view.
그림 Fig. 10. Estimated attitude through VIO for the front-view.
그림 Fig. 7. Estimated position through VIO for the floor-view.
그림 Fig. 11. Estimated position through VIO toward for the ceiling-view.
그림 Fig. 12. Estimated attitude through VIO for the ceiling-view.
그림 Fig. 13. Z-axis statistics for the floor-view.
그림 Fig. 14. Z-axis statistics for the front-view.
그림 Fig. 15. Z-axis statistics for the ceiling-view.

AI 본문요약
AI-Helper

제안 방법

본 논문은 스테레오 카메라와 IMU를 사용하여 자율주행을 위한 VIO 시스템을 Linux의 Ubuntu 환경에서 ROS를 사용하여 구현하여 이동체의 위치 및 자세를 추정을 다룬다. VIO는 GPS를 사용하지 않기 때문에, GPS 측정이 어려운 실내 환경이나 신호가 원활하게 잡히지 않는 환경에서도 사용 가능하다.
VIO는 GPS를 사용하지 않기 때문에, GPS 측정이 어려운 실내 환경이나 신호가 원활하게 잡히지 않는 환경에서도 사용 가능하다. 또한, 카메라 렌즈 방향을 정면뿐만 아니라 천장 방향과 바닥 방향을 향하게 한 실험을 진행하여 MATLAB을 통해 결과 및 성능을 분석하였다.
본 논문은 카메라가 다른 방향을 향하도록 하였을 때, 카메라와 IMU를 사용한 VIO를 사용한 위치 및 자세 추정의 성능을 비교하였다. 기존의 VIO는 일반적으로 카메라를 정면을 향하도록 고정하고 실험을 진행하고, 카메라가 향한 방향은 중요한 요소가 아니었다.
기존의 VIO는 일반적으로 카메라를 정면을 향하도록 고정하고 실험을 진행하고, 카메라가 향한 방향은 중요한 요소가 아니었다. 하지만, 본 논문은 카메라가 바닥, 정면, 그리고 천장을 향하도록 하는 실험을 진행하여 각 경우에 대한 특성을 파악하였고, 성능을 분석하였다. 카메라가 천장을 향하는 경우 가장 적은 오차를 보였고, 가장 좋은 성능을 갖는 것을 확인하였다.

대상 데이터

본 연구에서 사용한 센서는 위드로봇의 oCamS-1CGN-U 모델의 스테레오 카메라이다. 이는 내장 IMU를 포함한다.

성능/효과

본 논문은 카메라가 다른 방향을 향하도록 하였을 때, 카메라와 IMU를 사용한 VIO를 사용한 위치 및 자세 추정의 성능을 비교하였다. 기존의 VIO는 일반적으로 카메라를 정면을 향하도록 고정하고 실험을 진행하고, 카메라가 향한 방향은 중요한 요소가 아니었다. 하지만, 본 논문은 카메라가 바닥, 정면, 그리고 천장을 향하도록 하는 실험을 진행하여 각 경우에 대한 특성을 파악하였고, 성능을 분석하였다.
하지만, 본 논문은 카메라가 바닥, 정면, 그리고 천장을 향하도록 하는 실험을 진행하여 각 경우에 대한 특성을 파악하였고, 성능을 분석하였다. 카메라가 천장을 향하는 경우 가장 적은 오차를 보였고, 가장 좋은 성능을 갖는 것을 확인하였다.

