odometry 시스템 비교

odometry 시스템 비교

비교 기준은 입력 영상이 color/depth 인지, 입력 영상의 이용방법이 dense/sparse 인지.

(color+depth) + dense 는 dvo 시스템 사용

(color+depth) + sparse 는 FOVIS 시스템 사용

depth + dense 는 ICP 기반의 kinfuLS 시스템 사용

depth + sparse 는 ICP 기반으로 걍 내가 구현해서 사용

depth 영상을 sparse하게 이용한 시스템은 성능이 얼마나 나쁠지가 관건...

depth를 dense하게 써도 color를 sparse하게 쓴거보다 성능이 훨씬 떨어지는데 depth sparse는 ..

비교삼아 실험해보려고 color 영상에서 FAST 특징점을 검출한 후에 그 특징점에 대응되는 깊이 값들만 추출해서 그 깊이 값들을 포인트 클라우드 형태로 바꾼 후에 ICP를 돌렸다. 

이것도 이렇게 보면 depth만 사용한게 아니라 color 사용ㅋㅋ

어쨌든 odometry 계산에는 color 특징을 기반으로 추출한 depth 데이터만 사용하기때문에, depth+sparse라고 생각

실험 결과는 bench mark 데이터 집합 중 가장 쉬워보이는 fr1/desk 를 사용하였고, TUM 대학 홈페이지에서 제공해주는 evaluation 으로 정성/정량적 결과를 확인했다.

1. color + dense (dvo)

2. color + sparse (FOVIS)

3. depth + dense (kinfuLS)

4. depth + sparse

(이런 성능은...)

결국에는 visual slam을 하려고 odometor를 여기저기서 가져온건데.. 이것들 이론이랑 시스템/코드 이해하려고 4개월을 보냈다.

그럼에도 불구하고 다 이해를 못했지만...

공부하고 얻은 결론은 모두다 아는 color + dense가 젤 좋다는 것(성능으로만 볼 때). 계산량은 어마어마하지만 ㅋㅋ

로봇이나 모바일로 가는거는 내가 하는게 아니라서 어짜피.. 하드웨어 빵빵하게 돌리는 거라 괜츈.

쨌든 odometor는 dvo 수정해서 사용할 듯하다.

근데 웃기게도 이제 slam은 내가 안하게된다는 슬픈 결말..