KR102319015B1 - 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치 - Google Patents

정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치 Download PDF

Info

Publication number
KR102319015B1
KR102319015B1 KR1020200043273A KR20200043273A KR102319015B1 KR 102319015 B1 KR102319015 B1 KR 102319015B1 KR 1020200043273 A KR1020200043273 A KR 1020200043273A KR 20200043273 A KR20200043273 A KR 20200043273A KR 102319015 B1 KR102319015 B1 KR 102319015B1
Authority
KR
South Korea
Prior art keywords
kernel
inference
occupancy
bandwidth
matrix
Prior art date
Application number
KR1020200043273A
Other languages
English (en)
Other versions
KR20210125732A (ko
Inventor
윤성의
문보창
권용선
Original Assignee
한국과학기술원
광주과학기술원
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 한국과학기술원, 광주과학기술원 filed Critical 한국과학기술원
Priority to KR1020200043273A priority Critical patent/KR102319015B1/ko
Publication of KR20210125732A publication Critical patent/KR20210125732A/ko
Application granted granted Critical
Publication of KR102319015B1 publication Critical patent/KR102319015B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Educational Technology (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치가 제시된다. 본 발명에서 제안하는 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법은 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 단계, 추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 단계, 계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화하는 단계 및 최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정하는 단계를 포함한다.

Description

정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치{Method and Apparatus for Adaptive Kernel Inference for Dense and Sharp Occupancy Grids}
본 발명은 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치에 관한 것이다.
자율항법 등 다양한 로봇 애플리케이션이 자동으로 작업을 수행하려면 주변 환경에 대한 수준 높은 이해가 필요하다. 주변 환경의 일부 기하 정보는 잘 알려진 센서(예를 들어, 라이다)를 사용하여 점군(point cloud) 형태로 포착되는 경우가 많다.
점유 지도를 구성하는 것은 부분 데이터로부터 환경의 기하학을 표현하기 위한 효과적인 수단으로 널리 이용되어 왔다. 예를 들어, 점유 그리드, 트리 기반 구조는 센서 데이터와 독립적으로 계산되는 복수의 셀로 환경을 구분하여 환경을 비슷하게 했다. 이러한 간단한 표현으로 실시간 불분명한 환경을 업데이트할 수 있지만, 그러한 그리드 기반 지도의 해상도는 셀의 작은 크기, 즉 그 불분명한 오류를 줄일 수 있도록 높아야 한다. 그러나 이 경우 희소 점군은 문제성 구멍, 즉 결과 지도에서 일부 셀에서 데이터 점 없음으로 이어질 수 있다.
학습 기반 접근법은 관찰된 지점의 간격 문제를 다루면서 지도를 재구성했다. 그 아이디어는 점 샘플들 사이의 공간적 상관관계를 이용하여 측정되지 않은 지역에서 점유 상태를 예측하는 것이다. 그러나 이러한 학습 기반 방법은 그리드 기반 접근법에 비해 처리하기 어려운 계산 오버헤드를 겪는다. 최근 Doherty는 연산 비용이 절감된 정밀한 점유 지도를 재구성하는 Bayesian 비모수 커널 추론 모델을 제안했다. 그럼에도 불구하고, 동일한 등방성(isotropic) 대역폭을 커널에서 공유하는 것은 불균일하게 분포된 데이터에서 효과적일 수 있다. 결과적으로 센서 데이터의 간격과 분포에 따라 이전 접근방식은 잘못된 점유 표현 또는 지원되지 않는 영역을 야기할 수 있다.
희소성을 갖는 센서 데이터에서 고밀도 점유 지도를 재구성하기 위해 기계 학습 기법에 기초한 점유 지도가 연구되었다. 예를 들어, O'Callaghan과 Ramos는 점유 매핑 문제에 대한 비모수 가우시안 프로세스 회귀 분석을 제안했다. Ramos와 Ott는 확률적 경사도를 가진 로지스틱 분류기를 사용하는 파라메트릭 모델을 설계했다. 이러한 모델은 학습 접근법의 효과를 보여주었고, 동시에 즉각적인 매핑 시나리오에는 높은 계산이 요구된다.
높은 추정 정확도를 유지하면서 계산 부담을 줄이기 위해 학습 기반 접근법이 개선되었다. Doherty는 Hilbert 지도를 사용하여 중복되는 스캔 데이터를 결합하는 증분 매핑을 제시했다. Guizilini와 Ramos는 대규모 데이터를 효율적으로 처리할 수 있도록 센서 측정에서 형상 벡터를 자동으로 선택하는 방법을 도입했다. 또한, Zhi는 현지 모델을 글로벌 모델로 융합하여 Bayesian Hilbert 지도의 처리 속도를 향상시켰다. 이러한 분류기 모델은 성능 향상을 달성했지만 불확실한 영역을 나타내는 데는 관심이 없었다.
분류 모델에 비해 가우시안 프로세스 회귀 분석과 같은 비모수 모델은 추정의 불확실성을 제공한다. 예를 들어, Kim과 Kim은 분할된 훈련 서브셋을 이용하여 희박한 가우시안 프로세스 모델을 교육하는 기법을 제안했다. Wang과 Englot는 가우시안 프로세스 모델의 또 다른 국부적 근사치를 도입했으며, 훈련과 시험 데이터를 국부적으로 연결된 서브셋으로 분리하여 병렬 컴퓨팅을 통해 상당한 성능 향상을 달성했다.
최근 Doherty는 점유 그리드에서 점진적으로 추정 결과를 업데이트하기 위한 Bayesian 비모수 커널 추론 모델을 제안했다. 이 연구는 전 세계적으로 대역폭 행렬을 공유하는 등방성 커널 추론을 사용하여 실시간 성능을 보여주었다.
본 발명에서는, 컴퓨터 효율을 유지하면서, 각 커널의 대역폭 행렬이 국소적으로 변화하여 점유율을 견고하게 추정하는 등방성 커널 추론을 가능하게 하는 기법을 제안한다.
본 발명이 이루고자 하는 기술적 과제는 희소성을 갖는 센서 데이터로부터 측정되지 않은 영역의 점유 상태를 예측하기 위한 방법 및 장치를 제공하는데 있다. 고품질의 점유 지도를 추정하기 위해, 다변수 커널 추정기를 조정하여 그 커널이 데이터 중심 방식으로 최적화될 수 있도록 하는 방법 및 장치를 제안한다.
일 측면에 있어서, 본 발명에서 제안하는 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법은 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 단계, 추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 단계, 계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화하는 단계 및 최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정하는 단계를 포함한다.
센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 단계는 센서에 의해 측정된 희소성을 갖는 센서 측정값에서 점유 샘플을 추출하고, 센서 원점을 점군의 각 히트 포인트(hit point)까지 가로지르는 센서 라인의 여유 공간에서 센서 원점과 히트 포인트 사이의 보간점을 여유 샘플로 활용한다.
추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 단계는 계산된 공분산이 이방성 커널의 크기를 조정하고 양성(positive) 샘플 근처로 편중되도록 하기 위해 미리 정해진 범위 내의 주변 샘플이 커널 추정치 하의 점유 샘플과 동일한 점유 상태를 갖도록 양성 샘플이 존재하는 영역에서만 공분산 행렬을 계산한다.
계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화하는 단계는 양성 샘플의 영역에서만 계산된 공분산 행렬의 오류를 제거하기 위해 주변 샘플 지점에서 커널의 추정 오류를 제거하기 위한 최적화 기법을 설계한 후, 최적화 기법에 따라 커널을 최소화한다.
최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정하는 단계는 최적화된 커널 추론 범위 내의 주변 샘플에 대한 최대 대역폭을 찾고, 계산된 최대 대역폭에 기초하여 최종적으로 해당 샘플에 대해 최적화된 대역폭을 최종 대역폭 행렬로 선정한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 정밀 점유 지도 작성을 위한 적응형 커널 추론 장치는 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 데이터 추출부, 추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 계산부, 계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화하는 커널 추론 범위 최적화부 및 최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정하는 최종 대역폭 행렬 선택부를 포함한다.
본 발명의 실시예들에 따르면 희소성을 갖는 센서 데이터로부터 측정되지 않은 영역의 점유 상태를 예측할 수 있다. 또한, 고품질의 점유 지도를 추정하기 위해, 다변수 커널 추정기를 조정하여 그 커널이 데이터 중심 방식으로 최적화될 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 등방성 및 이방성 커널 추론을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 적응형 커널 대역폭 행렬 선택 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 다양한 인접 샘플을 사용하여 커널 모양을 조정하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 정밀 점유 지도 작성을 위한 적응형 커널 추론 장치의 구성을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 커널 추론 모델의 정량적 및 정성적 실험 결과를 나타내는 도면이다.
본 발명에서는 간단하지만 효과적인 기술인 AKIMap을 제안하여 정확하고 정밀한 점유 그리드를 재구성하기 위해 적응형 커널 추론 모델을 사용한다. 제안하는 접근방식의 핵심 아이디어로서, 점유 경계를 정확하게 예측할 수 있도록 각 샘플에서 모양이 다른 등방성 커널을 활용한다. 즉석 매핑을 위해, 제안하는 방법은 점유 관측의 분포를 점진적으로 이용함으로써 데이터 중심 방식으로 커널 모양을 최적화한다.
본 발명의 실시예에 따르면, 두 개의 데이터 세트를 사용하여 접근 방식에 대한 강력한 점유율을 입증한다. 이러한 적응적 접근법을 등방성 추론을 채택하는 최첨단 기법과 비교한다. 동일한 양의 센서 데이터와 동일한 시간 예산을 고려할 때, 제안하는 접근방식은 시험된 방법에 대한 점유 추정에서 탁월한 성과를 보여준다. 이러한 결과는 단순하지만 효과적인 이방성(anisotropic) 커널 추론에 의해 주로 달성된다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법을 설명하기 위한 흐름도이다.
제안하는 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법은 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 단계(110), 추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 단계(120), 계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화하는 단계(130) 및 최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정하는 단계(140)를 포함한다.
단계(110)에서, 방법은 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출한다. 센서에 의해 측정된 희소성을 갖는 센서 측정값에서 점유 샘플을 추출하고, 센서 원점을 점군의 각 히트 포인트(hit point)까지 가로지르는 센서 라인의 여유 공간에서 센서 원점과 히트 포인트 사이의 보간점을 여유 샘플로 활용한다.
점유 매핑에서 다변수 커널 추정기
Figure 112020036942572-pat00001
와
Figure 112020036942572-pat00002
을 각각 d-차원 입력점 및 응답이라 하자. 이는 다변수 시스템의 관측 쌍이다. 즉, d > 1이다. 관측치를 고려할 때, 잘 알려진 커널 추정기 중 하나인 Nadaraya-Watson 추정기는 다음과 같은 조건으로 쿼리(query)점 x q 에서 출력 y q 를 예측한다.
Figure 112020036942572-pat00003
(1)
여기서
Figure 112020036942572-pat00004
는 쿼리점에서 가까운 샘플 y i 의 가중치를 정의하는 커널 함수이다. 대역폭 행렬 H i 는 커널 함수의 형태와 방향을 모두 제어한다.
점유 매핑에서
Figure 112020036942572-pat00005
는 3-D 공간의 지점이 되고,
Figure 112020036942572-pat00006
은 점유 상태라 하자. 여기서 0과 1은 각각 여유(free) 상태와 점유된 상태를 나타낸다. 점유 샘플인
Figure 112020036942572-pat00007
를 제안하는 알고리즘에서 점유 상태와 i 번째 관측 쌍으로 정의한다. 그러한 점유 샘플을 점유 상태의 관측에 따라 점유 샘플 또는 여유 샘플로 표시한다. 각 샘플은 도 2과 같이 점유 샘플의 분포에 적응하는 커널 대역폭인 Hi와 연관되어 있다.
도 2는 본 발명의 일 실시예에 따른 등방성 및 이방성 커널 추론을 설명하기 위한 도면이다.
제안하는 매핑 문제에 대해, 무한 커널은 지도의 모든 셀을 업데이트해야 하기 때문에, 커널 함수는 일반적으로 경계 함수로 정의되는데, 이는 계산적으로 불가능하기 때문이다. 구체적으로는 선택하는 희소 커널은 다음과 같다.
Figure 112020036942572-pat00008
(2)
여기서
Figure 112020036942572-pat00009
이다. 이 커널 함수는 또한 추정 업데이트의 영역을 바인딩하거나 희소성을 갖는 피쳐 벡터를 생성하여 높은 처리 속도를 달성하기 위해 점유 매핑에도 사용되었다.
다변수의 경우 커널 추론의 정확성은 도 2와 같이 대역폭 행렬 Hi에 크게 좌우된다는 것은 잘 알려져 있다. 하지만, 중요한 파라미터인 대역폭 행렬은 점유 지도의 재구성에 완전히 최적화되지 않았다. 예를 들어, 종래기술에 따른 최근 방법에서는 대역폭 행렬에 고정된 스케일을 가진 단위 행렬을 사용했다. 이 등방성 커널 추정은 간단하지만, 그 추정 품질은 저하될 수 있으며, 특히 균일하지 않은 지도가 재구성되어야 할 경우에는 더욱 그러하다.
도 2(a)의 예로서 고정 커널 추론은 센서 원점 근처에 충분히 정밀한 추정치를 보여준다. 그러나 이 단순한 접근방식은 물체 표면을 따라 일부 점유된 부분을 추정하지 못하거나 점유된 부분과 점유되지 않은 부분 사이의 경계를 보존하지 못한다. 본 발명에서는 이러한 제한이 주로 등방성 커널 추정으로 인한 점유 샘플의 데이터 분포에 대한 불충분한 고려에 기인한다고 본다.
이러한 문제를 완화하기 위해, 본 발명의 실시예에 따른 측정값의 간격과 불균일한 분포를 충분히 고려할 수 있도록 각 샘플에서 대역폭 행렬 H i 를 국소적으로 최적화한다. 그러한 적응형 대역폭을 사용하는 본 발명의 실시예에 따른 등방성 커널 추정치는 점유 상태를 밀도 있고 예리하게 나타낼 수 있다. 도 2(b)와 같이, 제안하는 접근방식은 행렬 H i 를 변경하여 물체 표면을 따라 이방성 커널의 크기와 방향을 조정하여 등방성 접근방식에 비해 날카로운 점유 경계를 잘 보존한다.
도 3은 본 발명의 일 실시예에 따른 적응형 커널 대역폭 행렬 선택 과정을 설명하기 위한 도면이다.
희소성을 갖는 데이터 지점에서 정밀하지만 정확한 속성으로 고품질 점유 지도를 재구성하기 위해 데이터 중심 방식으로 다변수 커널 추정치를 조정한다.
도 3에 나타낸 것처럼 먼저 제안하는 프레임워크인 AKIMap의 절차에 관하여 설명한다. 희소성을 갖는 데이터에서 점유 상태에 대한 관찰을 추론 모델에 대한 입력으로 추출하는 간단한 과정을 설명한다. 점유 관측의 분포를 기반으로, 제안하는 방법은 이방성 커널 추정이 건전하게 점유 상태를 예측하기 위해 수행되도록 대역폭 행렬 H i 를 최적화한다. 효율적인 실행시간 추론을 위해, 제안하는 적응형 커널 추론은 점유 그리드의 셀 중심에서 점증적으로 점유 상태를 추정하여 축적한다. 쿼리점이 주어지면, 그 지점이 들어 있는 셀을 식별하고 그 추정 정보를 이용한다. 간단한 설명을 위해 그림에서 2-D 예를 설명하지만, 본 발명의 실시예에 따른 방법은 3-D 환경에서 작동한다는 점에 유의하라. 주요 표기법은 표 1에 요약되어 있다.
<표 1>
Figure 112020036942572-pat00010
제안하는 접근방식은 센서가 포착한 희소성을 갖는 센서 측정치에서 점유 샘플
Figure 112020036942572-pat00011
을 추출한다. 점군 데이터는 단순히 주변 물체에서 샘플링된 점의 점유 상태에 대한 관측이다. 따라서, 센서 데이터를 점유 샘플로 직접 사용한다. 한편, 센서 원점을 점군의 각 히트 포인트(hit point)까지 가로지르는 센서 라인의 여유 공간을 관찰할 수 있다. 구체적으로, 제안하는 방법은 이전 접근법에서와 유사하게 원점과 히트 포인트 사이의 보간점을 여유 샘플로 활용한다.
단계(120)에서, 추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산한다. 계산된 공분산이 이방성 커널의 크기를 조정하고 양성 샘플 근처로 편중되도록 하기 위해 미리 정해진 범위 내의 주변 샘플이 커널 추정치 하의 점유 샘플과 동일한 점유 상태를 갖도록 양성 샘플 영역에서만 공분산 행렬을 계산한다.
본 발명의 실시예에 따르면, 각 점유 샘플의 커널 대역폭 행렬 H i 를 국소적으로 변화시켜 점유 지도를 견고하게 계산하는 적응 기법을 제안한다.
예를 들어, 3-D 환경에서 대역폭 행렬은 6개의 파라미터로 구성될 수 있다. 즉, 회전 행렬의 경우 3개, 각 회전 기준의 길이 스케일의 경우 나머지 파라미터로 구성된다. 이상적으로는 커널 대역폭의 모든 파라미터를 최적화하는 것을 선택할 수 있다. 하지만, 6개 자유도를 가진 미지의 파라미터를 찾는 최적화 문제는 지도 시스템에 난해하며 계산적인 오버헤드를 초래한다. 또한 몇 가지 점유 샘플을 사용하여 많은 파라미터를 갖는 최적화는 불안정할 수 있다.
따라서 본 발명에서는 감소된 파라미터 수로 대역폭 행렬 H i 를 최적화하기 위한 효율적이면서도 강력한 방법을 제안한다. 제안하는 방법은 공분산 행렬
Figure 112020036942572-pat00012
를 사용하여 커널이 이웃 샘플의 영역 분포에 따라 샘플당 적응할 수 있다. 공분산 행렬을 초기 추측으로 사용하여 대역폭 선택자는 대역폭
Figure 112020036942572-pat00013
를 구성하는 데 가장 적합한 스칼라 스케일
Figure 112020036942572-pat00014
를 찾는다.
첫 번째 단계에서, 제안하는 방법은 점유 샘플
Figure 112020036942572-pat00015
의 공분산 행렬
Figure 112020036942572-pat00016
를 계산한다. 도 3(b)에서 파란색 검색 상자 안에 있는 커널 중심 x i 의 인근 점유 샘플
Figure 112020036942572-pat00017
을 검색한다. 제안하는 접근방식은 이웃 양성 샘플에서만 공분산 행렬을 계산한다. 즉, 인근 샘플이 커널 추정치 하의 점유 샘플
Figure 112020036942572-pat00018
와 동일한 점유 상태를 가지는 것이다. 그러한 공분산은 이방성 커널의 크기를 조정하고 양성 샘플 근처로 편중된 형상으로 이어진다. 예를 들어, 점유 샘플의 공분산은 커널 추정이 국부적 표면을 따르도록 하며, 이로 인해 정밀한 점유 경계가 발생한다(도 3(b)).
단계(130)에서, 계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화한다. 양성 샘플 영역에서만 계산된 공분산 행렬의 오류를 제거하기 위해 주변 샘플 지점에서 커널의 추정 오류를 제거하기 위한 최적화 기법을 설계한 후, 최적화 기법에 따라 커널을 최소화한다.
도 4는 본 발명의 일 실시예에 따른 다양한 인접 샘플을 사용하여 커널 모양을 조정하는 과정을 설명하기 위한 도면이다.
앞서 설명된 방법은 매우 효율적이지만 공분산을 사용하는 커널 추정은 불완전할 수 있다. 도 4(a)에 나타낸 예제의 경우, 커널 영역 중 양성 샘플에서 불충분한 추정을 관찰할 수 있다. 더욱이 공분산 행렬의 계산에 대해서는 고려하지 않았기 때문에 많은 음성(negative) 샘플로 인하여 잘못된 추정이 있을 수 있다. 따라서 제안하는 접근방식은 그러한 오류를 줄이기 위해 공분산 행렬의 크기를 조정함으로써 커널 모양을 보존하면서 대역폭 행렬을 재조정한다.
높은 수준에서, 제안하는 방법은 가능한 커널 크기를 만들 수 있는 대역폭 스케일
Figure 112020036942572-pat00019
를 찾지만 잘못된 추정은 없어야 한다. 이 문제를 해결하기 위해 이웃 샘플 지점에서 커널의 추정 오류를 설계한 다음 최적화 기법에 의해 커널을 최소화한다. 제안하는 대역폭 최적화 프로세스에서 양성 샘플 근처는 도 4(b)와 같이 추정 범위를 확대하기 위해 커널 모양을 증가시킨다. 반면 음성 샘플 주변은 도 4(c)와 같이 커널을 가운데로 밀어 추정 범위를 축소한다.
먼저 정확한 정의를 내리기 전에 대역폭 최적화에 대한 추정 오류를 정의하는 접근방식을 설명한다. 이웃 음성 샘플에 대한 잘못된 추정은 이웃 음성 샘플까지 도달하는 커널 신호에 의해 발생한다. 따라서 이웃 음성 샘플에서는 대상 신호인
Figure 112020036942572-pat00020
를 최소 신호 값으로 설정한다. 즉, 0이다. 음성 샘플의 경우와는 반대로, 이웃 양성 샘플에서는 신호를 유발하지 않는 커널 영역으로 가정한다. 이 경우 목표 추정 신호를 받을 수 있는 최대 추정 신호로 설정한다.
구체적으로, 추정 오류에 대한 본 발명의 실시예에 따른 정의를 고려할 때, 제안하는 대역폭 개선 방법은 검색 영역 내의 M 개의 이웃 샘플에 기초하여 최고의 대역폭 스케일
Figure 112020036942572-pat00021
를 찾는다.
Figure 112020036942572-pat00022
(3)
여기서
Figure 112020036942572-pat00023
는 식(5)에서 커널 추정의 신호 가중치이다. 이웃 샘플
Figure 112020036942572-pat00024
에서 식(3)에 사용된 목표 추정 신호
Figure 112020036942572-pat00025
는 다음과 같이 표현할 수 있다.
Figure 112020036942572-pat00026
(4)
여기서 s max 는 검색 영역이 주어질 수 있는 최대 대역폭이다. 계산된 스케일을 바탕으로 최종적으로 i 번째 샘플에 대해 정제된 커널 대역폭
Figure 112020036942572-pat00027
를 선택한다.
대안으로 음성 샘플로 별도의 정규화 조건을 테스트했지만 앞서 언급한 접근법이 효율적인 방식으로 잘 작동한다는 것을 확인 하였다.
단계(140)에서, 최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정한다. 최적화된 커널 추론 범위 내의 주변 샘플에 대한 최대 대역폭을 찾고, 계산된 최대 대역폭에 기초하여 최종적으로 해당 샘플에 대해 최적화된 대역폭을 최종 대역폭 행렬로 선정한다.
커널 추론의 측면에서의 그리드 기반 점유 매핑은 셀의 점유 상태를 추정하는 것이 된다. 식(1)의 커널 추론 모델에 기초하여 셀의 점유는 다음과 같이 예측된다.
Figure 112020036942572-pat00028
(5)
여기서
Figure 112020036942572-pat00029
는 m 번째 셀 l 의 중심점이며,
Figure 112020036942572-pat00030
는 i 번째 점유 샘플에서 얻은 커널 추정의 신호 가중치이다.
본 발명의 실시예에 따른 점유 지도인 AKIMap은 도 3(c)와 같이 적응형 대역폭 행렬이 있는 식(5)를 사용하여 측정되지 않은 영역의 점유 상태를 예측한다. 하지만, 모든 샘플과 그 대역폭을 지도에 저장하는 것은 즉석 매핑 중 지도에 저장하기 어렵다. 이 문제와 관련하여, 본 발명의 실시예에 따른 점유 그리드와 즉석 매핑에 대한 업데이트 규칙은 점유 그리드에서 셀의 커널 추정치를 효율적이고 점진적으로 업데이트하는 매핑 프레임워크를 이용했다.
본 발명의 실시예에 따른 지도의 각 셀 c m 에는 두 가지 값이 있다: 식(5)의 분자
Figure 112020036942572-pat00031
, 분모
Figure 112020036942572-pat00032
. 이 값은 1에서 Z 까지의 시간 단계 동안 누적된 적응형 커널 추정치를 나타낸다. 시간 단계 Z 에서의 새로운 측정으로부터, 다음과 같이 표현된 업데이트 규칙을 사용하여 셀의 값을 업데이트한다.
Figure 112020036942572-pat00033
(6)
Figure 112020036942572-pat00034
(7)
쿼리 단계에서, 적응형 커널 추론에 대한 평가 방식으로 이 두 방정식을 사용하여 식(5)에 기초한 셀의 점유 확률을 달성할 수 있다.
도 5는 본 발명의 일 실시예에 따른 정밀 점유 지도 작성을 위한 적응형 커널 추론 장치의 구성을 나타내는 도면이다.
제안하는 정밀 점유 지도 작성을 위한 적응형 커널 추론 장치(500)는 데이터 추출부(510), 계산부(520), 커널 추론 범위 최적화부(530) 및 최종 대역폭 행렬 선택부(540)를 포함한다.
데이터 추출부(510), 계산부(520), 커널 추론 범위 최적화부(530) 및 최종 대역폭 행렬 선택부(540)는 도 1의 단계들(110~140)을 수행하기 위해 구성될 수 있다.
데이터 추출부(510)는 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출한다. 데이터 추출부(510)는 센서에 의해 측정된 희소성을 갖는 센서 측정값에서 점유 샘플을 추출하고, 센서 원점을 점군의 각 히트 포인트(hit point)까지 가로지르는 센서 라인의 여유 공간에서 센서 원점과 히트 포인트 사이의 보간점을 여유 샘플로 활용한다.
계산부(520)는 추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산한다. 계산부(520)는 계산된 공분산이 이방성 커널의 크기를 조정하고 양성 샘플 근처로 편중되도록 하기 위해 미리 정해진 범위 내의 주변 샘플이 커널 추정치 하의 점유 샘플과 동일한 점유 상태를 갖도록 양성 샘플 영역에서만 공분산 행렬을 계산한다.
커널 추론 범위 최적화부(530)는 계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화한다. 커널 추론 범위 최적화부(530)는 양성 샘플 영역에서만 계산된 공분산 행렬의 오류를 제거하기 위해 주변 샘플 지점에서 커널의 추정 오류를 제거하기 위한 최적화 기법을 설계한 후, 최적화 기법에 따라 커널을 최소화한다.
최종 대역폭 행렬 선택부(540)는 최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정한다. 최종 대역폭 행렬 선택부(540)는 최적화된 커널 추론 범위 내의 주변 샘플에 대한 최대 대역폭을 찾고, 계산된 최대 대역폭에 기초하여 최종적으로 해당 샘플에 대해 최적화된 대역폭을 최종 대역폭 행렬로 선정한다.
도 6은 본 발명의 일 실시예에 따른 커널 추론 모델의 정량적 및 정성적 실험 결과를 나타내는 도면이다.
제안하는 방법의 우수성을 정량적 및 정성적으로 입증하기 위하여, 등방성 대역폭 행렬을 사용하는 최신 연구인 BGKOctoMap-L(도 5(c))과 실험 결과를 비교하였다. 기존 알고리즘의 커널 추론 범위 및 신호 크기는 해당 실험에서 사용되었던 값으로 설정하였다. 반면에, 제안하는 적응형 방법의 경우, 이 같은 실험 변수는 센서 데이터의 분포를 통해 자동으로 결정된다.
제안하는 알고리즘과 기존 방법의 점유 지도 업데이트 시간이 다르기 때문에, 본 실험에서는 처리하는 데이터 양을 조절하여 동일 시간 내 각 알고리즘의 추론 정확도를 측정하였다. 이 실험에서 기존 방법은 모든 데이터를 활용하였고, 제안하는 방법은 75%의 센서 데이터를 사용하였다.
본 실험을 통해 각 추론 방법의 정량적 성능을 비교하기 위해, ROC(Receiver Operating Characteristic)의 AUC(Area Under the Curve) 값을 측정하였다. 도 5(d)에서 확인할 수 있듯이, 제안하는 방법은 0.921 AUC 값을 기록하며 최신 연구를 뛰어넘는 추론 정확도를 보여주었다. 이러한 결과는 센서 데이터의 분포를 통해 선정한 이방성 커널 대역폭 행렬에 기인한 것이다. 추가적으로 본 발명에서 제안하는 방법이 모든 양의 데이터를 사용할 경우, 보다 높은 추론 정확도(0.935 AUC)를 기록하였다.
정성적 결과 비교 및 분석을 위하여, 도 5에 보이는 것과 같이 결과를 가시화하였다. 도 5의 각 실험 결과는 추론된 점유된 공간을 상대적인 높이에 따라 나타내고 있다.
종래기술에 따른 실험 결과(도 5(c))는 본 실험 환경에서 센서 데이터(도 5(b))가 드물게 관측되었음에도, 점유 상태 예측을 활용하여 밀도 높은 표현을 보여주었다. 그러나 센서 데이터가 매우 드물게 관측된 일부 영역에 대해서는 정확하게 표현하지 못한 것을 확인하였다. 반면, 제안하는 방법(도 5(d))은 해당 공간에 대해서도 밀도 높은 표현을 보여주었다. 이러한 정성적 결과는 데이터의 분포를 고려하는 적응형 방법이 보다 정밀하고 조밀하게 점유 지도를 표현할 수 있다는 것을 보여준다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 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.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 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 특허청구범위의 범위에 속한다.

Claims (10)

  1. 데이터 추출부, 계산부, 커널 추론 범위 최적화부 및 최종 대역폭 행렬 선택부를 포함하는 적응형 커널 추론 장치의 적응형 커널 추론 방법에 있어서,
    데이터 추출부를 통해 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 단계;
    추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 계산부를 통해 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 단계;
    계산된 공분산 행렬에 기초하여 커널 추론 범위 최적화부를 통해 커널 추론 범위를 최적화하는 단계; 및
    최적화된 커널 추론 범위에 기초하여 최종 대역폭 행렬 선택부를 통해 보정된 커널의 최종 대역폭 행렬을 선정하는 단계
    를 포함하고,
    상기 추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 계산부를 통해 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 단계는,
    계산된 공분산이 이방성 커널의 크기와 방향을 조정하고 양성 샘플의 주변으로 편중되도록 하기 위해 미리 정해진 범위 내의 주변 샘플이 커널 추정치 하의 점유 샘플과 동일한 점유 상태를 갖도록 양성 샘플 영역에서만 공분산 행렬을 계산하고, 양성 샘플 영역에서만 공분산 행렬을 계산함으로써 각 샘플에서 대역폭 행렬을 국부적으로 최적화하기 위해 점유 샘플의 공분산은 커널 추정치가 국부적 물체 표면을 따르도록 하는
    적응형 커널 추론 방법.
  2. 제1항에 있어서,
    데이터 추출부를 통해 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 단계는,
    센서에 의해 측정된 희소성을 갖는 센서 측정값에서 점유 샘플을 추출하고, 센서 원점을 점군의 각 히트 포인트(hit point)까지 가로지르는 센서 라인의 여유 공간에서 센서 원점과 히트 포인트 사이의 보간점을 여유 샘플로 활용하는
    적응형 커널 추론 방법.
  3. 삭제
  4. 제1항에 있어서,
    계산된 공분산 행렬에 기초하여 커널 추론 범위 최적화부를 통해 커널 추론 범위를 최적화하는 단계는,
    양성 샘플 영역에서만 계산된 공분산 행렬의 오류를 제거하기 위해 주변 샘플 지점에서 커널의 추정 오류를 제거하기 위한 최적화 기법을 설계한 후, 최적화 기법에 따라 커널을 최소화하는
    적응형 커널 추론 방법.
  5. 제1항에 있어서,
    최적화된 커널 추론 범위에 기초하여 최종 대역폭 행렬 선택부를 통해 보정된 커널의 최종 대역폭 행렬을 선정하는 단계는,
    최적화된 커널 추론 범위 내의 주변 샘플에 대한 최대 대역폭을 찾고, 계산된 최대 대역폭에 기초하여 최종적으로 해당 샘플에 대해 최적화된 대역폭을 최종 대역폭 행렬로 선정하는
    적응형 커널 추론 방법.
  6. 센서 데이터로부터 관측 영역에 대한 점유 데이터를 추출하는 데이터 추출부;
    추출한 점유 데이터의 성질에 기초하여 점유 상태를 추론하기 위해, 커널의 초기 대역폭으로 이용하기 위한 공분산 행렬을 계산하는 계산부;
    계산된 공분산 행렬에 기초하여 커널 추론 범위를 최적화하는 커널 추론 범위 최적화부; 및
    최적화된 커널 추론 범위에 기초하여 보정된 커널의 최종 대역폭 행렬을 선정하는 최종 대역폭 행렬 선택부
    를 포함하고,
    상기 계산부는,
    계산된 공분산이 이방성 커널의 크기와 방향을 조정하고 양성 샘플의 주변으로 편중되도록 하기 위해 미리 정해진 범위 내의 주변 샘플이 커널 추정치 하의 점유 샘플과 동일한 점유 상태를 갖도록 양성 샘플 영역에서만 공분산 행렬을 계산하고, 양성 샘플 영역에서만 공분산 행렬을 계산함으로써 각 샘플에서 대역폭 행렬을 국부적으로 최적화하기 위해 점유 샘플의 공분산은 커널 추정치가 국부적 물체 표면을 따르도록 하는
    적응형 커널 추론 장치.
  7. 제6항에 있어서,
    데이터 추출부는,
    센서에 의해 측정된 희소성을 갖는 센서 측정값에서 점유 샘플을 추출하고, 센서 원점을 점군의 각 히트 포인트(hit point)까지 가로지르는 센서 라인의 여유 공간에서 센서 원점과 히트 포인트 사이의 보간점을 여유 샘플로 활용하는
    적응형 커널 추론 장치.
  8. 삭제
  9. 제6항에 있어서,
    커널 추론 범위 최적화부는,
    양성 샘플 영역에서만 계산된 공분산 행렬의 오류를 제거하기 위해 주변 샘플 지점에서 커널의 추정 오류를 제거하기 위한 최적화 기법을 설계한 후, 최적화 기법에 따라 커널을 최소화하는
    적응형 커널 추론 장치.
  10. 제6항에 있어서,
    최종 대역폭 행렬 선택부는,
    최적화된 커널 추론 범위 내의 주변 샘플에 대한 최대 대역폭을 찾고, 계산된 최대 대역폭에 기초하여 최종적으로 해당 샘플에 대해 최적화된 대역폭을 최종 대역폭 행렬로 선정하는
    적응형 커널 추론 장치.
KR1020200043273A 2020-04-09 2020-04-09 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치 KR102319015B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200043273A KR102319015B1 (ko) 2020-04-09 2020-04-09 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200043273A KR102319015B1 (ko) 2020-04-09 2020-04-09 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210125732A KR20210125732A (ko) 2021-10-19
KR102319015B1 true KR102319015B1 (ko) 2021-10-29

Family

ID=78228315

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200043273A KR102319015B1 (ko) 2020-04-09 2020-04-09 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102319015B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016157473A (ja) 2012-10-01 2016-09-01 アイロボット コーポレイション センサデータの空間的集約を用いる適応マッピング
JP2018142316A (ja) 2017-02-28 2018-09-13 トヨタ自動車株式会社 可観測性グリッドベースの自律的環境探索
JP2019191498A (ja) 2018-04-27 2019-10-31 株式会社豊田中央研究所 地図作成装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101715780B1 (ko) * 2010-10-11 2017-03-13 삼성전자주식회사 복셀 맵 생성기 및 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016157473A (ja) 2012-10-01 2016-09-01 アイロボット コーポレイション センサデータの空間的集約を用いる適応マッピング
JP2018142316A (ja) 2017-02-28 2018-09-13 トヨタ自動車株式会社 可観測性グリッドベースの自律的環境探索
JP2019191498A (ja) 2018-04-27 2019-10-31 株式会社豊田中央研究所 地図作成装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Doherty, Kevin, et al. Learning-aided 3-D occupancy mapping with Bayesian generalized kernel inference. IEEE Transactions on Robotics 35.4. 2019.*
Guizilini, Vitor, and Fabio Ramos. Large-scale 3d scene reconstruction with hilbert maps. 2016 IEEE/RSJ IROS. IEEE. 2016.*

Also Published As

Publication number Publication date
KR20210125732A (ko) 2021-10-19

Similar Documents

Publication Publication Date Title
US11341424B2 (en) Method, apparatus and system for estimating causality among observed variables
Ma et al. Informative planning and online learning with sparse gaussian processes
US8849622B2 (en) Method and system of data modelling
US20210232922A1 (en) Actor ensemble for continuous control
KR102339727B1 (ko) 신뢰도 추정을 통한 글로벌 및 로컬 검색을 기반으로 한 견고한 시각적 물체 추적
JP6707716B2 (ja) 異常情報推定装置、異常情報推定方法及びプログラム
CN109255382B (zh) 用于图片匹配定位的神经网络系统，方法及装置
US20200265307A1 (en) Apparatus and method with multi-task neural network
CN108885719B (zh) 基于立体视觉的随机地图生成和贝叶斯更新
CN111160459A (zh) 超参数的优化装置和方法
Bullmann et al. Fast kernel density estimation using Gaussian filter approximation
CN111832693B (zh) 神经网络层运算、模型训练方法、装置及设备
EP4009239A1 (en) Method and apparatus with neural architecture search based on hardware performance
CA2713502C (en) Maximum entropy application methods and systems
KR101557577B1 (ko) 전자현미경 영상의 입자 분할 방법 및 장치
KR102319015B1 (ko) 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치
US11295229B1 (en) Scalable generation of multidimensional features for machine learning
Sander Interpolated experience replay for improved sample efficiency of model-free deep reinforcement learning algorithms
KR101577249B1 (ko) 보로노이 셀 기반의 서포트 클러스터링 장치 및 방법
JP5078669B2 (ja) 目標検出装置、目標検出方法及び目標検出プログラム
KR101919698B1 (ko) 실루엣을 적용한 그룹 탐색 최적화 데이터 클러스터링 방법 및 시스템
JP7359206B2 (ja) 学習装置、学習方法、及びプログラム
JP7424509B2 (ja) 学習装置、識別装置、学習方法、識別方法、学習プログラム、及び識別プログラム
EP3989087A1 (en) Computational inference
US11623767B2 (en) Relational time-series classification method and system for corrosion maintenance dispatch

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant