WO2023080685A1 - 단안 거리 추정 모델 학습 방법 및 시스템 - Google Patents

단안 거리 추정 모델 학습 방법 및 시스템 Download PDF

Info

Publication number
WO2023080685A1
WO2023080685A1 PCT/KR2022/017164 KR2022017164W WO2023080685A1 WO 2023080685 A1 WO2023080685 A1 WO 2023080685A1 KR 2022017164 W KR2022017164 W KR 2022017164W WO 2023080685 A1 WO2023080685 A1 WO 2023080685A1
Authority
WO
WIPO (PCT)
Prior art keywords
monocular
estimation model
distance
distance estimation
learning
Prior art date
Application number
PCT/KR2022/017164
Other languages
English (en)
French (fr)
Inventor
정동기
이동환
이용한
김덕화
Original Assignee
네이버랩스 주식회사
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
Priority claimed from KR1020210149501A external-priority patent/KR102704310B1/ko
Application filed by 네이버랩스 주식회사 filed Critical 네이버랩스 주식회사
Publication of WO2023080685A1 publication Critical patent/WO2023080685A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Definitions

  • the present disclosure relates to a method and system for learning a monocular distance estimation model, and more particularly, to a method and system for updating a supervised monocular distance estimation model using a self-supervised learning method.
  • a monocular distance estimation model for estimating a distance using an image captured by a monocular camera may be learned in various ways.
  • the monocular distance estimation model may be supervised learning based on a plurality of images and a plurality of actually measured distance values, or may be self-supervised learning based on sequentially captured images and camera pose information.
  • the relative distance estimation performance of the monocular distance estimation model may be good, but there is a problem in that it is difficult to estimate an accurate distance value.
  • the self-supervised learning method if the pose information used for learning is accurate, absolute distance estimation may be possible, but there is a problem in that the quality of the depth map is not as good as in the case of the supervised learning method.
  • the present disclosure provides a method for learning a monocular distance estimation model, a computer-readable non-transitory storage medium recording instructions, and an apparatus (system) for solving the above problems.
  • the present disclosure may be implemented in various ways, including a method, an apparatus (system), or a computer-readable non-transitory storage medium on which instructions are recorded.
  • a method for learning a monocular depth estimation model obtained by at least one processor of an information processing system, obtains a first monocular depth estimation model and a second monocular distance estimation model. Acquiring a plurality of learning images taken by a monocular camera mounted on a mobile robot at a learning target place, acquiring a plurality of poses of a monocular camera associated with the plurality of learning images, and a plurality of learning images, monocular and updating a second monocular distance estimation model using the plurality of poses of the camera and the first monocular distance estimation model through self-supervised learning.
  • a monocular distance estimation method performed by at least one processor includes obtaining an updated second monocular distance estimation model generated by a learning method according to an embodiment of the present disclosure; Receiving a current image captured at a learning target place by a monocular camera mounted on a mobile robot and estimating distance information on the current image by inputting the current image to an updated second monocular distance estimation model .
  • a computer-readable non-transitory recording medium recording instructions for executing a method for learning a monocular distance estimation model or a method for estimating a monocular distance according to an embodiment of the present disclosure in a computer is provided.
  • An information processing system includes a memory and at least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory, wherein the at least one program includes: Acquiring a first monocular distance estimation model and a second monocular distance estimation model, obtaining a plurality of learning images captured by a monocular camera mounted on a mobile robot in a learning target place, and acquiring a plurality of training images of a monocular camera associated with the plurality of training images. and instructions for obtaining a pose and updating a second monocular distance estimation model through self-supervised learning using a plurality of learning images, a plurality of poses of a monocular camera, and a first monocular distance estimation model.
  • absolute distance estimation is possible by additionally learning a supervised monocular distance estimation model based on a large amount of images and a large amount of distance measurement values to adapt to a specific place using a self-supervised learning method, and depth estimation is possible.
  • a monocular distance estimation model with a good map quality can be obtained.
  • the mobile robot can safely drive without colliding with objects around the robot using accurate distance information estimated from an updated monocular distance estimation model.
  • distance structure information learned by a supervised learning method may be maintained.
  • a monocular distance estimation model may be additionally trained only with pose information and an image without an actual distance measurement value for a learning target place, and through this, distance information of an accurate scale may be estimated.
  • FIG. 1 illustrates an example in which a monocular distance estimation model according to an embodiment of the present disclosure outputs distance information associated with an image based on an image.
  • FIG. 2 is a block diagram showing the internal configuration of an information processing system according to an embodiment of the present disclosure.
  • FIG. 3 is a diagram illustrating an example of a method for supervising and learning a first monocular distance estimation model and a second monocular distance estimation model according to an embodiment of the present disclosure.
  • FIG. 4 is a diagram illustrating an example of a method of updating a second distance estimation model based on distillation loss according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram illustrating an example of a method of updating a second distance estimation model based on a luminous intensity loss according to an embodiment of the present disclosure.
  • FIG. 6 is a diagram illustrating an example of a method of updating a second distance estimation model based on scale coherence loss according to an embodiment of the present disclosure.
  • FIG. 7 is a diagram illustrating an example of a method of learning a second distance estimation model according to an embodiment of the present disclosure.
  • FIG. 8 is a diagram illustrating an example of comparing distance information estimated by a first monocular distance estimation model and distance information estimated by an updated second monocular distance estimation model according to an embodiment of the present disclosure.
  • FIG. 9 is a flowchart illustrating an example of a method for learning a monocular distance estimation model according to an embodiment of the present disclosure.
  • FIG. 10 is a flowchart illustrating an example of a monocular distance estimation method according to an embodiment of the present disclosure.
  • a modulee' or 'unit' used in the specification means a software or hardware component, and the 'module' or 'unit' performs certain roles.
  • 'module' or 'unit' is not meant to be limited to software or hardware.
  • a 'module' or 'unit' may be configured to reside in an addressable storage medium and may be configured to reproduce one or more processors.
  • a 'module' or 'unit' includes components such as software components, object-oriented software components, class components, and task components, processes, functions, and attributes. , procedures, subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, or variables.
  • a 'module' or 'unit' may be implemented with a processor and a memory.
  • 'Processor' should be interpreted broadly to include general-purpose processors, central processing units (CPUs), microprocessors, digital signal processors (DSPs), controllers, microcontrollers, state machines, and the like.
