CoordiNet: 신뢰할 수 있는 차량 위치 추정을 위한 불확실성 인지형 자세 회귀기

본 논문에서는 로봇 및 자율주행 차량 응용을 위한 신경망 기반 시각 기반 카메라 재위치 추정(visual-based camera re-localization)을 탐구한다. 제안하는 솔루션은 단일 이미지로부터 직접 카메라 자세(3D 이동 및 3D 회전)를 예측하는 CNN 기반 알고리즘으로, 자세에 대한 불확실성 추정도 제공한다. 자세와 불확실성은 단일 손실 함수를 통해 동시에 학습되며, 테스트 시점에서는 EKF(확장 칼만 필터)를 통해 융합된다. 또한, 장면의 기하학적 특성을 일부 내장할 수 있도록 설계된 새로운 완전 컨볼루션 아키텍처인 CoordiNet을 제안한다. 제안한 프레임워크는 현재 공개된 가장 큰 벤치마크인 옥스포드 로봇카(Oxford RobotCar) 데이터셋에서 기존 최고 성능보다 우수한 결과를 보였으며, 평균 오차가 8미터로, 이전 최고 성능의 19미터보다 크게 향상되었다. 또한 실시간(18fps) 차량 위치 추정을 위한 대규모 장면에서의 성능을 검토하였다. 이 설정에서는 구조 기반 방법이 대규모 데이터베이스를 필요로 하지만, 본 연구에서 제안한 방법이 신뢰할 수 있는 대안임을 입증하였으며, 붐비는 도심 지역에서 1.9km 규모의 루프에서 중앙 오차가 29cm에 그치는 성과를 달성하였다.