후속연구

향후에는, VIO 알고리즘에 짐벌락을 일으킬 수 있는 Euler 각 대신 쿼터니언(quaternion)을 사용하여 실험을 진행할 예정이다. 짐벌락을 극복한다면, 카메라 방향에 따른 VIO 성능을 본 연구 결과보다 정확한 비교 및 분석이 가능할 것으로 판단된다.
향후에는, VIO 알고리즘에 짐벌락을 일으킬 수 있는 Euler 각 대신 쿼터니언(quaternion)을 사용하여 실험을 진행할 예정이다. 짐벌락을 극복한다면, 카메라 방향에 따른 VIO 성능을 본 연구 결과보다 정확한 비교 및 분석이 가능할 것으로 판단된다. 또한, VIO와 LiDAR를 동시에 사용하는 연구를 진행하여 알고리즘의 정확도를 올리는 연구를 수행할 예정이다.
짐벌락을 극복한다면, 카메라 방향에 따른 VIO 성능을 본 연구 결과보다 정확한 비교 및 분석이 가능할 것으로 판단된다. 또한, VIO와 LiDAR를 동시에 사용하는 연구를 진행하여 알고리즘의 정확도를 올리는 연구를 수행할 예정이다. 카메라만 사용하는 것보다 LiDAR를 함께 사용하면 각각의 단점을 보완하여 더 나은 성능을 기대할 수 있을 것이다.
또한, VIO와 LiDAR를 동시에 사용하는 연구를 진행하여 알고리즘의 정확도를 올리는 연구를 수행할 예정이다. 카메라만 사용하는 것보다 LiDAR를 함께 사용하면 각각의 단점을 보완하여 더 나은 성능을 기대할 수 있을 것이다. 또한, VIO를 빛을 제어할 수 없는 실외에서도 진행하여 성능을 비교할 예정이다.
카메라만 사용하는 것보다 LiDAR를 함께 사용하면 각각의 단점을 보완하여 더 나은 성능을 기대할 수 있을 것이다. 또한, VIO를 빛을 제어할 수 없는 실외에서도 진행하여 성능을 비교할 예정이다.

참고문헌 (17)

Chen, P., Guan, W., & Lu, P. 2023, ESVIO: Event-Based？Stereo Visual Inertial Odometry, IEEE Robotics and？Automation Letters, 8, 3661-3668. https://doi.org/10.1109/LRA.2023.3269950

상세보기
Do, H., V., Kim, Y., H., Kwon, Y., S., Kang, S., H., & Kim, H., J.,？et al. 2021, An Adaptive Approach based on Multi-State？Constraint Kalman Filter for UAVs, 21st International？Conference on Control, Automation and Systems, 12-15 October 2021, Jeju, Korea, pp.481-485. https://doi.org/10.23919/ICCAS52745.2021.9649897
Gurturk, M., Yusefi, A., Aslan, M. F., Soycan, M., & Durdu, A.,？et al. 2021, The YTU dataset and recurrent neural network？based visual-inertial odometry, Measurement, 184.？https://doi.org/10.1016/j.measurement.2021.109878

상세보기
Jennings, S. & Eshghi, S. 2019, Stereo Camera-IMU Calibration,？ResearchGate. https://doi.org/10.13140/RG.2.2.23257.65123
Jung, G.-W. & Ryu, J.-H. 2019, Fusion of a Particle Filter and？an Extended Kalman Filter for Real-time High-Precision？Localization of Autonomous Vehicles, Journal of Institute？of Control, Robotics and Systems, 25, 526-533. https://doi.org/10.5302/J.ICROS.2019.19.0044

상세보기
Kottas, D. G. & Roumeliotis, S. I. 2013, Efficient and Consistent？Vision-aided Inertial Navigation using Line Observations,？2013 IEEE International Conference on Robotics and？Automation, 06-10 May 2013, Karlsruhe, Germany, pp.1540-1547. https://doi.org/10.1109/ICRA.2013.6630775
Lee, J.-H. & Choe, J.-K. 2013, A Study on Self-localization for？Autonomous Mobile Robot, Journal of KIIT, 12, 29-34.？https://doi.org/10.14801/kiitr.2013.11.12.29

