Core Concepts
비 내리는 환경에서 다양한 시각 오도메트리 방법들의 성능을 평가하고, 강건한 자율주행을 위한 방향을 제시한다.
Abstract
이 논문은 비 내리는 환경에서 자율주행을 위한 시각 오도메트리 방법들을 평가한다. 다양한 시각 오도메트리 알고리즘들, including DROID-SLAM 기반 启发式 접근법, 을 비 내리는 날씨와 맑은 날씨 데이터에서 테스트하여 강건성을 평가했다. 옥스포드 Robotcar, 4Seasons, 싱가포르 내부 데이터셋을 활용하여 다양한 비 내리는 환경을 포함하는 데이터셋을 구축했다. 모노큘러와 스테레오 카메라 설정에 대해 절대 궤적 오차(ATE)를 사용하여 평가했다. 평가 결과, 모노큘러 설정에서는 DF-VO 알고리즘이 단거리(< 500m)에서 가장 좋은 성능을 보였고, 스테레오 설정에서는 제안한 DROID-SLAM 기반 启发式 접근법이 장기 위치 추정에서 비교적 잘 수행했다. 두 VO 알고리즘 모두 비 내리는 환경에서 센서 융합 기반 접근법이 필요함을 시사했다.
Stats
비 내리는 환경에서 시각 오도메트리 알고리즘의 성능이 크게 저하된다.
모노큘러 설정에서 DF-VO 알고리즘이 단거리(< 500m)에서 가장 좋은 성능을 보였다.
스테레오 설정에서 제안한 DROID-SLAM 기반 启发式 접근법이 장기 위치 추정에서 비교적 잘 수행했다.
비 내리는 환경에서 센서 융합 기반 접근법이 필요하다.
Quotes
"비 내리는 환경에서 시각 데이터가 쉽게 손상될 수 있다. 비로 인한 카메라 렌즈의 빗방울 및 비 줄무늬로 인해 배경 물체의 가시성이 저하되며, 렌즈 플레어 현상도 발생한다."
"이러한 악천후 효과는 맑은 날씨 조건에서 설계 및 학습된 시각 오도메트리 알고리즘의 성능을 크게 저하시킬 수 있다."