2021년 8월 SLAM 뉴스

Posted on 2021-08-29 Edited on 2023-06-09 In 1. Spatial AI , 1.1 SLAM , 월간 SLAM 뉴스 Views:

논문 이름 누르면 자세한 정보가 열립니다!

이번 달 내가 관심가지는 논문들 (키노트/랜드마크 급)

ODAM: Object Detection, Association, and Mapping using Posed RGB Video

- [논문 링크](https://arxiv.org/pdf/2108.10165.pdf) - Daniel DeTone, Richard Newcombe 참여 (Facebook Reality Labs) - 딥러닝 기반 3D object detection을 수행, 이후 GNN을 이용해서 object-based map 생성. Object scale prior와 multiple view geometry 기반 최적화를 (i.e. SLAM) 사용해서 super-quadric 기반 object bounding volume을 최적화함.

Unified Representation of Geometric Primitives for Graph-SLAM Optimization Using Decomposed Quadrics

- [논문 링크](https://arxiv.org/pdf/2108.08957.pdf) - Sebastian Scherer 교수님 랩실 연구 - Points, lines, planes, ellipsoids, cylinders, cones 등을 하나의 representation으로 표현하는 'quadrics'를 사용한다. - 최근 Super-quadrics라던지 많이 사용되는 방식인데, related works와 'quadric basics' 챕터가 굉장히 좋다.

DSP-SLAM: Object Oriented SLAM with Deep Shape Priors

- [논문 링크](https://arxiv.org/pdf/2108.09481.pdf) - [논문 소개 페이지](https://jingwenwang95.github.io/dsp-slam/) - CubeSLAM의 진화판? - 기존의 ORB-SLAM2 프레임워크에서 추가로 Instance segmentation으로 object를 검출하고 deep shape embedding을 prior로 삼아서 object-level SLAM을 수행하는 것.

Semi-dense visual-inertial odometry and mapping for computationally constrained platforms

- [논문 링크](https://link.springer.com/article/10.1007/s10514-021-10002-z) - Vijay Kumar 교수님 랩실에서 나온 작품 - 초경량 ARM 보드에서 작동하는 Semi-dense Stereo VIO. - VI-Stereo-DSO 보다 더 가볍게 돌아감 - Semi-dense 방식이기 때문에 low textured area 에서도 잘 돌아감

DROID-SLAM: Deep Visual SLAM for Monocular, Stereo, and RGB-D Cameras

- [논문 링크](https://arxiv.org/pdf/2108.10869.pdf) - 딥러닝 기반 Dense Bundle Adjustment layer를 제안함 - 이 layer는 RNN 계열로, camera pose와 pixelwise depth를 업데이트함 - [GitHub 링크](https://github.com/princeton-vl/DROID-SLAM)

Comparison of modern open-source visual SLAM approaches

- [논문 링크](https://arxiv.org/pdf/2108.01654.pdf) - 오픈소스 Visual-SLAM을 다 비교해본다! - Related works가 굉장히 좋은 편이다. 이거만 읽어도 왠만한 트렌드 다 파악할듯 - Euroc 데이터셋 우승자: Basalt, ORB-SLAM3 - TUM-VI 데이터셋 우승자: VINS-Mono, ORB-SLAM3 - KITTI 데이터셋 우승자: ORB-SLAM3, OpenVSLAM, ORB-SLAM2

A Multi-Hypothesis Approach to Pose Ambiguity in Object-Based SLAM

- John Leonard 교수님 랩실 연구 - [논문 링크](https://arxiv.org/pdf/2108.01225.pdf) - Object의 pose를 계산할 때... 특정 view에서는 여러 pose에 대한 가능성이 제시될 때도 있으나, 네트워크는 하나의 아웃풋을 내도록 설계가 되어있다. - 잘못 추론한 경우 완전 꼬이게 된다 - 이를 위해 여러개의 가능성을 모두 트랙킹하는 multiple pose hypothesis 기법을 제안한다.

그 외

PC-SD-VIO: A constant intensity semi-direct monocular visual-inertial odometry with online photometric calibration

- [논문 링크](https://www.sciencedirect.com/science/article/abs/pii/S0921889021001627) - auto-exposure, camera response, vignetting 등으로 인해 야외에서 direct 기법은 잘 작동하지 않을때가 있음 - Feature-based 방식과 (gain-adaptive KLT optical flow) Direct-방식 (gain-adaptive direct image aligment)를 이용해서 online photometric calibration과 backend optimization을 수행함 - Online photometric calibration이 되기 때문에 야외에서도 잘 되지 않을까!

Accurate 6D object pose estimation and refinement in cluttered scenes

- [논문 링크](https://eprints.whiterose.ac.uk/177010/) - Object pose estimation을 할 수 있는 Contour alignment (CA) 기법을 소개함. - 기존의 PnP 방식보다 더 잘된다고...

Linear RGB-D SLAM for Structured Environments

- [논문 링크](https://ieeexplore.ieee.org/abstract/document/9521742) - 권인소 교수님 참여 - Manhattan world 에서 효율적으로 작동하는 SLAM을 제안함 - Manhattan world에서는 camera rotation과 structural regularity를 추정하는 것을 따로 떼어놓을 수 있는데, camera rotation을 먼저 구하고 linear kalman filter를 통해 camera translation과 global planar map을 효율적으로 (i.e. linear complexity)하게 풀 수 있음 - L-SLAM 이라고 칭함

Robust Visual-Lidar Simultaneous Localization and Mapping System for UAV

- [논문 링크](https://ieeexplore.ieee.org/abstract/document/9501167) - Visual + LiDAR 시스템을 통해서 point cloud로부터 더 안정적으로 line / plane feature를 추출 - 이미지 + 포인트 클라우드 데이터를 혼합해서 사용하는 direct odometry를 사용해서 위치 추정

SM3D: Simultaneous Monocular Mapping and 3D Detection

- [논문 링크](https://ieeexplore.ieee.org/abstract/document/9506302) - 딥러닝 기반 Depth estimation을 통해 Pseudo-LiDAR point cloud를 생성하고, 이로부터 3D detector를 사용해서 3D detection + Localization을 수행함 - 기존의 3D detector만 사용하는 것 보다 더 정확함

Visual Simultaneous Localization and Mapping (SLAM) Based on Blurred Image Detection

- [논문 링크](https://link.springer.com/article/10.1007/s10846-021-01456-5) - VSLAM을 구동할 때 blur된 이미지는 정확도를 저하시키는 요인 중 하나이다. - Blurred image가 있어도 잘 되는 VSLAM을 제안한다. - Haar wavelet transform을 통해 blur를 제거한다 - Correlation-weighted pose optimization을 통해 좋은 결과를 뽑아 내는 백엔드를 제안한다.

Continual Learning for Image-Based Camera Localization

- [논문 링크](https://arxiv.org/pdf/2108.09112.pdf) - 기존의 딥러닝 기반 Visual localization 네트워크 (i.e. Direct pose regression)을 학습할 때는 data distribution을 크게 고려하지 않는 것 같다. - 이로 인해 catastrophic forgetting 등의 문제가 나타난다. - Continual learning (i.e. incremental training) 학습 방식을 제안한다. - 고정된 버퍼에서 반복적으로 이미지를 보여줌으로써 좋은 baseline을 생성한다 - Buff-CS라는 coverage score 기반의 샘플링 기법을 소개한다

SBAS: Salient Bundle Adjustment for Visual SLAM

- [논문 링크](https://ieeexplore.ieee.org/abstract/document/9514570) - Geometric + Semantic 정보를 기반으로 추론한 saliency map을 이용한 VSLAM을 제안한다. - Saliency prediction이 feature point의 weight 값으로 들어가는 Salient bundle adjustment (SBA)를 제안한다.

Majorization Minimization Methods for Distributed Pose Graph Optimization

- [논문 링크](https://arxiv.org/pdf/2108.00083.pdf) - 여러 robust loss kernel과 함께 잘 작동하는 Majorization minimization method for distributed pose graph optimization (MM-PGO) 방법을 소개한다. - Majorization minimization이 뭐야;; - Multi-Robot PGO 환경에서 사용하는 기법인 것 같음.

Blitz-SLAM: A semantic SLAM in dynamic environments

- [논문 링크](https://www.sciencedirect.com/science/article/abs/pii/S0031320321004064) - RGB-D 데이터에서 Semantic mask와 뎁스 정보를 이용해서 움직이는 객체를 제외하고 SLAM을 진행하는 방법

Rethinking Training Objective For Self-Supervised Monocular Depth Estimation: Semantic Cues To Rescue

- [논문 링크](https://ieeexplore.ieee.org/abstract/document/9506744) - (IEEE지만 논문 공개되어있음) - 기존의 Self-supervised learning 기반의 Monocular depth estimation 학습을 할 때, semantic 정보까지 함께 넣음으로써 좀 더 정확한 depth 추론을 할 수 있게 함 - 기존의 depth estimation은 depth 네트워크와 pose 네트워크를 이용한 후 view synthesis 워핑을 통해 photommetric loss를 기반으로 학습하였음. - 여기에 semantic 정보까지 넣음으로써 ambiguity가 생기는 부분들을 semantic 정보로 풀어냄

Incorporating Learnt Local and Global Embeddings into Monocular Visual SLAM

- [논문 링크](https://arxiv.org/pdf/2108.02028.pdf) - 딥러닝을 사용한 Visual SLAM의 정석? - SuperPoint 기반 Local feature extraction - Model uncertainty + direct 방식을 이용한 feature tracking - NetVLAD 기반 global feature extraction - ORB-SLAM 파이프라인 + Bundle adjustment 최적화

A dual-mode automatic switching feature points matching algorithm fusing IMU data

- [논문 링크](https://www.sciencedirect.com/science/article/abs/pii/S0263224121009684) - Feature matching을 할 때 brute-force 매칭과 같은 방식은 너무 오래걸린다 - 이 논문에서는 IMU를 함께 사용함으로써 global matching <-> local matching 모드를 자동전환하는 방식을 제안한다. - Global 방식은 brute-force와 같이 모든 local feature를 비교하는 방식이다. - Local 방식은 IMU pre-integration 데이터로 추정한 pose를 통해 다음 이미지 위 가능성이 높은 소수의 feature들과의 매칭을 하는 방식이다. - IMU가 실패하는 것을 감지하기 위해 Support vector machine (SVM) 방식으로 돌아가는 디텍터 알고리즘을 만든다.

- [논문 링크]()