Be the only one, not the best one

#코드
안녕하세요 LiDAR SLAM 공부하는 김기섭입니다.

이번에 C++로 LiDAR SLAM 코드를 작성하였는데 완료하여서 공유하고자 합니다.
Scan Context 와 LeGO-LOAM 을 통합하였습니다.
https://github.com/irapkaist/SC-LeGO-LOAM

Scan Context 루프 디텍터는 한개의 h와 cpp로 구성되어있어서
꼭 LOAM이 아니더라도 다른 odometry와도 쉽게 물리실수있습니다.
https://github.com/irapkaist/scancontext/tree/master/cpp/module/Scancontext

구동 예시로 라이다 매핑 과정도 녹화해보았습니다.
https://www.youtube.com/watch?v=bEqCehMJ_Hk&feature=youtu.be

많이 써주세요~~
감사합니다!

안녕하세요 SLAM 공부 김기섭입니다.

최근 SLAM 이 간단한 환경에서는 많이 풀렸다고 생각되서인지,

극한 환경 (안개, 한밤중 등) 에서도 SLAM이 잘되게 하자 라는 쪽으로 연구가 많이 이뤄지고 있는 것 같습니다. (예시: https://youtu.be/hDZy47MaPDQ?t=109)

#

한편, 극한 환경을 위해서는 기존에 많이 쓰던 센서 (camera, lidar) 로 알고리즘을 잘 개발하는 것뿐 아니라

이러한 환경 자체에 강인한 센서를 사용하는 것도 문제를 쉽게 해결하는 방법일 수 있는데요

관련 데이터셋을 소개합니다.

#

ICRA 2019 학회의 SLAM dataset workshop 에서 BEST POSTER PRESENTATION AWARD 를 수상한 논문인데요, ViViD : Vision for Visibility Dataset

Vision for Visibility 라는 이름의 약자로 Beyond-visibility vision sensors 로 thermal camera 와 event camera 를 동시에 포함하고 있는게 특징같습니다.

아웃도어와 인도어에서 다양한 시퀀스들을 포함하고 있네요

#

논문 https://drive.google.com/file/d/1DqiMbdbOKX29Qgk-V5B6JVFPkWKLjSqN/view

발표자료 https://drive.google.com/file/d/1HMCVOeCpdI84IBWQ5dw08amVP8TppSZ_/view

데이터는 여기서 받을수있습니다 https://sites.google.com/view/dgbicra2019-vivid/

감사합니다! (급마무리)

SLAM 백엔드에서 최적화에 쓰이는 factor graph에 대한 short course가 최근에 열렸네요 ㅎ
유튜브 영상 강의와 예제 코드도 제공합니다 ㅎ

영상: https://www.youtube.com/playlist?list=PLOJ3GF0x2_eWtGXfZ5Ne1Jul5L-6Q76Sz
코드: https://github.com/jlblancoc/2020-ual-factor-graphs-course

안녕하세요 SLAM공부 중인 김기섭입니다.

Complex Urban Dataset 에서는 (https://irap.kaist.ac.kr/dataset/download_1.html)

다양한 도시환경에 대해 LiDAR data를 제공하고 있는데요,

서울, 여의도, 판교 등 현재 공개된 데이터셋들 중에서는 제일 다양한 복잡한 도시환경을 제시하고 있다고 생각됩니다.

근데 전방을 보는 360도 3D lidar 가 없어서 아쉬움이 있었는데요

2D lidar 를 쌓은 point cloiud map 을 불러와서

GT 포즈 기반으로 projection해서 virtual 3D scan 을 만드는 코드를 짜봤습니다.

완전히 실제라고 할수는 없지만,

ray 수, vertical FOV, maximum range 등을 사용자가 원하는대로 조절할 수 있기 때문에

또 어떤 목적에서는 유용할 거 같기 (를 기대하며..!) 도 하네요...

코드: https://github.com/kissb2/ComplexUrbanH3DS

예시: https://youtu.be/ZUZ0dMMz17U

감사합니다.

안녕하세요 SLAM공부 김기섭입니다.

ORB SLAM study 2부가 곧 시작되는 걸로 알고 있는데요!

#

그래서 피처기반 슬램의

제일제일 기본이 되는

코너찾기에 관한 조은 자료가 있어 들고와봤습니다

https://medium.com/pixel-wise/detect-those-corners-aba0f034078b

설명이 간결하고 파이썬 기반 코드가 있어서

직접 해보면서 느낄 수 있다는 게 장점인 것 같습니다.

이거랑 다크프로그래머님의 유명한 게시글 https://darkpgmr.tistory.com/131 를 같이보면 이론적으로도 균형이 맞을거같습니다.

#

백문이 불여일견이라고 SLAM은 실습이 중요한거같습니다!

비현실세계 이미지 몇장에 대해서 테스트해보기는 아쉽고 따로 하드웨어 세팅하기는 귀찮아서

노트북 내장 카메라 이미지를 받아서 코너 디텍션 성능 비교를 진행해보았습니다.

코드는 https://github.com/kissb2/laptop-slam/tree/master/practice/1_corner_det

실습영상은 https://youtu.be/nWuMZTckWek

입니다.

정말정말정말 간단하니 각자 노트북으로 한번 돌려보시면 재밌을거에요!

감사합니다.

다들 새해복 많이받으시길 바래요

안녕하세요 SLAM공부 김기섭입니다.

#

다들 카메라 많이 쓰시나요, 라이다 많이 쓰시나요?

개인적으로 라이다는 3차원 거리정보가 명확하게 나오고

시간에 따라 (가시광선의 정도에 따라) 해당 장소에서 얻어지는 데이터가 크게 달라지지 않기때문에 (== visual appearance change 에 robust하다)

localization 이나 SLAM에서 place recognition 을 위해 카메라 기반보다 유리하다고 생각하는데요,

#

하지만 카메라에서 얻을 수 있는 영상정보의 장점이 분명 있기 때문에,

카메라를 쓰면서 라이다의 이점을 얻을 수 있다면 참 좋겠다고 생각하고 있었는데요,

관련 논문을 하나 소개해드리려고 합니다.

https://arxiv.org/pdf/1909.07267.pdf

Place Recognition for Stereo Visual Odometry using LiDAR Descriptors

ICRA20 submit 이라고 하고

코드도 있네요 https://github.com/jiawei-mo/3d_place_recognition



#

아이디어는 간단합니다.

스테레오 카메라의 경우 3차원 포인트클라우드를 direct로 얻을 수 있기 때문에,

이렇게 얻어진 point cloud 를 기존 개발된 lidar place recognition 의 input으로 넣어주면

카메라로도 place recognition 잘 할 수 있지 않을까? 라는 논문입니다.

#

아이디어는 간단한데 실험을 풍부하게 많이 해주었구요,

이미지에서 Place Recognition 으로 많이 쓰이는 NetVLAD보다

lidar 를 위해 개발되었던 방법들이 (특히 계절이 다른 두 시퀀스 사이에서) 더 성능이 좋음을 보고하고 있습니다.

appearance 보다 structure 가 일단은 장소 인식에 더 Robust 하다고 볼 수 있겠네요.

하지만 이미지 appearance도 분명 장점이 있는 만큼 카메라 기반에서 appearance와 structure 를 융합하는 시도가 다음 연구 추세가 될거같기도 하네요.

어서 누가 해줬으면 좋겠습니다!

#

이상입니다

감사합니다~