  • 'processor' may refer to an application specific integrated circuit (ASIC), programmable logic device (PLD), field programmable gate array (FPGA), or the like.
  • ASIC application specific integrated circuit
  • PLD programmable logic device
  • FPGA field programmable gate array
  • 'Processor' refers to a combination of processing devices, such as, for example, a combination of a DSP and a microprocessor, a combination of a plurality of microprocessors, a combination of one or more microprocessors in conjunction with a DSP core, or a combination of any other such configurations. You may. Also, 'memory' should be interpreted broadly to include any electronic component capable of storing electronic information.
  • 'Memory' includes random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), programmable read-only memory (PROM), erasable-programmable read-only memory (EPROM), It may also refer to various types of processor-readable media, such as electrically erasable PROM (EEPROM), flash memory, magnetic or optical data storage, registers, and the like.
  • RAM random access memory
  • ROM read-only memory
  • NVRAM non-volatile random access memory
  • PROM programmable read-only memory
  • EPROM erasable-programmable read-only memory
  • a memory is said to be in electronic communication with the processor if the processor can read information from and/or write information to the memory.
  • Memory integrated with the processor is in electronic communication with the processor.
  • a 'system' may include at least one of a server device and a cloud device, but is not limited thereto.
  • a system may consist of one or more server devices.
  • a system may consist of one or more cloud devices.
  • the system may be operated by configuring a server device and a cloud device together.
  • 'display' may refer to any display device associated with a computing device, for example, any display device capable of displaying any information/data provided or controlled by the computing device. can refer to
  • 'each of a plurality of A' or 'each of a plurality of A' may refer to each of all components included in a plurality of A's, or each of some components included in a plurality of A's. .
  • FIG. 1 shows an example in which the monocular distance estimation model 100 according to an embodiment of the present disclosure outputs distance information 120 related to an image based on an image 110 .
  • the monocular distance estimation model 100 may receive an image 110 photographed by a monocular camera and output distance information 120 associated with the image.
  • the distance information 120 associated with the image may include information about a distance from a monocular camera or a device equipped with the monocular camera to an object corresponding to a plurality of pixels included in the image 110 .
  • the distance information 120 associated with the image may be visualized and expressed as a depth map. For example, as shown in the distance information 120, as the distance to the object corresponding to the pixel of the image 110 increases, the corresponding pixel is displayed in red color, and the closer the distance to the corresponding object, the corresponding It can be represented as a depth map where pixels are colored blue. Additionally or alternatively, based on the distance information 120 , a driving route map displaying a safely drivable driving route may be generated.
  • the monocular distance estimation model 100 can be learned in various ways.
  • the monocular distance estimation model 100 may be supervised and learned based on a plurality of images and a plurality of ground truth (GT) values.
  • GT ground truth
  • the monocular distance estimation model 100 may be self-supervised learning based on sequential images and camera pose information. According to the self-supervised learning method, the monocular distance estimation model 100 can be trained only with images without actual distance values, and if the pose information used for learning is accurate, absolute distance estimation can be possible.
  • an absolute distance estimation is performed by additionally learning (updating) a monocular distance estimation model supervised based on a plurality of images and a plurality of distance measurement values to adapt to a specific place in a self-supervised learning method. It is possible to obtain a monocular distance estimation model 100 having a good depth map quality.
  • the monocular distance estimation model 100 learned by the learning method according to an embodiment of the present disclosure may be used for safe driving of a mobile robot equipped with a monocular camera.
  • the monocular distance estimation model 100 is based on the image 110 photographed at a specific place (eg, a self-supervised learning target place) by a monocular camera mounted on a mobile robot, and associated with the image.
  • Distance information 120 may be estimated.
  • the distance information 120 may be absolute distance information of an accurate scale rather than relative distance information.
  • the mobile robot can safely drive without colliding with objects around the robot using the estimated distance information 120 .
  • the monocular distance estimation model 100 may be stored in the mobile robot and used to estimate distance information from a photographed image.
  • the monocular distance estimation model 100 may be stored in a server (eg, an information processing system) and used to estimate distance information from an image taken by a mobile robot. In this case, the server may transmit the estimated distance information to the mobile robot.
  • the information processing system 200 may include a memory 210, a processor 220, a communication module 230 and an input/output interface 240.
  • the information processing system 200 may be configured to communicate information and/or data through a network using the communication module 230 .
  • Memory 210 may include any non-transitory computer readable recording medium.
  • the memory 210 is a non-perishable mass storage device (permanent mass storage device) such as random access memory (RAM), read only memory (ROM), disk drive, solid state drive (SSD), flash memory, and the like. mass storage device).
  • a non-perishable mass storage device such as a ROM, SSD, flash memory, disk drive, etc. may be included in the information processing system 200 as a separate permanent storage device separate from memory.
  • the memory 210 includes an operating system and at least one program code (eg, code for learning a monocular distance estimation model installed and driven in the information processing system 200, distance estimation using the monocular distance estimation model, etc.) ) can be stored.
  • a recording medium readable by such a separate computer may include a recording medium directly connectable to the information processing system 200, for example, a floppy drive, a disk, a tape, a DVD/CD-ROM drive, a memory card, etc. It may include a computer-readable recording medium.
  • software components may be loaded into the memory 210 through the communication module 230 rather than a computer-readable recording medium.
  • the at least one program is a computer program (eg, a monocular distance estimation model) installed by files provided by developers or a file distribution system that distributes application installation files through the communication module 230. learning, a program for distance estimation using a monocular distance estimation model, and the like) may be loaded into the memory 210 .
  • the processor 220 may be configured to process commands of a computer program by performing basic arithmetic, logic, and input/output operations. Commands may be provided to a user terminal (not shown) or other external system by the memory 210 or the communication module 230 .
  • the processor 220 may update the second monocular distance estimation model through self-supervised learning using the plurality of training images, the plurality of poses of the monocular camera, and the first monocular distance estimation model. there is.
  • the processor 220 may estimate distance information on the image by inputting the image to the updated second monocular distance estimation model.
