KR102616030B1 - 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치 - Google Patents

비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR102616030B1
KR102616030B1 KR1020230054825A KR20230054825A KR102616030B1 KR 102616030 B1 KR102616030 B1 KR 102616030B1 KR 1020230054825 A KR1020230054825 A KR 1020230054825A KR 20230054825 A KR20230054825 A KR 20230054825A KR 102616030 B1 KR102616030 B1 KR 102616030B1
Authority
KR
South Korea
Prior art keywords
information
virtual
lighting
digital twin
feature points
Prior art date
Application number
KR1020230054825A
Other languages
English (en)
Inventor
최성광
Original Assignee
주식회사 브이알크루
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 주식회사 브이알크루 filed Critical 주식회사 브이알크루
Priority to KR1020230054825A priority Critical patent/KR102616030B1/ko
Application granted granted Critical
Publication of KR102616030B1 publication Critical patent/KR102616030B1/ko

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/02Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/003D [Three Dimensional] image rendering
    • G06T15/04Texture mapping
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/003D [Three Dimensional] image rendering
    • G06T15/50Lighting effects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00Manipulating 3D models or images for computer graphics
    • G06T19/003Navigation within 3D models or images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00Manipulating 3D models or images for computer graphics
    • G06T19/20Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04SSTEREOPHONIC SYSTEMS 
    • H04S7/00Indicating arrangements; Control arrangements, e.g. balance control
    • H04S7/30Control circuits for electronic adaptation of the sound field

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Ecology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Architecture (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에 의해 수행되는 비주얼 로컬라이제이션(visual localization)을 위한 방법으로서, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하는 단계; 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하는 단계; 상기 비주얼 로컬라이제이션의 결과에 대응되는 디지털 트윈(digital twin)을 결정하는 단계; 및 상기 디지털 트윈에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.

Description

비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치{APPARATUS AND METHOD FOR IMPLEMENTING PHYSICS ENGINE USING VISUAL LOCALIZATION}
본 개시내용은 영상 처리에 관한 것으로 보다 구체적으로 비주얼 로컬라이제이션에 관한 것이다.
위치 기반 서비스(Location Based Services)에 대한 수요가 증가함에 따라 정확한 위치 정보에 대한 필요성이 높아졌다. 모바일 디바이스 및 모바일 플랫폼 상에서 위치를 확인하는 가장 일반적인 방법은 GNSS(Global Navigation Satellite System)이다. 하지만, 실내 환경에서 GNSS 신호는 장애물에 의해 차단될 수 있기 때문에, 실외 환경에서만 용이하게 사용될 수 있다는 제한 사항이 존재한다.
실내에서의 위치 인식을 수행하기 위한 다양한 기술들이 제안되었지만 다수의 실내 위치 인식 기법들은 무선신호를 이용한 핑거 프린팅(Finger Printing) 기반 위치 인식 알고리즘을 넘어서지 못하고 있는 것이 현실이다. 이러한 방법에서는 수집된 Wi-Fi RSS(수신 신호 강도) 또는 MFS(자기장 강도)와 관련된 데이터가 핑거 프린팅 데이터 베이스의 데이터와 비교된다. 핑거 프린팅 기반 시스 템은 구축하기 쉽다는 장점이 있지만, 신호 패턴 자체가 시스템 환경 변화에 영향을 받기 때문에 양호한 성능을 유지하기가 어려울 수 있다. 이런 핑거 프린팅 기반 시스템의 결함을 극복하기 위해 Optical, RFID(Radio Frequency Identification), Bluetooth Beacons, ZigBee, Pseudo Satellite 등을 포함한 많은 대안이 제안되었지만, 이러한 대안들 또한 복잡한 실내 환경 상에서 높은 정확도를 달성하기는 어렵다는 평가를 받고 있다.
최근에는 실내 환경에서도 높은 정확성을 가지는 위치 추정을 구현하기 위한 대안으로 VPS(Visual Positioning System: 시각적 위치결정 시스템)에 대한 연구가 활발하게 이루어지고 있다. VPS 기술은 비주얼 로컬라이제이션(Visual localization) 기술로도 표현될 수 있으며, 이러한 비주얼 로컬라이제이션은 실내 또는 실외에서 촬영된 이미지를 사용하여 디바이스의 현재 위치 또는 포즈(pose)를 추정하는 기술을 의미한다. 디바이스(혹은 카메라)의 포즈 추정(Pose estimation)이란 동적으로 변하는 카메라 시점의 이동(Translation) 및 회전(Rotation) 정보 등을 결정하는 것이다. 혼합현실(Mixed reality), 증강현실(Augmented Reality), 로봇 내비게이팅(Robot navigating) 및 3D 장면 재구성(3-Dimensional Scene Reconstruction) 등 다양한 활용 분야로 이러한 카메라 포즈 추정 기술이 활용되고 있다.
증강현실 기술은 실제공간에 가상정보를 실시간으로 증강하여 사용 자가 증강된 가상정보와 상호작용함으로써 작업의 효율성을 향상시키는 기술이다. 최근 증강현실 기술이 발달함에 따라서 현실감 있는 연출을 위해 증강현실에서의 물리엔진을 구현하기 위한 연구가 진행되고 있다.
대한민국 등록특허 10-2225093
본 개시의 전술한 배경기술에 대응하여 안출된 것으로, 비주얼 로컬라이제이션을 이용하여 정밀한 물리엔진을 구현하기 위함이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 비주얼 로컬라이제이션(visual localization)을 위한 방법으로서, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하는 단계; 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하는 단계; 상기 비주얼 로컬라이제이션의 결과에 대응되는 디지털 트윈(digital twin)을 결정하는 단계; 및 상기 디지털 트윈에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.
대안적으로, 상기 비주얼 로컬라이제이션의 결과는, 상기 사용자 디바이스의 관련된 위치 및 방향을 포함하는 포즈(pose);를 포함할 수 있다.
대안적으로, 상기 디지털 트윈은, 실제 공간의 정보가 실시간 동기화 또는 비동기적으로 복제되는 디지털 시스템일 수 있다.
대안적으로, 상기 디지털 트윈은, 물리 현상을 나타내는 정보가 사전에 반영될 수 있다.
대안적으로, 상기 물리 현상을 나타내는 정보는, 상기 디지털 트윈에 포함된 객체의 재질 정보 또는 공간 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 객체의 재질 정보는, 상기 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 공간 정보는, 공간 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수, 벡터 필드(vector field) 또는 텐서 필드(tensor field) 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 가상 조명의 정보는, 상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 또는 상기 가상 조명의 특성 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 가상 조명의 특성 정보는, 상기 가상 조명의 색상, 밝기, 도달거리 또는 상기 가상 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함할 수 있다.
대안적으로, 상기 제 1 시각적 효과는, 과노출, 역광, 암적응, 섬광 또는 보케 중 적어도 하나에 대응되는 효과를 포함할 수 있다.
대안적으로, 상기 디지털 트윈에 가상 객체를 배치하는 경우, 상기 가상 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 디지털 트윈 상에서의 제 2 가상 명암 또는 제 2 가상 명암에 따른 제 2 시각적 효과 중 적어도 하나를 결정하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 가상 객체의 정보는, 상기 가상 객체의 위치 정보, 가상 객체의 방향 정보 또는 상기 가상 객체의 재질 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 가상 객체의 재질 정보는, 상기 가상 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 디지털 트윈을 결정하는 단계 이후에, 상기 쿼리 이미지와 상기 디지털 트윈을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계; 상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계; 및 상기 복합 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 3 가상 명암 및 상기 제 3 가상 명암에 따른 제 3 시각적 효과를 결정하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 쿼리 이미지와 상기 디지털 트윈을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계는, 상기 쿼리 이미지와 상기 디지털 트윈을 비교하여, 상기 쿼리 이미지와 상기 디지털 트윈 상에서의 명암의 차이를 결정하고, 그리고 상기 결정된 명암의 차이를 이용하여 상기 디지털 트윈에 존재하지 않는 상기 쿼리 이미지 상에서의 현실 조명의 정보를 추정하는 단계;를 포함하며, 그리고 상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계는, 상기 추정된 현실 조명의 정보, 상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 및 상기 가상 조명의 특성 정보를 이용하여 상기 복합 조명의 정보를 추정하는 단계;를 포함할 수 있다.
대안적으로, 상기 디지털 트윈에 가상 객체를 배치하는 경우, 상기 복합 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 디지털 트윈 상에서의 제 4 가상 명암 또는 제 4 가상 명암에 따른 제 4 시각적 효과 중 적어도 하나를 결정하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 디지털 트윈에 가상 음향을 배치하는 경우, 상기 가상 음향의 정보에 기초하여 상기 디지털 트윈 상에서 상기 사용자 디바이스에 적용되는 제 1 청각적 효과를 결정하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 디지털 트윈에 가상 객체를 배치하는 경우, 상기 가상 음향의 정보 및 상기 가상 객체의 정보에 기초하여 상기 디지털 트윈 상에서 상기 사용자 디바이스에 적용되는 제 2 청각적 효과를 결정하는 단계;를 더 포함할 수 있다.
대안적으로, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 비주얼 로컬라이제이션(visual localization)을 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하는 단계; 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하는 단계; 상기 비주얼 로컬라이제이션의 결과에 대응되는 디지털 트윈(digital twin)을 결정하는 단계; 및 상기 디지털 트윈에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.
대안적으로, 비주얼 로컬라이제이션(visual localization)을 위한 컴퓨팅 장치에 있어서, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및 네트워크부;를 포함하고, 상기 프로세서는, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하고, 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하고, 상기 비주얼 로컬라이제이션의 결과에 대응되는 디지털 트윈(digital twin)을 결정하고, 그리고 상기 디지털 트윈에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정할 수 있다.
본 개시의 몇몇 실시예에 따른 방법 및 장치는 비주얼 로컬라이제이션을 이용하여 물리엔진을 정밀하게 구현할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부 사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도를 개략 적으로 도시한다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 예시적으로 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다.
도 4는 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 통해 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.
도 5 및 도 6은 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 콜리전 맵 또는 디지털 트윈에서 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 “구성요소”, “컴포넌트”, “모듈”, “시스템” 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시내용에서의 제 1, 제 2, 또는 제 3 과 같이 제 N 으로 표현되는 용어들은 복수의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제 1 과 제 2 로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다.
본 개시내용에서 비주얼 로컬라이제이션(visual localization)은 실내 또는 실외에서 촬영된 이미지를 사용하여 디바이스의 현재 위치 또는 방향을 포함하는 포즈(pose)를 추정하는 기술을 의미할 수 있다. 디바이스(예컨대 카메라)의 포즈 추정(Pose estimation)이란 동적으로 변하는 카메라 시점의 이동(Translation) 및 회전(Rotation) 정보 등을 결정하는 것을 의미할 수 있다.
본 개시내용에서의 포즈는 예를 들어, 사용자 디바이스(예컨대, 카메라를 포함하는 디바이스)의 위치와 방향을 포함하는, 비주얼 로컬라이제이션을 통해 획득되는 결과 정보를 의미할 수 있다.
다른 예시로, 본 개시내용에서의 포즈는 예를 들어, 사용자의 외형 및/또는 동작에 대응되는 상태 정보를 포함할 수도 있다. 이러한 예시에서 포즈는 사용자의 포즈를 추정하기 위한 알고리즘을 포함하는 딥러닝 모듈에 의해 획득될 수 있다. 이러한 예시에서 포즈는 비주얼 로컬라이제이션 및/또는 Inverse Kinematics에 기초하여 획득될 수도 있다.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치(100)의 블록 구성도를 개략적으로 도시한다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110), 메모리(130) 및 네트워크부(150)를 포함할 수 있다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 본 개시내용의 실시예들을 구현하기 위한 시스템을 구성하는 임의의 형태의 노드를 의미할 수 있다. 컴퓨팅 장치(100)는 임의의 형태의 사용자 디바이스 또는 임의의 형태의 서버를 의미할 수 있다. 전술한 컴퓨팅 장치(100)의 컴포넌트들은 예시적인 것으로 일부가 제외될 수 있거나 또는 추가 컴포넌트가 포함될 수도 있다. 일례로, 전술한 컴퓨팅 장치(100)가 사용자 디바이스를 포함하는 경우, 출력부(미도시) 및 입력부(미도시)가 상기 컴퓨팅 장치(100)의 범위 내에 포함될 수 있다.
일 실시예에서, 프로세서(110)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.
일 실시예에서, 프로세서(110)는 비주얼 로컬라이제이션을 수행하기 위하여, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하고, 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하고, 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map) 또는 디지털 트윈(digital twin)을 결정하고, 그리고 콜리전 맵 또는 디지털 트윈에 가상 조명을 배치하는 경우, 가상 조명의 정보에 기초하여 콜리전 맵 또는 디지털 트윈 상에서의 제 1 가상 명암 또는 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정할 수 있다.
프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시내용의 일 실시예에 따른 비주얼 로컬라이제이션의 방법론들을 수행할 수 있다.
본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수도 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치들의 프로세서들을 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수도 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다. 본 개시의 일 실시예에 따른 신경망에 대한 동작들은 도 2와 관련하여 후술될 것이다.
추가적으로, 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 예를 들어, 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 데이터, 정보, 또는 신호 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 컴퓨팅 장치(100)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 본 개시의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체 일 수 있다. 따라서, 메모리(130)는 본 개시내용에 실시예들을 수행하는데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시내용에서 사용되는 메모리(130)는 전술한 예시들로 제한되지 않는다.
일 실시예에서, 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 개인 통신망(PAN: Personal Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크부(150)는 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 임의의 형태의 사용자 디바이스 및/또는 임의의 형태의 서버를 포함할 수 있다. 따라서, 본 개시내용의 실시예들은 서버 및/또는 사용자 디바이스에 의해 수행될 수 있다.
사용자 디바이스는 서버 또는 다른 컴퓨팅 장치와 상호작용 가능한 임의의 형태의 디바이스를 포함할 수 있다. 사용자 디바이스는 예를 들어, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), PDA(personal digital assistants), 슬레이트 PC(slate PC), 태블릿 PC(tablet PC) 및 울트라북(ultrabook)을 포함할 수 있다.
본 개시내용의 일 실시예에서, 사용자 디바이스는 광학적인 화상을 감지하고 전기적인 신호로 변환하여 컴퓨팅 장치(100)에 전달하기 위한 임의의 형태의 장비를 의미할 수 있다. 예를 들어, 사용자 디바이스는 카메라, 스캐너, Lidar 및/또는 비전 센서(vision sensor) 중 적어도 하나를 포함할 수 있다. 추가적인 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스를 포함하거나, 무선 또는 유선으로 외부의 디바이스와 연동될 수도 있다.
본 개시내용에서의 사용자 디바이스는 카메라 및/또는 라이다를 포함하는 임의의 형태의 이동식 디바이스를 포함할 수 있다. 예를 들어, 사용자 디바이스는 HMD(Head Mounted Device), AR(Augmented Reality) 글래스 및/또는 VR(Virtual Reality) 글래스를 포함할 수 있다.
이하에서는 설명의 편의를 위해, 사용자 디바이스와 컴퓨팅 장치(100)를 구분하여, 컴퓨팅 장치(100)가 사용자 디바이스로부터의 촬영 정보를 전달받아, 사용자 디바이스의 포즈를 추정하기 위한 비주얼 로컬라이제이션에 대한 방법론이 설명될 것이다. 다만, 쿼리 데이터(예를 들어, 쿼리 이미지 등)를 생성하는 사용자 디바이스에서 비주얼 로컬라이제이션을 수행하는 실시예 또한 본 개시내용의 범위 내에 포함될 수 있다. 이러한 실시예에서는 사용자 디바이스가 컴퓨팅 장치(100)의 역할을 적어도 일부 수행할 수 있다.
서버는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨팅 시스템 또는 컴퓨팅 장치를 포함할 수 있다. 일 실시예에서, 서버는 VPS(Visual Positioning System)을 수행하기 위한 서버로서 콜리전 맵 또는 디지털 트윈을 저장할 수 있다. 서버는 사용자 디바이스로부터 획득된 이미지를 이용하는 VPS에 기반하여 사용자 디바이스에 대한 포즈 추정, 추정된 포즈에 대한 콜리전 맵 또는 디지털 트윈의 결정, 콜리전 맵 또는 디지털 트윈에서의 명암 및 시각적 효과의 결정을 수행할 수 있다.
추가적인 실시예에서 전술한 서버는 쿼리 이미지, 콜리전 맵, 디지털 트윈 등을 저장 및 관리하는 저장부(미도시)를 포함할 수 있다. 이러한 저장부는 서버 내에 포함되거나 혹은 서버의 관리 하에 존재할 수 있다. 다른 예시로, 저장부는 서버 외부에 존재하여 서버와 통신 가능한 형태로 구현될 수도 있다. 이 경우 서버와는 상이한 다른 외부 서버에 의해 저장부가 관리 및 제어될 수 있다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 예시적으로 나타낸 개략도이다.
본 개시내용에 걸쳐, 인공지능 기반 모델(예를 들어, 특징점 획득 모델 등), 세그멘테이션 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따른 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 인공지능 기반 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. 본 개시내용에서 가중치 및 파라미터는 서로 교환가능한 의미로 사용될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 3은 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다. 도 3에 도시되는 단계들은 예시적인 단계들이다. 따라서, 본 개시내용의 사상의 범위를 벗어나지 않는 한도에서 도 3의 단계들 중 일부가 생략되거나 추가적인 단계들이 존재할 수 있다는 점 또한 당업자에게 명백할 것이다.
도 3에서 도시되는 순서도는 예를 들어, 컴퓨팅 장치(100)에 의해 수행될 수 있다.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다. 컴퓨팅 장치(100)는 촬영 기능을 구비한 사용자 디바이스로부터 촬영된 데이터(예를 들어, 쿼리 이미지 등)를 획득함으로써, 사용자 디바이스의 현재 위치 및 방향을 추정할 수 있다. 컴퓨팅 장치(100)는 사용자 디바이스의 위치 및 방향을 추정함으로써, 클라이언트가 증강현실 및/또는 가상현실 플랫폼 상에서의 활동을 향유하도록 허용할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스에서 획득된 쿼리 이미지를 수신할 수 있다(310).
일 실시예에서, 사용자 디바이스에 의해 획득되는 이미지들은 2차원의 RGB 이미지 또는 그레이 스케일(grayscale) 이미지를 포함할 수 있다.
일 실시예에서, 사용자 디바이스에 의해 획득되는 이미지들은 타겟 공간에 대해서 시간에 따라 획득되는 복수의 이미지들을 포함할 수 있다. 예를 들어, 상기 이미지들은 타겟 공간의 적어도 일부분에 대한 연속적인 이미지들을 포함할 수 있다. 타겟 공간은 비주얼 로컬라이제이션이 수행될 수 있는 임의의 형태 그리고 임의의 크기의 실내 또는 실외 공간을 의미할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스의 추가 정보(예컨대, 사용자 디바이스의 카메라 정보)를 획득할 수 있다. 예를 들어, 사용자 디바이스의 추가 정보는 이미지들을 획득할 때 함께 획득될 수 있다. 추가 정보는 사용자 디바이스의 위치 정보를 포함할 수 있다. 위치 정보는 예를 들어, 특정지역 혹은 특정 국가에서 통용되는 geodetic datum 또는 geodetic system (또는, geodetic reference datum, geodetic reference system, 또는 geodetic reference frame), spatial reference system(SRS) 또는 coordinate reference system(CRS), 또는 geographic coordinate system(GCS) 등에 대한 좌표값 및/또는 방향값을 포함할 수 있다. 위치 정보에 대한 다른 예시로 GPS가 포함될 수 있다.
또한, 사용자 디바이스의 추가 정보는 focal length, principal point, resolution 등과 같은 사용자 디바이스의 하드웨어 관련 정보를 더 포함할 수 있다. 또한, 사용자 디바이스의 과거의 카메라 포즈를 추정한 기록이 존재하는 경우, 사용자 디바이스의 추가 정보는 사용자 디바이스의 IMU(Inertial Measurement Unit)의 값으로부터 연산된, 사용자 디바이스의 카메라 포즈에 대한 예비 추정 정보를 포함할 수 있다. 이러한 사용자 디바이스의 카메라 포즈에 대한 예비 추정 정보는 IMU 정보를 이용하여 추정된 대략적인 카메라 포즈를 포함할 수 있으며, 이러한 예비 추정 정보는 사용자 디바이스에 대한 대략적인 위치 정보 및 방향 정보를 포함할 수 있다. 촬영된 이미지(또는 촬영된 이미지에 대응되는 점군(point cloud))와 매칭될 참조 이미지(또는 참조 점군)의 후보군이 축소될 수 있기 때문에, 서버(또는 컴퓨팅 장치)에서의 비교 연산이 효율적으로 수행될 수 있다. 이에 따라 리소스 효율적인 비주얼 로컬라이제이션이 달성될 수 있다.
컴퓨팅 장치(100)는 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과(예를 들어, 비주얼 로컬라이제이션을 통해 획득되는 결과 정보 등)를 획득할 수 있다(320).
비주얼 로컬라이제이션의 결과는 사용자 디바이스의 관련된 위치 및 방향을 포함하는 포즈(pose)를 포함할 수 있다. 비주얼 로컬라이제이션의 결과를 획득하는 구체적인 방법은 도 4를 참조하여 후술될 것이다.
컴퓨팅 장치(100)는 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map) 또는 디지털 트윈(digital twin)을 결정할 수 있다(330).
디지털 트윈은 실제 공간의 정보가 실시간 동기화 또는 비동기적으로 복제되는 디지털 시스템(예를 들어, 컴퓨팅 장치, 서버 등)일 수 있다. 예를 들어, 디지털 트윈은 실제 공간의 정보가 복제되어 저장되어 있는 디지털 시스템일 수 있다. 다른 예를 들어, 디지털 트윈은 복제된 실제 공간의 정보에 기초하여 생성된 가상 세계를 포함하는 디지털 시스템일 수 있다.
콜리전 맵은 촬상 장치(예를 들어, 디바이스 등)를 이용하여 스캔 또는 촬영된, 쿼리 이미지와 관련된 공간에 대한 정보에 기초하여 생성될 수 있다. 콜리전 맵은 3D 모델을 포함할 수 있다.
구체적으로, 프로세서(110)는 3D 모델을 포함하는 콜리전 맵을 생성할 수 있다. 예를 들어, 프로세서(110)는 촬상 장치(예를 들어, 디바이스 등)를 이용하여 스캔 또는 촬영된 임의의 공간(예를 들어, 디바이스로부터 수신한 이미지 및/또는 깊이 맵과 관련된 공간)에 대한 공간 정보를 획득할 수 있다.
촬상 장치는 광학적인 화상을 감지하고 전기적인 신호로 변환하여 컴퓨팅 장치(100)에 입력하기 위한 임의의 형태의 장비를 의미할 수 있다. 예를 들어, 촬상 장치는 스캐너, Lidar 및/또는 비전 센서(vision sensor) 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 촬상 장치를 포함하거나, 무선 또는 유선으로 외부의 촬상 장치와 연동될 수 있다.
공간 정보는 특정한 공간 내부에 대한 정보를 의미할 수 있다. 예를 들어, 공간 정보는 임의의 공간에 존재하는 임의의 형태의 객체에 대한 정보를 의미할 수 있다. 예를 들어, 공간 정보는 촬상 장치로부터 임의의 공간에 존재하는 객체까지의 거리, 방향 및/또는 속도 중 적어도 하나를 포함할 수 있다. 또한, 공간 정보는 객체의 색상, 온도, 물질 분포 및/또는 농도의 특성 중 적어도 하나를 포함할 수 있다. 객체는 상태를 나타내는 상태 데이터 및 상태 데이터에 관련된 동작(예를 들어, 절차, 방법, 기능 등) 데이터를 포함하는 소프트웨어 모듈을 의미할 수 있다. 예를 들어, 객체는 기본 객체, 이동체 및/또는 사전 결정된 특정 객체 중 적어도 하나를 포함할 수 있다.
프로세서(110)는 공간 정보에 기초하여 색상 데이터 및/또는 위치 데이터를 포함하는 점군(point cloud) 정보를 생성할 수 있다.
점군 정보는 3차원 공간(예를 들어, 3D 모델 등) 상에서의 점들의 집합을 나타내는 정보를 의미할 수 있다. 점군 정보는 임의의 공간에 존재하는 기본 객체에 대한 색상 및/또는 위치와 관련된 측점들의 위치 정보를 의미할 수 있다. 기본 객체는 이동체 및 사전 결정된 특정 객체를 제외한 객체일 수 있다. 따라서, 점군 정보는 조명, 이동체 또는/및 사전 결정된 특정 객체 중 적어도 하나와 관련된 정보가 제거된 정보일 수 있다. 조명 정보는 라이트(light)와 관련된 정보일 수 있다. 이동체는 영구적으로 고정되지 않고 특정한 시점이나 특정한 상황에서 움직임이 가능한 객체일 수 있다. 예를 들어, 이동체는 이동이 가능한 객체(예를 들어, 자동차, 자전거 등)일 수 있다. 사전 결정된 특정 객체는 이동체가 아닌 부동체인 객체(예를 들어, 식물)일 수 있다. 일 실시예에 따르면, 사전 결정된 특정 객체는 사용자가 설정한 객체일 수 있다.
또한, 점군 정보는 색상 데이터 및/또는 위치 데이터를 포함할 수 있다. 색상 데이터는 임의의 공간에 존재하는 객체의 색상과 관련된 데이터를 포함할 수 있다. 예를 들어, 색상 데이터는 임의의 공간에 존재하는 객체의 RGB 컬러 값을 포함하는 버텍스 컬러(vertex color) 값을 포함할 수 있다. 다만, 색상 데이터는 이에 한정되지 않고, 색상을 나타내는 다양한 값을 포함할 수 있다.
위치 데이터는 임의의 공간에 존재하는 객체의 위치와 관련된 데이터를 포함할 수 있다. 예를 들어, 위치 데이터는 임의의 공간에 존재하는 객체의 x, y, z의 위치 좌표를 포함할 수 있다. 다만, 위치 데이터는 전술한 예시로 그 의미가 한정되지 않고, 객체의 위치 또는 깊이를 나타내는 다양한 값을 포함할 수 있다.
프로세서(110)는 점군 정보에 기초하여 3D 모델을 포함하는 콜리전 맵을 생성할 수 있다.
3D 모델은 점군 정보에 기초하여 임의의 공간에 대응되도록 3차원으로 생성된 모델(예를 들어, 3차원의 맵(map) 등)로, 점군 정보를 포함할 수 있다. 예를 들어, 프로세서(110)는 점군 정보에 포함된 점군을 메시(mesh) 단위로 변경하여 임의의 공간에 대응되는 3차원으로 형성된 3D 모델을 생성할 수 있다. 따라서, 프로세서(110)는 점군 정보에 포함된 점군을 다른 다양한 단위들로 변경하여 3D 모델을 생성할 수 있다. 다른 예를 들어, 프로세서(110)는 점군 정보에 포함된 점군으로 형성된 3D 모델을 생성할 수 있다. 따라서, 프로세서(110)는 점군 정보에 포함된 점군을 변경하지 않고 그대로 사용하여 3D 모델을 생성할 수 있다. 여기서, 임의의 공간은 촬상 장치를 이용하여 스캔 또는 촬영된 공간으로, 디바이스로부터 수신한 이미지 및/또는 깊이 맵과 관련된 공간일 수 있다.
한편, 본 개시의 몇몇 실시예에서, 콜리전 맵 또는 디지털 트윈은 물리 현상을 나타내는 정보가 사전에 반영될 수 있다.
물리 현상을 나타내는 정보는 콜리전 맵 또는 디지털 트윈에 포함된 객체의 재질 정보 또는 공간 정보 중 적어도 하나를 포함할 수 있다.
객체의 재질 정보는 객체의 물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 객체의 재질 정보는 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 및/또는 마찰계수 중 적어도 하나를 포함할 수 있다. 객체의 부피는 객체의 표면을 제외한 3차원 영역일 수 있다. 예를 들어, 객체가 기체 형태인 경우, 객체의 부피는 기체가 차지하고 있는 영역을 의미할 수 있다. 컴퓨팅 장치(100)는 객체의 표면에서의 흡수율, 투과율 및 반사율의 총 합이 1이 되도록 설정할 수도 있다.
공간 정보는 공간의 물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 공간 정보는 공간 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수, 벡터 필드(vector field) 또는 텐서 필드(tensor field) 중 적어도 하나를 포함할 수 있다.
벡터 필드는 공간 상의 각 점에 할당된 벡터 값들의 집합일 수 있다. 벡터 값은 위치, 속도, 힘 등과 같이 크기와 방향성을 갖는 물리량을 의미할 수 있다. 예를 들어, 벡터 값은 중력장의 세기, 자기장의 세기 등을 포함할 수 있다. 다만, 상술한 벡터 값은 예시일 뿐이며, 다양한 값을 포함할 수 있다.
텐서 필드는 공간 상의 각 점에 할당된 텐서 값들의 집합일 수 있다. 텐서 값은 물체의 관성 모멘트 또는 변형을 나타내는 값일 수 있다.
컴퓨팅 장치(100)는 공간 정보 중에서 온도, 공기밀도, 기압을 소리의 전파 속도 및/또는 전파 도달 거리에 비례하도록 설정할 수 있다.
공간 정보는 공간의 비물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 공간 정보는 공간에서의 블로킹 여부에 관한 정보, 블로킹 채널 정보, 트리거 여부에 관한 정보, 트리거 채널에 관한 정보 및/또는 프로그래밍을 위한 태그 정보 중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치(100)는 공간 정보에 기초하여, 콜리전 맵(예를 들어, 가상 현실 공간, 증강 현실 공간, 가상 공간 등) 또는 디지털 트윈 상에 반영된 객체의 재질 정보를 변경시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 공간 정보에 포함된 온도에 따라 콜리전 맵 또는 디지털 트윈 상에 반영된 물 컵 안의 물의 재질 정보 중 하나인 증발률을 변경시킬 수 있다.
콜리전 맵 또는 디지털 트윈 상에 반영된 객체의 재질정보 및 공간 정보는 콜리전 맵 또는 디지털 트윈 상에 사전 설정된 법칙에 기초하여 시간에 따라 변화될 수 있다.
사전 설정된 법칙은 물리 법칙, 역학 법칙 등을 포함할 수 있다. 예를 들어, 사전 설정된 법칙은 뉴턴의 중력 법칙, 아인슈타인의 일반 상대성 이론 등을 포함할 수 있다. 다른 예를 들어, 사전 설정된 법칙은 인력의 세기가 거리의 세제곱에 반비례한 제 1 법칙, 중력상수 G 값이 실제 값보다 큰 제 2 법칙 등 환경 또는 사용자에 의해 설정된 기존에 존재하지 않는 임의의 법칙을 포함할 수 있다. 다만, 사전 설정된 법칙은 이에 한정되지 않으며, 환경에 따라 결정될 수도 있다.
뉴턴의 중력 법칙 및 아인슈타인의 일반 상대성 이론은 질량을 가진 물체가 다른 질량을 가진 물체와 어떻게 상호작용하는지를 설명하지만, 가정이 같아도 이론에 따라서 결과가 다르게 나타날 수 있다. 따라서, 콜리전 맵 또는 디지털 트윈 상에 반영된 객체의 재질 정보 및 공간 정보는 서로 영향을 미치며(예를 들어, 제 1 객체의 재질 정보와 제 2 객체의 재질 정보 간에 영향, 제 1 객체의 재질 정보와 제 1 공간 정보 간에 영향, 제 1 공간 정보와 제 1 공간과 상이한 제 2 공간의 제 2 공간 정보 간에 영향 등), 콜리전 맵 또는 디지털 트윈 상에 사전 설정된 법칙에 기반하여 시간에 따라 변화될 수 있다.
컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈 상에 가상 객체를 배치하는 경우, 가상 객체의 재질 정보를 사전 설정된 방식으로 결정할 수 있다. 사전 결정된 방식은 복수의 재질 정보들 중에서 임의로 결정하는 방식, 가상 객체에 대응되는 실객체의 재질 정보로 설정하는 방식 등을 포함할 수 있다.
본 개시의 몇몇 실시예에서, 콜리전 맵 또는 디지털 트윈은 객체의 인식 정보가 사전에 반영될 수 있다. 객체의 인식 정보는 객체를 인식하는데 요구되는 정보로, 객체의 종류 및/또는 객체의 위치 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)의 메모리(130)는 객체의 재질 정보, 공간 정보 및/또는 객체의 인식 정보 중 적어도 하나를 사전에 저장할 수 있다.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈 상에서 객체의 인식 정보에 대응되는 영역에 객체에 관한 정보를 매핑(mapping)시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈 상에서 나무에 대응되는 영역에 나무에 관한 정보를 매핑시킬 수 있다.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 사전 학습된 인공지능 기반의 이미지 분류 모델 혹은 이미지 세그멘테이션 모델을 이용하여 쿼리 데이터(예를 들어, 쿼리 이미지 등)에 포함된 객체를 분류하고 그리고 분류된 객체에 대응되는 사전 저장된 객체의 재질 정보 및 객체의 인식 정보를 포함하는 객체에 관한 속성 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 이러한 인공지능 기반의 분류 혹은 세그멘테이션 모델을 이용하여 객체에 대한 재질 정보 등을 수동으로 맵핑시키지 않고, 콜리전 맵 또는 디지털 트윈 상에 객체에 대한 재질 정보가 자동으로 반영될 수도 있다.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)의 프로세서(110)는 상태 정보에 기초하여 콜리전 맵 또는 디지털 트윈의 환경을 생성할 수 있다. 프로세서(110)는 생성된 콜리전 맵 또는 디지털 트윈의 환경을 콜리전 맵 또는 디지털 트윈에 반영할 수 있다.
상태 정보는 콜리전 맵 또는 디지털 트윈 내의 환경과 관련된 적어도 하나의 파라미터에 대한 정보일 수 있다. 상태 정보는 카메라 정보, 이동체 정보, 날짜 정보, 조명 정보, 날씨 정보, 사전 결정된 특정 객체정보 및/또는 상호작용 정보 중 적어도 하나를 포함할 수 있다.
카메라 정보는 콜리전 맵 또는 디지털 트윈에서 특정 영역을 촬영하기 위한 카메라의 정보일 수 있다. 예를 들어, 카메라 정보는 카메라의 위치 정보 및/또는 방향 정보 중 적어도 하나를 포함할 수 있다. 카메라의 위치 정보는 카메라가 존재하는 좌표를 포함할 수 있다. 카메라의 방향 정보는 카메라가 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 또한, 카메라 정보는 특정 영역과의 초점거리 정보, 주점(principal point) 정보, 렌즈 정보 및/또는 '센서 및/또는 필름 정보'중 적어도 하나를 포함할 수 있다. 초점거리 정보는 콜리전 맵 또는 디지털 트윈에서 존재하는 카메라의 주점으로부터 촬영하고자 하는 특정 영역까지의 거리에 관한 정보일 수 있다. 주점 정보는 주평면(principal plane)이 광축에 교차하는 점에 관한 정보일 수 있다. 렌즈 정보는 카메라에 적용된 렌즈의 왜곡과 관련된 정보일 수 있다. 필름 정보는 카메라에 적용된 필름의 사이즈와 관련된 정보일 수 있다. 센서 정보는 카메라에 적용되는 카메라 센서와 관련된 정보일 수 있다. 프로세서(110)는 센서 또는 필름 정보에 기초하여 카메라를 통해 획득되는 이미지의 종횡비(가로와 세로의 비율)를 결정할 수 있다. 따라서, 프로세서(110)는 상태 정보에 포함된 카메라 정보에 기초하여 콜리전 맵 또는 디지털 트윈의 환경에 적용되는 카메라의 세팅(예를 들어, 카메라의 사양(specification) 등)을 결정할 수 있다. 다만, 카메라 정보는 이에 한정되지 않으며, 다양한 카메라의 정보를 포함할 수 있다.
이동체 정보는 콜리전 맵 또는 디지털 트윈에 배치되는 적어도 하나의 이동체에 대한 정보일 수 있다. 본 개시의 몇몇 실시예에서, 적어도 하나의 이동체는 가상 객체에 포함될 수 있다. 예를 들어, 이동체 정보는 콜리전 맵 또는 디지털 트윈에 배치될 이동체의 종류 정보, 이동 정보 및/또는 성질 정보 중 적어도 하나를 포함할 수 있다. 이동체의 종류 정보는 이동체의 형태, 크기 및/또는 카테고리 중 적어도 하나에 관한 정보를 포함할 수 있다. 이동체의 이동 정보는 이동체의 위치와 관련된 정보일 수 있다. 예를 들어, 이동체의 이동 정보는 이동체의 초기 위치, 속도, 가속도 및/또는 경로 중 적어도 하나에 관한 정보를 포함할 수 있다. 이동체의 성질 정보는 이동체의 물리적 성질(예컨대, 재질 정보 등)에 관한 정보를 포함할 수 있다. 예를 들어, 이동체의 성질 정보는 이동체의 콜리전(collision)에 관한 정보를 포함할 수 있다. 따라서, 프로세서(110)는 상태 정보에 포함된 이동체 정보에 기초하여 콜리전 맵 또는 디지털 트윈의 환경에 적용되는 이동체의 세팅(예를 들어, 이동체의 사양(specification), 위치 등)을 결정할 수 있다. 다만, 이동체 정보는 이에 한정되지 않으며, 다양한 이동체에 대한 정보를 포함할 수 있다.
날짜 정보는 콜리전 맵 또는 디지털 트윈에 적용할 절기 정보 및/또는 시간 정보를 포함할 수 있다. 절기 정보는 태양년을 태양의 환경에 따라 24등분한 기후의 표준점에 대한 정보일 수 있다. 예를 들어, 절기 정보는 입춘, 우수, 경칩 등을 포함할 수 있다. 시간 정보는 하루의 시점을 나타내는 정보일 수 있다. 예를 들어, 시간 정보는 1시 1분, 13시 20분 등을 포함할 수 있다.
날씨 정보는 콜리전 맵 또는 디지털 트윈에 적용할 기상 상태와 관련된 정보일 수 있다. 예를 들어, 날씨 정보는 구름의 양, 분포, 높이, 형태, 색상, 태양광 투과도, 이동속도, 분산여부 및/또는 형태 중 적어도 하나에 관한 구름 정보를 포함할 수 있다. 다른 예를 들어, 날씨 정보는 안개의 강도, 색상, 산란강도 및/또는 높이 중 적어도 하나에 기초하여 결정되는 안개 정보를 포함할 수 있다. 안개 정보는 안개의 양, 색상, 강도, 블러(blur) 효과 여부, 변화 여부 및/또는 자체발광 여부 중 적어도 하나의 정보를 포함할 수 있다. 또 다른 예를 들어, 날씨 정보는 눈 또는/및 비의 입자 양, 입자 모양, 입자 색상, 입자 크기, 입자 투명도, 입자 굴절률, 입자 속도 및/또는 바람에 의한 기울어짐 각도 중 적어도 하나의 정보를 포함할 수 있다.
조명 정보는 콜리전 맵 또는 디지털 트윈에 적용되는 라이트(light)와 관련된 정보일 수 있다. 조명 정보는 가상 조명의 정보(예를 들어, 인공 조명의 정보 등) 및/또는 현실 조명의 정보(예를 들어, 자연 조명(예를 들어, 태양광 등)의 정보 등)중 적어도 하나를 포함할 수 있다. 예를 들어, 조명 정보는 자연 조명의 정보 중 하나로서, 날짜 정보 및 날씨 정보에 기초하여 결정된 조명의 색상 정보 및/또는 그림자 정보를 포함할 수 있다. 조명 정보는 자연 조명의 정보 중 하나로서, 날짜 정보 및 날씨 정보에 기초하여 변화되는 디렉셔널 라이트(directional light)의 색상, 강도, 방향, 대기 산란 및/또는 대기 반사 중 적어도 하나에 대한 정보를 포함할 수 있다. 디렉셔널 라이트는 한 방향으로 같은 양을 무한대로 투사하는 광선일 수 있다. 예를 들어, 디렉셔널 라이트는 태양을 포함할 수 있다.
또한, 조명 정보는 글로벌 일루미네이션(global illumination)과 스카이라이트(skylight)의 색상 강도, 방향, 대기 산란 및/또는 대기 반사 중 적어도 하나에 대한 정보를 포함할 수 있다. 글로벌 일루미네이션은 하나의 객체와 조명 뿐만 아니라 다른 객체의 영향을 고려하여 객체들의 색을 결정하는 알고리즘일 수 있다. 스카이라이트는 직사광선이 대기 중에서 산란된 확산광을 의미할 수 있다.
또한, 조명 정보는 가상 조명의 정보 중 하나로서, 인공 광원의 색상, 강도, 방향, 대기 산란 및/또는 대기 반사 중 적어도 하나에 대한 정보를 포함할 수 있다. 가상 조명은 전기를 이용하여 빛을 발생시키는 광원으로, 점광원, 면광원, 지향성광원 등을 포함할 수 있다.
또한, 조명 정보는 조명의 위치 및/또는 방향 정보를 포함할 수 있다. 조명의 위치 및/또는 방향 정보는 콜리전 맵 또는 디지털 트윈에 할당된 사전 결정된 콜리전 맵 또는 디지털 트윈의 고유한 지리학적 위치 정보 및 날짜 정보에 기초하여 결정될 수 있다. 조명의 위치 정보는 조명이 존재하는 위치 좌표를 포함할 수 있다. 조명의 방향 정보는 조명이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다.
그림자 정보는 조명 정보에 기초하여 결정되는 그림자에 관한 정보일 수 있다. 구체적으로, 조명 정보의 그림자 정보는 조명의 위치 및/또는 방향 정보 중 적어도 하나에 기초하여 결정될 수 있다. 예를 들어, 그림자 정보는 콜리전 맵 또는 디지털 트윈에 존재하는 적어도 하나의 객체에 대한 그림자 강도, 그림자 길이 및/또는 그림자 선명도 중 적어도 하나의 정보를 포함할 수 있다.
사전 결정된 특정 객체정보는 특정 영역 내에서 이동체가 아닌 다른 객체에 대한 정보를 포함할 수 있다. 예를 들어, 사전 결정된 특정 객체정보는 이동체가 아닌 부동체인 객체(예를 들어, 식물)에 대한 정보를 포함할 수 있다. 예를 들어, 사전 결정된 특정 객체정보는 콜리전 맵 또는 디지털 트윈에 배치될 사전 결정된 특정 객체의 종류 정보 및 성질 정보를 포함할 수 있다. 사전 결정된 특정 객체의 종류는 사전 결정된 특정 객체의 형태, 크기 및/또는 카테고리 중 적어도 하나에 관한 정보를 포함할 수 있다. 사전 결정된 특정 객체의 성질 정보는 사전 결정된 특정 객체의 물리적 성질에 관한 정보를 포함할 수 있다. 예를 들어, 사전 결정된 특정 객체의 성질 정보는 사전 결정된 특정 객체의 콜리전(collision)에 관한 정보를 포함할 수 있다. 따라서, 프로세서(110)는 상태 정보에 포함된 사전 결정된 특정 객체정보에 기초하여 콜리전 맵 또는 디지털 트윈의 환경에 적용되는 사전 결정된 특정 객체정보의 세팅(예를 들어, 사전 결정된 특정 객체정보의 사양(specification), 위치 등)을 결정할 수 있다. 다만, 사전 결정된 특정 객체정보는 이에 한정되지 않으며, 다양한 사전 결정된 특정 객체정보를 포함할 수 있다.
상호작용 정보는 콜리전 맵 또는 디지털 트윈에서 카메라 정보, 이동체 정보, 날짜 정보, 조명 정보, 날씨 정보 및/또는 사전 결정된 특정 객체 정보 중 2개 이상의 정보에 기초하여 발생되는 상호작용에 관한 정보를 포함할 수 있다. 예를 들어, 상호작용 정보는 콜리전 맵 또는 디지털 트윈에서 날씨 정보에 기초하여 적용되는 시각적 효과를 포함할 수 있다. 일례로, 상호작용 정보는 콜리전 맵 또는 디지털 트윈에서 비 및/또는 눈이 이동체 및/또는 사전 결정된 특정 객체에 쌓이는지 여부, 증발 및/또는 녹는 속도 중 적어도 하나를 포함할 수 있다.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈에 가상 조명을 배치하는 경우, 가상 조명의 정보에 기초하여 상기 콜리전 맵 또는 디지털 트윈 상에서의 제 1 가상 명암 또는 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정할 수 있다(340).
가상 조명의 정보는 가상 조명의 위치 정보, 가상 조명의 방향 정보 및/또는 가상 조명의 특성 정보 중 적어도 하나를 포함할 수 있다. 가상 조명의 위치 정보는 가상 조명이 존재하는 위치 좌표를 포함할 수 있다. 가상 조명의 방향 정보는 가상 조명이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 가상 조명의 특성 정보는 가상 조명의 색상, 밝기, 도달거리 또는 가상 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함할 수 있다.
제 1 시각적 효과는 과노출, 역광, 암적응, 섬광 또는 보케(bokeh) 중 적어도 하나에 대응되는 효과를 포함할 수 있다. 과노출은 가상 조명 및/또는 자연 조명 중 적어도 하나에 의한 빛에 과다하게 노출되는 경우에 발생될 수 있다. 과노출은 색감이 기존보다 좀 더 밝게 보일 수 있다. 역광은 대상물의 후면에 가상 조명 및/또는 자연 조명 중 적어도 하나에 의한 빛이 강하게 투사되어 대상물의 밝기가 상대적으로 낮아 보일 수 있다. 암적응은 어두운 곳에서 눈이 적응하는 효과로, 어두운 곳에서 대상이 검게 보이는 것이 아닌 대상의 형태가 식별될 수 있다.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈에 가상 객체를 배치하는 경우, 가상 조명의 정보 및 가상 객체의 정보에 기초하여 콜리전 맵 또는 디지털 트윈 상에서의 제 2 가상 명암 또는 제 2 가상 명암에 따른 제 2 시각적 효과 중 적어도 하나를 결정할 수 있다.
가상 객체의 정보는 가상 객체의 위치 정보, 가상 객체의 방향 정보 또는 가상 객체의 재질 정보 중 적어도 하나를 포함할 수 있다.
가상 객체의 위치 정보는 가상 객체가 존재하는 위치 좌표를 포함할 수 있다.
가상 객체의 방향 정보는 가상 객체가 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다.
가상 객체의 재질 정보는 가상 객체의 물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 가상 객체의 재질 정보는 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 및/또는 마찰계수 중 적어도 하나를 포함할 수 있다. 가상 객체의 부피는 객체의 표면을 제외한 3차원 영역일 수 있다. 예를 들어, 가상 객체가 기체 형태인 경우, 가상 객체의 부피는 기체가 차지하고 있는 영역을 의미할 수 있다.
컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈을 결정하는 단계(330) 이후에, 쿼리 이미지와 상기 콜리전 맵 또는 디지털 트윈을 비교하여 사용자 디바이스와 관련된 현실 조명의 정보를 획득할 수 있다.
예를 들어, 쿼리 이미지와 콜리전 맵 또는 디지털 트윈을 비교하여, 쿼리 이미지와 콜리전 맵 또는 디지털 트윈 상에서의 명암의 차이를 결정하고, 그리고 결정된 명암의 차이를 이용하여 콜리전 맵 또는 디지털 트윈에 존재하지 않는 쿼리 이미지 상에서의 현실 조명의 정보를 추정할 수 있다.
컴퓨팅 장치(100)는 가상 조명의 정보 및 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정할 수 있다. 현실 조명의 정보는 현실 조명의 위치 정보, 현실 조명의 방향 정보 및/또는 현실 조명의 특성 정보 중 적어도 하나를 포함할 수 있다. 현실 조명의 위치 정보는 현실 조명이 존재하는 위치 좌표를 포함할 수 있다. 현실 조명의 방향 정보는 현실 조명이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 현실 조명의 특성 정보는 현실 조명의 색상, 밝기, 도달거리 또는 현실 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 추정된 현실 조명의 정보, 가상 조명의 위치 정보, 가상 조명의 방향 정보 및 가상 조명의 특성 정보를 이용하여 복합 조명의 정보를 추정할 수 있다.
컴퓨팅 장치(100)는 복합 조명의 정보에 기초하여 콜리전 맵 또는 디지털 트윈 상에서의 제 3 가상 명암 및 제 3 가상 명암에 따른 제 3 시각적 효과를 결정할 수 있다.
컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈에 가상 객체를 배치하는 경우, 복합 조명의 정보 및 가상 객체의 정보에 기초하여 콜리전 맵 또는 디지털 트윈 상에서의 제 4 가상 명암 및/또는 제 4 가상 명암에 따른 제 4 시각적 효과 중 적어도 하나를 결정할 수 있다.
컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈에 가상 음향을 배치하는 경우, 가상 음향의 정보에 기초하여 콜리전 맵 또는 디지털 트윈 상에서 사용자 디바이스에 적용되는 제 1 청각적 효과를 결정할 수 있다. 가상 음향의 정보는 가상 음향의 위치 정보, 가상 음향의 방향 정보 및/또는 가상 음향의 특성 정보 중 적어도 하나를 포함할 수 있다. 가상 음향의 위치 정보는 가상 음향이 존재하는 위치 좌표를 포함할 수 있다. 가상 음향의 방향 정보는 가상 음향이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 가상 음향의 특성 정보는 가상 음향의 도달거리와 관련된 정보(예를 들어, 가상 음향의 소리 크기, 음파 등)를 포함할 수 있다.
컴퓨팅 장치(100)는 사운드 어테뉴에이션(Sound Attenuation) 함수를 이용하여 가상 음향으로부터 사용자 디바이스까지의 거리를 산출하여 제 1 청각적 효과를 결정할 수 있다. 사운드 어테뉴에이션 함수는 거리에 따른 볼륨이 정비례로 감소하는 Attenuation Linear 모델, 거리에 따른 볼륨이 로그 지수형으로 감소하는 Attenuation Logarithmic 모델, 거리에 따른 볼륨이 역지수형으로 감소하는 Attenuation LogReverse 모델, 특정 방정식(예를 들어, ( UsedMaxRadius / UsedMinRadius ) * ( 0.02 / ( Distance (거리) / UsedMaxRadius ) 등)을 사용하는 Attenuation Inverse 모델 등을 포함할 수 있다.
컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈에 가상 객체를 배치하는 경우, 가상 음향의 정보 및 가상 객체의 정보에 기초하여 콜리전 맵 또는 디지털 트윈 상에서 사용자 디바이스에 적용되는 제 2 청각적 효과를 결정할 수 있다.
도 4는 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 통해 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.
컴퓨팅 장치(100)는 사전 학습된 특징점 획득 모델(420)을 이용하여, 쿼리 데이터(예를 들어, 쿼리 이미지, 깊이 맵 등)(410)로부터 적어도 하나의 특징점(430 및 440) 및/또는 적어도 하나의 특징점(430 및 440) 각각에 대응되는 적어도 하나의 설명자를 획득할 수 있다. 일례로, 특징점(430 및 440)은 쿼리 데이터(410)의 쿼리 이미지 및/또는 깊이 맵 상에서 특징이 되는 부분들 또는 포인트들 각각에 대한 좌표일 수 있다. 일례로, 설명자는 특징점들 각각의 방향성, 크기 및/또는 특징점들 각각의 주변 픽셀 간의 관계에 대한 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 특징점 획득 모델(420)은 쿼리 이미지 혹은 깊이 맵 내에서의 객체에서의 색상 또는 기하학적 패턴 중 적어도 하나에 대한 변화량이 사전결정된 임계치를 초과하는 포인트를 특징점으로 인식하도록 지도 학습에 기반하여 사전 학습된 모델을 포함할 수 있다. 일례로, 특징점 획득 모델(420)은 이미지 기반의 신경망을 사용하여 사전학습된 모델에 대응될 수 있다. 다른 예시로, 특징점 획득 모델(420)은 Transformer 기반의 신경망을 사용하는 사전학습된 모델에 대응될 수도 있다.
일 실시예에서, 쿼리 데이터(410)는 사용자 디바이스에 의해 획득된 쿼리 이미지, 쿼리 이미지에 대응되는 설명자, 사용자 디바이스에 의해 획득된 깊이 맵, 깊이 맵에 대응되는 설명자 및/또는 사용자 디바이스의 추가 정보를 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 쿼리 이미지에 대응되는 제 1 특징점들(430)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 컴퓨팅 장치(100)는 인공지능 기반의 특징점 획득 모델(420)을 사용하여, 상기 쿼리 데이터(410)에 포함된 쿼리 이미지에 대한 제 1 특징점들(430)을 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 특징점들(430) 및 제 1 특징점들(430)에 대응되는 설명자들 및 사전저장된 복수의 참조 이미지들에 기초하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 이러한 비주얼 로컬라이제이션(450)의 결과로 사용자 디바이스에 대한 포즈(460)가 추정될 수 있다 사용자 디바이스에 대한 포즈(460)는 사용자 디바이스에 대응되는 HMD, AR 글래스 또는 VR 글래스에 대한 포즈에 기초하여 결정되는 헬멧의 위치 및 방향을 포함할 수 있다.
일 실시예에서, 비주얼 로컬라이제이션(450)은 쿼리 데이터와 사전저장된 참조 이미지 간의 비교에 기초하여, 쿼리 데이터 상에서의 사용자 디바이스의 위치 및 바라보고 있는 방향을 결정하는 방법론을 포함할 수 있다. 비주얼 로컬라이제이션(450)에 대한 구체적인 방법론들에 대해서는 2022년 7월 4일에 출원된 대한민국 특허 출원 제10-2022-0081908호에 기재되었으며, 상기 대한민국 특허 출원은 본 특허 출원에 참조로 통합된다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 깊이 맵에 대응되는 제 2 특징점들(440)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 컴퓨팅 장치(100)는 인공지능 기반의 특징점 획득 모델(420)을 사용하여, 상기 쿼리 데이터(410)에 포함된 깊이 맵에 대한 제 2 특징점들(440)을 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 특징점들(440), 제 2 특징점들(440)에 대응되는 설명자들 및 사전저장된 복수의 참조 이미지들에 기초하여 상기 비주얼 로컬라이제이션(450)을 수행함으로써, 사용자 디바이스에 대한 포즈(460)를 결정할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 쿼리 이미지에 대응되는 제 1 특징점들(430) 및 깊이 맵에 대응되는 제 2 특징점들(440)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 특징점들(430)과 제 2 특징점들(440)을 비교하여, 제 1 특징점들(430)과 제 2 특징점들(440) 중에서 서로 대응되는 픽셀 좌표값들을 가지는 제 3 특징점들을 결정할 수 있다. 일례로, 제 3 특징점들은 제 1 특징점들(430)과 제 2 특징점들(440) 중 중복되는 특징점들을 포함할 수 있다. 컴퓨팅 장치(100)는 사전저장된 복수의 참조 이미지들 중 제 3 특징점들에 대응되는 특징점들을 가지는 참조 이미지들을 결정하고, 결정된 참조 이미지들에 기초하여, 사용자 디바이스에 대한 포즈(460)를 결정할 수 있다. 다른 예시로, 컴퓨팅 장치(100)는 제 1 특징점들(430) 및 상기 제 1 특징점들(430)에 대응되는 설명자들과 사전 저장된 참조 이미지를 비교하고 그리고 제 2 특징점들(440) 및 제 2 특징점들(440)에 대응되는 설명자들과 사전저장된 참조 이미지를 비교하는 방식으로 비주얼 로컬라이제이션(450)을 수행할 수도 있다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 컴퓨팅 장치(100)의 데이터베이스(예를 들어, 메모리(130) 등)에 저장된 참조 이미지, 쿼리 데이터(410) 상에서의 특징점들(430 및/또는 440) 및 사용자 디바이스의 추가 정보에 기초하여, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 복수의 참조 이미지들 중에서, 쿼리 이미지 특징점들과 참조 이미지의 특징점들 간의 매칭에 기초하여 포즈 참조 이미지를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 포즈 참조 이미지에 포즈 참조 이미지에 할당된 3D 카메라 좌표와 쿼리 데이터의 특징점들(430 및/또는 440)의 좌표들(예컨대, 2차원 좌표들) 간의 비교 결과에 따라, 쿼리 데이터(410)에 대한 카메라 포즈 정보를 결정할 수 있다. 본 개시내용에서의 포즈 참조 이미지는 참조 이미지들 중 쿼리 데이터(410)와의 매칭 대상이 되는 참조 이미지를 의미할 수 있다. 일례로, 포즈 참조 이미지는 쿼리 데이터(410)와 비교될 복수의 후보 이미지들 중 쿼리 데이터(410)와 매칭률이 가장 높은 이미지를 의미할 수 있다. 이러한 예시에서, 컴퓨팅 장치(100)는 포즈 참조 이미지에 할당된 3D 카메라 좌표를 이용하여 쿼리 데이터(410)에 대한 비주얼 로컬라이제이션을 수행할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 포즈 참조 이미지에 할당된 카메라 포즈 정보(예컨대, 3D 카메라 좌표) 및 포즈 참조 이미지를 통해 결정된 쿼리 데이터(410)에 대한 상대 카메라 포즈 정보에 기초하여, 원점에 대한 쿼리 이미지의 절대 카메라 포즈 정보를 결정하고, 그리고 절대 카메라 포즈 정보에 기초하여 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다.
본 개시내용에서의 절대 카메라 포즈 정보는, 예를 들어, 특정지역 혹은 특정 국가에서 통용되는 geodetic datum 또는 geodetic system (또는, geodetic reference datum, geodetic reference system, 또는 geodetic reference frame), spatial reference system (SRS) 또는 coordinate reference system (CRS), 또는 geographic coordinate system (GCS) 등에 대한 좌표값 및/또는 방향값을 포함할 수 있다. 본 개시내용에서의 상대 카메라 포즈 정보는, 참조 이미지에 할당된 카메라 포즈 정보의 3D 좌표와 쿼리 데이터(410)의 특징점들 간의 2D 좌표간의 비교 결과에 의해 생성된 카메라 포즈 정보를 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 특징점을 획득하여 쿼리 데이터(410)로부터 상기 쿼리 데이터(410)에 대한 특징점들(430 및/또는 440)을 추출할 때, 특징점들(430 및/또는 440)에 대응되는 픽셀 좌표 및 설명자를 획득할 수 있다. 컴퓨팅 장치(100)는 쿼리 데이터(410)의 특징점들(430 및/또는 440)에 대응되는 설명자와 데이터베이스에 저장된 참조 이미지의 특징점들에 대응되는 설명자를 비교함으로써, 상기 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다. 설명자들은 쿼리 데이터(410)에 맵핑되어 있어서 참조 이미지에 맵핑된 설명자들과 비교되어 복수의 참조 이미지들 중 쿼리 데이터(410)와 비교될 후보 참조 이미지를 결정하는데 사용될 수 있다. 설명자들은 참조 이미지와 쿼리 데이터(410) 간의 비교를 효율적으로 수행하는데 사용될 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 특징점들에 대응되는 설명자와 데이터베이스에 저장된 참조 이미지의 특징점들에 대응되는 설명자를 비교함으로써, 복수의 참조 이미지들 중에서 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 위한 포즈 참조 이미지를 결정하고, 그리고 상기 포즈 참조 이미지에 맵핑된 3차원 좌표 정보, 특징점들 간의 매칭 정보 및 상기 쿼리 데이터(410)의 특징점들(430 및/또는 440)에 대응되는 픽셀 좌표에 기초하여, 사용자 디바이스에 대한 카메라 포즈 추정을 포함하는 비주얼 로컬라이제이션(450)을 수행할 수 있다.
전술한 방식으로, 본 개시내용의 일 실시예에 따른 기법은 인공지능 기반의 특징점 획득 모델(420)의 출력에 비주얼 로컬라이제이션(450)(예컨대, VPS 기반의 사용자 디바이스에 대한 포즈 추정)을 적용하여, 쿼리 데이터(410)를 전송한 사용자 디바이스의 포즈(460)를 정확한 방식으로 추정할 수 있다.
도 5 및 도 6은 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 콜리전 맵 또는 디지털 트윈에서 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다.
도 5를 참조하면, 컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈에 기초하여 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다. 컴퓨팅 장치(100)는 촬영 기능을 구비한 사용자 디바이스(520)로부터 촬영된 데이터(예를 들어, 쿼리 이미지 등)를 획득함으로써, 사용자 디바이스(520)의 현재 위치 및 방향을 추정할 수 있다. 컴퓨팅 장치(100)는 사용자 디바이스(520)의 위치 및 방향을 추정함으로써, 사용자 디바이스(520)를 사용하는 클라이언트(510)에게 콜리전 맵 또는 디지털 트윈에 기초한 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 추정된 사용자 디바이스(520)의 현재 위치 및 방향에 대응되는 콜리전 맵 또는 디지털 트윈을 결정할 수 있다. 컴퓨팅 장치(100)는 현실에 대응되는 콜리전 맵 또는 디지털 트윈에 포함된 객체인 현실의 지형지물(530), 현실의 조명(560) 및 현실의 반사면(또는, 투과면)(570)에 가상 객체인 가상의 이동체(또는, 부동체)(540), 가상 조명(550), 가상의 반사면(또는, 투과면)(580), 가상 음향이 추가된 증강현실 및/또는 가상현실 플랫폼을 사용자의 디바이스(520)를 통해 제공할 수 있다.
예를 들어, 도 6을 참조하면, 컴퓨팅 장치(100)는 가상 객체(또는, 현실 객체)(610)가 가상 반사면(또는, 현실 반사면)(620)에 반사되는 경우, 가상 반사면(620)에 가상 객체의 반사 상(또는, 현실 객체의 반사 상)을 콜리전 맵 또는 디지털 트윈에 추가하여 사용자 디바이스(520) 상에 표시되도록 할 수 있다.
도 4 내지 도 6에 기재된 구성들(예를 들어, 컴퓨팅 장치(100)의 구성 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 3을 통해 설명한 내용으로 대체될 수 있다.
도 1 내지 도 6을 참조하여 상술한 바와 같이, 컴퓨팅 장치(100)는 콜리전 맵 또는 디지털 트윈에 따른 증강현실 및/또는 가상현실 플랫폼을 사용자의 디바이스를 통해 제공함으로써, 클라이언트에게 현실 지형에 가상 객체 및 가상 음향이 실제로 추가된 것 같은 실제감을 줄 수 있다.
또한, 컴퓨팅 장치(100)는 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵 또는 디지털 트윈을 결정함으로써, 전체 콜리전 맵 또는 전체 디지털 트윈을 로딩하여 가상 객체 및 가상 음향을 추가하는 경우보다 적은 리소스를 가지고, 빠르게 가상 객체 및 가상 음향이 추가된 콜리전 맵 또는 디지털 트윈을 생성하여 사용자에게 제공할 수 있다.
또한, 컴퓨팅 장치(100)는 인공지능 기반의 분류 혹은 세그멘테이션 모델을 이용하여 객체에 대한 재질 정보 등을 수동으로 맵핑시키지 않고, 가상 현실 공간 상에 객체에 대한 재질 정보가 자동으로 반영되도록 함으로써, 콜리전 맵 또는 디지털 트윈을 효율적으로 빠르게 생성하여 사용자에게 제공할 수 있다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 값들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (20)

  1. 컴퓨팅 장치에 의해 수행되는 비주얼 로컬라이제이션(visual localization)을 통해 가상 조명을 배치하기 위한 방법으로서,
    사용자 디바이스에서 획득된 쿼리 이미지(query image) 및 상기 쿼리 이미지에 대응되는 깊이 맵을 수신하는 단계;
    사전 학습된 제 1 특징점 획득 모델을 이용하여 상기 쿼리 이미지로부터 상기 쿼리 이미지에 대응되는 제 1 특징점들을 획득하는 단계;
    사전 학습된 제 2 특징점 획득 모델을 이용하여 상기 깊이 맵으로부터 상기 깊이 맵에 대응되는 제 2 특징점들을 획득하는 단계;
    상기 제 1 특징점들과 상기 제 2 특징점들을 비교하여, 상기 제 1 특징점들과 상기 제 2 특징점들 중 서로 중복되는 제 3 특징점들을 획득하는 단계;
    사전 저장된 복수의 참조 이미지들 각각의 특징점들과 상기 제 3 특징점들을 비교하여 비주얼 로컬라이제이션을 수행하는 단계; 및
    상기 비주얼 로컬라이제이션의 결과를 이용하여 가상 조명의 정보를 포함하는 디지털 트윈(digital twin)을 결정하고, 상기 가상 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 1 가상 명암을 결정하고, 상기 제 1 가상 명암에 따른 제 1 시각적 효과를 결정하는 단계;
    를 포함하고,
    상기 디지털 트윈은,
    실제 공간의 정보가 실시간 동기화 또는 비동기적으로 복제되는 디지털 시스템인,
    방법.
  2. 제 1 항에 있어서,
    상기 비주얼 로컬라이제이션의 결과는,
    상기 사용자 디바이스의 관련된 위치 및 방향을 포함하는 포즈(pose);
    를 포함하는,
    방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 디지털 트윈은,
    물리 현상을 나타내는 정보가 사전에 반영된,
    방법.
  5. 제 4 항에 있어서,
    상기 물리 현상을 나타내는 정보는,
    상기 디지털 트윈에 포함된 객체의 재질 정보 또는 공간 정보 중 적어도 하나를 포함하는,
    방법.
  6. 제 5 항에 있어서,
    상기 객체의 재질 정보는,
    상기 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함하는,
    방법.
  7. 제 5 항에 있어서,
    상기 공간 정보는,
    공간 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수, 벡터 필드(vector field) 또는 텐서 필드(tensor field) 중 적어도 하나를 포함하는,
    방법.
  8. 제 1 항에 있어서,
    상기 가상 조명의 정보는,
    상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 또는 상기 가상 조명의 특성 정보 중 적어도 하나를 포함하는,
    방법.
  9. 제 8 항에 있어서,
    상기 가상 조명의 특성 정보는,
    상기 가상 조명의 색상, 밝기, 도달거리 또는 상기 가상 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함하는,
    방법.
  10. 제 1 항에 있어서,
    상기 제 1 시각적 효과는,
    과노출, 역광, 암적응, 섬광 또는 보케 중 적어도 하나에 대응되는 효과를 포함하는,
    방법.
  11. 제 1 항에 있어서,
    상기 디지털 트윈에 가상 객체를 배치하는 경우, 상기 가상 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 디지털 트윈 상에서의 제 2 가상 명암 또는 제 2 가상 명암에 따른 제 2 시각적 효과 중 적어도 하나를 결정하는 단계;
    를 더 포함하는,
    방법.
  12. 제 11 항에 있어서,
    상기 가상 객체의 정보는,
    상기 가상 객체의 위치 정보, 가상 객체의 방향 정보 또는 상기 가상 객체의 재질 정보 중 적어도 하나를 포함하는,
    방법.
  13. 제 12 항에 있어서,
    상기 가상 객체의 재질 정보는,
    상기 가상 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함하는,
    방법.
  14. 제 1 항에 있어서,
    상기 디지털 트윈을 결정하는 단계 이후에,
    상기 쿼리 이미지와 상기 디지털 트윈을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계;
    상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계; 및
    상기 복합 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 3 가상 명암 및 상기 제 3 가상 명암에 따른 제 3 시각적 효과를 결정하는 단계;
    를 더 포함하는,
    방법.
  15. 제 14 항에 있어서,
    상기 쿼리 이미지와 상기 디지털 트윈을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계는,
    상기 쿼리 이미지와 상기 디지털 트윈을 비교하여, 상기 쿼리 이미지와 상기 디지털 트윈 상에서의 명암의 차이를 결정하고, 그리고 상기 결정된 명암의 차이를 이용하여 상기 디지털 트윈에 존재하지 않는 상기 쿼리 이미지 상에서의 현실 조명의 정보를 추정하는 단계;
    를 포함하며, 그리고
    상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계는,
    상기 추정된 현실 조명의 정보, 상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 및 상기 가상 조명의 특성 정보를 이용하여 상기 복합 조명의 정보를 추정하는 단계;
    를 포함하는,
    방법.
  16. 제 14 항에 있어서,
    상기 디지털 트윈에 가상 객체를 배치하는 경우, 상기 복합 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 디지털 트윈 상에서의 제 4 가상 명암 또는 제 4 가상 명암에 따른 제 4 시각적 효과 중 적어도 하나를 결정하는 단계;
    를 더 포함하는,
    방법.
  17. 제 1 항에 있어서,
    상기 디지털 트윈에 가상 음향을 배치하는 경우, 상기 가상 음향의 정보에 기초하여 상기 디지털 트윈 상에서 상기 사용자 디바이스에 적용되는 제 1 청각적 효과를 결정하는 단계;
    를 더 포함하는,
    방법.
  18. 제 17 항에 있어서,
    상기 디지털 트윈에 가상 객체를 배치하는 경우, 상기 가상 음향의 정보 및 상기 가상 객체의 정보에 기초하여 상기 디지털 트윈 상에서 상기 사용자 디바이스에 적용되는 제 2 청각적 효과를 결정하는 단계;
    를 더 포함하는,
    방법.
  19. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 비주얼 로컬라이제이션(visual localization)을 통해 가상 조명을 배치하기 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
    사용자 디바이스에서 획득된 쿼리 이미지(query image) 및 상기 쿼리 이미지에 대응되는 깊이 맵을 수신하는 단계;
    사전 학습된 제 1 특징점 획득 모델을 이용하여 상기 쿼리 이미지로부터 상기 쿼리 이미지에 대응되는 제 1 특징점들을 획득하는 단계;
    사전 학습된 제 2 특징점 획득 모델을 이용하여 상기 깊이 맵으로부터 상기 깊이 맵에 대응되는 제 2 특징점들을 획득하는 단계;
    상기 제 1 특징점들과 상기 제 2 특징점들을 비교하여, 상기 제 1 특징점들과 상기 제 2 특징점들 중 서로 중복되는 제 3 특징점들을 획득하는 단계;
    사전 저장된 복수의 참조 이미지들 각각의 특징점들과 상기 제 3 특징점들을 비교하여 비주얼 로컬라이제이션을 수행하는 단계; 및
    상기 비주얼 로컬라이제이션의 결과를 이용하여 가상 조명의 정보를 포함하는 디지털 트윈(digital twin)을 결정하고, 상기 가상 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 1 가상 명암을 결정하고, 상기 제 1 가상 명암에 따른 제 1 시각적 효과를 결정하는 단계;
    를 포함하고,
    상기 디지털 트윈은,
    실제 공간의 정보가 실시간 동기화 또는 비동기적으로 복제되는 디지털 시스템인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  20. 비주얼 로컬라이제이션(visual localization)을 통해 가상 조명을 배치하기 위한 컴퓨팅 장치에 있어서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및
    네트워크부;
    를 포함하고,
    상기 프로세서는,
    사용자 디바이스에서 획득된 쿼리 이미지(query image) 및 상기 쿼리 이미지에 대응되는 깊이 맵을 수신하고,
    사전 학습된 제 1 특징점 획득 모델을 이용하여 상기 쿼리 이미지로부터 상기 쿼리 이미지에 대응되는 제 1 특징점들을 획득하고,
    사전 학습된 제 2 특징점 획득 모델을 이용하여 상기 깊이 맵으로부터 상기 깊이 맵에 대응되는 제 2 특징점들을 획득하고,
    상기 제 1 특징점들과 상기 제 2 특징점들을 비교하여, 상기 제 1 특징점들과 상기 제 2 특징점들 중 서로 중복되는 제 3 특징점들을 획득하고,
    사전 저장된 복수의 참조 이미지들 각각의 특징점들과 상기 제 3 특징점들을 비교하여 비주얼 로컬라이제이션을 수행하고, 그리고
    상기 비주얼 로컬라이제이션의 결과를 이용하여 가상 조명의 정보를 포함하는 디지털 트윈(digital twin)을 결정하고, 상기 가상 조명의 정보에 기초하여 상기 디지털 트윈 상에서의 제 1 가상 명암을 결정하고, 상기 제 1 가상 명암에 따른 제 1 시각적 효과를 결정하되,
    상기 디지털 트윈은,
    실제 공간의 정보가 실시간 동기화 또는 비동기적으로 복제되는 디지털 시스템인,
    컴퓨팅 장치.
KR1020230054825A 2023-04-26 2023-04-26 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치 KR102616030B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230054825A KR102616030B1 (ko) 2023-04-26 2023-04-26 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230054825A KR102616030B1 (ko) 2023-04-26 2023-04-26 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102616030B1 true KR102616030B1 (ko) 2023-12-20

Family

ID=89376843

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230054825A KR102616030B1 (ko) 2023-04-26 2023-04-26 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102616030B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130286004A1 (en) * 2012-04-27 2013-10-31 Daniel J. McCulloch Displaying a collision between real and virtual objects
US9122053B2 (en) * 2010-10-15 2015-09-01 Microsoft Technology Licensing, Llc Realistic occlusion for a head mounted augmented reality display
KR102225093B1 (ko) 2020-09-01 2021-03-09 주식회사 맥스트 카메라 포즈 추정 장치 및 방법
US20210166437A1 (en) * 2019-10-16 2021-06-03 Google Llc Compute amortization heuristics for lighting estimation for augmented reality
KR102389762B1 (ko) * 2021-02-04 2022-04-22 클레이웍스 주식회사 디지털 트윈 연동 증강현실 카메라를 통한 공간 형성 및 인식 시스템 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9122053B2 (en) * 2010-10-15 2015-09-01 Microsoft Technology Licensing, Llc Realistic occlusion for a head mounted augmented reality display
US20130286004A1 (en) * 2012-04-27 2013-10-31 Daniel J. McCulloch Displaying a collision between real and virtual objects
US20210166437A1 (en) * 2019-10-16 2021-06-03 Google Llc Compute amortization heuristics for lighting estimation for augmented reality
KR102225093B1 (ko) 2020-09-01 2021-03-09 주식회사 맥스트 카메라 포즈 추정 장치 및 방법
KR102389762B1 (ko) * 2021-02-04 2022-04-22 클레이웍스 주식회사 디지털 트윈 연동 증강현실 카메라를 통한 공간 형성 및 인식 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
US20230281913A1 (en) Radiance Fields for Three-Dimensional Reconstruction and Novel View Synthesis in Large-Scale Environments
CN105900143A (zh) 从图像确定镜面反射性
US20240185506A1 (en) Hybrid differentiable rendering for light transport simulation systems and applications
KR102616030B1 (ko) 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치
KR102616031B1 (ko) 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치
KR20240051020A (ko) 데이터셋을 생성하기 위한 방법
KR102639273B1 (ko) 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법 및 장치
KR102556765B1 (ko) 비주얼 로컬라이제이션을 위한 방법 및 장치
KR102613135B1 (ko) 비주얼 로컬라이제이션을 수행하기 위한 방법 및 장치
KR102613133B1 (ko) 비주얼 로컬라이제이션을 이용하여 카메라 포즈의 유효성을 결정하기 위한 방법 및 장치
KR102616082B1 (ko) 비주얼 로컬라이제이션을 이용하여 카메라 포즈의 유효성을 결정하기 위한 방법 및 장치
KR102616085B1 (ko) 비주얼 로컬라이제이션을 이용하여 카메라 포즈의 유효성을 결정하기 위한 방법 및 장치
KR102651994B1 (ko) 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치
KR102600915B1 (ko) 비주얼 로컬라이제이션을 위한 데이터를 생성하기 위한 방법 및 장치
KR102556764B1 (ko) 데이터셋을 생성하기 위한 방법
KR102669969B1 (ko) 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치
KR102613134B1 (ko) 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치
KR102616084B1 (ko) 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치
KR102616083B1 (ko) 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치
KR102627175B1 (ko) 가상 객체의 폐색을 구현하기 위한 방법
KR102600939B1 (ko) 비주얼 로컬라이제이션을 위한 데이터를 생성하기 위한 방법 및 장치
KR102634858B1 (ko) 증강현실을 이용한 공간 확장을 위한 방법
KR102634857B1 (ko) 증강현실을 이용한 공간 확장을 위한 방법
KR102616029B1 (ko) 비주얼 로컬라이제이션을 효율적으로 수행하기 위한 방법 및 장치
KR20230161908A (ko) 데이터셋을 생성하기 위한 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant