Feature points play a crucial role in visual localization. However, when extracting feature points, the feature points are easily concentrated in a specific image area. When estimating the pose, the estimated pose becomes inaccurate because of feature points biased to one side. In this paper, a method for distributing feature points more uniformly to the whole image area is proposed. The proposed feature points selection method limits the number of feature points in the equally separated image using an adaptive threshold that varies with the number of feature points extracted from the image. The performance is enhanced by shifting the focus for estimating the pose to the whole image area. The KITTI dataset is used for simulation. On average, concerning the KITTI sequences, performance is improved as much as 1.519% in translation error and 0.930 deg/100m in rotation error. Also, Lately, pose estimation based on learning-based Visual Odometry (VO) methods, where raw image data are provided as the input of a neural network to get 6 Degrees of Freedom information, has been investigated. Despite its recent advances, learning-based VO methods still perform worse than the classical VO, which consists of feature-based VO methods and direct VO methods. In this paper, a new pose estimation method based on a Gated Recurrent Unit (GRU) network, where historical trajectory data of yaw angle is provided to the network to get a yaw angle at current timestep, trained by accurate sensor acquired pose data is proposed. The proposed pose estimation method can be easily combined with other VO methods to enhance the overall performance via an ensemble of predicted results. Pose estimation using the proposed pose estimation method is especially advantageous in the cornering section, commonly prone to error. The performance is improved by reconstructing the rotation matrix using a yaw angle that is the fusion of the yaw angles estimated from the proposed GRU network and other VO methods. The KITTI dataset is utilized for training the network and the simulation section. On average, regarding the KITTI sequences, performance is improved as much as 1.426% in translation error and 0.805 deg/100m in rotation error.
특징점은 시각적 위치 추정에 중요한 역할을 한다. 그러나 특징점 추출 시, 특징점은 이미지의 특정 영역에 쉽게 집중된다. 이 경우, 자세 추정 시, 한쪽으로 치우친 특징점으로 인해 추정 결과가 부정확해진다. 본 논문에서는 이미지 영역 전체에 특징점을 보다 균일하게 분포시키는 방법을 제안한다. 제안된 특징점 선택 방법은 이미지 상에서 추출된 특징점의 개수에 따라 변화하는 임계값을 사용하여 분리된 이미지 상의 특징점 수를 균등하게 제한한다. 자세를 추정하기 위한 특징점 추적의 관심 지역을 이미지의 전체 영역으로 이동하면서 성능이 향상된다. KITTI 데이터세트는 시뮬레이션에 활용되고, 제안된 방법을 적용 시, 평균적으로 KITTI 시퀀스에 대해서, 이동오차는 1.519%, 회전오차는 0.930 deg/100m만큼 개선된다. 또한, 최근에는 6 자유도 정보를 얻기 위해 신경망의 입력으로 원시 이미지 (Raw Image) 데이터를 제공하는 학습 기반 시각적 주행거리 측정 방법을 이용한 자세 (Pose) 추정이 연구되었다. 최근의 연구에도 불구하고, 학습 기반 시각적 주행거리 측정 방법은 특징 기반 시각적 주행거리 측정 방법과 직접 시각적 주행거리 측정 방법을 포함하는 종래의 시각적 주행거리 측정보다 더 나쁜 성능을 발휘한다. 본 논문에서는 정확한 센서로부터 취득한 자세 데이터로 훈련되어, 과거 경로의 요 각도 데이터를 네트워크에 입력하여 현재 시간에서 요 각도를 출력으로 얻는 GRU(Gated Recurrent Unit, 게이트 순환 유닛) 네트워크를 기반으로 하는 새로운 자세 추정 방법을 제안한다. 제안된 자세 추정 방법은 다른 시각적 주행거리 측정 방법과 쉽게 결합할 수 있고, 요 각도의 보정을 통해 전체적인 성능을 향상시킬 수 있다. 제안된 방법을 이용한 자세 추정은 특히 오류가 발생하기 쉬운 코너링 구간에서 적용된다. 제안된 GRU 네트워크 및 종래의 시각적 주행거리 측정 방법에서 추정된 요 각도를 결합한 요 각도를 사용하여 회전 행렬을 재구성함으로 성능을 개선한다. KITTI 데이터세트는 네트워크 학습과 시뮬레이션에 활용되며, 평균적으로 KITTI 시퀀스에 대해서, 이동오차는 1.426%, 회전오차는 0.805 deg/100m만큼 개선된다.