상세보기
Maye, J., Furgale, P., & Siegwart, R. 2013, Self-supervised？Calibration for Robotic Systems, 2013 IEEE Intelligent？Vehicles Symposium, 23-26 June 2013, Gold Coast,？QLD, Australia, pp.473-480. https://doi.org/10.1109/IVS.2013.6629513
Memon, Q. & Khan, S. 2001, Camera Calibration and Three-dimensional World Reconstruction of Stereo-vision Using？Neural Networks, International Journal of Systems Science,？32, 1155-1159. https://doi.org/10.1080/00207720010024276

상세보기
Mourikis, A. I., & Roumeliotis, S. I. 2007, A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation,？2007 IEEE International Conference on Robotics and？Automation, 10-14 April 2007, Rome, Italy, pp.3565-3572.？https://doi.org/10.1109/ROBOT.2007.364024
Ramezani, M. & Khoshelham, K. 2018, Vehicle Positioning in？GNSS-Deprived Urban Areas by Stereo Visual-Inertial？Odometry, IEEE Transactions on Intelligent Vehicles, 3,？208-217. https://doi.org/10.1109/TIV.2018.2804168

상세보기
Rehder, J., Nikolic, J., Schneider, T., Hinzmann, T., & Siegwart, R.？2016, Extending kalibr: Calibrating the Extrinsics of Multiple？IMUs and of Individual Axes, 2016 IEEE International？Conference on Robotics and Automation, 16-21 May 2016,？Stockholm, Sweden, pp.4304-4311. https://doi.org/10.1109/ICRA.2016.7487628
Sun, K., Mohta, K., Pfrommer, B., Watterson, M., Liu, S., et？al. 2018 Robust Stereo Visual Inertial Odometry for Fast？Autonomous Flight, IEEE Robotics and Automation Letters,？3, 965-972. https://doi.org/10.1109/LRA.2018.2793349

상세보기
Weng, J., Cohen, P., & Herniou, M. 1990, Calibration of？Stereo Cameras Using a Non-linear Distortion Model,？Proceedings 10th International Conference on Pattern？Recognition, 16-21 June 1990, Atlantic City, NJ, USA,？pp.246-253. https://doi.org/10.1109/ICPR.1990.118105
Weng, J., Cohen, P., & Herniou, M. 1992, Camera Calibration？with Distortion Models and Accuracy Evaluation, IEEE？Transactions on Pattern Analysis and Machine Intelligence,？14, 965-980. https://doi.org/10.1109/34.159901

상세보기
Yang, Y., Geneva, P., Eckenhoff, K., & Huang, G. 2019, Visual-Inertial Odometry with Point and Line Features, 2019 IEEE/RSJ International Conference on Intelligent Robots and？Systems, 03-08 November 2019, Macau, China, pp.2447-2454. https://doi.org/10.1109/IROS40897.2019.8967905
Zhang, C., Chen, L., & Yuan, S. 2020, ST-VIO: Visual-Inertial？Odometry Combined with Image Segmentation and？Tracking, IEEE Transactions on Instrumentation and？Measurement, 69, 8562-8570. https://doi.org/10.1109/TIM.2020.2989877

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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

[국내논문] 3차원 포즈 추정을 위한 시각 관성 주행 거리 측정
Visual Inertial Odometry for 3-Dimensional Pose Estimation 원문보기

Abstract ▼ AI-Helper

Keyword

표/그림 (17)

표/그림 (17)

AI 본문요약
AI-Helper

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 3차원 포즈 추정을 위한 시각 관성 주행 거리 측정 Visual Inertial Odometry for 3-Dimensional Pose Estimation 원문보기

Abstract ▼ AI-Helper

Keyword

표/그림 (17) 모든 표/그림 보기

표/그림 (17) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

고낙용 (53)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 3차원 포즈 추정을 위한 시각 관성 주행 거리 측정
Visual Inertial Odometry for 3-Dimensional Pose Estimation 원문보기

표/그림 (17)

표/그림 (17)

AI 본문요약
AI-Helper

활용도 Top5 논문