2개의 2D image가 있는 상태에서 각 이미지의 2d-2d correspondence와 두 이미지 간의 R|t를 이용해 3D-point를 유추해 내는 것.n개의 프레임들이 있고 각 프레임들 간의 R|t 값을 알고 2d-2d correspondence를 알고있다고 할

SLAM은 동시적 위치추정과 맵핑이다. 최적의 맵핑과 위치추정을 위해 최적화를 진행한다.Least squares는 SLAM에서 사용하는 최적화 방법이다.우리가 추정한 값을 z^, 실제 값을 z라고 하자.Leas squares error는 (z-z^)로 계산한다.Visu

n개의 2D-3D correspondences가 주어졌을 때 world 좌표계에서 카메라 좌표계로의 transeformation을 추론하는 것.(estimate rigid body motion)쉽게 말하면 카메라가 3D 월드를 바라보고 있을 때 이미지의 feature들

두개의 이미지에서 매칭된 feature들을 바탕으로 3D point를 복원하는 것.이론적으로는 각 이미지의 레이들의 교점이 3D point의 좌표가 되는게 맞지만 feature 사이의 노이즈들로 인해 오차가 존재한다. 따라서 각 레이들을 조금씩 이동시켜 만날 수 있는

1. 왜 2-view geometry가 필요한가? 2D -> 3D 맵핑을 위해서는 3D-point의 깊이정보를 알아야 하고 이를 2D이미지로부터 얻기 위해서는 서로다른 두개의 관점에서 바라본 geometry가 필요하다. Localization에서 rigid body

이 논문은 BRIEF라는 이진 descriptor를 소개한다. Hamming distance를 통해 descriptor간 거리를 구해 SIFT에서 쓰이는 L2-norm 보다 계산 효율성이 좋다. BRIEF는 만드는것과 매칭이 모두 빠르다. SURF, U-SURF와 성능

월드좌표계도 3D 이며 카메라 좌표계도 3D이므로 3D->3D인 Rigid body motion으로 표현 가능.Rigid body motionRotation - 3x3 Matrix(SO(3))Translation - 3x1 VectorTransformation - 4x

3D -> 2D 사영 시 통용되는 기하학무한평행 -> 소실점으로 유한하게 표현됨depth 정보 소실orthogonality 소실scale 소실parallelism 소실euclidean과 homogeneous coordinate 차이Euclidean: rotation +

3D Rigid Body Motion: 3차원 좌표계의 변환을 의미Pose = 카메라의 위치(Position) + 카메라가 바라보는 방향(Orientation)Position = {tx, ty, tz}Orientation = {Rx, Ry, Rz}6 Degrees of

feature matching은 연산량이 많다는 문제점들을 가져왔다. 본 논문에서는 ORB라는 BRIEF 기반 이진 descriptor를 사용하여 회전과 노이즈에 강인한 feature matching 기법을 제안한다. SIFT보다 빠르고 성능은 비슷하다.SIFT 방식은

VSLAM은 다른 센서와의 융합성이 좋고 비용이 적다는 측면에서 매우 매력적인 기술이다.본 논문에서는 traditional VSLAM과 발전과정, sementic VSLAM을 소개한다. 전통적인 SLAM의 방법인 direct&indirect 기법의 장단점을 소개하고 C