  • the communication module 230 may provide a configuration or function for a user terminal (not shown) and the information processing system 200 to communicate with each other through a network, and the information processing system 200 may provide an external system (for example, a separate configuration or function to communicate with a cloud system, etc.).
  • control signals, commands, data, etc. provided under the control of the processor 220 of the information processing system 200 are transmitted through the communication module 230 and the network to the user terminal and/or the communication module of the external system. It may be transmitted to a terminal and/or an external system.
  • the mobile robot and/or external system may receive estimated distance information and the like from the information processing system 200 .
  • the input/output interface 240 of the information processing system 200 is connected to the information processing system 200 or means for interface with a device (not shown) for input or output that the information processing system 200 may include.
  • a device not shown
  • the input/output interface 240 is shown as an element configured separately from the processor 220 , but is not limited thereto, and the input/output interface 240 may be included in the processor 220 .
  • the information processing system 200 may include more components than those of FIG. 2 . However, there is no need to clearly show most of the prior art components.
  • the processor 220 of the information processing system 200 may be configured to manage, process, and/or store information and/or data received from a plurality of user terminals and/or a plurality of external systems. According to an embodiment, the processor 220 may obtain a first monocular distance estimation model and a second monocular distance estimation model. Then, it is possible to receive a plurality of learning images captured by a monocular camera mounted on a mobile robot at the learning target place, acquire a plurality of poses of the monocular camera associated with the plurality of learning images, and obtain a plurality of learning images, a monocular The second monocular distance estimation model may be updated through self-supervised learning using the plurality of camera poses and the first monocular distance estimation model.
  • FIG. 3 is a diagram illustrating an example of a method of supervising and learning a first monocular distance estimation model 310 and a second monocular distance estimation model 320 according to an embodiment of the present disclosure.
  • the information processing system (or at least one processor of the information processing system) may obtain the first monocular distance estimation model 310 and the second monocular distance estimation model 320 .
  • the first monocular distance estimation model 310 and the second monocular distance estimation model 320 may be distance estimation models learned through a supervised learning method.
  • the information processing system receives the first monocular distance estimation model 310 and the second monocular distance estimation model 320 supervised and learned by an external system, thereby obtaining the supervised first monocular distance estimation model 310 and the second monocular distance estimation model 310 and the second monocular distance estimation model 310 and the second monocular distance estimation model 310.
  • a distance estimation model 320 may be obtained.
  • the information processing system may obtain the first monocular distance estimation model 310 and the second monocular distance estimation model 320 by directly supervising the monocular distance estimation model.
  • the first monocular distance estimation model 310 and the second monocular distance estimation model 320 use a plurality of images 312 and 322 taken at an arbitrary place and a plurality of actual distance values 316 and 326 ), it can be supervised learning.
  • the information processing system or the external system inputs the plurality of images 312 to the first monocular distance estimation model 310 and outputs the plurality of distance information 314 and the plurality of actual distance values 316 based on the output.
  • the loss can be calculated.
  • the information processing system or an external system may train the first distance estimation model 310 by adjusting the first monocular distance estimation model 310 in a manner that minimizes the calculated loss.
  • the second distance estimation model 320 may also be trained based on the plurality of images 322 and the plurality of actual distance values 326 in the same or similar manner as the first distance estimation model 310 .
  • the first distance estimation model 310 and the second distance estimation model 320 may be the same model. That is, the information processing system or an external system may obtain the first distance estimation model 310 and the second distance estimation model 320 by generating one distance estimation model and replicating the generated distance estimation model.
  • the supervised first monocular distance estimating model 310 and the second monocular distance estimating model 320 are supervised with a large amount of training data and can be operated on general images (general), and are comparatively learned based on distance measurement values. The performance of relative distance estimation may be good, but the exact distance value cannot be estimated.
  • the information processing system may generate an updated second monocular distance estimation model that works well in a specific place and can estimate an absolute distance value by additionally learning (updating) the supervised second monocular distance estimation model 320. there is.
  • the first monocular distance estimation model 310 with fixed weights may be used to maintain distance structure information learned through supervised learning.
  • the information processing system acquires a first distance estimation model (eg, teacher network) 410 and a second distance estimation model (eg, student network) 420 that have been supervised, A plurality of learning images 400 photographed by a monocular camera at a place to be learned may be acquired.
  • the plurality of training images 400 may be sequential images sequentially captured by a monocular camera.
  • the first monocular distance estimation model 410 may be used to maintain a distance information structure learned by supervised learning, and for this purpose, weights may be fixed.
  • the information processing system may calculate the distillation loss 430 based on the distance information sets 412 and 422 estimated by the first monocular distance estimation model 410 and the second monocular distance estimation model 420 .
  • the information processing system may estimate the first distance information set 412 by inputting the plurality of training images 400 to the first monocular distance estimation model 410 .
  • the information processing system may estimate the second distance information set 422 by inputting the plurality of training images 400 to the second monocular distance estimation model 420 .
  • the information processing system can calculate the distillation loss 430 based on the first set of distance information 412 and the second set of distance information 422 .
  • the distillation loss can be calculated by Equation 1 below.
  • the information processing system may adjust the second monocular distance estimation model 420 based on the calculated distillation loss 430 .
  • the information processing system may adjust the second monocular distance estimation model 420 to minimize distillation loss 430 .
  • the updated second monocular distance estimation model uses distance structure information (eg, relative distance structure information) learned by the supervised learning method. may be maintained, and the quality of the depth map may be preserved.
  • the information processing system may acquire a plurality of training images 510 and 520 and a plurality of poses of a monocular camera associated with the plurality of training images for learning of the second distance estimation model 500.
  • the plurality of learning images may be sequential images captured by a monocular camera mounted on the mobile robot while the mobile robot is driving.
  • the plurality of poses of the monocular camera associated with the plurality of learning images may be poses estimated by a mobile robot, an information processing system, or an external system.
  • the plurality of poses of the monocular camera are visual odometry based on an inertial measurement unit (IMU) mounted on a mobile robot or wheel information 530 or SLAM (Simultaneous Localization and Mapping) technique It may be an absolute size pose estimated by (540).
  • IMU inertial measurement unit
  • SLAM Simultaneous Localization and Mapping
  • the information processing system based on a plurality of training images 510 and a plurality of warped images 552 generated by warping 550 the plurality of training images to an adjacent viewpoint, luminance loss (560) can be calculated.
  • the information processing system warps 550 the second image 520 captured at a second viewpoint among a plurality of training images to a first viewpoint that is adjacent to the second viewpoint, and obtains a warped image 552. can create Then, the information processing system may calculate the luminance loss 560 based on the warped image 552 and the first image 510 captured at the first viewpoint.
  • the information processing system inputs the first image 510 captured at the first viewpoint to the second monocular distance estimation model 500 to obtain distance information 512 associated with the first image. is estimated, and the pose 542 of the monocular camera between the first and second viewpoints (eg, the difference between the pose of the monocular camera at the first viewpoint and the pose of the monocular camera at the second viewpoint), the first image and Based on the associated distance information 512 and the intrinsic matrix of the monocular camera, a warped image 552 may be generated. For example, a process of generating the warped image 552 may be expressed as Equation 2 below.
  • Is a second point in time adjacent to the first point in time is a second image 520 taken at a second viewpoint
  • is the warping function is the internal matrix of the monocular camera
  • Is distance reciprocal information (reciprocal of the distance value) associated with the first image estimated by the second distance estimation model 500 512 is the normalized value of the reciprocal distance information (e.g. )
  • Is a function for converting distance reciprocal information into distance information represents the warped image 552.
  • the information processing system may calculate the luminous intensity loss based on the warped image 552 and the first image 510 captured at the first viewpoint.
  • the luminous intensity loss can be calculated by Equation 3 below.
  • the first image 510 is an image 552 warped from the second viewpoint to the first viewpoint
  • SSIM Structural Similarity Index Map
  • L1 loss is the L1 loss
  • hyperparameter e.g. 0.85
  • the luminance loss 560 may reflect pixel value difference information between the first image 510 and the warped image 552 .
  • the information processing system may adjust the second monocular distance estimation model 500 based on the calculated luminous intensity loss 560 .
  • the information processing system can adjust the second monocular distance estimation model 500 to minimize luminance loss 560 .
  • the information processing system updates the second monocular distance estimation model 500 based on the luminosity loss 560, thereby learning the second monocular distance estimation model 500 only with the pose information and the image without the measured distance value for the learning target place. and through this, accurate scale distance information can be estimated.
  • the information processing system may acquire a plurality of training images 610 and 620 and a plurality of poses of a monocular camera associated with the plurality of training images for learning of the second distance estimation model 600.
  • the learning image may be a sequential image taken by a monocular camera mounted on the mobile robot while the mobile robot is driving, and a plurality of poses of the monocular camera associated with the plurality of learning images may be a mobile robot, an information processing system, or an external system. It may be a pose of an absolute size estimated by
  • the information processing system may calculate the scale coherence loss 630 based on the estimated distance information sets 612 and 622 for the image pairs 610 and 620 captured at adjacent viewpoints. For example, the information processing system may estimate the first distance information 612 by inputting the first image 610 captured at the first viewpoint to the second monocular distance estimation model 600, and The second distance information 622 may be estimated by inputting the second image 620 captured at the second viewpoint adjacent to the first viewpoint to the monocular distance estimation model 600, and the first distance information 612 And based on the second distance information 622, a scale coherence loss 630 may be calculated. The scale coherence loss 630 may induce scale coherence between the distance information 612 and 622 estimated for the image pairs 612 and 622 captured at adjacent viewpoints.
  • the information processing system converts the second distance based on the first distance information 612, the pose of the monocular camera at the first viewpoint, and the pose of the monocular camera at the second viewpoint.
  • information can be generated.
  • the information processing system may provide first distance information ( ) (612) is converted into a three-dimensional coordinate system ( ), and the monocular camera pose information between the first and second viewpoints ( ) (e.g., the difference between the pose of the monocular camera at the first viewpoint and the pose of the monocular camera at the second viewpoint) is used to reconvert ( ), the z-coordinate value among the converted coordinate values ( ) by extracting, the converted first distance information ( ) can be created.
  • the information processing system may generate warped second distance information by warping the second distance information 622 to the image coordinate system of the first view.
  • the warped second distance information may be calculated by Equation 4 below.
  • Is a second point in time adjacent to the first point in time Is second distance information 622, is the warping function, is the internal matrix of the monocular camera, Is the pose information of the monocular camera between the first and second viewpoints, Is distance reciprocal information (reciprocal of the distance value) 612 associated with the first image estimated by the second distance estimation model 600, is the normalized value of the distance reciprocal information (the reciprocal of the distance value), e.g. ), Is a function for converting distance reciprocal information into distance information, denotes warped second distance information.
  • the information processing system converts the first distance information ( ) and the warped second distance information ( ), the scale coherence loss 630 can be calculated.
  • the scale coherence loss 630 can be calculated by Equation 5 below.
  • the information processing system may calculate the scale coherence loss 630 by excluding some of the distance information of the image (eg, a pixel area that interferes with learning) and using the remaining distance information.
  • the information processing system may adjust the second monocular distance estimation model 600 based on the calculated scale coherence loss 630 .
  • the information processing system may adjust the second monocular distance estimation model 600 to minimize scale coherence loss 630 .
  • the second monocular distance estimation model 600 is updated based on the scale coherence loss 630, an appropriate size between distance information 612 and 622 estimated for an image pair 612 and 622 captured from an adjacent viewpoint Through comparison, scale consistency can be induced, and more precise scale distance information can be estimated.
  • the information processing system may obtain a first distance estimation model 730 and a second distance estimation model 710 .
  • the first distance estimation model 730 and the second distance estimation model 710 may be supervised models based on a plurality of images taken at an arbitrary place and a plurality of actually measured distance values.
  • the obtained second distance estimation model 710 may be an object of additional learning, and the obtained first distance estimation model 730 may be used for additional learning of the second monocular distance estimation model 710 with fixed weights. there is.
  • the information processing system may obtain a plurality of training images 712 and 722 and a plurality of poses of a monocular camera associated with the plurality of training images.
  • the plurality of learning images may be sequential images taken by a monocular camera mounted on the mobile robot while the mobile robot is traveling in the learning target place
  • the plurality of poses may be sequential images taken by a monocular camera mounted on the mobile robot.
  • the plurality of poses may include information 750 about poses of monocular cameras between adjacent viewpoints.
  • the plurality of poses may include pose information of the monocular camera at each viewpoint at which the plurality of images are captured, and the information processing system may include information on poses of the monocular camera between adjacent viewpoints from the obtained plurality of poses.
  • (750) can be derived. For example, from the difference between the pose of the monocular camera at the first viewpoint and the pose of the monocular camera at the second viewpoint, information 750 on the pose of the monocular camera between the first viewpoint and the second viewpoint may be derived. there is.
  • the information processing system is selected from among the distillation loss 740 described above with reference to FIG. 4, the luminous intensity loss 760 described above with reference to FIG. 5, or the scale coherence loss 770 described above with reference to FIG.
  • the second monocular distance estimation model 710 may be updated.
  • the information processing system adjusts the second monocular distance estimation model so that the total loss of the distillation loss 740, the luminosity loss 760, and the scale coherence loss 770 are minimized, thereby minimizing the second monocular distance estimation model ( 710) can be updated.
  • the information processing system updates the second monocular distance estimation model 710 based on the distillation loss 740, thereby maintaining the relative distance structure information learned by the supervised learning method in the updating process, and the luminous intensity loss 760.
  • the information processing system updates the second monocular distance estimation model 710 based on the basis, it is possible to learn the second monocular distance estimation model 710 only with an image without a measured distance value for the place to be learned, and using pose information of an absolute size, Distance information of an accurate scale can be estimated.
  • the information processing system updates the second monocular distance estimation model 710 based on the scale coherence loss 770 to induce scale consistency between distance information estimated from images taken at adjacent viewpoints, More accurate scale distance information may be obtained from the second monocular distance estimation model.
  • the first monocular distance estimation model is a supervised model based on a plurality of images captured at an arbitrary place and a plurality of measured distance values, and can estimate a relative distance.
  • the updated second monocular distance estimation model is a model obtained by updating the supervised second monocular distance estimation model based on at least one of distillation loss, luminous intensity loss, and scale coherence loss, and relative distance structure information learned by the supervised learning method. , it is additionally learned to adapt well to the learning target place, enabling absolute distance estimation.
  • FIG. 8 shows a first distance estimated by inputting a plurality of images 800 taken at a specific place (eg, a learning target place) by a monocular camera mounted on a mobile robot and each of the plurality of images to the first monocular distance estimation model.
  • Information 810 and second distance information 820 estimated by inputting each of a plurality of images to the updated second monocular distance estimation model are shown.
  • the distance information is shown as a depth map that visualizes the distance information estimated by the monocular distance estimation model and a driving route map that displays a possible driving route.
  • the closer the color displayed to the pixel is to red, the farther the distance to the corresponding object is, and the closer the color displayed to the pixel is to blue, the closer the distance to the corresponding object is. can mean that
  • the relative distance (relatively far and close) to the object corresponding to the image 800 is reflected to some extent, but accurate distance information is reflected. Therefore, it can be confirmed that the quality of the driving route map is degraded.
  • the distance to the object corresponding to the image 800 is relatively accurately reflected, and thus the quality of the driving route map is reduced. You can see that it is excellent. Accordingly, safe driving of the traveling mobile robot can be expected by using the distance information 820 estimated by the updated second monocular distance estimation model.
  • the method 900 may be initiated by a processor (eg, a processor of an information processing system) acquiring a first monocular distance estimation model and a second monocular distance estimation model (S910).
  • the first monocular distance estimating model and the second monocular distance estimating model may be supervised models based on a plurality of images captured at an arbitrary place and a plurality of actually measured distance values.
  • the processor may obtain the first monocular distance estimation model and the second monocular distance estimation model by receiving the first monocular distance estimation model and the second monocular distance estimation model supervised and learned by an external system.
  • the processor may obtain the first monocular distance estimation model and the second monocular distance estimation model by directly supervising and learning the first monocular distance estimation model and the second monocular distance estimation model.
  • the first monocular distance estimation model obtained in step S910 may be a model capable of estimating a relative distance, and the obtained first monocular distance estimation model is weighted to be used for updating the second monocular distance estimation model in step S940. can be fixed.
  • the processor may acquire a plurality of learning images taken by a monocular camera at the learning target place (S920).
  • the obtained learning images may be sequential images captured by a monocular camera mounted on the mobile robot while the mobile robot is driving the learning target place.
  • the acquired training image may be used to update the second monocular distance estimation model.
  • the processor may acquire a plurality of poses of the monocular camera associated with the plurality of training images (S930).
  • the plurality of poses of the monocular camera associated with the plurality of training images may be poses estimated by an information processing system or an external system.
  • the plurality of poses of the monocular camera may be poses of an absolute size estimated by an inertial measurement unit (IMU) mounted on a mobile robot or visual odometry based on wheel information or a SLAM technique.
  • IMU inertial measurement unit
  • the processor may update the second monocular distance estimation model through self-supervised learning (S940). According to one embodiment, the processor may adjust the second monocular distance estimation model based on at least one of distillation loss, luminance loss, or scale coherence loss. For example, the processor may update the second monocular distance estimation model by adjusting the second monocular distance estimation model such that a total loss value including distillation loss, luminance loss, and scale coherence loss is minimized.
  • the distillation loss may be calculated based on a set of distance information estimated by the first monocular distance estimation model and the second monocular distance estimation model.
  • the processor inputs a plurality of training images to a first monocular distance estimation model to estimate a first distance information set, and inputs a plurality of training images to a second monocular distance estimation model to estimate a second distance information set. It is possible to estimate and calculate the distillation loss based on the first distance information set and the second distance information set.
  • the luminous intensity loss may be calculated based on a plurality of training images and a plurality of warped images generated by warping the plurality of training images at adjacent viewpoints.
  • the processor may generate a warped image by warping a first image captured at a first viewpoint among a plurality of training images with a second viewpoint adjacent to the first viewpoint, and among the plurality of training images Luminance loss may be calculated based on the second image captured at the second viewpoint and the warped image.
  • the warped image is distance information associated with the second image estimated by inputting the second image to a second monocular distance estimation model, the pose of the monocular camera at the first viewpoint, and the pose of the monocular camera at the second viewpoint and an internal matrix of a monocular camera.
  • the scale coherence loss may be calculated based on a set of estimated distance information for a pair of images taken at adjacent viewpoints.
  • the processor estimates third distance information by inputting a third image captured at a third viewpoint to the second monocular distance estimation model, and captures a photograph from a fourth viewpoint adjacent to the third viewpoint to the second monocular distance estimation model.
  • the fourth image may be input, fourth distance information may be estimated, and scale coherence loss may be calculated based on the third distance information and the fourth distance information.
  • the warped fourth distance information may be generated based on the pose of the monocular camera at the third viewpoint, the pose of the monocular camera at the fourth viewpoint, the third distance information, and the internal matrix of the monocular camera.
  • the processor may obtain an updated second monocular distance estimation model by updating the second monocular distance estimation model based on at least one of distillation loss, luminous intensity loss, and scale coherence loss.
  • the updated second monocular distance estimation model is additionally trained to adapt well to the learning target location while maintaining the relative distance structure information learned by supervised learning, enabling absolute distance estimation and generating a good quality depth map. there is.
  • the method 1000 may be initiated by a processor (eg, a processor of an information processing system or a processor of a mobile robot) obtaining an updated second monocular distance estimation model generated by the method according to an embodiment of the present disclosure. (S1010).
  • the updated second monocular distance estimation model may be a distance estimation model additionally learned to adapt to a learning target place, capable of estimating an absolute distance, and capable of generating a depth map of good quality.
  • the processor may receive the current image captured at the learning target location by the monocular camera mounted on the mobile robot (S1020), input the received current image to the updated second monocular distance estimation model, and Distance information for may be estimated (S1030).
  • the distance information on the current image may include information on distances from the monocular camera or the mobile robot to an object corresponding to a plurality of pixels included in the current image.
  • the estimated distance information may be visualized and expressed as a depth map, and a driving route map displaying a safely drivable driving route may be generated based on the estimated distance information.
  • the mobile robot can safely drive without colliding with objects around the robot by using the estimated distance information (or a depth map or a driving path map generated from the estimated distance information).
  • FIGS. 9 and 10 The flowcharts shown in FIGS. 9 and 10 and the above description are only examples, and may be implemented differently in some embodiments. For example, in some embodiments, the order of each step may be changed, some steps may be repeatedly performed, some steps may be omitted, or some steps may be added.
  • the above method may be provided as a computer program stored in a computer readable recording medium to be executed on a computer.
  • the medium may continuously store programs executable by a computer or temporarily store them for execution or download.
  • the medium may be various recording means or storage means in the form of a single or combined hardware, but is not limited to a medium directly connected to a certain computer system, and may be distributed on a network. Examples of the medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROM and DVD, magneto optical media such as floptical disks, and Anything configured to store program instructions may include a ROM, RAM, flash memory, or the like.
  • examples of other media include recording media or storage media managed by an app store that distributes applications, a site that supplies or distributes various other software, and a server.
  • the processing units used to perform the techniques may include one or more ASICs, DSPs, digital signal processing devices (DSPDs), programmable logic devices (PLDs) ), field programmable gate arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, electronic devices, and other electronic units designed to perform the functions described in this disclosure. , a computer, or a combination thereof.
  • a general purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine.
  • a processor may also be implemented as a combination of computing devices, eg, a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other configuration.
  • the techniques include random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), PROM (on a computer readable medium, such as programmable read-only memory (EPROM), erasable programmable read-only memory (EPROM), electrically erasable PROM (EEPROM), flash memory, compact disc (CD), magnetic or optical data storage device, or the like. It can also be implemented as stored instructions. Instructions may be executable by one or more processors and may cause the processor(s) to perform certain aspects of the functionality described in this disclosure.
  • Computer readable media includes both computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another.
  • a storage media may be any available media that can be accessed by a computer.
  • such computer readable media may include RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or desired program code in the form of instructions or data structures. It can be used for transport or storage to and can include any other medium that can be accessed by a computer. Also, any connection is properly termed a computer-readable medium.
  • the software is transmitted from a website, server, or other remote source using coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), or wireless technologies such as infrared, radio, and microwave
  • coaxial cable , fiber optic cable, twisted pair, digital subscriber line, or wireless technologies such as infrared, radio, and microwave
  • Disk and disc as used herein include CD, laser disc, optical disc, digital versatile disc (DVD), floppy disk, and blu-ray disc, where disks are usually magnetic data is reproduced optically, whereas discs reproduce data optically using a laser. Combinations of the above should also be included within the scope of computer readable media.
  • a software module may reside in RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, hard disk, a removable disk, a CD-ROM, or any other form of storage medium known in the art.
  • An exemplary storage medium can be coupled to the processor such that the processor can read information from or write information to the storage medium.
  • the storage medium may be integral to the processor.
  • the processor and storage medium may reside within an ASIC.
  • An ASIC may exist within a user terminal.
  • the processor and storage medium may exist as separate components in a user terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Robotics (AREA)
  • Image Analysis (AREA)

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
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, 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체를 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 위한 명령어들을 기록한 컴퓨터 판독가능한 비일시적 기록 매체가 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.
도 10은 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.
Figure PCTKR2022017164-appb-img-000001
여기서,
Figure PCTKR2022017164-appb-img-000002
는 증류 손실(430),
Figure PCTKR2022017164-appb-img-000003
는 제1 거리 정보(412)(거리 값의 역수),
Figure PCTKR2022017164-appb-img-000004
는 제2 거리 정보(422)(거리 값의 역수),
Figure PCTKR2022017164-appb-img-000005
,
Figure PCTKR2022017164-appb-img-000006
는 정규화된 거리 정보,
Figure PCTKR2022017164-appb-img-000007
은 학습 이미지(400)의 수 또는 이미지로부터 추정된 거리 정보 쌍(412, 422)의 수를 나타내며,
Figure PCTKR2022017164-appb-img-000008
는
Figure PCTKR2022017164-appb-img-000009
(예:
Figure PCTKR2022017164-appb-img-000010
=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:
Figure PCTKR2022017164-appb-img-000011
)을 정렬하여, 그 중 오차 값이 큰 일부(예:
Figure PCTKR2022017164-appb-img-000012
개)를 제외하고, 나머지(예:
Figure PCTKR2022017164-appb-img-000013
(=
Figure PCTKR2022017164-appb-img-000014
)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.
Figure PCTKR2022017164-appb-img-000015
여기서,
Figure PCTKR2022017164-appb-img-000016
는 제1 시점,
Figure PCTKR2022017164-appb-img-000017
는 제1 시점과 인접한 시점인 제2 시점,
Figure PCTKR2022017164-appb-img-000018
는 제2 시점에서 촬영된 제2 이미지(520),
Figure PCTKR2022017164-appb-img-000019
는 와핑 함수,
Figure PCTKR2022017164-appb-img-000020
는 단안 카메라의 내부 행렬,
Figure PCTKR2022017164-appb-img-000021
는 제1 시점과 제2 시점 사이의 단안 카메라의 포즈 정보(542),
Figure PCTKR2022017164-appb-img-000022
는 제2 거리 추정 모델(500)에 의해 추정된 제1 이미지와 연관된 거리 역수 정보(거리 값의 역수)(512),
Figure PCTKR2022017164-appb-img-000023
는 거리 역수 정보를 정규화한 값(예:
Figure PCTKR2022017164-appb-img-000024
),
Figure PCTKR2022017164-appb-img-000025
는 거리 역수 정보를 거리 정보로 변환하기 위한 함수,
Figure PCTKR2022017164-appb-img-000026
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.
Figure PCTKR2022017164-appb-img-000027
여기서,
Figure PCTKR2022017164-appb-img-000028
는 제1 이미지(510),
Figure PCTKR2022017164-appb-img-000029
는 제2 시점에서 제1 시점으로 와핑된 이미지(552),
Figure PCTKR2022017164-appb-img-000030
은 구조적 유사성 지수 맵(Structural Similarity Index Map; SSIM),
Figure PCTKR2022017164-appb-img-000031
은 L1 손실(L1 loss),
Figure PCTKR2022017164-appb-img-000032
는 하이퍼 파라미터(예: 0.85),
Figure PCTKR2022017164-appb-img-000033
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(
Figure PCTKR2022017164-appb-img-000034
)(612)를 3차원 좌표계로 변환하고(
Figure PCTKR2022017164-appb-img-000035
), 이를 제1 시점과 제2 시점 사이의 단안 카메라 포즈 정보(
Figure PCTKR2022017164-appb-img-000036
)(예: 제1 시점에서의 단안 카메라의 포즈와 제2 시점에서의 단안 카메라의 포즈의 차이)를 이용하여 재변환하고(
Figure PCTKR2022017164-appb-img-000037
), 변환된 좌표 값 중 z좌표 값(
Figure PCTKR2022017164-appb-img-000038
)을 추출함으로써, 변환된 제1 거리 정보(
Figure PCTKR2022017164-appb-img-000039
)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.
Figure PCTKR2022017164-appb-img-000040
여기서,
Figure PCTKR2022017164-appb-img-000041
는 제1 시점,
Figure PCTKR2022017164-appb-img-000042
는 제1 시점과 인접한 시점인 제2 시점,
Figure PCTKR2022017164-appb-img-000043
는 제2 거리 정보(622),
Figure PCTKR2022017164-appb-img-000044
는 와핑 함수,
Figure PCTKR2022017164-appb-img-000045
는 단안 카메라의 내부 행렬,
Figure PCTKR2022017164-appb-img-000046
는 제1 시점과 제2 시점 사이의 단안 카메라의 포즈 정보,
Figure PCTKR2022017164-appb-img-000047
는 제2 거리 추정 모델(600)에 의해 추정된 제1 이미지와 연관된 거리 역수 정보(거리 값의 역수)(612),
Figure PCTKR2022017164-appb-img-000048
는 거리 역수 정보(거리 값의 역수)를 정규화한 값(예:
Figure PCTKR2022017164-appb-img-000049
),
Figure PCTKR2022017164-appb-img-000050
는 거리 역수 정보를 거리 정보로 변환하기 위한 함수,
Figure PCTKR2022017164-appb-img-000051
는 와핑된 제2 거리 정보를 나타낸다.
정보 처리 시스템은 변환된 제1 거리 정보(
Figure PCTKR2022017164-appb-img-000052
) 및 와핑된 제2 거리 정보(
Figure PCTKR2022017164-appb-img-000053
)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.
Figure PCTKR2022017164-appb-img-000054
여기서,
Figure PCTKR2022017164-appb-img-000055
는 학습에 방해가 되는 픽셀 영역을 제외하고 남은 픽셀 집합(예: 오토마스킹 기법 사용),
Figure PCTKR2022017164-appb-img-000056
는 픽셀 집합 내의 각 픽셀,
Figure PCTKR2022017164-appb-img-000057
는 변환된 제1 거리 정보,
Figure PCTKR2022017164-appb-img-000058
는 와핑된 제2 거리 정보,
Figure PCTKR2022017164-appb-img-000059
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.
[이 발명을 지원한 국가연구개발사업]
[과제고유번호] 1711125948
[과제번호] 2019-0-01309-003
[부처명] 과학기술정보통신부
[과제관리(전문)기관명] 정보통신기획평가원
[연구사업명] ICT융합산업혁신기술개발(R＆D)
[연구과제명] 불확실한 지도기반 실내·외 환경에서 최종 목적지까지 이동로봇을 가이드 할 수 있는 AI 기술 개발
[기여율] 1/1
[과제수행기관명] 한국전자통신연구원
[연구기간] 2021.01.01 ~ 2021.12.31

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. 제1항에 따른 방법을 컴퓨터에서 실행하기 위한 명령어들을 기록한 컴퓨터 판독 가능한 비일시적 기록 매체.
  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.
PCT/KR2022/017164 2021-11-03 2022-11-03 단안 거리 추정 모델 학습 방법 및 시스템 WO2023080685A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210149501A KR102704310B1 (ko) 2021-11-03 단안 거리 추정 모델 학습 방법 및 시스템
KR10-2021-0149501 2021-11-03

Publications (1)

Publication Number Publication Date
WO2023080685A1 true WO2023080685A1 (ko) 2023-05-11

Family

ID=86241908

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/017164 WO2023080685A1 (ko) 2021-11-03 2022-11-03 단안 거리 추정 모델 학습 방법 및 시스템

Country Status (1)

Country Link
WO (1) WO2023080685A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200044108A (ko) * 2018-07-27 2020-04-28 선전 센스타임 테크놀로지 컴퍼니 리미티드 단안 이미지 깊이 추정 방법 및 장치, 기기, 프로그램 및 저장 매체
US20210019897A1 (en) * 2019-07-15 2021-01-21 Here Global B.V. Method, apparatus, and system for providing real-world distance information from a monocular image
US20210232151A1 (en) * 2018-09-15 2021-07-29 Qualcomm Incorporated Systems And Methods For VSLAM Scale Estimation Using Optical Flow Sensor On A Robotic Device
US20210233275A1 (en) * 2018-05-30 2021-07-29 Baidu Online Network Technology (Beijing) Co., Ltd. Monocular vision tracking method, apparatus and non-transitory computer-readable storage medium
JP2021149675A (ja) * 2020-03-19 2021-09-27 株式会社リコー 車両検知装置、車両、車両検知方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210233275A1 (en) * 2018-05-30 2021-07-29 Baidu Online Network Technology (Beijing) Co., Ltd. Monocular vision tracking method, apparatus and non-transitory computer-readable storage medium
KR20200044108A (ko) * 2018-07-27 2020-04-28 선전 센스타임 테크놀로지 컴퍼니 리미티드 단안 이미지 깊이 추정 방법 및 장치, 기기, 프로그램 및 저장 매체
US20210232151A1 (en) * 2018-09-15 2021-07-29 Qualcomm Incorporated Systems And Methods For VSLAM Scale Estimation Using Optical Flow Sensor On A Robotic Device
US20210019897A1 (en) * 2019-07-15 2021-01-21 Here Global B.V. Method, apparatus, and system for providing real-world distance information from a monocular image
JP2021149675A (ja) * 2020-03-19 2021-09-27 株式会社リコー 車両検知装置、車両、車両検知方法及びプログラム

Also Published As

Publication number Publication date
KR20230064188A (ko) 2023-05-10

Similar Documents

Publication Publication Date Title
WO2019132168A1 (ko) 수술영상데이터 학습시스템
EP3639243A1 (en) Camera pose determination and tracking
WO2021075699A1 (ko) 전자 장치 및 그 동작방법
WO2013168998A1 (en) Apparatus and method for processing 3d information
WO2012008650A1 (ko) 실내위치 측정장치 및 방법
WO2014185710A1 (ko) Tiled display에서 3d 영상을 보정하는 방법 및 장치
WO2020017890A1 (en) System and method for 3d association of detected objects
WO2020027454A1 (en) Multi-layered machine learning system to support ensemble learning
WO2019168264A1 (ko) 전자 장치 및 그 제어 방법
WO2012091326A2 (ko) 고유식별 정보를 이용한 3차원 실시간 거리뷰시스템
WO2021118041A1 (ko) 작업 난이도에 따라 레이블링 작업을 분배하는 방법 및 그를 이용한 장치
WO2020071854A1 (en) Electronic apparatus and control method thereof
WO2023080455A1 (ko) 족부 정보 처리 방법 및 장치
WO2020004749A1 (ko) 동영상 파일을 이용한 설비 학습 장치 및 방법
WO2021075772A1 (ko) 복수 영역 검출을 이용한 객체 탐지 방법 및 그 장치
EP4004872A1 (en) Electronic apparatus and method for controlling thereof
EP3698352A1 (en) Display device and method for controlling independently by a group of pixels
WO2023080685A1 (ko) 단안 거리 추정 모델 학습 방법 및 시스템
WO2017179872A1 (ko) 영상 처리 방법 및 이를 지원하는 전자 장치
WO2019235827A1 (ko) 듀얼 클래스를 지원하는 질병 진단 시스템 및 그 방법
WO2017213373A1 (ko) 전자 장치, 외부 서버 및 그 제어 방법
WO2022260467A1 (en) Method and system for weighted knowledge distillation between neural network models
WO2023128045A1 (ko) 기계학습을 위한 프리핸드 스케치 이미지 생성 방법 및 시스템
WO2022240250A1 (ko) 3차원 지도 정보를 이용한 의미론적 분할 방법 및 시스템
WO2023128027A1 (ko) 비정형 스케치 기반 3차원 모델링 방법 및 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22890416

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE