[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR102682524B1 - 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치 - Google Patents

증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치 Download PDF

Info

Publication number
KR102682524B1
KR102682524B1 KR1020180108252A KR20180108252A KR102682524B1 KR 102682524 B1 KR102682524 B1 KR 102682524B1 KR 1020180108252 A KR1020180108252 A KR 1020180108252A KR 20180108252 A KR20180108252 A KR 20180108252A KR 102682524 B1 KR102682524 B1 KR 102682524B1
Authority
KR
South Korea
Prior art keywords
image
positioning
positioning information
learning
type
Prior art date
Application number
KR1020180108252A
Other languages
English (en)
Other versions
KR20200029785A (ko
Inventor
손민정
장현성
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180108252A priority Critical patent/KR102682524B1/ko
Priority to US16/259,420 priority patent/US11037368B2/en
Priority to CN201910241914.XA priority patent/CN110889872B/zh
Priority to JP2019077030A priority patent/JP7269082B2/ja
Priority to EP19185859.6A priority patent/EP3623761B1/en
Publication of KR20200029785A publication Critical patent/KR20200029785A/ko
Priority to US17/335,199 priority patent/US11842447B2/en
Application granted granted Critical
Publication of KR102682524B1 publication Critical patent/KR102682524B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/01—Head-up displays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Processing Or Creating Images (AREA)

Abstract

일 실시예에 따른 측위 방법 및 장치는 장치의 측위 정보를 획득하고, 입력 영상에 포함된 객체에 대응하는 방향성을 포함하는 제1 영상을 생성하고, 객체의 위치를 포함하는 맵 데이터에 기초하여 측위 정보에 따라 객체가 투영된 제2 영상을 생성하며, 제1 영상과 제2 영상 사이의 시각적 정렬에 기초하여 측위 정보를 보정한다.

Description

증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치{LOCALIZATION METHOD AND APPARATUS OF DISPLAYING VIRTUAL OBJECT IN AUGMENTED REALITY}
아래의 실시예들은 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치에 관한 것이다.
차량 및 기타 운송 수단의 주행 보조나 게임, 및 오락 등 다양한 분야에서 다양한 형태의 증강 현실(Augmentation Reality) 서비스가 제공되고 있다. 증강 현실을 보다 정확하고 실감나게 제공하기 위해 다양한 측위(localization) 방법들이 이용될 수 있다. 예를 들어, 센서(sensor) 기반의 측위 방법은 객체의 위치와 방향을 파악하기 위해 GPS(Global Positioning System) 센서 및 IMU(Inertial Measurement Unit) 센서 등과 같은 다양한 센서들을 복합적으로 사용할 수 있다. 높은 정확도를 필요로 하는 경우, 센서 기반의 측위 방법은 정확도가 높은 고가의 센서가 요구되므로 상용화 및 소형화가 용이하지 않다. 또한, 주변 정보를 활용하여 정밀도 높은 좌표 정보를 얻기 위해 카메라(Camera) 정보를 사용하는 비전(vision) 기반의 측위 방법은 지속적인 움직임을 가지는 동적 객체가 많은 환경에서 사용이 어렵다.
일 측에 따르면, 측위 방법은 장치의 측위 정보를 획득하는 단계; 입력 영상에 포함된 객체(object)에 대응하는 방향성(directional characteristics)을 포함하는 제1 영상을 생성하는 단계; 상기 객체의 위치를 포함하는 맵 데이터에 기초하여, 상기 측위 정보에 따라 상기 객체가 투영된 제2 영상을 생성하는 단계; 및 상기 제1 영상과 상기 제2 영상 사이의 시각적 정렬(visual alignment)에 기초하여, 상기 측위 정보를 보정하는 단계를 포함한다.
상기 측위 정보는 상기 장치의 위치 및 상기 장치의 자세를 포함할 수 있다.
상기 방향성은 상기 객체와 가까운 정도를 나타내는 확률의 분포에 대응할 수 있다.
상기 측위 방법은 제1 센서의 출력에 기초하여 상기 입력 영상을 획득하는 단계를 더 포함하고, 상기 측위 정보를 획득하는 단계는 제2 센서의 출력에 기초하여 상기 측위 정보를 획득하는 단계를 포함할 수 있다.
상기 측위 방법은 증강 현실 서비스를 위하여 상기 맵 데이터 상에서 가상 객체를 결정하는 단계; 및 상기 보정된 측위 정보에 기초하여, 상기 가상 객체를 상기 입력 영상과 함께 표시하는 단계를 더 포함할 수 있다.
상기 가상 객체는 주행 경로 정보를 나타낼 수 있다.
상기 제1 영상을 생성하는 단계는 기 학습된 신경망을 이용하여, 상기 방향성을 나타내는 확률 맵을 생성하는 단계를 포함할 수 있다.
상기 확률 맵에 포함된 픽셀들 각각은 해당하는 픽셀로부터 가장 가까운 시드 픽셀(seed pixel) 까지의 거리를 저장할 수 있다.
상기 제2 영상을 생성하는 단계는 상기 맵 데이터의 좌표계를 상기 제2 영상의 좌표계로 변환하는 변환기를 이용하여, 상기 제2 영상을 생성하는 단계를 포함할 수 있다.
상기 측위 정보는 6 자유도(DoF)를 가질 수 있다.
상기 측위 정보를 보정하는 단계는 상기 제1 영상과 상기 제2 영상을 매칭함으로써, 상기 시각적 정렬의 정도(degree of the visual alignment)를 산출하는 단계; 및 상기 방향성에 기초하여, 상기 시각적 정렬의 정도가 증가되도록 상기 측위 정보를 보정하는 단계를 포함할 수 있다.
상기 시각적 정렬의 정도를 산출하는 단계는 상기 제1 영상에 포함된 복수의 픽셀들 중 상기 제2 영상에 포함된 객체에 대응하는 픽셀들의 값을 합산하는 단계를 포함할 수 있다.
상기 방향성에 기초하여, 상기 측위 정보를 보정하는 단계는 상기 제2 영상에 포함된 객체가 상기 방향성에 따라 변환되도록, 상기 측위 정보를 보정하는 단계를 포함할 수 있다.
상기 제1 영상은 상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 방향성을 저장하고, 상기 제2 영상은 상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 투영된 객체를 저장할 수 있다.
상기 측위 정보를 보정하는 단계는 상기 제1 영상과 상기 제2 영상을 매칭함으로써, 상기 객체의 유형 별로 시각적 정렬의 정도를 산출하는 단계; 및 상기 방향성에 기초하여, 상기 유형 별 시각적 정렬의 정도가 증가되도록 상기 측위 정보를 보정하는 단계를 포함할 수 있다.
상기 입력 영상은 차량의 주행 영상을 포함할 수 있다.
상기 객체는 차선, 도로 노면 표지, 신호등, 표지판, 연석, 및 구조물 중 적어도 하나를 포함할 수 있다.
일 측에 따르면, 학습 방법은 학습 영상을 수신하는 단계; 상기 학습 영상을 위한 맵 데이터에 기초하여, 상기 학습 영상에 포함된 객체에 대응하는 방향성을 포함하는 기준 영상을 생성하는 단계; 신경망을 이용하여, 상기 학습 영상에 포함된 객체에 대응하는 방향성을 추론하는 추론 영상을 생성하는 단계; 및 상기 기준 영상과 상기 추론 영상 사이의 차이에 기초하여, 상기 신경망을 학습하는 단계를 포함한다.
상기 방향성은 상기 객체와 가까운 정도를 나타내는 확률의 분포에 대응할 수 있다.
상기 기준 영상 및 상기 추론 영상에 포함된 픽셀들 각각은 해당하는 픽셀로부터 가장 가까운 시드 픽셀까지의 거리를 저장할 수 있다.
상기 기준 영상 및 상기 추론 영상은 상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 방향성을 저장할 수 있다.
상기 학습하는 단계는 상기 기준 영상과 상기 추론 영상 사이의 유형 별 차이에 기초하여, 상기 신경망을 학습하는 단계를 포함할 수 있다.
상기 학습 영상은 차량의 주행 영상을 포함할 수 있다.
상기 객체는 차선, 도로 노면 표지, 신호등, 표지판, 연석, 및 구조물 중 적어도 하나를 포함할 수 있다.
일 측에 따르면, 측위 장치는 장치의 측위 정보 및 입력 영상을 획득하는 센서들; 및 상기 입력 영상에 포함된 객체에 대응하는 방향성을 포함하는 제1 영상을 생성하고, 상기 객체의 위치를 포함하는 맵 데이터에 기초하여, 상기 측위 정보에 따라 상기 객체가 투영된 제2 영상을 생성하며, 상기 제1 영상과 상기 제2 영상 사이의 시각적 정렬에 기초하여, 상기 측위 정보를 보정하는 프로세서를 포함한다.
도 1은 일 실시예에 따른 측위 오차에 대응하는 시각적 정렬(visual alignment) 결과를 설명하기 위한 도면.
도 2는 일 실시예에 따른 측위 방법을 나타낸 흐름도.
도 3은 일 실시예에 따른 측위 방법을 설명하는 도면.
도 4는 일 실시예에 따른 측위 과정을 설명하기 위한 도면.
도 5는 일 실시예에 따른 제1 영상을 생성하는 과정을 설명하기 위한 도면.
도 6은 일 실시예에 따라 측위 정보를 보정하는 방법을 설명하기 위한 도면.
도 7은 일 실시예에 따라 영상에 포함된 객체가 유형 별로 구분된 경우에 측위 정보를 보정하는 방법을 설명하기 위한 도면.
도 8은 일 실시예에 따른 학습 방법을 나타낸 흐름도.
도 9는 일 실시예에 따른 학습 과정을 설명하기 위한 도면.
도 10은 일 실시예에 따른 학습을 위한 영상들을 설명하기 위한 도면.
도 11은 다른 실시예에 따른 측위 방법을 나타낸 흐름도.
도 12는 도 11에 따른 측위 갱신 과정을 설명하기 위한 도면.
도 13은 다른 실시예에 따른 측위 방법을 나타낸 흐름도.
도 14는 일 실시예에 따른 측위 장치의 블록도.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따라 측위 오차에 대응하는 시각적 정렬(visual alignment) 결과를 설명하기 위한 도면이다.
증강 현실(Augmented Reality)은 현실에 기반하여 정보를 추가 또는 증강하여 제공하는 기술로서, 예를 들어, 현실 세계의 이미지나 배경 영상에 가상의 이미지에 해당하는 가상 객체를 추가하여 보여줄 수 있다. 증강 현실은 현실 세계와 가상 세계를 잘 조화시킴으로써, 사용자는 실제 및 가상 환경이 분리되었다는 것을 인지하지 못한 채, 사용자와 가상 세계 간의 실시간 상호 작용이 가능한 몰입감을 제공받을 수 있다. 가상 객체를 실제 영상에 정합하기 위해서는 증강 현실을 제공하는 사용자 장치(또는 사용자)의 위치 및 자세, 다시 말해 측위(localization) 정보를 정확하게 파악해야 한다.
증강 현실 제공을 위한 측위 정보는 가상 객체를 영상 내 원하는 곳에 위치시키는데 이용된다. 증강 현실을 제공함에 있어서, 실제 3D 공간 상에서 나타나는 오차나 특징 매칭(feature matching) 시의 오차보다는 가상 객체를 2D 영상에 투영시켰을 때의 시각적 정렬의 정도(degree of visual alignment)가 더 중요하다. 시각적 정렬의 정도는 가상 객체와 실제 영상이 서로 오버랩(overloap)되는 비율 또는 매칭되는 비율에 해당할 수 있다. 시각적 정렬의 정도는 아래의 도 1의 (a) 및 (b)에 도시된 것과 같이 측위 오차에 따라 달라질 수 있다. 이하, 본 명세서에서는 설명의 편의를 위하여 도로면에 가상 객체에 해당하는 주행 안내 차로를 표시하는 경우를 일 예로 들어 설명하지만, 반드시 이에 한정되는 것은 아니다.
도 1의 (a)을 참조하면, 측위 오차가 작은 경우의 시각적 정렬 결과에 따른 증강 현실 영상(120)이 도시된다. 도 1의 (b)를 참조하면, 측위 오차가 큰 경우의 시각적 정렬 결과에 따른 증강 현실 영상(140)이 도시된다.
예를 들어, 객체(110)의 측위 정보를 기준으로 차량의 기준 경로를 도로 영상 위에 표시한다고 하자. 여기서, 객체는 측위를 수행하는 사용자 단말 및/또는 차량에 해당할 수 있다. 객체(110)의 측위에 오차가 작은 경우, 장치가 표시하고자 하는 가상 객체인 주행 안내 차로(115)는 영상(120)과 같이 실제 도로 영상과 시각적 정렬이 잘 이루어져 질 수 있다. 이와 달리, 객체(130)의 측위에 오차가 큰 경우, 장치가 표시하고자 하는 가상 객체인 주행 안내 차로(135)는 영상(140)과 같이 실제 도로 영상과 시각적 정렬이 잘 이루어지지 않을 수 있다.
실시예들에 따르면, 가상 객체를 2D 영상에 투영시켰을 때의 시각적 정렬의 정도가 커지는 방향으로 측위 정보를 최적화함으로써 보다 정확한 증강 현실 서비스를 제공할 수 있다.
도 1의 (c)를 참조하면, 일 실시예에 따른 측위 정보는 장치의 위치(location) 및 장치의 자세(position)을 포함할 수 있다. 위치는 가로(Lateral)(tx), 세로(Vertical)(ty), 및 경도(Longitude)(tz), 다시 말해 (x, y, z)와 같은 3차원 좌표에 해당할 수 있다. 또한, 자세는 피치(Pitch)(rx), 요(Yaw)(ry), 및 롤(Roll)(rz)에 해당할 수 있다. 위치는 예를 들어, GPS 센서, 라이다 등을 통해 획득할 수 있고, 자세는 예를 들어, IMU 센서, 자이로 센서 등을 통해 획득할 수 있다. 일 실시예에 따른 측위 정보는 전술한 위치 및 자세를 포함하는 6 자유도(Degree of Freedom; DoF)를 가지는 것으로 이해될 수 있다.
이하, 본 명세서에서 '차량(vehicle)'은 도로 위로 주행 중인 차량을 의미하는 것으로서, 예를 들어, 자율 주행 차량, 첨단 운전자 지원 시스템(Advanced Driver Assistance System; ADAS)을 구비한 지능형 차량 등을 포함할 수 있다. '도로(road)'는 차량들이 다니는 길을 의미하며, 예를 들어, 고속도로, 국도, 지방도, 고속 국도, 자동차 전용 도로 등과 같은 다양한 유형의 도로를 포함할 수 있다. 도로는 하나 또는 다수 개의 차로를 포함할 수 있다. '차로(lane)'는 도로 노면 상에 표시된 차선들(lines)을 통해 서로 구분되는 도로 공간에 해당할 수 있다. 차로는 해당 차로에 인접한 좌우의 차선(또는 차로 경계선)에 의해 구분될 수 있다. 또한, '차선(line)'은 도로 노면 상에 흰색, 파란색 또는 노랑색으로 표시된 실선, 점선, 곡선, 및 지그재그선 등 다양한 형태의 선으로 이해될 수 있다. 차선은 하나의 차로를 구분하는 일 측의 차선에 해당할 수도 있고, 하나의 차로를 구분하는 차선들의 쌍(pair), 다시 말해, 차로 경계선에 해당하는 좌측 차선 및 우측 차선일 수도 있다.
하기에서 설명될 실시예들은 스마트 차량 등의 증강 현실 내비게이션 (Augmented Reality Navigation) 시스템에서 차선을 표시하거나, 자율 주행 차량의 조향을 돕기 위한 시각 정보를 생성하거나, 또는 차량의 주행을 위한 다양한 제어 정보를 제공하는 데에 활용될 수 있다. 또한, 실시예들은 차량 내 주행 보조 또는 완전 자율 주행을 위해 설치된 HUD(Head Up Display) 등의 지능 시스템을 포함하는 기기에 시각 정보(visual information)를 제공하여 안전하고 쾌적한 주행을 돕는 데에 사용될 수 있다. 실시예들은 예를 들어, 자율 주행 자동차, 지능형 자동차, 스마트 폰, 및 모바일 기기 등에 적용될 수 있다.
도 2는 일 실시예에 따른 측위 방법을 나타낸 흐름도이다. 도 2를 참조하면, 일 실시예에 따른 측위 장치는 해당 장치의 측위 정보를 획득한다(210). 여기서, 장치는 일 실시예에 따른 측위 방법을 수행하는 장치로서, 예를 들어, 차량일 수도 있고, 내비게이션, 스마트 폰 등과 같은 사용자 장치일 수도 있다. 측위 정보는 전술한 것과 같이 장치의 위치 및 장치의 자세를 포함하는 6 자유도를 가질 수 있다. 측위 정보는 예를 들어, IMU 센서, GPS 센서, 라이다 센서 및 레이더 등과 같은 센서의 출력에 기초하여 획득될 수 있다. 측위 정보는 예를 들어, 측위 장치의 초기(initial) 측위 정보일 수 있다.
측위 장치는 입력 영상에 포함된 객체(object)에 대응하는 방향성(directional characteristics)을 포함하는 제1 영상을 생성한다(220). 입력 영상은 차후 증강 현실 서비스를 위해 가상 객체와 함께 표시되는 배경 영상 또는 기타의 영상에 해당할 수 있다. 입력 영상은 예를 들어, 차량의 주행 영상을 포함할 수 있다. 여기서, 주행 영상은 예를 들어, 차량에 장착된 촬영 장치를 이용하여 획득된 주행 영상일 수 있다. 주행 영상은 하나 또는 복수 개의 주행 영상들을 포함할 수 있다. 주행 영상은 복수 개의 프레임들을 포함할 수 있다. 측위 장치는 촬영 장치의 출력에 기초하여 입력 영상을 획득할 수 있다. 촬영 장치는 예를 들어, 차량의 윈드 실드(windshield), 대시 보드(dashboard), 백미러(rear-view mirror) 등과 같이 미리 정해진 위치에 고정되어 차량 전방의 주행 영상을 촬영할 수 있다. 촬영 장치는 예를 들어, 비전 센서, 이미지 센서, 또는 이와 유사한 기능을 수행하는 장치를 포함할 수 있다. 촬영 장치는 단일 영상을 촬영하거나, 경우에 따라 프레임 별 영상을 촬영할 수도 있다. 또는 주행 영상은 측위 장치 이외의 다른 장치에서 캡쳐된 영상일 수 있다. 주행 영상은 예를 들어, 도 4에 도시된 입력 영상(410)일 수 있다. 객체는 예를 들어, 차선, 도로 노면 표지, 신호등, 표지판, 연석, 및 구조물 등을 포함할 수 있다. 차서은 차로 경계선, 도로 중앙선, 정지선 등을 포함하고, 도로 노면 표지는 주정차 금지, 횡단 보도, 견인 지역, 제한 속도 표시 등을 포함할 수 있다.
여기서, '객체에 대응하는 방향성'은 객체와 가까운 정도를 나타내는 확률의 분포에 대응할 수 있다. 단계(220)에서, 측위 장치는 예를 들어, 기 학습된 신경망을 이용하여 방향성을 나타내는 확률 맵, 예를 들어, 디스턴스 필드 맵(Distance Field Map)을 생성할 수 있다. 이때, 확률 맵에 포함된 픽셀들 각각은 해당하는 픽셀로부터 가장 가까운 시드 픽셀(seed pixel) 까지의 거리를 저장할 수 있다. 시드 픽셀은 영상에 포함된 픽셀들 중 객체에 해당하는 픽셀일 수 있다. 제1 영상은 예를 들어, 도 5의 디스턴스 필드 맵(550)일 수 있다. 측위 장치가 기 학습된 신경망을 이용하여 전술한 확률 맵을 생성하는 방법은 아래의 도 5를 참조하여 구체적으로 설명한다.
측위 장치는 객체의 위치를 포함하는 맵 데이터에 기초하여, 측위 정보에 따라 객체가 투영된 제2 영상을 생성한다(230). 여기서, 맵 데이터는 예를 들어, 고정밀(High Density; HD) 지도 데이터일 수 있다. 고정밀 지도는 자율 주행을 위해 고 정밀도(예를 들어, 센티미터 단위의 정밀도)를 갖춘 3D 입체 지도를 말한다. 고정밀 지도에는 예를 들어, 도로 중심선, 경계선 등 차선 단위의 정보는 물론 신호등, 표지판, 연석, 노면 도로 표지, 각종 구조물 등의 정보가 3차원 디지털의 형태로 포함될 수 있다. 고정밀 지도는 예를 들어, MMS(Mobile Mapping System) 시스템에 의해 구축될 수 있다. MMS 시스템이란 다양한 센서를 장착한 3차원 공간 정보 조사 시스템으로서, 예를 들어 위치 측정 및 지형 지물 측량을 위한 카메라, 라이다(LIDAR), GPS 등의 센서를 장착한 이동체를 포함할 수 있다. MMS 시스템의 센서들은 서로 유연하게 작동해 다양하고 세밀한 위치 정보를 획득할 수 있다.
단계(230)에서, '맵 데이터에 기초하여, 측위 정보에 따라 객체가 투영된 제2 영상을 생성한다'는 것은 예를 들어, 측위 장치가 맵 데이터 상에서, 측위 정보에 포함된 위치에 가상 카메라를 배치(place)하고, 측위 정보에 포함된 자세에 기초하여 가상 카메라의 자세를 조정(adjust)한 후, 가상 카메라에서 객체를 바라보는 시점의 영상을 생성한다는 의미로 이해될 수 있다.
단계(230)에서, 측위 장치는 예를 들어, 맵 데이터의 좌표계를 제2 영상의 좌표계로 변환하는 변환기를 이용하여, 제2 영상을 생성할 수 있다. 여기서, 변환기는 예를 들어, 한 평면을 다른 평면에 투영(projection) 시켰을 때 투영된 대응점들 사이에서 성립하는 일정한 변환 관계를 나타내는 호모그래피(homography) 함수 또는 상기 전술한 변환을 수행하는 인공 신경망일 수 있다. 측위 장치는 예를 들어, 측위 정보에 기초하여 맵 데이터에서 일부 데이터를 추출하고, 변환기를 이용하여 추출된 일부 데이터로부터 제2 영상을 생성할 수도 있다. 제2 영상은 예를 들어, 도 4의 제2 영상(430)일 수 있다.
측위 장치는 제1 영상과 제2 영상 사이의 시각적 정렬에 기초하여, 측위 정보를 보정한다(240). 측위 장치는 제1 영상과 제2 영상을 매칭함으로써, 시각적 정렬의 정도를 산출할 수 있다. 측위 장치는 예를 들어, 제1 영상에 포함된 복수의 픽셀들 중 제2 영상에 포함된 객체에 대응하는 픽셀들의 값을 합산하고, 합산 결과를 시각적 정렬의 정도로 결정할 수 있다. 시각적 정렬의 정도는 예를 들어, 그래디언트 디센트(gradient descent)의 형태로 표현될 수 있다. 측위 장치는 객체에 대응하는 방향성에 기초하여, 시각적 정렬의 정도가 증가되도록 측위 정보를 보정할 수 있다. 측위 장치는 제2 영상에 포함된 객체가 방향성에 따라 변환(예를 들어, 이동, 또는 회전)되도록 측위 정보를 보정할 수 있다. 측위 장치가 측위 정보를 보정하는 방법은 아래의 도 6을 참조하여 구체적으로 설명한다.
측위 장치는 증강 현실 서비스를 위하여 맵 데이터 상에서 가상 객체를 결정할 수 있다. 예를 들어, 가상 객체는 주행 경로 정보를 나타내는 가상의 객체로서, 화살표 또는 진행 방향을 나타내는 도로 표시 등의 형태로 표현될 수 있다. 측위 장치는 단계(240)에서 보정된 측위 정보에 기초하여, 가상 객체를 입력 영상과 함께 헤드업 디스플레이, 내비게이션, 또는 사용자 장치의 디스플레이 상에 표시할 수 있다.
도 3은 일 실시예에 따른 측위 방법을 설명하는 도면이고, 도 4는 일 실시예에 따른 측위 과정을 설명하기 위한 도면이다. 도 3 및 도 4를 참조하면, 일 실시예에 따른 측위 장치는 입력 영상(410)을 획득할 수 있다(310). 측위 장치는 예를 들어, 영상 센서를 이용하여 객체를 촬영함으로써 생성된 입력 영상(410)을 수신할 수 있다. 이때, 입력 영상(410)은 해당 장치의 현재 위치에 대응하는 영상일 수 있다.
측위 장치는 객체의 위치를 포함하는 맵 데이터를 수신(또는 획득)할 수 있다(320).
측위 장치는 단계(310)에서 획득한 입력 영상(410)으로부터 객체를 추정할 수 있다(330). 측위 장치는 입력 영상(410)에 기초하여, 객체에 대응하는 방향성을 포함하는 제1 영상(420)을 생성할 수 있다. 일 실시예에 따르면, 측위 장치는 기 학습된 신경망을 이용하여 제1 영상(420)을 생성할 수 있다. 측위 장치는 입력 영상(410) 내의 다양한 장애물(예를 들어, 자동차, 행인, 가로수 등)에 상관없이 안정적으로 객체를 추정하기 위해 기 학습된 신경망을 이용할 수 있다. 예를 들어, 임의의 입력 영상이 인가되면, 기 학습된 신경망은 입력 영상에서 차선에 해당하는 부분을 활성화(activation)하여 제1 영상(420)을 생성할 수 있다. 제1 영상(420)은 예를 들어, 2 차원의 디스턴스 필드 맵을 포함할 수 있다.
측위 장치는 초기 측위(initial localization)를 수행하고(340), 단계(320)에서 획득한 맵 데이터에 초기 측위(340)에 따른 측위 정보를 적용함으로써, 초기 측위에 따라 객체가 투영된 제2 영상(430)을 생성할 수 있다(350).
측위 장치는 제1 영상(420)과 제2 영상(430)에 대하여 시각적 정렬을 수행할 수 있다. 측위 장치는 영상(440)과 같이 제1 영상(420)과 제2 영상(430)을 시각적으로 정렬할 수 있다.
측위 장치는 시각적 정렬을 최적화(optimization)할 수 있다(360). 측위 장치는 시각적 정렬을 통해 제2 영상(430)이 제1 영상(420)에 최대한 오버랩(overlap) 되도록 하는 측위 보정치를 산출할 수 있다. 측위 장치는 초기 측위(340)를 기준으로 하는 제2 영상(430)과 제1 영상(420) 사이의 오버랩이 최대화되도록 측위 정보를 변화시킴으로써 시각적 정렬을 최적화할 수 있다. 일 실시예에서는 영상 전반에 걸쳐 정보가 확산된 형태의 제1 영상(420), 다시 말해 디스턴스 필드 맵(Distance Field Map)을 이용함으로써 그래디언트에 기반한 최적화를 용이하게 수행할 수 있다.
측위 장치는 측위 정보에 측위 보정치를 적용하여 영상(450)과 같이 제1 영상(420)과 제2 영상(430) 사이의 시각적 정렬이 최적화되도록 측위 정보를 갱신할 수 있다(370).
도 5는 일 실시예에 따른 제1 영상을 생성하는 과정을 설명하기 위한 도면이다. 도 5를 참조하면, 입력 영상(510)을 신경망(530)에 인가하여 제1 영상에 해당하는 디스턴스 필드 맵(550)을 생성하는 과정이 도시된다.
신경망(530)은 입력 영상(510)을 기반으로, 입력 영상(510)에 포함된 객체에 대응하는 방향성을 포함하는 제1 영상을 생성하도록 기 학습된 신경망일 수 있다. 신경망(530)은 많은 수의 인공 뉴런(노드)들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 학습 모델을 나타낼 수 있다. 신경망(530)은 인공 뉴런들을 통해 인간의 인지 작용을 수행할 수 있다. 신경망(530)은 예를 들어, 예를 들어, CNN(convolutional neural network), DNN(Deep Neural Network), RNN(recurrent neural network), 또는 BLSTM(Bidirectional Long Short Term Memory) 등과 같이 다양한 구조로 구현될 수 있다.
신경망(530)은 입력 영상(510)에 포함된 객체를 디스턴스 필드 맵(550) 형태로 추정할 수 있다. 예를 들어, 제1 영상이 디스턴스 필드 맵(550)과 같이 가까운 객체를 향하는 방향성 정보를 포함하는 경우, 그래디언트 디센트 기법 등을 활용 시 최적화의 방향성을 용이하게 결정할 수 있다. 또한, 디스턴스 필드 맵(550)과 같이 객체와 가까운 정도를 나타내는 확률의 분포가 영상의 전반에 걸쳐 있는 경우, 학습을 위한 데이터의 양을 늘릴 수 있으므로, 성긴 데이터(sparse data)에 의해 학습된 경우에 비해 신경망의 성능이 향상될 수 있다.
도 6은 일 실시예에 따라 측위 정보를 보정하는 방법을 설명하기 위한 도면이다. 도 6을 참조하면, 입력 영상(605), 제1 영상(610), 및 제2 영상(620)이 도시된다. 제1 영상(610)은 입력 영상(605)에 대응하여 생성될 수 있다. 또한, 제2 영상(620)은 맵 데이터에 기초하여, 초기 측위에 따른 측위 정보(x, y, z, rx, ry, rz)()에 따라 객체를 투영하여 생성한 영상일 수 있다.
측위 장치는 영상(630)과 같이 제1 영상(610)과 제2 영상(620)을 매칭하여 시각적 정렬의 정도를 예를 들어, 스코어(score )의 형태로 산출할 수 있다. 측위 장치는 예를 들어, 제1 영상(610)에 포함된 복수의 픽셀들 중 제2 영상(620)에 포함된 객체에 대응하는 픽셀들의 값을 합산하여 스코어의 형태로 산출할 수 있다.
예를 들어, 제1 영상(610)에 포함된 복수의 픽셀들은 인접 객체와의 거리에 따라 0에서 1 사이의 값을 가질 수 있다. 각 픽셀은 인접 객체와 가까울수록 1에 가까운 값을 가지고, 인접 객체와 멀수록 0에 가까운 값을 가질 수 있다. 측위 장치는 제1 영상(610)에 포함된 복수의 픽셀들 중 제2 영상(620)과 매칭되는 픽셀들을 추출하고, 추출된 픽셀들의 값들을 합산하여 스코어를 산출할 수 있다.
측위 장치는 제1 영상(610)의 방향성에 기초하여, 시각적 정렬의 정도, 다시 말해 스코어(score )가 증가되도록 측위 정보를 보정할 수 있다. 측위 장치는 제2 영상(620)에 포함된 객체의 측위가 제1 영상(610)의 방향성에 부합하도록 측위 보정치를 산출할 수 있다. 측위 장치는 측위 보정치를 초기 측위에 따른 측위 정보에 적용함으로써 측위 정보를 (640)으로 갱신할 수 있다. 예를 들어, 측위 장치는 제1 영상(610)에 포함된 방향성에 기초하여, 제2 영상(620)의 객체를 어느 방향으로 이동시켜야 스코어가 증가할지 여부를 판단할 수 있다. 측위 정보를 갱신하는 경우 제2 영상(620)의 객체가 이동하므로, 측위 장치는 제1 영상(610)에 포함된 방향성에 기초하여 측위 정보를 갱신할 수 있다.
측위 장치는 갱신된 측위 정보()에 따라 갱신된 제2 영상(650)을 생성할 수 있다. 측위 장치는 갱신된 제2 영상(650)과 제1 영상(610)을 매칭하여 스코어 을 산출할 수 있다.
측위 장치는 전술한 과정을 통해 스코어가 최대가 되도록 하는 측위 보정치를 산출하여 최종적으로 최적화된 측위 정보()를 출력할 수 있다.
도 7은 일 실시예에 따라 영상에 포함된 객체가 유형 별로 구분된 경우에 측위 정보를 보정하는 방법을 설명하기 위한 도면이다. 도 7의 (a)를 참조하면, 입력 영상에 포함되 객체가 유형 별로 구분되지 않은 경우가 도시된다.
예를 들어, 차선(710) 및 차선(730)은 제1 영상에 포함된 객체에 대응되고, 차선(720)은 제2 영상에 포함된다고 하자. 일 실시예에 따른 측위 장치는 제1 영상과 제2 영상을 매칭하여 산출한 시각적 정렬의 정도가 증가되도록 측위 정보를 보정할 수 있다. 하지만, 도 7의 (a)와 같이 각 객체의 유형이 구별되지 않는 경우, 측위 장치는 차선(720)을 차선(710)과 매칭시켜야 하는지 또는 차선(730)과 매칭시켜야 하는지 정확하게 파악할 수 없다. 이 경우, 측위 정보의 정확한 보정이 어려울 수 있다.
도 7의 (b)를 참조하면, 입력 영상에 포함된 객체가 유형 별로 구분된 경우가 도시된다. 제1 영상은 객체의 유형을 구분함으로써 객체의 유형 별로 방향성을 저장할 수 있다. 또한, 제2 영상은 객체의 유형을 구분함으로써 객체의 유형 별로 투영된 객체를 저장할 수 있다. 예를 들어, 차선(740) 및 차선(760)은 제1 영상에 포함된 객체에 대응될 수 있다. 차선(740)은 제1 유형(Type 1)에 해당하는 차선일 수 있고, 차선(760)은 제2 유형(Type 2)에 해당하는 차선일 수 있다. 또한, 차선(750)은 제2 영상에 포함되고, 제1 유형에 해당하는 차선이라고 하자.
도 7의 (b)와 같이 객체가 유형 별로 구분된 경우, 측위 장치는 제1 영상과 제2 영상을 매칭함으로써, 객체의 유형 별로 시각적 정렬의 정도를 산출할 수 있다. 측위 장치는 방향성에 기초하여, 유형 별 시각적 정렬의 정도가 증가되도록 측위 정보를 보정할 수 있다.
측위 장치는 예를 들어, 제1 유형에 해당하는 객체들(740, 750)의 대한 시각적 정렬의 정도를 산출하고, 방향성에 기초하여 제1 유형에 대응하는 시각적 정렬의 정도가 증가되도록 측위 정보를 보정할 수 있다. 측위 장치는 객체(750)이 객체(740)과 매칭되도록 측위 정보를 보정할 수 있다.
도 8은 일 실시예에 따른 학습 방법을 나타낸 흐름도이고, 도 9는 일 실시예에 따른 학습 과정을 설명하기 위한 도면이다. 도 8 및 도 9를 참조하면, 일 실시예에 따른 학습 장치가 증강 현실을 위한 측위 정보를 최적화하기 위해 입력 영상으로부터 제1 영상을 생성하는 신경망을 학습하는 과정이 도시된다.
학습 장치는 학습 영상(910)을 수신한다(810). 학습 영상(910)은 예를 들어, 차량의 주행 영상을 포함할 수 있다. 학습 영상(910)의 일 예시는 도 10의 학습 영상(1010)과 같다.
학습 장치는 학습 영상(910)을 위한 맵 데이터(940)에 기초하여, 학습 영상(910)에 포함된 객체에 대응하는 방향성을 포함하는 기준 영상(950)을 생성한다(820). 여기서, 방향성은 객체와 가까운 정도를 나타내는 확률의 분포에 대응할 수 있다. 기준 영상(950)은 정답(Ground Truth) 영상에 해당할 수 있다. 기준 영상(950)의 일 예시는 도 10의 영상(1030) 또는 영상(1040)과 같다.
학습 장치는 신경망(920)을 이용하여, 학습 영상(910)에 포함된 객체에 대응하는 방향성을 추론하는 추론 영상(930)을 생성한다(830). 신경망(920)은 예를 들어, 전술한 신경망(530)일 수 있다. 학습 장치가 추론 영상(930)을 생성하는 방법은 아래의 도 10을 참조하여 구체적으로 설명한다.
학습 장치는 기준 영상(950)과 추론 영상(930) 사이의 차이(손실(loss))(960))에 기초하여, 신경망(920)을 학습한다(840). 학습 장치는 기준 영상(950)과 추론 영상(930) 사이의 차이가 최소화되도록 신경망을 학습할 수 있다. 학습 장치는 예를 들어, 감독 학습(supervised learning)을 통해 신경망(920)을 학습할 수 있다. 학습 장치는 손실 역 전파 학습(back-propagation learning)을 통해 신경망(920)에 역전파되는 손실(960) 및 신경망(920)에 포함된 노드들의 출력 값에 기초한 그래디언트 디센트(gradient descent) 기법을 통하여, 신경망(920)을 갱신할 수 있다. 손실 역 전파 학습은 주어진 기준 영상(950)에 대해 포워드 계산(forward computation)을 통하여 손실(960)을 추정한 후, 신경망(920)의 출력 레이어에서 시작하여 히든 레이어 및 입력 레이어를 향하는 역 방향으로 추정한 손실을 전파하면서, 손실을 줄이는 방향으로 신경망(920)을 갱신하는 방법이다.
도 10은 일 실시예에 따른 학습을 위한 영상들을 설명하기 위한 도면이다. 도 10을 참조하면, 일 실시예에 따른 학습 영상(1010), 맵데이터 영상(1020), 기준 영상들(1030, 1040)이 도시된다.
일 실시예에 따른 학습 장치는 학습 영상(1010)으로부터 기준 영상(1030, 1040)을 추정할 수 있도록 신경망을 학습할 수 있다. 맵데이터 영상(1020)은 학습 영상(1010) 내 객체들을 이산적인(Discrete) 이진 값으로 표현하므로, 맵데이터 영상(1020)을 이용하는 경우, 학습 정보가 지나치게 희소(sparse)하여 학습이 잘되지 않을 수 있다. 따라서, 일 실시예에서는 기준 영상(1030, 1040)과 같은 디스턴스 필드 맵을 이용하여 학습을 수행할 수 있다. 디스턴스 필드 맵을 통해 희소한 학습 정보를 영상 전반에 확산시킬 수 있다. 디스턴스 필드 맵과 같이 학습 정보가 타겟 영상의 전반에 걸쳐 있는 경우, 풍분한 학습 정보에 의해 신경망의 학습이 용이할 수 있다.
실시예에 따라서, 디스턴스 필드에서 확산된 정보의 중요도를 조절함으로써, 맵데이터 영상(1020)으로부터 기준 영상(1030) 또는 기준 영상(1040)을 생성할 수 있다. 학습 장치는 예를 들어, e- 0.02d, (여기서, d는 객체에 해당하는 시드 픽셀과 해당 픽셀 간의 거리에 해당함)와 같이 디스턴스 필드에서 확산된 정보의 중요도를 조절할 수 있다.
도 11은 다른 실시예에 따른 측위 방법을 나타낸 흐름도이고, 도 12는 도 11에 따른 측위 갱신 과정을 설명하기 위한 도면이다. 도 11 및 도 12를 참조하면, 일 실시예에 따른 측위 장치는 입력 영상을 획득할 수 있다(1110). 입력 영상은 해당 장치의 현재 위치에 대응하는 영상일 수 있다.
측위 장치는 객체의 위치를 포함하는 맵 데이터를 수신(또는 획득)할 수 있다(1120). 측위 장치는 단계(1120)에서 획득한 맵 데이터에, 복수의 측위 후보(candidate localization) 정보를 적용(1140)함으로써 측위 후보 정보에 따라 객체가 투영된 제2 후보 영상들을 생성할 수 있다(1150). 측위 장치는 예를 들어, 도 12에 도시된 제1 후보 영상(1210) 및 제2 후보 영상(1220)과 같이 측위 후보 정보가 적용된 제2 후보 영상들을 생성할 수 있다.
측위 장치는 입력 영상과 제2 후보 영상들 사이의 시각적 정렬을 스코어링(scoring)할 수 있다(1130). 이때, 측위 장치는 입력 영상과 제2 후보 영상들 간의 시각적 정렬 정도를 스코어로 표현할 수 있다. 예를 들어, 입력 영상과 제1 후보 영상(1210) 간의 스코어는 0.43이고, 입력 영상과 제2 후보 영상(1210) 간의 스코어는 0.98일 수 있다.
측위 장치는 단계(1130)에서 출력된 스코어들 중 가장 높은 스코어 값을 가지는 베스트 스코어(best score)를 검색(search)할 수 있다(1160). 측위 장치를 예를 들어, 도 12에 도시된 스코어들(0.43 및 0.98) 중 베스트 스코어인 0.98을 검색할 수 있다. 측위 장치는 단계(1160)에서 검색한 베스트 스코어에 대응하는 측위 후보를 선택함으로써, 측위 정보를 갱신할 수 있다(1170).
도 13은 또 다른 실시예에 따른 측위 방법을 나타낸 흐름도이다. 도 13을 참조하면, 측위 장치는 측위 후보에 대한 시각적 정렬을 스코어링(1360) 하기에 앞서, 객체 추정(1330)을 통하여 입력 영상으로부터 제1 영상(예를 들어, 디스턴스 필드 맵)을 생성할 수 있다. 측위 장치는 제1 영상과 제2 후보 영상들 사이의 스코어들을 산출할 수 있다.
도 14는 일 실시예에 따른 측위 장치의 블록도이다. 도 14를 참조하면, 일 실시예에 따른 측위 장치(1400)는 센서들(1410), 및 프로세서(1430)를 포함한다. 측위 장치(1400)는 메모리(1450), 통신 인터페이스(1470) 및 디스플레이 장치(1490)를 더 포함할 수 있다. 센서들(1410), 프로세서(1430), 메모리(1450), 통신 인터페이스(1470) 및 디스플레이 장치(1490)는 통신 버스(1405)를 통해 서로 연결될 수 있다.
센서(들)(1410)은 예를 들어, 이미지 센서, 비전 센서, 가속도 센서, 자이로 센서, GPS(Global Positioning System) 센서, IMU(Inertial Measurement Unit) 센서, 레이더(Radar), 라이다(Lidar) 등을 포함할 수 있다. 센서(들)(1410)은 차량의 주행 영상을 포함하는 입력 영상을 획득(촬영)할 수 있다. 센서(들)(1110)은 예를 들어, 차량의 GPS 좌표, 위치, 자세 등과 같은 측위 정보 이외에도, 속도, 가속도, 주행 방향, 차량의 핸들 조향 각도, 및 차량의 속도 등의 센싱 정보를 감지할 수 있다.
프로세서(1430)는 입력 영상에 포함된 객체에 대응하는 방향성을 포함하는 제1 영상을 생성한다. 프로세서(1430)는 객체의 위치를 포함하는 맵 데이터에 기초하여, 측위 정보에 따라 객체가 투영된 제2 영상을 생성한다. 프로세서(1430)는 제1 영상과 제2 영상 사이의 시각적 정렬에 기초하여, 측위 정보를 보정한다.
실시예에 따라서, 측위 장치(1400)는 통신 인터페이스(1470)를 통해 입력 영상을 포함하는 다양한 센서들의 센싱 정보를 획득할 수 있다. 실시예에 따라서, 통신 인터페이스(1470)는 측위 장치(1400)의 외부에 존재하는 다른 센서들로부터 주행 영상을 포함하는 센싱 정보를 수신할 수 있다.
프로세서(1430)는 통신 인터페이스(1470) 및/또는 디스플레이 장치(1490)를 통해 보정된 측위 정보를 출력하거나, 또는 보정된 측위 정보에 기초하여 맵 데이터 상에 가상 객체를 입력 영상과 함께 표시함으로써 증강 현실 서비스를 제공할 수 있다. 또한, 프로세서(1430)는 도 1 내지 도 13을 통해 전술한 적어도 하나의 방법 또는 적어도 하나의 방법에 대응되는 알고리즘을 수행할 수 있다
프로세서((1430)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(1430)는 프로그램을 실행하고, 측위 장치(1400)를 제어할 수 있다. 프로세서(1430)에 의하여 실행되는 프로그램 코드는 메모리(1450)에 저장될 수 있다.
메모리(1450)는 측위 장치(1400)의 측위 정보, 제1 영상, 제2 영상 및/또는 보정된 측위 정보를 저장할 수 있다. 메모리(1450)는 상술한 프로세서(1430)에서의 처리 과정에서 생성되는 다양한 정보들을 저장할 수 있다. 이 밖에도, 메모리(1450)는 각종 데이터와 프로그램 등을 저장할 수 있다. 메모리(1450)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(1450)는 하드 디스크 등과 같은 대용량 저장 매체를 구비하여 각종 데이터를 저장할 수 있다.
디스플레이 장치(1490)는 프로세서(1430)에 의해 보정된 측위 정보를 출력하거나, 또는 보정된 측위 정보에 기초하여 맵 데이터 상에 가상 객체를 입력 영상과 함께 표시할 수 있다.
일 실시예에 따른 측위 장치는 예를 들어, 헤드-업-디스플레이(HUD), 또는 증강 현실 글래스(AR Glasses) 등과 같이 촬영 장치와 측위 장치 간의 시점이 동일하지 않은 경우라도, 촬영 장치를 기반으로 전술한 측위 방법을 수행한 결과를 이용하여 측위 장치의 3D 측위 정보를 갱신함으로써 시점에 독립적인 수행이 가능하다. 또한, 일 실시예에 따른 측위 장치는 이동 단말 또는 스마트 폰과 같이 촬영 장치와 측위 장치의 시점이 동일한 경우, 3D 측위 정보를 갱신하는 것이 가능함은 물론, 추가적으로 영상 내에서 직접 2D 위치를 보정하는 용도로도 사용할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (26)

  1. 장치의 위치 및 상기 장치의 자세를 포함하는 상기 장치의 측위 정보를 획득하는 단계;
    입력 영상에 포함된 객체(object)에 대응하는 방향성(directional characteristics)을 포함하는 제1 영상을 생성하는 단계;
    상기 객체의 위치를 포함하는 맵 데이터에 기초하여, 상기 측위 정보에 따라 상기 객체가 투영된 제2 영상을 생성하는 단계; 및
    상기 제1 영상과 상기 제2 영상 사이의 시각적 정렬(visual alignment)에 기초하여, 상기 측위 정보를 보정하는 단계
    를 포함하고,
    상기 제2 영상을 생성하는 단계는
    상기 맵 데이터 상의 위치에 가상 카메라를 배치하는 단계;
    상기 장치의 자세에 기초하여 상기 가상 카메라의 자세를 조정하는 단계; 및
    상기 가상 카메라에서 상기 객체를 바라보는 시점의 상기 제2 영상을 생성하는 단계
    를 포함하고,
    상기 제1 영상은 상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 방향성을 저장하고,
    상기 제2 영상은 상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 투영된 객체를 저장하며,
    상기 측위 정보를 보정하는 단계는
    상기 제1 영상과 상기 제2 영상을 매칭함으로써, 상기 객체의 유형 별로 시각적 정렬의 정도를 산출하는 단계; 및
    상기 방향성에 기초하여, 상기 유형 별 시각적 정렬의 정도가 증가되도록 상기 측위 정보를 보정하는 단계
    를 포함하는, 측위 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 방향성은
    상기 객체와 가까운 정도를 나타내는 확률의 분포에 대응하는, 측위 방법.
  4. 제1항에 있어서,
    제1 센서의 출력에 기초하여 상기 입력 영상을 획득하는 단계
    를 더 포함하고,
    상기 측위 정보를 획득하는 단계는
    제2 센서의 출력에 기초하여 상기 측위 정보를 획득하는 단계
    를 포함하는, 측위 방법.
  5. 제1항에 있어서,
    증강 현실 서비스를 위하여 상기 맵 데이터 상에서 가상 객체를 결정하는 단계; 및
    상기 보정된 측위 정보에 기초하여, 상기 가상 객체를 상기 입력 영상과 함께 표시하는 단계
    를 더 포함하는, 측위 방법.
  6. 제5항에 있어서,
    상기 가상 객체는
    주행 경로 정보를 나타내는, 측위 방법.
  7. 제1항에 있어서,
    상기 제1 영상을 생성하는 단계는
    기 학습된 신경망을 이용하여, 상기 방향성을 나타내는 확률 맵을 생성하는 단계
    를 포함하는, 측위 방법.
  8. 제7항에 있어서,
    상기 확률 맵에 포함된 픽셀들 각각은,
    해당하는 픽셀로부터 가장 가까운 시드 픽셀(seed pixel)까지의 거리를 저장하는, 측위 방법.
  9. 제1항에 있어서,
    상기 제2 영상을 생성하는 단계는
    상기 맵 데이터의 좌표계를 상기 제2 영상의 좌표계로 변환하는 변환기를 이용하여, 상기 제2 영상을 생성하는 단계
    를 포함하는, 측위 방법.
  10. 제1항에 있어서,
    상기 측위 정보는 6 자유도(DoF)를 가지는, 측위 방법.
  11. 제1항에 있어서,
    상기 측위 정보를 보정하는 단계는
    상기 제1 영상과 상기 제2 영상을 매칭함으로써, 상기 시각적 정렬의 정도(degree of the visual alignment)를 산출하는 단계; 및
    상기 방향성에 기초하여, 상기 시각적 정렬의 정도가 증가되도록 상기 측위 정보를 보정하는 단계
    를 포함하는, 측위 방법.
  12. 제11항에 있어서,
    상기 시각적 정렬의 정도를 산출하는 단계는
    상기 제1 영상에 포함된 복수의 픽셀들 중 상기 제2 영상에 포함된 객체에 대응하는 픽셀들의 값을 합산하는 단계
    를 포함하는, 측위 방법.
  13. 제11항에 있어서,
    상기 방향성에 기초하여, 상기 측위 정보를 보정하는 단계는
    상기 제2 영상에 포함된 객체가 상기 방향성에 따라 변환되도록, 상기 측위 정보를 보정하는 단계
    를 포함하는, 측위 방법.
  14. 삭제
  15. 삭제
  16. 제1항에 있어서,
    상기 입력 영상은 차량의 주행 영상을 포함하는, 측위 방법.
  17. 제1항에 있어서,
    상기 객체는
    차선, 도로 노면 표지, 신호등, 표지판, 연석, 및 구조물 중 적어도 하나를 포함하는, 측위 방법.
  18. 학습 영상을 수신하는 단계;
    상기 학습 영상을 위한 맵 데이터에 기초하여, 상기 학습 영상에 포함된 객체에 대응하는 방향성을 포함하는 기준 영상을 생성하는 단계;
    신경망을 이용하여, 상기 학습 영상에 포함된 객체에 대응하는 방향성을 추론하는 추론 영상을 생성하는 단계; 및
    상기 기준 영상과 상기 추론 영상 사이의 차이에 기초하여, 상기 신경망을 학습하는 단계
    를 포함하고,
    상기 기준 영상과 상기 추론 영상 각각에 대해,
    상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 방향성을 저장하고,
    상기 학습하는 단계는
    상기 기준 영상과 상기 추론 영상 사이의 유형 별 차이에 기초하여 상기 신경망을 학습하는 단계
    를 포함하는, 학습 방법.
  19. 제18항에 있어서,
    상기 방향성은
    상기 객체와 가까운 정도를 나타내는 확률의 분포에 대응하는, 학습 방법.
  20. 제18항에 있어서,
    상기 기준 영상 및 상기 추론 영상에 포함된 픽셀들 각각은
    해당하는 픽셀로부터 가장 가까운 시드 픽셀까지의 거리를 저장하는, 학습 방법.
  21. 삭제
  22. 삭제
  23. 제18항에 있어서,
    상기 학습 영상은 차량의 주행 영상을 포함하는, 학습 방법.
  24. 제18항에 있어서,
    상기 객체는
    차선, 도로 노면 표지, 신호등, 표지판, 연석, 및 구조물 중 적어도 하나를 포함하는, 학습 방법.
  25. 하드웨어와 결합되어 제1항, 제3항 내지 13항, 제16항 내지 제20항, 및 제23항 내지 제24항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  26. 장치의 위치 및 상기 장치의 자세를 포함하는 상기 장치의 측위 정보 및 입력 영상을 획득하는 센서들; 및
    상기 입력 영상에 포함된 객체에 대응하는 방향성을 포함하는 제1 영상을 생성하고, 상기 객체의 위치를 포함하는 맵 데이터에 기초하여, 상기 측위 정보에 따라 상기 객체가 투영된 제2 영상을 생성하며, 상기 제1 영상과 상기 제2 영상 사이의 시각적 정렬에 기초하여, 상기 측위 정보를 보정하는 프로세서
    를 포함하고,
    상기 프로세서는
    상기 맵 데이터 상의 위치에 가상 카메라를 배치하고, 상기 장치의 자세에 기초하여 상기 가상 카메라의 자세를 조정하고, 상기 가상 카메라에서 상기 객체를 바라보는 시점의 상기 제2 영상을 생성하며,
    상기 제1 영상은 상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 방향성을 저장하고,
    상기 제2 영상은 상기 객체의 유형을 구분함으로써 상기 객체의 유형 별로 투영된 객체를 저장하며,
    상기 프로세서는
    상기 제1 영상과 상기 제2 영상을 매칭함으로써, 상기 객체의 유형 별로 시각적 정렬의 정도를 산출하고, 상기 방향성에 기초하여, 상기 유형 별 시각적 정렬의 정도가 증가되도록 상기 측위 정보를 보정하는, 측위 장치.
KR1020180108252A 2018-09-11 2018-09-11 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치 KR102682524B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020180108252A KR102682524B1 (ko) 2018-09-11 2018-09-11 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치
US16/259,420 US11037368B2 (en) 2018-09-11 2019-01-28 Localization method and apparatus of displaying virtual object in augmented reality
CN201910241914.XA CN110889872B (zh) 2018-09-11 2019-03-27 在增强现实中显示虚拟对象的定位方法和装置
JP2019077030A JP7269082B2 (ja) 2018-09-11 2019-04-15 拡張現実で仮想オブジェクトを表示するための測位方法及び装置
EP19185859.6A EP3623761B1 (en) 2018-09-11 2019-07-11 Localization method and apparatus of displaying virtual object in augmented reality
US17/335,199 US11842447B2 (en) 2018-09-11 2021-06-01 Localization method and apparatus of displaying virtual object in augmented reality

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180108252A KR102682524B1 (ko) 2018-09-11 2018-09-11 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200029785A KR20200029785A (ko) 2020-03-19
KR102682524B1 true KR102682524B1 (ko) 2024-07-08

Family

ID=67253823

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180108252A KR102682524B1 (ko) 2018-09-11 2018-09-11 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치

Country Status (5)

Country Link
US (2) US11037368B2 (ko)
EP (1) EP3623761B1 (ko)
JP (1) JP7269082B2 (ko)
KR (1) KR102682524B1 (ko)
CN (1) CN110889872B (ko)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3015658A1 (en) 2016-03-11 2017-09-14 Magic Leap, Inc. Structure learning in convolutional neural networks
JP6772944B2 (ja) 2017-04-19 2020-10-21 トヨタ自動車株式会社 自動運転システム
JP6847885B2 (ja) * 2018-03-20 2021-03-24 株式会社東芝 情報処理装置、情報処理方法及びプログラム
KR102627453B1 (ko) * 2018-10-17 2024-01-19 삼성전자주식회사 위치 추정 장치 및 방법
US10824151B2 (en) * 2019-01-31 2020-11-03 StradVision, Inc. Method and device for providing personalized and calibrated adaptive deep learning model for the user of an autonomous vehicle
EP3973468A4 (en) 2019-05-21 2022-09-14 Magic Leap, Inc. HANDPOSITION ESTIMATING
US11829128B2 (en) 2019-10-23 2023-11-28 GM Global Technology Operations LLC Perception system diagnosis using predicted sensor data and perception results
CN111459269B (zh) * 2020-03-24 2020-12-01 视辰信息科技(上海)有限公司 一种增强现实显示方法、系统及计算机可读存储介质
IT202000006472A1 (it) * 2020-03-27 2021-09-27 Invisible Cities S R L Sistema configurato per associare uno scenario virtuale ad uno scenario reale durante il movimento di un veicolo all’interno di una area geografica di interesse.
GB2594249B (en) * 2020-04-20 2024-05-29 Continental Autonomous Mobility Germany GmbH Method for creating a virtual environment reconstruction of an actual location
CN111623795B (zh) * 2020-05-28 2022-04-15 阿波罗智联(北京)科技有限公司 实景导航图标显示方法、装置、设备和介质
GB202013100D0 (en) * 2020-08-21 2020-10-07 Five Ai Ltd Image annotation tools
CN112781620B (zh) * 2020-12-30 2022-03-18 东风汽车集团有限公司 一种基于高精度地图系统的ar-hud影像标定调整系统及方法
US11590423B2 (en) 2021-03-29 2023-02-28 Niantic, Inc. Multi-user route tracking in an augmented reality environment
CN113434620A (zh) * 2021-06-25 2021-09-24 阿波罗智联(北京)科技有限公司 显示方法、装置、设备、存储介质以及计算机程序产品
CN113566847B (zh) * 2021-07-22 2022-10-11 北京百度网讯科技有限公司 导航校准方法和装置、电子设备、计算机可读介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169300A1 (en) * 2015-12-15 2017-06-15 Honda Motor Co., Ltd. System and method for image based vehicle localization

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPS123702A0 (en) * 2002-03-22 2002-04-18 Nahla, Ibrahim S. Mr The train navigtion and control system (TNCS) for multiple tracks
US7224831B2 (en) * 2004-02-17 2007-05-29 Honda Motor Co. Method, apparatus and program for detecting an object
US8195386B2 (en) 2004-09-28 2012-06-05 National University Corporation Kumamoto University Movable-body navigation information display method and movable-body navigation information display unit
KR100774591B1 (ko) 2006-03-31 2007-11-09 (주)더싸인 네비게이션 시스템 및 이를 이용한 네비게이션 방법
AU2009211435A1 (en) * 2008-02-04 2009-08-13 Tele Atlas B.V. Method for map matching with sensor detected objects
US8237791B2 (en) * 2008-03-19 2012-08-07 Microsoft Corporation Visualizing camera feeds on a map
US8711206B2 (en) 2011-01-31 2014-04-29 Microsoft Corporation Mobile camera localization using depth maps
US20120300020A1 (en) * 2011-05-27 2012-11-29 Qualcomm Incorporated Real-time self-localization from panoramic images
US9047376B2 (en) * 2012-05-01 2015-06-02 Hulu, LLC Augmenting video with facial recognition
JP5968064B2 (ja) 2012-05-08 2016-08-10 アルパイン株式会社 走行レーン認識装置および走行レーン認識方法
JP5805619B2 (ja) * 2012-12-26 2015-11-04 株式会社日本自動車部品総合研究所 境界線認識装置
US20140323148A1 (en) 2013-04-30 2014-10-30 Qualcomm Incorporated Wide area localization from slam maps
KR102020629B1 (ko) 2013-05-09 2019-11-04 현대모비스 주식회사 증강 현실을 이용하여 헤드업 디스플레이 향상 방법 및 시스템
US9524434B2 (en) 2013-10-04 2016-12-20 Qualcomm Incorporated Object tracking based on dynamically built environment map data
JP6368149B2 (ja) * 2014-06-04 2018-08-01 キヤノン株式会社 画像伝送システム、画像処理装置、画像蓄積装置、及びそれらの制御方法
KR101610502B1 (ko) * 2014-09-02 2016-04-07 현대자동차주식회사 자율주행차량의 주행환경 인식장치 및 방법
US11370422B2 (en) * 2015-02-12 2022-06-28 Honda Research Institute Europe Gmbh Method and system in a vehicle for improving prediction results of an advantageous driver assistant system
JP6393214B2 (ja) 2015-03-03 2018-09-19 アルパイン株式会社 車線認識システム及びコンピュータプログラム
JP6550819B2 (ja) * 2015-03-19 2019-07-31 富士ゼロックス株式会社 選択支援装置及びプログラム
US9852547B2 (en) * 2015-03-23 2017-12-26 International Business Machines Corporation Path visualization for augmented reality display device based on received data and probabilistic analysis
EP3078935A1 (en) 2015-04-10 2016-10-12 The European Atomic Energy Community (EURATOM), represented by the European Commission Method and device for real-time mapping and localization
US20160358383A1 (en) * 2015-06-05 2016-12-08 Steffen Gauglitz Systems and methods for augmented reality-based remote collaboration
JP6865175B2 (ja) * 2015-08-15 2021-04-28 グーグル エルエルシーＧｏｏｇｌｅ ＬＬＣ 実在オブジェクトおよび仮想オブジェクトと対話するための生体力学に基づく視覚信号用のシステムおよび方法
JP6769440B2 (ja) * 2015-09-18 2020-10-14 ソニー株式会社 画像処理装置、画像処理方法、プログラムおよび撮像システム
US10540768B2 (en) * 2015-09-30 2020-01-21 Samsung Electronics Co., Ltd. Apparatus and method to segment object from image
US9630619B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Robotic vehicle active safety systems and methods
US9740944B2 (en) * 2015-12-18 2017-08-22 Ford Global Technologies, Llc Virtual sensor data generation for wheel stop detection
US20170206426A1 (en) * 2016-01-15 2017-07-20 Ford Global Technologies, Llc Pedestrian Detection With Saliency Maps
CN105676253B (zh) * 2016-01-15 2019-01-01 武汉光庭科技有限公司 一种自动驾驶中基于城市道路标线地图的纵向定位系统及其方法
US10325363B2 (en) * 2016-01-15 2019-06-18 Instrumental, Inc. Methods for automatically generating a common measurement across multiple assembly units
CN106127120B (zh) * 2016-06-16 2018-03-13 北京市商汤科技开发有限公司 姿势估计方法和装置、计算机系统
US10229215B2 (en) * 2016-09-26 2019-03-12 Disney Enterprises, Inc. Visualisation and navigation of transmedia content data
CN108121764B (zh) * 2016-11-26 2022-03-11 星克跃尔株式会社 图像处理装置、图像处理方法、电脑程序及电脑可读取记录介质
JP6669059B2 (ja) 2016-12-27 2020-03-18 トヨタ自動車株式会社 位置算出装置
US10452927B2 (en) * 2017-08-09 2019-10-22 Ydrive, Inc. Object localization within a semantic domain
US10540589B2 (en) * 2017-10-24 2020-01-21 Deep North, Inc. Image quality assessment using similar scenes as reference
US10763989B2 (en) * 2018-10-16 2020-09-01 Nec Corporation Machine learning based classification of higher-order spatial modes

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169300A1 (en) * 2015-12-15 2017-06-15 Honda Motor Co., Ltd. System and method for image based vehicle localization

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Rodrigo F. Berriel, "Heading Direction Estimation Using Deep Learning with Automatic Large-scale Data Acquisition", 2018 International Joint Conference on Neural Networks (2018.07.08-13.)*

Also Published As

Publication number Publication date
JP2020042002A (ja) 2020-03-19
EP3623761B1 (en) 2022-03-23
CN110889872A (zh) 2020-03-17
JP7269082B2 (ja) 2023-05-08
US20210287438A1 (en) 2021-09-16
US11842447B2 (en) 2023-12-12
US20200082621A1 (en) 2020-03-12
US11037368B2 (en) 2021-06-15
EP3623761A1 (en) 2020-03-18
CN110889872B (zh) 2024-09-13
KR20200029785A (ko) 2020-03-19

Similar Documents

Publication Publication Date Title
KR102682524B1 (ko) 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치
US11436743B2 (en) Systems and methods for semi-supervised depth estimation according to an arbitrary camera
US11676296B2 (en) Augmenting reality using semantic segmentation
US10331957B2 (en) Method, apparatus, and system for vanishing point/horizon estimation using lane models
US10437252B1 (en) High-precision multi-layer visual and semantic map for autonomous driving
US10794710B1 (en) High-precision multi-layer visual and semantic map by autonomous units
CN113916242B (zh) 车道定位方法和装置、存储介质及电子设备
US11176719B2 (en) Method and apparatus for localization based on images and map data
CN110388931A (zh) 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法
CN109725634A (zh) 用于自动驾驶车辆的使用分色镜的3d lidar系统
US11138465B2 (en) Systems and methods for transforming coordinates between distorted and undistorted coordinate systems
US20170359561A1 (en) Disparity mapping for an autonomous vehicle
US11727169B2 (en) Systems and methods for inferring simulated data
CN110895826A (zh) 图像处理的训练数据生成方法、图像处理方法及其装置
CN102208036A (zh) 车辆位置检测系统
KR20200071293A (ko) 3차원 컬러 맵 기반의 측위 방법 및 장치
US11652972B2 (en) Systems and methods for self-supervised depth estimation according to an arbitrary camera
KR102373492B1 (ko) 자체적으로 생성된 정보 및 다른 개체에 의해 생성된 정보를 선택적으로 사용하여 카메라의 오정렬을 보정하는 방법 및 이를 이용한 장치
US11976939B2 (en) High-definition maps and localization for road vehicles
US11238292B2 (en) Systems and methods for determining the direction of an object in an image
KR102686274B1 (ko) 시맨틱 분할 이미지 및 시맨틱 포인트 클라우드 맵 기반의 전체론적 매칭을 통한 위치 추정 장치 및 방법
US20240119857A1 (en) Systems and methods for training a scene simulator using real and simulated agent data
WO2024155850A1 (en) Systems and methods for performing autonomous navigation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant