Be the only one, not the best one

안녕하세요, SLAM 공부하는 장형기입니다! 😆

최근 Visual-SLAM 공부를 위한 로드맵을 만들었습니다. 현재까지는 1. 컴퓨터 비전 입문 로드맵, 2. SLAM 입문 로드맵, 3. Monocular Visual-SLAM 로드맵, 4. RGB-D Visual-SLAM 로드맵을 작성했습니다. 추후 VIO/VI-SLAM, Stereo-SLAM, Visual-LiDAR Fusion, Deep SLAM, Visual-Localization 등등 작성 예정입니다.

혼자 만든거다보니 아직 부족한 점이 많이 있습니다. 많은 피드백 부탁드리고, Github Issue나 PR을 통한 컨트리뷰션 환영합니다!
https://github.com/changh95/visual-slam-roadmap

안녕하세요, LiDAR SLAM공부중인 김기섭입니다.

LiDAR에서 xyz 외에 intensity 도 중요한 정보인데요,

다들 어떻게 쓰시고 계신지 궁금합니다. 막상 쓰려고 보면 값이 이상하다 이런이야기도 있는거 같아서요.

최근에 네이버랩스 챌린지 데이터셋의 HDL32 스캔을 열어보다가 먼 지점의 포인트들의 인텐시티가 강한 경향을 봤는데 왜그런지 이유를 모르겠습니다ㅠ

암튼 그거랑 별개로 최근 리포트 중 intensity 를 썼더니 SLAM (을 위한 모듈) 이 잘되더라

라는 논문이 있어 소개해드리고자 합니다.

1.

I-LOAM: Intensity Enhanced LiDAR Odometry and Mapping

https://irap.kaist.ac.kr/publications/yspark-2020-ur.pdf

LOAM에 intensity 를 썼더니 odometry가 더 잘되더라 라는 내용입니다. UR 2020 이라고 합니다.

2.

Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection

https://arxiv.org/pdf/2003.05656.pdf

Scan context 에 intensity 를 썼더니 loop detection 이 더 잘되더라 라는 내용입니다. ICRA 2020 이라고 합니다.

둘다 간단한 접근임에도 실용적이고 좋아보입니다.

이상입니다!

안녕하세요 SLAM 공부 김기섭입니다.

엊그제 즈후라는 중국사이트에서 슬램 인터뷰 후기를 읽었는데요 (영어로 번역해서 보시면 됩니다)
몇개 질문들이 요약되어 있더라구요
https://zhuanlan.zhihu.com/p/46696986
(ps. 그 외에 슬램 포스트들도 좋아보입니다)
https://www.zhihu.com/search?type=content&q=slam
https://www.zhihu.com/topic/20033502/hot

슬램 인터뷰 질문들을 구글 스프레드 시트에 옮겨서 정리해보았습니다.
https://bit.ly/slam_interview_20

그리고 혹시 천천히 생각날때마다 같이 채워주실분 계실까요?
저도 모든 센서를 다 해본 것도 아니고 여전히 모르는게 많아서
다른분들이 질문을 채워주시면 뭘 모르는지를 알게 되는 상태가 되어서
공부하는데 도움도 크게 될것같습니다.

감사합니다!

https://cv-learn.com/0-AirSim-36906ed3efb94c6094f66b30e88b0611

AirSim은 MS에서 만든 자율주행/자율비행 알고리즘 개발을 위한 시뮬레이터 입니다. 하지만 딥러닝에 국한되지 않고 SLAM이나 기타 컴퓨터 비전 알고리즘 개발에도 충분히 활용될 수 있습니다.

AirSim이 얼마전에 업데이트 되면서 VS2019를 이용한 새로운 설치 방법이 공개된 것 같습니다. 이전부터 AirSim에는 한글판 윈도우 OS를 사용할 때 고질적으로 나타나는 오류가 있는데요. 공식 가이드에 적혀있지 않아서 많은 분들이 설치에 어려움을 겪으시는 것 같습니다. 아쉽게도 그 오류는 아직도 해결되지 않았더라구요 😔

해당 문제에 대한 해결법과 AirSim의 쉬운 설치 법에 대한 방법을 정리해봤습니다.

SLAM에 관련된 중요한 논문들을 뿜어내신 교수님들과 연구자들에 대한 리스트를 만들고 표로 정리해봤습니다!

연구자들마다 키워드 정리 + Google Scholar 링크 달아놨습니다!

[https://cv-learn.com/SLAM-75cbbf7e653e470caf31629385eae997](https://cv-learn.com/SLAM-75cbbf7e653e470caf31629385eae997)

sfm 과 mvs 의 관계 및 차이에 관해 좋은 설명이 있어서 정리해보았습니다.

출처: https://towardsdatascience.com/the-future-of-mapping-is-learned-e13e93c03e22

1. SLAM이란?

https://cv-learn.com/SLAM-f16a75f894ca48d3aa851bca99ec7cce

2. SLAM을 처음 공부하시는 분들을 위해

https://cv-learn.com/SLAM-d938568f7720452e9e21ec217bb08046

3. SLAM 공부 좀 해볼까? (읽기 좋은 자료 + 논문 추천)

https://cv-learn.com/SLAM-01d9076491eb4f47b7a8dd80bd80fdbe

4. Visual SLAM 공부 키워드 리스트

https://cv-learn.com/SLAM-7ab572d0e60441ba85fe195428e7acf8

요즘 쓰고 있는 SLAM 관련 블로그 글을 공유합니다.

SLAM을 처음 공부하시는 분들부터, 이미 공부를 하고 계신 분들까지도 도움이 될 것 같다고 생각합니다 ㅎㅎ

앞으로도 SLAM 관련 글을 꾸준히 적으려고 계획하고 있습니다. 궁금하신 점이나 피드백은 페이스북 댓글 또는 블로그 댓글로 남겨주시면 감사하겠습니다 :)

안녕하세요 SLAM공부 김기섭입니다.

#

지난번에 KITTI dataset 을 열어보면서 SLAM 공부 시작해보면 좋다고 전해드렸었는데요

https://www.facebook.com/groups/slamkr/permalink/1087797968246513/

#

실제로 SLAM 알고리즘을 개발하거나 테스트할때는

동적물체의 존재, 환경의 종류 (고속도로/시골/도시 등) 에 따라 잘 될때도 있고 안될때도 있어서

데이터가 먼저 어떤 특성을 가지고 있는지 잘 살피는 게 중요한데요

그래서 데이터를 먼저 열어서 찬찬이 살펴보는게 중요하다고 개인적으로 생각하고 있습니다.

#

근데 열어서 살펴보자니

KITTI 시퀀스는 모두 22개나 되고 (트레이닝11개 / 테스트11개)

다운받아서 압축푸는것도 한세월이고 우분투에서는 파일 개수가 많으면 탐색이 뭔가 빠릿빠릿 잘 안되는 느낌이 들어서요

#

왼쪽 흑백이미지에 대하여 쭉 비디오로 만들어서 유튜브에 올렸습니다. 편의상 3 frame 씩 스킵했습니다.

22개 시퀀스 모두 재생목록으로 만들어 두었습니다.

http://bit.ly/kitti_odom_videos

KITTI를 다운받지 않더라도 한번 슥 보시면 키티 데이터셋이 이런거구나 쉽게 파악하실 수 있을 것 같습니다

감사합니다~

안녕하세요 Lidar SLAM공부중인 김기섭 입니다

#
지난주에 SLAM덩크 스터디에서 이종훈 님께서 레인지넷에 대해 소개해주셨는데요,
19 ICCV에 소개된 시맨틱 키티라는 point-wise 로 fully labeled 된 dataset이 있었기에 가능했던 연구였습니다.

#
시맨틱키티는
28가지 종류의 라벨 (도로, 폴, 인도, 자동차, 사람 등) 및
movable 한 object의 경우 (자동차, 사람 등) instance ID 또한 제공합니다.
이 정보를 이용하면 기존 segmentation work 뿐 아니라 object tracking 또는 dynamic/static 판별 등의 연구도 진행할 수 있을 것 같네요.
예시 영상입니다 https://youtu.be/gNeEfPEyHuw

#
저자가 공개한 파이썬API도 공개되어 있습니다.
https://github.com/PRBonn/semantic-kitti-api
저는 개인적으로 매트랩을 선호해서 매트랩 API도 간단히 만들어보았습니다.
https://github.com/kissb2/semantickitti-matlab

#
시맨틱 라이다 슬램 연구 관심 많으신분들 함께해요
감사합니다.

SLAM이 처음이신분들은

SLAM의 수학적 원리 이해도 좋지만

다양한 데이터셋을 받고, 열어보고, 만져보는거부터 출발하셔도

좋을거같아요

그런의미에서 SLAM쪽에서 가장 유명한 KITTI dataset

을 열어보는 노트북이 있어 공유합니다.

안녕하세요 SLAM공부 김기섭입니다.

논문이 너무 많은 시대입니다.

최신 논문 중 뭘 읽어야 할지 따라가기가 늘 힘들었는데

아래 슬라이드들에 논문 리스트업+요약 이 간단하게 잘 되어있네요! (정말 대단하신분!!)

또 모두 2019년도 업로드 자료라 최신 반영이 잘 되어있는거같습니다 (저도 아직 몇개 안봤지만.,,,)

공유합니다

#

# 2019 - SLAM related

Dynamic Mapping in SLAM

- https://www.slideshare.net/yuhuang/dynamic-mapping-in-slam

Semantic SLAM I

- https://www.slideshare.net/yuhuang/semantic-slam

Semantic SLAM II

- https://www.slideshare.net/yuhuang/semantic-slam-ii

Stereo Matching by Deep Learning

- https://www.slideshare.net/yuhuang/stereo-matching-by-deep-learning

Depth Fusion from RGB and Depth Sensors II

- https://www.slideshare.net/yuhuang/depth-fusion-from-rgb-and-depth-sensors-ii

Depth Fusion from RGB and Depth Sensors III

- https://www.slideshare.net/yuhuang/depth-fusion-from-rgb-and-depth-sensors-iii

Depth Fusion from RGB and Depth Sensors IV

- https://www.slideshare.net/yuhuang/depth-fusion-from-rgb-and-depth-sensors-iv

#

# 2019 - Autonomous Driving related

Lidar for Autonomous Driving II (via Deep Learning)

- https://www.slideshare.net/yuhuang/lidar-for-autonomous-driving-ii-via-deep-learning

LiDAR-based Autonomous Driving III (by Deep Learning)

- https://www.slideshare.net/yuhuang/lidarbased-autonomous-driving-iii-by-deep-learning

fusion of Camera and lidar for autonomous driving I

- https://www.slideshare.net/yuhuang/fusion-of-camera-and-lidar-for-autonomous-driving-i

fusion of Camera and lidar for autonomous driving II

- https://www.slideshare.net/yuhuang/fusion-of-camera-and-lidar-for-autonomous-driving-ii-181748995

3-d interpretation from stereo images for autonomous driving

- https://www.slideshare.net/yuhuang/3d-interpretation-from-stereo-images-for-autonomous-driving

3-d interpretation from single 2-d image for autonomous driving II

- 3-d interpretation from stereo images for autonomous driving II

Visual Odometry 방법 중 direct method를 사용한 Direct Sparse Odometry(DSO) 논문의 내용 일부분을 정리한 pdf 파일입니다.

대부분의 내용은 https://blog.csdn.net/xxxlinttp/article/details/89379785 블로그를 보면서 참조했습니다. (저처럼 중국어를 모르시는 분들은 중/영 번역을 하신 다음 보시면 될 것 같습니다.)

direct method는 pose tracking을 수행하기 위해 거의 전적으로 최적화에 의존하고 있어서 대부분의 내용이 최적화와 관련된 내용인 것 같네요. 추가적으로 DSO 논문에서는 photometric calibration parameter (a,b)와 inverse depth까지 추가되어서 조금 더 복잡한 식이 유도되는 것 같습니다

아직 정확히 모르는 개념들이 많아서 (SSE2 프로그래밍, Photometric Calibration, ...) 정리되는대로 업데이트하려고 합니다

논문 링크: http://vladlen.info/papers/DSO.pdf

코드 링크: https://github.com/JakobEngel/dso

논문과 코드를 보실 때 같이 참조해서 봐주시면 어느정도 도움이 될 수 있을 것 같습니다

개인적으로 공부하기 위해 작성한 자료여서 틀린 부분도 존재할 것 같네요. 혹시 틀린 부분이 있다면 말씀해주시면 감사하겠습니다

Naver D2 테크톡 영상중에

슬램관련 좋은것들이 있네요

Depth estimation: Do we need to throw old things away?

https://www.youtube.com/watch?v=qs_aI40WrX8

Visual Geometry with Deep Learning

https://youtu.be/87DcC8ksRHs

지난 ROSCON 2019에서

SLAM toolbox 라는 것이 소개되었었네요

video: https://vimeo.com/378682207

slide: https://roscon.ros.org/2019/talks/roscon2019_slamtoolbox.pdf

code: https://github.com/SteveMacenski/slam_toolbox

abstract:

We introduce the SLAM Toolbox. It implements synchronous and asynchronous SLAM for massive indoor and changing environments as well as life-long mapping and localization modes. SLAM Toolbox brings several improvements over the existing solutions. This includes plugin optimizers with default Ceres, speed-ups in Karto's scan matcher, pose-graph manipulation tools, serialization, continued mapping on serialized SLAM graphs, pose-graph localization rolling window technique as a replacement for AMCL, and enables fully distributed mapping without the use of derived 2D occupancy image maps. This package was built for mapping of massive retail and warehouse applications, though likely effective out of those scopes. This talk will go over key points of SLAM Toolbox, demonstrations in production environments, and how to enable it in your application.