이 게시글은 장형기님의 SLAM 기술면접 질문 100선에 대한 제 나름대로의 답을 정리한 것입니다.
SLAM은 정적 환경을 가정하기 때문에 변화를 감지하는 것이 중요합니다. ( 보통은 그냥 가까운거 날려버림)
사실 너무 크지만 않으면 동적 물체는 엄청 많은 포인트 클라우드 중 작은 부분만 차지하기 때문에 무시를 할 수 있습니다.
하지만 공간이 작거나 물체가 클 경우 그리고 사실은 항상 결과에 악영향을 끼칩니다.
오늘은 이 point cloud의 변화를 감지하는 방법을 알아보겠습니다.
기하학적 방법
-
전통적 계산 방식
-
거리 기반 비교
두 포인트 클라우드를 정합시킨 후, 점 대 점 또는 점 대 표면 간의 거리를 측정하여 변화를 탐지합니다.
그렇게 되면 이동한 물체의 경우 제대로 정합이 되지 않기 때문에 거리를 측정하면 두 물체 사이가 멀게 나옵니다.
이 거리가 일정 threshold를 넘으면 변화로 감지합니다. -
Voxel grid 기반 비교
공간을 정육면체 작은 단위인 Voxel로 나눈 뒤, 각 복셀의 상태 변화를 비교
-
각 복셀이 차있는지 비어있는지를 확인하고 시점에 따라 그것이 변하면 그것을 감지합니다.
-
각 복셀 내에 포함된 점의 개수를 이용하여 밀도를 계산하여 그것을 비교하는 방법도 있습니다.
-
-
Octree 기반 비교
포인트 클라우드를 옥트리라는 계층적 트리 구조로 표현하여 비교하는 방식
- 구조 비교: 두 포인트 클라우드에 대한 옥트리를 각각 생성한 뒤, 두 트리의 구조를 재귀적으로 비교 후
하위 노드의 구성이 다른 부분을 변화 영역으로 식별
- 구조 비교: 두 포인트 클라우드에 대한 옥트리를 각각 생성한 뒤, 두 트리의 구조를 재귀적으로 비교 후
-
전통적인 계산 방식의 경우 직관적이고 계산이 빠르다는 장점이 있습니다.
저도 SLAM을 해서 동적 물체를 제거할 때 딥러닝 기반 방식보다는 이런 방식을 쓰는 것을 선호합니다.
GPU도 안써요.
-
딥러닝 기반 방법
-
Siamese Network
동일한 구조와 가중치를 공유하는 두 개의 신경망을 사용하여 두 입력의 유사성을 학습하는 구조입니다.t1 시점과 t2 시점의 포인트 클라우드 패치를 각각 샴 네트워크의 두입력으로 넣고 특징 벡터를 추출하여 비교합니다. 이것의 차이가 클 경우 변화로 탐지할 수 있습니다.
-
특징 융합 기반 모델
두 시점의 정보를 초기에 적극적으로 융합하여 '변화 정보' 자체를 네트워크가 학습하도록 설계된 구조입니다.
두 포인트 클라우드에서 추출한 특징을 네트워크 중간단계에서 바로 융합하여 변화에 집중할 수 있습니다.
-
비지도 학습
레이블이 없는 데이터를 사용하여 변화를 탐지하는 방법
대규모 데이터셋에 대한 수동적인 레이블링 작업을 줄일 수 있어 주목받고 있음-
데이터 자체의 특성을 이용해 스스로 학습 목표를 만드는 자기 지도 학습을 통해 두 시점 데이터 간의 유사점과 차이점을 감지(자기 지도 학습)
-
두 시점에서 추출한 특징 벡터 간의 변화 벡터를 분석하여 변화의 크기와 방향을 학습(심층 변화 벡터 분석)
-
보통 빠르고 간단한 변화 확인이 필요할 때 복셀 그리드 기반 또는 거리 기반을 사용합니다.
LiDAR의 경우 range image depth값 차이를 활용하는 논문도 읽은적이 있습니다.복잡한 도시 환경이나 동적 객체의 미묘한 변화까지 탐지해야할 때는 딥러닝 기반의 탐지를 하는 것이 좋을 것 같습니다.
하지만 메모리도 많이 써야하고 학습도 잘해야하기 때문에 저는 쓰는데 좀 고민이 있습니다.
-
