KR20230064188A - 단안 거리 추정 모델 학습 방법 및 시스템 - Google Patents

Abstract

본 개시는 단안 거리 추정 모델 학습 방법에 관한 것이다. 단안 거리 추정 모델 학습 방법은, 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득하는 단계, 학습 대상 장소에서 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 복수의 학습 이미지를 획득하는 단계, 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득하는 단계 및 복수의 학습 이미지, 단안 카메라의 복수의 포즈 및 제1 단안 거리 추정 모델을 이용하여 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트하는 단계를 포함한다.

Description

단안 거리 추정 모델 학습 방법 및 시스템{METHOD AND SYSTEM FOR TRAINING MONOCULAR DEPTH ESTIMATION MODELS}

본 개시는 단안 거리 추정 모델 학습 방법 및 시스템에 관한 것으로, 구체적으로, 지도 학습된 단안 거리 추정 모델을 자기지도 학습 방식으로 업데이트하는 방법 및 시스템에 관한 것이다.

자율 주행 기술이 발전함에 따라, 좋은 성능의 거리 추정 모델에 대한 필요성이 증대되고 있다. 주행 물체(주행 로봇, 자율 주행 자동차 등)와 주행 방향에 존재하는 객체 사이의 정확한 거리 값을 알아야 안전한 주행이 가능하기 때문이다.

한편, 단안 카메라에 의해 촬영된 이미지를 이용하여 거리를 추정하는 단안 거리 추정 모델은 다양한 방식으로 학습될 수 있다. 예를 들어, 단안 거리 추정 모델은 복수의 이미지 및 복수의 거리 실측 값에 기초하여 지도 학습되거나, 순차적으로 촬영된 이미지 및 카메라의 포즈 정보에 기초하여 자기지도 학습될 수 있다.

그러나, 지도 학습 방식에 의하면, 단안 거리 추정 모델의 상대적 거리 추정의 성능은 좋을 수 있으나, 정확한 거리 값을 추정하기 어렵다는 문제점이 있다. 또한, 자기지도 학습 방식에 의하면, 학습에 사용된 포즈 정보가 정확한 경우 절대적 거리 추정이 가능할 수 있으나, 지도 학습 방식의 경우보다 깊이 맵(depth map)의 품질이 좋지 않다는 문제점이 있다.

본 개시는 상기와 같은 문제점을 해결하기 위한 단안 거리 추정 모델 학습 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.

본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따르면, 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 단안 거리 추정(monocular depth estimation) 모델 학습 방법은, 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득하는 단계, 학습 대상 장소에서 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 복수의 학습 이미지를 획득하는 단계, 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득하는 단계 및 복수의 학습 이미지, 단안 카메라의 복수의 포즈 및 제1 단안 거리 추정 모델을 이용하여 제2 단안 거리 추정 모델을 자기지도(self-supervised) 학습을 통해 업데이트하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 단안 거리 추정 방법은, 본 개시의 일 실시예에 따른 학습 방법에 의해 생성된 업데이트된 제2 단안 거리 추정 모델을 획득하는 단계, 이동형 로봇에 탑재된 단안 카메라에 의해 학습 대상 장소에서 촬영된 현재 이미지를 수신하는 단계 및 업데이트된 제2 단안 거리 추정 모델에 현재 이미지를 입력하여, 현재 이미지에 대한 거리 정보를 추정하는 단계를 포함한다.

본 개시의 일 실시예에 따른 단안 거리 추정 모델 학습 방법 또는 단안 거리 추정 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.

본 개시의 일 실시예에 따른 정보 처리 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득하고, 학습 대상 장소에서 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 복수의 학습 이미지를 획득하고, 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득하고, 복수의 학습 이미지, 단안 카메라의 복수의 포즈 및 제1 단안 거리 추정 모델을 이용하여 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트하기 위한 명령어들을 포함한다.

본 개시의 일부 실시예에 따르면, 대량의 이미지 및 대량의 거리 실측 값에 기초하여 지도 학습된 단안 거리 추정 모델을 자기지도 학습 방식으로 특정 장소에 적응하도록 추가 학습시킴으로써 절대적 거리 추정이 가능하고, 깊이 맵의 품질이 좋은 단안 거리 추정 모델을 획득할 수 있다.

본 개시의 일부 실시예에 따르면, 이동형 로봇은 업데이트된 단안 거리 추정 모델로부터 추정된 정확한 거리 정보를 이용하여, 로봇 주위의 객체와의 충돌 없이 안전하게 주행할 수 있다.

본 개시의 일부 실시예에 따르면, 단안 거리 추정 모델을 추가 학습시키는 과정에서, 지도 학습 방식에 의해 학습된 거리 구조 정보를 유지할 수 있다.

본 개시의 일부 실시예에 따르면, 학습 대상 장소에 대한 거리 실측 값 없이 포즈 정보와 이미지만으로 단안 거리 추정 모델을 추가 학습시킬 수 있으며, 이를 통해 정확한 스케일의 거리 정보를 추정할 수 있다.

본 개시의 일부 실시예에 따르면, 인접한 시점에서 촬영된 이미지 쌍에 대해 추정된 거리 정보 간의 적절한 크기 비교를 통해, 스케일 일관성을 갖도록 유도할 수 있으며, 이에 따라, 업데이트된 단안 거리 추정 모델을 이용하여 보다 더 정밀한 스케일의 거리 정보를 추정할 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(“통상의 기술자”라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 단안 거리 추정 모델이 이미지에 기초하여 이미지와 연관된 거리 정보를 출력하는 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 지도 학습하는 방법의 예시를 나타내는 도면이다.
도 4는 본 개시의 일 실시예에 따른 증류 손실에 기초하여, 제2 거리 추정 모델을 업데이트하는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 광도 손실에 기초하여, 제2 거리 추정 모델을 업데이트하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 스케일 일관성 손실에 기초하여, 제2 거리 추정 모델을 업데이트하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 제2 거리 추정 모델을 학습하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 제1 단안 거리 추정 모델에 의해 추정된 거리 정보 및 업데이트된 제2 단안 거리 추정 모델에 의해 추정된 거리 정보를 비교한 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 단안 거리 추정 모델 학습 방법의 예시를 나타내는 흐름도이다.
도10은 본 개시의 일 실시예에 따른 단안 거리 추정 방법의 예시를 나타내는 흐름도이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.

본 개시에서, '디스플레이'는 컴퓨팅 장치와 연관된 임의의 디스플레이 장치를 지칭할 수 있는데, 예를 들어, 컴퓨팅 장치에 의해 제어되거나 컴퓨팅 장치로부터 제공된 임의의 정보/데이터를 표시할 수 있는 임의의 디스플레이 장치를 지칭할 수 있다.

본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.

도 1은 본 개시의 일 실시예에 따른 단안 거리 추정 모델(100)이 이미지(110)에 기초하여 이미지와 연관된 거리 정보(120)를 출력하는 예시를 나타낸다. 단안 거리 추정 모델(100)은 단안 카메라에 의해 촬영된 이미지(110)를 입력 받아, 이미지와 연관된 거리 정보(120)를 출력할 수 있다. 여기서, 이미지와 연관된 거리 정보(120)는 단안 카메라 또는 단안 카메라가 탑재된 장치로부터 이미지(110)에 포함된 복수의 픽셀에 대응하는 객체까지의 거리에 대한 정보들을 포함할 수 있다.

일 실시예에 따르면, 이미지와 연관된 거리 정보(120)는 시각화되어 깊이 맵(depth map)으로서 표현될 수 있다. 예를 들어, 거리 정보(120)는 도시된 바와 같이, 이미지(110)의 픽셀에 대응하는 객체까지의 거리가 멀수록 해당 픽셀이 붉은 색으로 표시되고, 대응하는 객체까지의 거리가 가까울수록 해당 픽셀이 푸른 색으로 표시되는 깊이 맵으로서 표현될 수 있다. 추가적으로 또는 대안적으로, 거리 정보(120)에 기초하여, 안전하게 주행가능한 주행 경로가 표시된 주행 경로 맵이 생성될 수 있다.

단안 거리 추정 모델(100)은 다양한 방식으로 학습될 수 있다. 예를 들어, 단안 거리 추정 모델(100)은 복수의 이미지 및 복수의 거리 실측 값(Ground Truth; GT)에 기초하여, 지도(supervised) 학습될 수 있다. 추정된 거리 정보와 거리 실측 값과의 직접적 비교 학습을 하는 지도 학습 방식에 의하면, 단안 거리 추정 모델(100)의 상대적 거리 추정의 성능은 높아질 수 있으나, 정확한 거리 값을 추정하기 어려울 수 있다. 다른 예로, 단안 거리 추정 모델(100)은 순차적인 이미지 및 카메라의 포즈 정보에 기초하여, 자기지도(self-supervised) 학습될 수 있다. 자기지도 학습 방식에 의하면, 거리 실측 값이 없이 이미지만으로 단안 거리 추정 모델(100)을 학습시킬 수 있으며, 학습에 사용된 포즈 정보가 정확하다면, 절대적 거리 추정이 가능할 수 있다. 다만, 자기지도 학습 방식의 경우, 지도 학습 방식의 경우보다 깊이 맵의 품질이 낮아질 수 있다. 본 개시의 일 실시예에 따르면, 복수의 이미지 및 복수의 거리 실측 값에 기초하여 지도 학습된 단안 거리 추정 모델을 자기지도 학습 방식으로 특정 장소에 적응하도록 추가 학습(업데이트)시킴으로써, 절대적 거리 추정이 가능하고, 깊이 맵의 품질이 좋은 단안 거리 추정 모델(100)을 획득할 수 있다.

본 개시의 일 실시예에 따른 학습 방식으로 학습된 단안 거리 추정 모델(100)은 단안 카메라가 탑재된 이동형 로봇의 안전한 주행을 위해 사용될 수 있다. 일 실시예에 따르면, 단안 거리 추정 모델(100)은 이동형 로봇에 탑재된 단안 카메라에 의해 특정 장소(예를 들어, 자기지도 학습 대상 장소)에서 촬영된 이미지(110)에 기초하여, 이미지와 연관된 거리 정보(120)를 추정할 수 있다. 여기서, 거리 정보(120)는 상대적 거리 정보가 아닌 정확한 스케일의 절대적 거리 정보일 수 있다. 이동형 로봇은 추정된 거리 정보(120)를 이용하여, 로봇 주위의 객체와의 충돌 없이 안전하게 주행할 수 있다. 단안 거리 추정 모델(100)은 이동형 로봇에 저장되어, 촬영된 이미지로부터 거리 정보를 추정하는데 사용될 수 있다. 대안적으로, 단안 거리 추정 모델(100)은 서버(예를 들어, 정보 처리 시스템)에 저장되어, 이동형 로봇에 의해 촬영된 이미지로부터 거리 정보를 추정하는데 사용될 수 있다. 이 경우, 서버는 추정된 거리 정보를 이동형 로봇으로 전송할 수 있다.

도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템(200)의 내부 구성을 나타내는 블록도이다. 정보 처리 시스템(200)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 정보 처리 시스템(200)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.

메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 정보 처리 시스템(200)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 정보 처리 시스템(200)에 설치되어 구동되는 단안 거리 추정 모델의 학습, 단안 거리 추정 모델을 이용한 거리 추정 등을 위한 코드 등)가 저장될 수 있다.

이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 정보 처리 시스템(200)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 단안 거리 추정 모델의 학습, 단안 거리 추정 모델을 이용한 거리 추정 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 복수의 학습 이미지, 단안 카메라의 복수의 포즈 및 제1 단안 거리 추정 모델을 이용하여 제2 단안 거리 추정 모델을 자기지도(self-supervised) 학습을 통해 업데이트할 수 있다. 다른 예로, 프로세서(220)는 업데이트된 제2 단안 거리 추정 모델에 이미지를 입력하여, 이미지에 대한 거리 정보를 추정할 수 있다.

통신 모듈(230)은 네트워크를 통해 사용자 단말(미도시)과 정보 처리 시스템(200)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 처리 시스템(200)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 정보 처리 시스템(200)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 이동형 로봇 및/또는 외부 시스템은 정보 처리 시스템(200)으로부터 추정된 거리 정보 등을 수신할 수 있다.

또한, 정보 처리 시스템(200)의 입출력 인터페이스(240)는 정보 처리 시스템(200)과 연결되거나 정보 처리 시스템(200)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 정보 처리 시스템(200)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.

정보 처리 시스템(200)의 프로세서(220)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(220)는 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득할 수 있다. 그런 다음, 학습 대상 장소에서 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 복수의 학습 이미지를 수신하고, 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득할 수 있으며, 복수의 학습 이미지, 단안 카메라의 복수의 포즈 및 제1 단안 거리 추정 모델을 이용하여 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트할 수 있다.

도 3은 본 개시의 일 실시예에 따른 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)을 지도 학습하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템(또는 정보 처리 시스템의 적어도 하나의 프로세서)은 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)을 획득할 수 있다. 여기서, 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)은 지도 학습 방식으로 학습된 거리 추정 모델일 수 있다. 정보 처리 시스템은 외부 시스템에 의해 지도 학습된 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)을 수신함으로써, 지도 학습된 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)을 획득할 수 있다. 대안적으로, 정보 처리 시스템은 단안 거리 추정 모델을 직접 지도 학습시킴으로써, 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)을 획득할 수 있다.

일 실시예에 따르면, 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)은 임의의 장소에서 촬영된 복수의 이미지(312, 322) 및 복수의 거리 실측 값(316, 326)에 기초하여, 지도 학습될 수 있다. 예를 들어, 정보 처리 시스템 또는 외부 시스템은 제1 단안 거리 추정 모델(310)에 복수의 이미지(312)를 입력하여 출력된 복수의 거리 정보(314) 및 복수의 거리 실측 값(316)에 기초하여, 손실을 산출할 수 있다. 정보 처리 시스템 또는 외부 시스템은 산출된 손실을 최소화하는 방식으로 제1 단안 거리 추정 모델(310)을 조정함으로써 제1 거리 추정 모델(310)을 학습시킬 수 있다. 제2 거리 추정 모델(320) 역시 제1 거리 추정 모델(310)과 동일하거나 유사한 방식으로, 복수의 이미지(322) 및 복수의 거리 실측 값(326)에 기초하여 지도 학습될 수 있다. 일 실시예에서, 제1 거리 추정 모델(310)과 제2 거리 추정 모델(320)은 동일한 모델일 수 있다. 즉, 정보 처리 시스템 또는 외부 시스템은 하나의 거리 추정 모델을 생성하고, 생성된 거리 추정 모델을 복제함으로써 제1 거리 추정 모델(310)과 제2 거리 추정 모델(320)을 획득할 수 있다.

지도 학습된 제1 단안 거리 추정 모델(310) 및 제2 단안 거리 추정 모델(320)은 대량의 학습 데이터로 지도 학습되어 일반적인 이미지에서 작동 가능하며(general), 거리 실측 값에 기초하여 비교 학습되어 상대적인 거리 추정의 성능이 좋을 수 있지만, 정확한 거리 값은 추정할 수 없다. 정보 처리 시스템은 지도 학습된 제2 단안 거리 추정 모델(320)을 추가 학습(업데이트)시킴으로써, 특정 장소에서 잘 작동하고 절대적 거리 값을 추정할 수 있는 업데이트된 제2 단안 거리 추정 모델을 생성할 수 있다. 제2 단안 거리 추정 모델(320)의 추가 학습 과정에서, 지도 학습에 의해 학습된 거리 구조 정보를 유지하기 위해, 가중치가 고정된 제1 단안 거리 추정 모델(310)이 사용될 수 있다.

도 4는 본 개시의 일 실시예에 따른 증류 손실(distillation loss)(430)에 기초하여, 제2 거리 추정 모델(420)을 업데이트하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 지도 학습된 제1 거리 추정 모델(예를 들어, teacher network)(410) 및 제2 거리 추정 모델(예를 들어, student network)(420)을 획득하고, 학습 대상 장소에서 단안 카메라에 의해 촬영된 복수의 학습 이미지(400)를 획득할 수 있다. 여기서, 복수의 학습 이미지(400)는 단안 카메라가 순차적으로 촬영하는 연속 이미지들일 수 있다. 일 실시예에서, 제1 단안 거리 추정 모델(410)은 지도 학습에 의해 학습된 거리 정보 구조를 유지하기 위해 사용될 수 있으며, 이를 위해 가중치가 고정될 수 있다.

정보 처리 시스템은 제1 단안 거리 추정 모델(410) 및 제2 단안 거리 추정 모델(420)에 의해 추정된 거리 정보 세트(412, 422)에 기초하여, 증류 손실(430)을 산출할 수 있다. 일 실시예에 따르면, 정보 처리 시스템은 제1 단안 거리 추정 모델(410)에 복수의 학습 이미지(400)를 입력하여, 제1 거리 정보 세트(412)를 추정할 수 있다. 또한, 정보 처리 시스템은 제2 단안 거리 추정 모델(420)에 복수의 학습 이미지(400)를 입력하여, 제2 거리 정보 세트(422)를 추정할 수 있다. 그런 다음, 정보 처리 시스템은 제1 거리 정보 세트(412) 및 제2 거리 정보 세트(422)에 기초하여, 증류 손실(430)을 산출할 수 있다. 예를 들어, 증류 손실은 다음과 같은 수학식 1에 의해 산출될 수 있다.

여기서,

는 증류 손실(430),

는 제1 거리 정보(412)(거리 값의 역수),

는 제2 거리 정보(422)(거리 값의 역수),

,

는 정규화된 거리 정보,

은 학습 이미지(400)의 수 또는 이미지로부터 추정된 거리 정보 쌍(412, 422)의 수를 나타내며,

는

(예:

=0.8)이다. 즉, 정보 처리 시스템은 거리 정보 쌍(412, 422)을 직접 비교하지 않고, 정규화한 뒤 비교할 수 있다. 또한, 정보 처리 시스템은 거리 정보 쌍(412, 422)에 기초하여 도출된 오차 값(예:

)을 정렬하여, 그 중 오차 값이 큰 일부(예:

개)를 제외하고, 나머지(예:

(=

)개)를 이용하여, 증류 손실을 산출할 수 있다.

정보 처리 시스템은 산출된 증류 손실(430)에 기초하여, 제2 단안 거리 추정 모델(420)을 조정할 수 있다. 예를 들어, 정보 처리 시스템은 증류 손실(430)을 최소화하도록 제2 단안 거리 추정 모델(420)을 조정할 수 있다. 증류 손실(430)에 기초하여, 제2 단안 거리 추정 모델(420)을 업데이트함으로써, 업데이트된 제2 단안 거리 추정 모델은 지도 학습 방식에 의해 학습된 거리 구조 정보(예: 상대적 거리 구조 정보)를 유지할 수 있으며, 깊이 맵의 품질을 보존할 수 있다.

도 5는 본 개시의 일 실시예에 따른 광도 손실(photometric loss)(560)에 기초하여, 제2 거리 추정 모델(500)을 업데이트하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 제2 거리 추정 모델(500)의 학습을 위해, 복수의 학습 이미지(510, 520) 및 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득할 수 있다. 여기서, 복수의 학습 이미지는 이동형 로봇의 주행 중에 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 순차적인 이미지일 수 있다.

일 실시예에 따르면, 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈는 이동형 로봇, 정보 처리 시스템 또는 외부 시스템에 의해 추정된 포즈일 수 있다. 여기서, 단안 카메라의 복수의 포즈는, 이동형 로봇에 탑재된 관성 측정장치(Inertial Measurement Unit; IMU) 또는 바퀴 정보(530)에 기초한 시각적 오도메트리(Visual Odometry) 또는 SLAM(Simultaneous Localization and Mapping) 기법(540)에 의해 추정된 절대적 크기의 포즈일 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 복수의 학습 이미지(510) 및 복수의 학습 이미지를 인접한 시점으로 와핑(warping)(550)하여 생성된 복수의 와핑된 이미지(552)에 기초하여, 광도 손실(560)을 산출할 수 있다. 예를 들어, 정보 처리 시스템은 복수의 학습 이미지 중 제2 시점에서 촬영된 제2 이미지(520)를 제2 시점과 인접한 시점인 제1 시점으로 와핑(550)하여, 와핑된 이미지(552)를 생성할 수 있다. 그런 다음, 정보 처리 시스템은 와핑된 이미지(552)와 제1 시점에서 촬영된 제1 이미지(510)에 기초하여, 광도 손실(560)을 산출할 수 있다.

광도 손실(560)을 산출하는 구체적 예로, 정보 처리 시스템은 제2 단안 거리 추정 모델(500)에 제1 시점에서 촬영된 제1 이미지(510)를 입력하여 제1 이미지와 연관된 거리 정보(512)를 추정하고, 제1 시점과 제2 시점 사이의 단안 카메라의 포즈(542)(예: 제1 시점에서의 단안 카메라의 포즈와 제2 시점에서의 단안 카메라의 포즈의 차이), 제1 이미지와 연관된 거리 정보(512) 및 단안 카메라의 내부 행렬(intrinsic matrix)에 기초하여, 와핑된 이미지(552)를 생성할 수 있다. 예를 들어, 와핑된 이미지(552)를 생성하는 과정은 다음과 같은 수학식 2로 표현될 수 있다.

여기서,

는 제1 시점,

는 제1 시점과 인접한 시점인 제2 시점,

는 제2 시점에서 촬영된 제2 이미지(520),

는 와핑 함수,

는 단안 카메라의 내부 행렬,

는 제1 시점과 제2 시점 사이의 단안 카메라의 포즈 정보(542),

는 제2 거리 추정 모델(500)에 의해 추정된 제1 이미지와 연관된 거리 역수 정보(거리 값의 역수)(512),

는 거리 역수 정보를 정규화한 값(예:

),

는 거리 역수 정보를 거리 정보로 변환하기 위한 함수,

는 와핑된 이미지(552)를 나타낸다.

정보 처리 시스템은 와핑된 이미지(552)와 제1 시점에서 촬영된 제1 이미지(510)에 기초하여, 광도 손실을 산출할 수 있다. 예를 들어, 광도 손실은 다음과 같은 수학식 3에 의해 산출될 수 있다.

여기서,

는 제1 이미지(510),

는 제2 시점에서 제1 시점으로 와핑된 이미지(552),

은 구조적 유사성 지수 맵(Structural Similarity Index Map; SSIM),

은 L1 손실(L1 loss),

는 하이퍼 파라미터(예: 0.85),

는 광도 손실(560)을 나타낸다. 즉, 광도 손실(560)은 제1 이미지(510)와 와핑된 이미지(552) 사이의 픽셀 값 차이 정보를 반영할 수 있다.

정보 처리 시스템은 산출된 광도 손실(560)에 기초하여, 제2 단안 거리 추정 모델(500)을 조정할 수 있다. 예를 들어, 정보 처리 시스템은 광도 손실(560)을 최소화하도록 제2 단안 거리 추정 모델(500)을 조정할 수 있다. 정보 처리 시스템은 광도 손실(560)에 기초하여 제2 단안 거리 추정 모델(500)을 업데이트함으로써, 학습 대상 장소에 대한 거리 실측 값 없이 포즈 정보와 이미지만으로 제2 단안 거리 추정 모델(500)을 학습시킬 수 있으며, 이를 통해 정확한 스케일의 거리 정보를 추정할 수 있다.

도 6은 본 개시의 일 실시예에 따른 스케일 일관성 손실(scale-consistency loss)(630)에 기초하여, 제2 거리 추정 모델(600)을 업데이트하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 제2 거리 추정 모델(600)의 학습을 위해, 복수의 학습 이미지(610, 620) 및 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득할 수 있다. 여기서, 학습 이미지는 이동형 로봇의 주행 중에 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 순차적인 이미지일 수 있으며, 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈는 이동형 로봇, 정보 처리 시스템 또는 외부 시스템에 의해 추정된 절대적 크기의 포즈일 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 인접한 시점에서 촬영된 이미지 쌍(610, 620)에 대해 추정된 거리 정보 세트(612, 622)에 기초하여, 스케일 일관성 손실(630)을 산출할 수 있다. 예를 들어, 정보 처리 시스템은 상기 제2 단안 거리 추정 모델(600)에 제1 시점에서 촬영된 제1 이미지(610)를 입력하여, 제1 거리 정보(612)를 추정할 수 있고, 제2 단안 거리 추정 모델(600)에 상기 제1 시점과 인접한 제2 시점에서 촬영된 제2 이미지(620)를 입력하여, 제2 거리 정보(622)를 추정할 수 있으며, 제1 거리 정보(612) 및 제2 거리 정보(622)에 기초하여, 스케일 일관성 손실(630)을 산출할 수 있다. 스케일 일관성 손실(630)은 인접한 시점에서 촬영된 이미지 쌍(612, 622)에 대해 추정된 거리 정보(612, 622) 사이에 스케일 일관성을 갖도록 유도할 수 있다.

스케일 일관성 손실을 산출하는 구체적 예로, 정보 처리 시스템은 제1 거리 정보(612), 제1 시점에서의 단안 카메라의 포즈 및 제2 시점에서의 상기 단안 카메라의 포즈에 기초하여, 변환된 제2 거리 정보를 생성할 수 있다. 예를 들어, 정보 처리 시스템은 제1 거리 정보(

)(612)를 3차원 좌표계로 변환하고(

), 이를 제1 시점과 제2 시점 사이의 단안 카메라 포즈 정보(

)(예: 제1 시점에서의 단안 카메라의 포즈와 제2 시점에서의 단안 카메라의 포즈의 차이)를 이용하여 재변환하고(

), 변환된 좌표 값 중 z좌표 값(

)을 추출함으로써, 변환된 제1 거리 정보(

)를 생성할 수 있다.

또한, 정보 처리 시스템은 제2 거리 정보(622)를 제1 시점의 이미지 좌표계로 와핑하여, 와핑된 제2 거리 정보를 생성할 수 있다. 예를 들어, 와핑된 제2 거리 정보는 다음과 같은 수학식 4에 의해 산출될 수 있다.

여기서,

는 제1 시점,

는 제1 시점과 인접한 시점인 제2 시점,

는 제2 거리 정보(622),

는 와핑 함수,

는 단안 카메라의 내부 행렬,

는 제1 시점과 제2 시점 사이의 단안 카메라의 포즈 정보,

는 제2 거리 추정 모델(600)에 의해 추정된 제1 이미지와 연관된 거리 역수 정보(거리 값의 역수)(612),

는 거리 역수 정보(거리 값의 역수)를 정규화한 값(예:

),

는 거리 역수 정보를 거리 정보로 변환하기 위한 함수,

는 와핑된 제2 거리 정보를 나타낸다.

정보 처리 시스템은 변환된 제1 거리 정보(

) 및 와핑된 제2 거리 정보(

)에 기초하여, 스케일 일관성 손실(630)을 산출할 수 있다. 예를 들어, 스케일 일관성 손실(630)은 다음과 같은 수학식 5에 의해 산출될 수 있다.

여기서,

는 학습에 방해가 되는 픽셀 영역을 제외하고 남은 픽셀 집합(예: 오토마스킹 기법 사용),

는 픽셀 집합 내의 각 픽셀,

는 변환된 제1 거리 정보,

는 와핑된 제2 거리 정보,

는 스케일 일관성 손실(630)을 나타낸다. 즉, 정보 처리 시스템은 이미지에 대한 거리 정보 중 일부(예: 학습에 방해가 되는 픽셀 영역)를 제외하고, 나머지를 이용하여 스케일 일관성 손실(630)을 산출할 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 산출된 스케일 일관성 손실(630)에 기초하여, 제2 단안 거리 추정 모델(600)을 조정할 수 있다. 예를 들어, 정보 처리 시스템은 스케일 일관성 손실(630)을 최소화하도록 제2 단안 거리 추정 모델(600)을 조정할 수 있다. 스케일 일관성 손실(630)에 기초하여, 제2 단안 거리 추정 모델(600)을 업데이트하는 경우, 인접한 시점에서 촬영된 이미지 쌍(612, 622)에 대해 추정된 거리 정보(612, 622) 간의 적절한 크기 비교를 통해, 스케일 일관성을 갖도록 유도할 수 있으며, 보다 더 정밀한 스케일의 거리 정보를 추정할 수 있다.

도 7은 본 개시의 일 실시예에 따라, 제2 거리 추정 모델(700)을 학습하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 제1 거리 추정 모델(730) 및 제2 거리 추정 모델(710)을 획득할 수 있다. 여기서, 제1 거리 추정 모델(730) 및 제2 거리 추정 모델(710)은 임의의 장소에서 촬영된 복수의 이미지 및 복수의 거리 실측 값에 기초하여 지도 학습된 모델일 수 있다. 획득된 제2 거리 추정 모델(710)은 추가 학습의 대상이 될 수 있으며, 획득된 제1 거리 추정 모델(730)은 가중치가 고정되어 제2 단안 거리 추정 모델(710)의 추가 학습에 사용될 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 복수의 학습 이미지(712, 722) 및 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득할 수 있다. 여기서, 복수의 학습 이미지는 이동형 로봇이 학습 대상 장소에서 주행하는 중에 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 순차적인 이미지일 수 있으며, 복수의 포즈는, 이동형 로봇에 탑재된 관성 측정장치(IMU) 또는 바퀴 정보에 기초한 시각적 오도메트리(Visual Odometry) 또는 SLAM 기법에 의해 추정된 절대적 크기의 포즈일 수 있다. 복수의 포즈는 인접한 시점 사이의 단안 카메라의 포즈에 대한 정보(750)를 포함할 수 있다. 대안적으로, 복수의 포즈는 복수의 이미지가 촬영된 각 시점에서의 단안 카메라의 포즈 정보를 포함할 수 있으며, 정보 처리 시스템은 획득된 복수의 포즈로부터 인접한 시점 사이의 단안 카메라의 포즈에 대한 정보(750)를 도출할 수 있다. 예를 들어, 제1 시점에서의 단안 카메라의 포즈 및 제2 시점에서의 단안 카메라의 포즈의 차이로부터, 제1 시점과 제2 시점 사이의 단안 카메라의 포즈에 대한 정보(750)를 도출할 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 도 4를 참조하여 상술한 증류 손실(740), 도 5를 참조하여 상술한 광도 손실(760) 또는 도 6을 참조하여 상술한 스케일 일관성 손실(770) 중 적어도 하나에 기초하여, 제2 단안 거리 추정 모델(710)을 업데이트할 수 있다. 예를 들어, 정보 처리 시스템은 증류 손실(740), 광도 손실(760) 및 스케일 일관성 손실(770)을 모두 합한 총 손실이 최소화되도록 제2 단안 거리 추정 모델을 조정함으로써 제2 단안 거리 추정 모델(710)을 업데이트할 수 있다.

정보 처리 시스템은 증류 손실(740)에 기초하여 제2 단안 거리 추정 모델(710)을 업데이트함으로써, 업데이트 과정에서 지도 학습 방식에 의해 학습된 상대적 거리 구조 정보를 유지할 수 있고, 광도 손실(760)에 기초하여 제2 단안 거리 추정 모델(710)을 업데이트함으로써, 학습 대상 장소에 대한 거리 실측 값 없이 이미지만으로 제2 단안 거리 추정 모델(710)을 학습시킬 수 있으며, 절대적 크기의 포즈 정보를 이용하여, 정확한 스케일의 거리 정보를 추정할 수 있다. 또한, 정보 처리 시스템은 스케일 일관성 손실(770)에 기초하여 제2 단안 거리 추정 모델(710)을 업데이트함으로써, 인접한 시점에서 촬영된 이미지로부터 추정된 거리 정보 사이에 스케일 일관성을 갖도록 유도하여, 업데이트된 제2 단안 거리 추정 모델로부터 보다 더 정밀한 스케일의 거리 정보를 획득할 수 있다.

도 8은 본 개시의 일 실시예에 따른 제1 단안 거리 추정 모델에 의해 추정된 거리 정보(810) 및 업데이트된 제2 단안 거리 추정 모델에 의해 추정된 거리 정보(820)를 비교한 예시를 나타내는 도면이다. 제1 단안 거리 추정 모델은 임의의 장소에서 촬영된 복수의 이미지 및 복수의 거리 실측 값에 기초하여 지도 학습된 모델이며, 상대적 거리 추정이 가능하다. 업데이트된 제2 단안 거리 추정 모델은 지도 학습된 제2 단안 거리 추정 모델을 증류 손실, 광도 손실 또는 스케일 일관성 손실 중 적어도 하나에 기초하여 업데이트한 모델로서, 지도 학습 방식에 의해 학습된 상대적 거리 구조 정보를 유지하면서도, 학습 대상 장소에 잘 적응하도록 추가 학습되어 절대적 거리 추정이 가능하다.

도 8에는 이동형 로봇에 탑재된 단안 카메라에 의해 특정 장소(예: 학습 대상 장소)에서 촬영된 복수의 이미지(800), 제1 단안 거리 추정 모델에 복수의 이미지 각각을 입력하여 추정된 제1 거리 정보(810), 업데이트된 제2 단안 거리 추정 모델에 복수의 이미지 각각을 입력하여 추정된 제2 거리 정보(820)가 도시되어 있다. 도 8에서 거리 정보는 단안 거리 추정 모델에 의해 추정된 거리 정보를 시각화하여 표현한 깊이 맵 및 주행 가능한 경로를 표시한 주행 경로 맵으로서 도시되어 있다. 도시된 깊이 맵에서 해당 픽셀에 표시된 색이 붉은 색에 가까울수록 대응하는 객체까지의 거리가 멀다는 것을 의미할 수 있으며, 해당 픽셀에 표시된 색이 푸른 색에 가까울 수록 대응하는 객체까지의 거리가 가깝다는 것을 의미할 수 있다.

제1 단안 거리 추정 모델에 의해 추정된 제1 거리 정보(810)를 살펴보면, 이미지(800)에 대응되는 객체까지의 상대적 거리(상대적으로 멀고 가까운 정도)를 어느정도 반영하고 있으나, 정확한 거리 정보를 반영하지는 못하며, 이에 따라 주행 경로 맵의 품질이 떨어지는 것을 확인할 수 있다.

반면, 업데이트된 제2 단안 거리 추정 모델에 의해 추정된 제2 거리 정보(820)를 살펴보면, 이미지(800)에 대응되는 객체까지의 거리를 비교적 정확하게 반영하고 있으며, 이에 따라 주행 경로 맵의 품질이 우수한 것을 확인할 수 있다. 이에 따라, 업데이트된 제2 단안 거리 추정 모델에 의해 추정된 거리 정보(820)를 이용하여 주행하는 이동형 로봇의 안전한 주행을 기대할 수 있다.

도 9는 본 개시의 일 실시예에 따른 단안 거리 추정 모델 학습 방법(900)의 예시를 나타내는 흐름도이다. 방법(900)은, 프로세서(예: 정보 처리 시스템의 프로세서)가 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득함으로써 개시될 수 있다(S910). 여기서, 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델은 임의의 장소에서 촬영된 복수의 이미지 및 복수의 거리 실측 값에 기초하여 지도 학습된 모델일 수 있다. 일 실시예에 따르면, 프로세서는 외부 시스템에 의해 지도 학습된 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 수신함으로써 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득할 수 있다. 대안적으로, 프로세서는 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 직접 지도 학습시킴으로써, 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득할 수 있다. 단계 S910에서 획득된 제1 단안 거리 추정 모델은 상대적 거리를 추정할 수 있는 모델일 수 있으며, 획득된 제1 단안 거리 추정 모델은 단계 S940에서의 제2 단안 거리 추정 모델의 업데이트에 사용되기 위해 가중치가 고정될 수 있다.

그런 다음, 프로세서는 학습 대상 장소에서 단안 카메라에 의해 촬영된 복수의 학습 이미지를 획득할 수 있다(S920). 일 실시예에 따르면, 획득된 학습 이미지는 이동형 로봇이 학습 대상 장소를 주행하는 중에, 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 순차적인 이미지일 수 있다. 여기서, 획득된 학습 이미지는 제2 단안 거리 추정 모델의 업데이트에 사용될 수 있다.

또한, 프로세서는 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈를 획득할 수 있다(S930). 일 실시예에 따르면, 복수의 학습 이미지와 연관된 단안 카메라의 복수의 포즈는 정보 처리 시스템 또는 외부 시스템에 의해 추정된 포즈일 수 있다. 여기서, 단안 카메라의 복수의 포즈는, 이동형 로봇에 탑재된 관성 측정장치(IMU) 또는 바퀴 정보에 기초한 시각적 오도메트리 또는 SLAM 기법에 의해 추정된 절대적 크기의 포즈일 수 있다.

프로세서는 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트할 수 있다(S940). 일 실시예에 따르면, 프로세서는 증류 손실, 광도 손실 또는 스케일 일관성 손실 중 적어도 하나에 기초하여, 제2 단안 거리 추정 모델을 조정할 수 있다. 예를 들어, 프로세서는 증류 손실, 광도 손실 및 스케일 일관성 손실을 모두 더한 총 손실 값이 최소화되도록 제2 단안 거리 추정 모델을 조정함으로써, 제2 단안 거리 추정 모델을 업데이트할 수 있다.

일 실시예에 따르면, 증류 손실은 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델에 의해 추정된 거리 정보 세트에 기초하여 산출될 수 있다. 예를 들어, 프로세서는 제1 단안 거리 추정 모델에 복수의 학습 이미지를 입력하여, 제1 거리 정보 세트를 추정하고, 제2 단안 거리 추정 모델에 복수의 학습 이미지를 입력하여, 제2 거리 정보 세트를 추정하고, 제1 거리 정보 세트 및 제2 거리 정보 세트에 기초하여, 증류 손실을 산출할 수 있다.

일 실시예에 따르면, 광도 손실은 복수의 학습 이미지 및 복수의 학습 이미지를 인접한 시점으로 와핑하여 생성된 복수의 와핑된 이미지에 기초하여 산출될 수 있다. 예를 들어, 프로세서는 복수의 학습 이미지 중 제1 시점에서 촬영된 제1 이미지를 상기 제1 시점과 인접한 시점인 제2 시점으로 와핑하여, 와핑된 이미지를 생성할 수 있으며, 복수의 학습 이미지 중 제2 시점에서 촬영된 제2 이미지와 와핑된 이미지에 기초하여, 광도 손실을 산출할 수 있다. 여기서, 와핑된 이미지는 제2 단안 거리 추정 모델에 상기 제2 이미지를 입력하여 추정된 제2 이미지와 연관된 거리 정보, 제1 시점에서의 상기 단안 카메라의 포즈, 제2 시점에서의 단안 카메라의 포즈 및 단안 카메라의 내부 행렬에 기초하여 생성될 수 있다.

일 실시예에 따르면, 스케일 일관성 손실은 인접한 시점에서 촬영된 이미지 쌍에 대해 추정된 거리 정보 세트에 기초하여 산출될 수 있다. 예를 들어, 프로세서는 제2 단안 거리 추정 모델에 제3 시점에서 촬영된 제3 이미지를 입력하여 제3 거리 정보를 추정하고, 제2 단안 거리 추정 모델에 제3 시점과 인접한 제4 시점에서 촬영된 제4 이미지를 입력하여, 제4 거리 정보를 추정하고, 제3 거리 정보 및 제4 거리 정보에 기초하여, 스케일 일관성 손실을 산출할 수 있다. 여기서, 와핑된 제4 거리 정보는 제3 시점에서의 단안 카메라의 포즈, 제4 시점에서의 단안 카메라의 포즈, 제3 거리 정보 및 단안 카메라의 내부 행렬에 기초하여 생성될 수 있다.

상술한 바와 같이, 프로세서는 증류 손실, 광도 손실 또는 스케일 일관성 손실 중 적어도 하나에 기초하여 제2 단안 거리 추정 모델을 업데이트함으로써, 업데이트된 제2 단안 거리 추정 모델을 획득할 수 있다. 업데이트된 제2 단안 거리 추정 모델은 지도 학습에 의해 학습된 상대적 거리 구조 정보를 유지하면서도, 학습 대상 장소에 잘 적응하도록 추가 학습되어, 절대적 거리 추정이 가능하며, 좋은 품질의 깊이 맵을 생성할 수 있다.

도 10은 본 개시의 일 실시예에 따른 단안 거리 추정 방법(1000)의 예시를 나타내는 흐름도이다. 방법(1000)은, 프로세서(예: 정보 처리 시스템의 프로세서 또는 이동형 로봇의 프로세서)가 본 개시의 일 실시예에 따른 방법에 의해 생성된 업데이트된 제2 단안 거리 추정 모델을 획득함으로써 개시될 수 있다(S1010). 업데이트된 제2 단안 거리 추정 모델은 학습 대상 장소에 적응하도록 추가 학습된, 절대적 거리 추정이 가능하며, 좋은 품질의 깊이 맵을 생성할 수 있는 거리 추정 모델일 수 있다.

그런 다음, 프로세서는 이동형 로봇에 탑재된 단안 카메라에 의해 학습 대상 장소에서 촬영된 현재 이미지를 수신할 수 있으며(S1020), 업데이트된 제2 단안 거리 추정 모델에 수신된 현재 이미지를 입력하여, 현재 이미지에 대한 거리 정보를 추정할 수 있다(S1030). 여기서 현재 이미지에 대한 거리 정보는 단안 카메라 또는 이동형 로봇으로부터 현재 이미지에 포함된 복수의 픽셀에 대응하는 객체까지의 거리에 대한 정보들을 포함할 수 있다. 추가적으로, 추정된 거리 정보는 시각화되어 깊이 맵으로서 표현될 수 있으며, 추정된 거리 정보에 기초하여 안전하게 주행가능한 주행 경로가 표시된 주행 경로 맵이 생성될 수 있다. 이동형 로봇은 추정된 거리 정보(또는 추정된 거리 정보부터 생성된 깊이 맵 또는 주행 경로 맵 등)를 이용하여, 로봇 주위의 객체와의 충돌 없이 안전하게 주행할 수 있다.

도 9 및 도 10에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.

소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

100: 단안 거리 추정 모델
110: 이미지
120: 이미지와 연관된 거리 정보

Claims (14)

1. 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 단안 거리 추정(monocular depth estimation) 모델 학습 방법에 있어서,
   제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득하는 단계;
   학습 대상 장소에서 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 복수의 학습 이미지를 획득하는 단계;
   상기 복수의 학습 이미지와 연관된 상기 단안 카메라의 복수의 포즈를 획득하는 단계; 및
   상기 복수의 학습 이미지, 상기 단안 카메라의 복수의 포즈 및 상기 제1 단안 거리 추정 모델을 이용하여 제2 단안 거리 추정 모델을 자기지도(self-supervised) 학습을 통해 업데이트하는 단계
   를 포함하는, 단안 거리 추정 모델 학습 방법.
   
2. 제1항에 있어서,
   상기 제1 단안 거리 추정 모델은 상대적 거리를 추정할 수 있고,
   상기 업데이트된 제2 단안 거리 추정 모델은 절대적 거리를 추정할 수 있는, 단안 거리 추정 모델 학습 방법.
   
3. 제1항에 있어서,
   상기 제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델은 임의의 장소에서 촬영된 복수의 이미지 및 복수의 거리 실측 값(Ground Truth; GT)에 기초하여 지도 학습된 모델인, 단안 거리 추정 모델 학습 방법.
   
4. 제1항에 있어서,
   상기 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트하는 단계는,
   상기 제1 단안 거리 추정 모델에 상기 복수의 학습 이미지를 입력하여, 제1 거리 정보 세트를 추정하는 단계;
   상기 제2 단안 거리 추정 모델에 상기 복수의 학습 이미지를 입력하여, 제2 거리 정보 세트를 추정하는 단계;
   상기 제1 거리 정보 세트 및 상기 제2 거리 정보 세트에 기초하여, 증류 손실(distillation loss)을 산출하는 단계; 및
   상기 증류 손실에 기초하여 상기 제2 단안 거리 추정 모델을 조정하는 단계
   를 포함하는, 단안 거리 추정 모델 학습 방법.
   
5. 제1항에 있어서,
   상기 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트하는 단계는,
   상기 복수의 학습 이미지 중 제1 시점에서 촬영된 제1 이미지를 상기 제1 시점과 인접한 시점인 제2 시점으로 와핑(warping)하여, 와핑된 이미지를 생성하는 단계;
   상기 복수의 학습 이미지 중 상기 제2 시점에서 촬영된 제2 이미지와 상기 와핑된 이미지에 기초하여, 광도 손실(photometric loss)을 산출하는 단계; 및
   상기 광도 손실에 기초하여, 상기 제2 단안 거리 추정 모델을 조정하는 단계
   를 포함하는, 단안 거리 추정 모델 학습 방법.
   
6. 제5항에 있어서,
   상기 와핑된 이미지를 생성하는 단계는,
   상기 단안 카메라의 복수의 포즈 중 상기 제1 시점에서의 상기 단안 카메라의 포즈 및 상기 제2 시점에서의 상기 단안 카메라의 포즈를 획득;
   상기 제2 단안 거리 추정 모델에 상기 제2 이미지를 입력하여, 제2 이미지와 연관된 거리 정보를 추정하는 단계; 및
   상기 제1 시점에서의 상기 단안 카메라의 포즈, 상기 제2 시점에서의 상기 단안 카메라의 포즈, 상기 제2 이미지와 연관된 거리 정보 및 상기 단안 카메라의 내부 행렬(intrinsic matrix)에 기초하여, 상기 와핑된 이미지를 생성하는 단계
   를 포함하는, 단안 거리 추정 모델 학습 방법.
   
7. 제1항에 있어서,
   상기 복수의 학습 이미지와 연관된 상기 단안 카메라의 복수의 포즈는, 상기 이동형 로봇에 탑재된 관성 측정장치(Inertial Measurement Unit) 또는 바퀴 정보에 기초하여 추정된 절대적 크기의 포즈인, 단안 거리 추정 모델 학습 방법.
   
8. 제1항에 있어서,
   상기 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트하는 단계는,
   상기 제2 단안 거리 추정 모델에 제3 시점에서 촬영된 제3 이미지를 입력하여, 제3 거리 정보를 추정하는 단계;
   상기 제2 단안 거리 추정 모델에 상기 제3 시점과 인접한 제4 시점에서 촬영된 제4 이미지를 입력하여, 제4 거리 정보를 추정하는 단계;
   상기 제3 거리 정보 및 상기 제4 거리 정보에 기초하여, 스케일 일관성 손실(scale-consistency loss)을 산출하는 단계; 및
   상기 스케일 일관성 손실에 기초하여, 상기 제2 단안 거리 추정 모델을 조정하는 단계
   를 포함하는, 단안 거리 추정 모델 학습 방법.
   
9. 제8항에 있어서,
   상기 제3 거리 정보 및 상기 제4 거리 정보에 기초하여, 스케일 일관성 손실을 산출하는 단계는,
   상기 단안 카메라의 복수의 포즈 중 상기 제3 시점에서의 상기 단안 카메라의 포즈 및 상기 제4 시점에서의 상기 단안 카메라의 포즈를 획득하는 단계;
   상기 제3 거리 정보, 상기 제3 시점에서의 상기 단안 카메라의 포즈 및 상기 제4 시점에서의 상기 단안 카메라의 포즈에 기초하여, 변환된 제3 거리 정보를 생성하는 단계;
   상기 제4 거리 정보를 상기 제3 시점의 이미지 좌표계로 와핑하여, 와핑된 제4 거리 정보를 생성하는 단계; 및
   상기 변환된 제3 거리 정보 및 상기 와핑된 제4 거리 정보에 기초하여, 스케일 일관성 손실을 산출하는 단계
   를 포함하는, 단안 거리 추정 모델 학습 방법.
   
10. 제9항에 있어서,
    상기 와핑된 제4 거리 정보를 생성하는 단계는,
    상기 제3 시점에서의 상기 단안 카메라의 포즈, 상기 제4 시점에서의 상기 단안 카메라의 포즈, 상기 제3 거리 정보 및 상기 단안 카메라의 내부 행렬에 기초하여, 상기 와핑된 제4 거리 정보를 생성하는 단계
    를 포함하는, 단안 거리 추정 모델 학습 방법.
    
11. 제1항에 있어서,
    상기 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트하는 단계는,
    상기 제1 단안 거리 추정 모델 및 상기 제2 단안 거리 추정 모델에 의해 추정된 거리 정보 세트에 기초하여, 증류 손실을 산출하는 단계;
    상기 복수의 학습 이미지 및 복수의 학습 이미지를 인접한 시점으로 와핑하여 생성된 복수의 와핑된 이미지에 기초하여, 광도 손실을 산출하는 단계;
    인접한 시점에서 촬영된 이미지 쌍에 대해 추정된 거리 정보 세트에 기초하여, 스케일 일관성 손실을 산출하는 단계; 및
    상기 증류 손실, 광도 손실 및 상기 스케일 일관성 손실을 이용하여, 상기 제2 단안 거리 추정 모델을 조정하는 단계
    를 포함하는, 단안 거리 추정 모델 학습 방법.
    
12. 적어도 하나의 프로세서에 의해 수행되는, 단안 거리 추정 방법에 있어서,
    제1항에 따른 방법에 의해 생성된 업데이트된 제2 단안 거리 추정 모델을 획득하는 단계;
    이동형 로봇에 탑재된 단안 카메라에 의해 상기 학습 대상 장소에서 촬영된 현재 이미지를 수신하는 단계; 및
    상기 업데이트된 제2 단안 거리 추정 모델에 상기 현재 이미지를 입력하여, 상기 현재 이미지에 대한 거리 정보를 추정하는 단계
    를 포함하는, 단안 거리 추정 방법.
    
13. 제1항 내지 제12항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
    
14. 정보 처리 시스템으로서,
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    제1 단안 거리 추정 모델 및 제2 단안 거리 추정 모델을 획득하고,
    학습 대상 장소에서 이동형 로봇에 탑재된 단안 카메라에 의해 촬영된 복수의 학습 이미지를 획득하고,
    상기 복수의 학습 이미지와 연관된 상기 단안 카메라의 복수의 포즈를 획득하고,
    상기 복수의 학습 이미지, 상기 단안 카메라의 복수의 포즈 및 상기 제1 단안 거리 추정 모델을 이용하여 제2 단안 거리 추정 모델을 자기지도 학습을 통해 업데이트하기 위한 명령어들을 포함하는, 정보 처리 시스템.

Images