The essential function of self-driving car is navigation driving car from the current position to the destination. To get to where you want to go, you must first find the exact location of the self-driving car. In general, the Global Positioning System (GPS) is unable to estimate the global position well unless there are no skyscrapers near self-driving car. Visual maps built by the camera are an alternative to these GPS problems. A typical technique is Visual Simultaneous localization and mapping (Visual SLAM), which build a camera map as the vehicle travels and estimates the current position on the visual map. Visual SLAM needs to be consistent across maps, which makes it difficult to manage large maps, such as city-scale or larger. Companies such as Mobileye, TomTom, and HERE are dealing with large-scale maps by introducing cloud-servers to solve map size problems.
Exchanging visual maps between the cloud-server and the vehicle is via the mobile network. With the advent of 5G, data transfer of up to 10Gbit/s is possible, but since the amount of data is directly involved with the cost, the smaller the size of the visual map to exchange, the better. The vehicle sends a mobile map to the cloud-server, which manage mobile maps to build the server map used for estimating the location of the vehicle. Since almost more than 90% of the map cloud-servers and the vehicle exchange consist of landmarks, which are three-dimensional points, it is necessary to reduce the amount of map exchanged on the mobile network by effectively reducing landmarks. In this paper, we propose the distance histogram that represents the distance distribution between a vehicle and a landmark , and propose a new map summarization method that improves location estimation accuracy at high summarization rate with proposing distance score obtained from the distance histogram. Exchanging visual maps between the cloud-server and the vehicle is via the mobile network. With the advent of 5G, data transfer of up to 10Gbit/s is possible, but since the amount of data is directly involved with the cost, the smaller the size of the visual map to exchange, the better. The vehicle sends a mobile map to the cloud-server, which manage mobile maps to build the server map used for estimating the location of the vehicle. Since almost more than 90% of the map cloud-servers and the vehicle exchange consist of landmarks, which are three-dimensional points, it is necessary to reduce the amount of map exchanged on the mobile network by effectively reducing landmarks. In this paper, we propose the distance histogram that represents the distance distribution between a vehicle and a landmark , and propose a new map summarization method that improves location estimation accuracy at high summarization rate with proposing distance score obtained from the distance histogram.
자율주행차의 기본 기능은 현 위치에서 목적지로 이동하는 항법입니다. 원하는 곳에 가기 위해서는 먼저 자율주행차의 정확한 위치를 찾아야합니다. 일반적으로 Global Positioning System(GPS)는 자율주행차 근처에 고층 빌딩이없는 경우가 아니라면 전역 위치를 잘 추정할 수 없습니다. 카메라로 만든 카메라 맵은 이런 GPS의 문제점에 대안으로 이용되고 있습니다. 대표적인 기법은 Visual Simultaneous localization and mapping(Visual SLAM)으로 차량이 주행하면서 카메라 맵을 만들고 카메라 맵에서 현재 위치를 추정합니다. Visual SLAM은 맵 전체에 대해 일관성을 유지해야하는데 도시 규모 이상과 같은 대규모 맵은 차량에서 관리하기가 어렵습니다. Mobileye, TomTom, HERE와 같은 회사에서는 지도의 규모 문제를 해결하기 위해 클라우드 서버를 도입하여 대규모 지도를 다루고 있습니다.
클라우드 서버와 차량간 카메라 맵 교환은 모바일 네트워크를 통해서 이루어집니다. 5G의 등장으로 최대 10Gbit/s의 데이터 전송이 가능하지만 데이터량은 비용과 직결되어 있기 때문에 교환하는 카메라 맵의 크기는 가능한한 작을수록 좋습니다. 차량은 모바일 맵을 클라우드 서버로 전송하고, 클라우드 서버는 모바일 맵을 모아서 차량의 위치 추정을 위한 서버 맵을 만듭니다. 클라우드 서버와 차량이 교환하는 맵의 90% 이상이 3차원의 점인 랜드마크로 이루어져 있기 때문에 랜드마크를 효과적으로 줄여서 모바일 네트워크에서 데이터 교환량을 줄이는 것이 필수적입니다. 본 논문에서는 차량과 랜드마크 사이의 거리 분포를 나타내는 거리 히스토그램을 제안하고 거리 히스토그램을 이용하여 얻은 거리 점수를 이용하여 높은 요약율에서 위치 추정 정확도를 높이는 새로운 맵 요약 방법을 제안합니다.
