from SLAM to Spatial Perception with 3D Dynamic Scene Graphs
시공간 관계(예: "에이전트 A는 시간 t에 방 B에 있다")를 모델링
하는 계층적 표현visual-inertial data를 통해 DSG를 재구성하는 최초의 공간 인식 엔진
visual-inertial 상태 추정
(Kimera-VIO)전역적으로 일관되고 외란에 강한 trajectory 추정
(Kimera-RPGO)을 제공low-latency local mesh of the scene
를 계산 (Kimera-Mesher) visual-inertial 상태 추정
전역적으로 일관되고 외란에 강한 trajectory 추정
low-latency local mesh of the scene
스테레오 이미지 데이터
를 입력으로 받아, 로봇의 위치와 자세를 추정
가속도계와 자이로스코프에서 측정된 관성 데이터
로, 로봇의 가속도와 각속도를 제공
VIO Front-end
Feature Tracks Preintegrated IMU
IMU 데이터를 시간에 따라 통합
하여, 상대적인 위치 변화와 자세 변화를 계산
VIO Back-end
로봇 또는 장치의 3D 포즈(위치 및 자세) 추정 값.
현재 위치가 이전에 방문한 장소와 일치하는지 감지
(stereo image을 이용)감지된 loop를 사용
하여, 로봇의 경로와 지도를 최적화
감지된 loop를 이용하여 전체 경로와 지도를 최적화하는 과정
3D 메쉬를 최적화할 필요가 있는지
여부를 결정메쉬 최적화 여부를 결정
포즈 그래프와 메쉬를 함께 최적화
하는 모듈로봇의 위치 추정
과 3D 메쉬의 일관성을 보장
루프 클로저(loop closures)를 감지
하고 전역적으로 일관된 경로를 추정
하는 역할VIO poses:
RPGO poses:
Odometry:
Loop closures:
Visual Loop Closures Detection:
Rejection of Spurious Loop Closures:
Estimation of Globally Consistent Trajectory:
노드 간의 시공간 관계를 나타냄
visual-inertial SLAM
, metric-semantic 3D reconstruction
, object localization
, human pose and shape estimation
, scene parsing
real-time hierarchical semantic path-planning을 위해 DSG를 사용하는 방법을 시연하는 것