Abstract 단안카메라 SLAM으로 실내외 다 잘된다. 급변하는 motion이나 다른 측면에서도 motion추적, relocalization이 잘된다. 첫 initial point 또한 잘된다. tracking, mapping, relocalization, loop closing 동일한 feature를 사용한다. 가장 특성이 강한 points와 keyframe만 남기는 전략을 사용한다. robust하고 compat하다. Intoduction bundle adjustment(BA)는 초기값이 잘 설정되고 correspondence가 좋다면 camera pose, map point를 잘 추정한다. real time SLAM의 조건은 아래와 같다. - 선별된 프레임을 사용해야한다. - keyframes -..

PTAM - 2007 Parallel Tracking and Mapping for Small AR Workspaces Abstract 손으로 카메라를 움직이며 작은 AR 작업공간을 위해 만들었다. tracking과 mapping를 thread를 나눠 처리한다. one thread는 변동적인 camera motion을 tracking한다. 다른 thread는 이전 프레임을 보며 3D map을 만든다. 이로인해 계산량이 많은 batch optimisation을 사용할 수 있다.(batch optimisation = BA) 그 결과 수 천개를 다루는 landmark를 만들수 있었다. Intoduction 그동안 AR은 유저의 환경의 사전지식이 필요했다. 이는 CAD model, AR marker가 해당된다. ..

Modern SLAM Frame to Frame tracking Sliding-Window Local Map Optimization Global Map optimization Frame to Frame tracking - does not construct map not all frame -steps 1. color conversion(rgb->gray) 2. resize image(origin -> 640x480) - 시간 많이 잡아먹지만 이후 계산을 보다 절약적 3. Detect featrues 4. Match features with - previous frame - 2D-2D correspondence - E/F matrix(요즘 잘안씀) - keyframe(map point) - 2D-3D cor..

MonoSLAM - 2003 - Incremental SLAM method - Use Extended Kalman Filter(EKF) - 3D landmarks as 2D keypoints with unknown depth - ray에 gaussian distribution을 적용해 dept 추정 -> 그후 EKF사용 -> 처음 frame은 좌표를 알고있는 object를 가지고 있어야한다 - 방 한개 정도 너비 PTAM - Parallel Tracking and Mapping - split tracking and mapping process into 2threads - Fast tracking + slow mapping - Manual initialization via 5-point algorithm ..

Triangulation - 2 view image를 이용해 correspondences , [R|t]를 구하여 3d landmark position을 estimate했다. + N view를 적용해보자 - frame별 [R|t]가 있으며 frame간 correspondence가 있다 - 당연히 noise가 있어 깔끔하게 1개의 좌표로 나오지 않는다. reprojection error - 3d 좌표를 2d image에 project했을때 생기는오차(각 센서의 error가 반영) + motion, observation을 반영하여 최적화 필요 -> Nonlinear optimization을 사용한다. Bundle Adjustment를 언제 사용할까 1. Loop closure 2. sliding-window ..

SLAM을 최적화하기위한 수학적 기법 및 방법론 중 하나 (L2를 최소로만드는것) - over-determined system:미지수보다 data가 많은 경우 -> 최적화 가능 x의 object를 토대로 f(x') = Z' 일때 실제 Z의 오차를 error MAP estimation (지도아님) Motion model state = $x_{k}^{r} = f(x_{k-1}^{r} , u_{k}, e_{u})$ $u_{k}$: control or odometry $e_{u}$: motion noise $x_{k}^{r} = \begin{bmatrix} x^{r}(k) \\ y^{r}(k) \\ θ^{r}(k) \end{bmatrix}$ $x_{k-1}^{r}=[0,0,0], u_{k}=1, 45도, e_{..