특징점 기반 단안 영상 SLAM의 최적화 기법 및 필터링 기법 성능 분석

Performance Analysis of Optimization Method and Filtering Method for Feature-based Monocular Visual SLAM

Abstract

Autonomous mobile robots need SLAM (simultaneous localization and mapping) to look for the location and simultaneously to make the map around the location. In order to achieve visual SLAM, it is necessary to form an algorithm that detects and extracts feature points from camera images, and gets the camera pose and 3D points of the features. In this paper, we propose MPROSAC algorithm which combines MSAC and PROSAC, and compare the performance of optimization method and the filtering method for feature-based monocular visual SLAM. Sparse Bundle Adjustment (SBA) is used for the optimization method and the extended Kalman filter is used for the filtering method.

그림 1 월드좌표계와 카메라좌표계의 관계 Fig. 1 World coordinate and camera coordinate

그림 2 RANSAC(좌)과 MPROSAC(우) 알고리즘 Fig. 2 RANSAC(left) and MPROSAC(right) algorithm

그림 3 MPROSAC 사용 전(좌)과 MPROSAC 사용 후(우)Fig. 3 Before (left) and after (right) using MPROSAC

그림 4 2D-2D 카메라 자세 추정 알고리즘 블록도 Fig. 4 Block diagram for 2D-2D camera pose estimation

그림 5 3D-2D 카메라 자세 추정 알고리즘 블록도 Fig. 5 Block diagram for 3D-2D camera pose estimation

그림 6 BA 알고리즘 블록도 Fig. 6 Block diagram for BA algorithm

그림 7 확장 칼만필터 알고리즘 블록도 Fig. 7 Block diagram for Extended Kalman filter algorithm

그림 8 2D-2D 자세 추정방법 결과 Fig. 8 Result of 2D-2D camera pose estimation

그림 9 Scale 보정 후 2D-2D 자세 추정방법 결과 Fig. 9 Result of 2D-2D camera pose estimation after scale correction

그림 10 3D-2D 자세 추정방법 결과 Fig. 10 Result of 3D-2D camera pose estimation

그림 11 3D-2D 기반 번들조정 후 3차원 점 성능 결과 Fig. 11 Result of 3D points after 3D-2D based BA

그림 12 확장 칼만필터 3차원 점 성능 결과 Fig. 12 Result of 3D points after EKF

표 1 RANSAC, MSAC, PROSAC, MPROSAC 성능비교 Table 1 Performance comparison among RANSAC, MSAC, PROSAC, and MPROSAC