대표어
https://www.ndmi.go.kr/home/sub.do?menukey=6039&mode=view&no=2212660
권호기사보기
| 기사명 | 저자명 | 페이지 | 원문 | 기사목차 |
|---|
국회도서관 홈으로
정보검색
소장정보 검색
결과 내 검색
동의어 포함
-
-
목차보기
표제지 1
목차 8
요약문 4
SUMMARY 6
제1장 서론 16
1.1. 연구 배경 및 목적 17
1.2. 연구 주요내용 19
1.3. 연구 범위 및 기대효과 20
1.3.1. 연구 범위 20
1.3.2. 연구 기대효과 20
1.4. 연구 추진 전략 및 방향 21
제2장 다중센서 데이터 융합기술을 통한 SLAM 성능 고도화 연구 22
2.1. SLAM 관련 기술 조사 및 재난환경에서의 문제점 분석 23
2.1.1. LiDAR-Inertial Odometry(LIO) 기술 조사 23
2.1.2. LiDAR-Inertial-Visual Odometry(LIVO) 기술 조사 26
2.1.3. 재난환경에서의 문제점 분석1-LIO 29
2.1.4. 재난환경에서의 문제점 분석2-LIVO 31
2.2. LiDAR-Inertial 데이터 기반 위치추정 제안 모델 32
2.2.1. 개선안 개요 32
2.2.2. 스케일 인지형 적응 복셀화 33
2.2.3. 하이브리드 메트릭 상태 갱신 40
2.3. LiDAR-Inertial-Visual 데이터 기반 위치추정 제안 모델 46
2.3.1. 제안된 LIVO 구조 46
2.3.2. 기존의 Visual-Inertial Odometry 구조 48
2.3.3. 제안된 하이브리드 Visual-Inertial Odometry 구조 48
2.3.4. 시각 특징 추출기 및 매칭 조합 구성 49
2.4. 실험 및 결과 분석 49
2.4.1. 제안된 LIO 모델 성능 평가 49
2.4.2. 제안된 LIVO 모델 성능 평가 59
2.5. 소론 70
제3장 다중센서 데이터 융합기술 기반 발산 감지 및 시맨틱 정보 통합방안 분석 71
3.1. SLAM 발산 감지 기술 조사 및 적용성 분석 72
3.1.1. 연구 배경 및 문제 정의 72
3.1.2. 시스템 구성 74
3.1.3. 딥러닝을 활용한 로봇좌표계 속도 추정 75
3.1.4. LIO 시스템 발산예측 알고리즘 77
3.1.5. 위치복원 정확도 개선 77
3.1.6. 알고리즘 성능 평가 79
3.1.7. 시사점 88
3.2. 시맨틱 SLAM 기술 조사 및 적용성 분석 89
3.2.1. 연구 배경 89
3.2.2. 시맨틱 SLAM의 개념과 흐름 90
3.3.3. 기술적 도전과제 95
3.3. 소론 97
제4장 다중센서 데이터 융합기술 기반 재난정보 인식 및 재난조사 서비스 활용 방안 도출 98
4.1. 재난 손상정보 자동탐지 및 분류 성능향상 방안 연구 99
4.1.1. 손상정보 자동탐지 및 시설물 분할 네트워크 구조 분석 99
4.1.2. 거리ㆍ시야각 변화에 따른 객체 탐지 알고리즘 분석 101
4.1.3. 저조도 환경에서 객체 탐지 알고리즘 분석 110
4.1.4. 손상정보 추적 알고리즘 성능 분석 114
4.1.5. 시설물 구조 요소 분할 성능 분석 120
4.2. 재난 현장 손상정보의 위치추정 정확도 개선을 통한 피해지점 DB화 연구 127
4.2.1. 인공지능 연구를 위한 DB 구축 127
4.2.2. 시설물 및 손상정보 위치 추정 정확도 개선 연구 134
4.3. 다중센서 탑재 조사로봇의 재난조사 서비스 활용 방안 도출 137
4.3.1. 시설물 손상정보 인식 후 자율 의사 결정 137
4.3.2. 3차원 형상 복원 145
4.4. 소론 148
제5장 결론 149
참고문헌 152
판권기 160
그림 1.1. 재난사고 현장 및 재난 현장에 투입된 조사로봇 예시 18
그림 2.1. Voxelization 과정 24
그림 2.2. Point-to-point 잔차와 point-to-plane 잔차 24
그림 2.3. ESIKF 기반의 LIO 시스템 예시(FAST-LIO2) 25
그림 2.4. DSO 기반 odometry 및 3차원 지도 27
그림 2.5. ORB-SLAM 기반 odometry 27
그림 2.6. LVI-SAM 프레임워크 28
그림 2.7. R3LIVE++ 프레임워크 28
그림 2.8. LVIO-Fusion 프레임워크 29
그림 2.9. 공간 규모에 따른 smoothed median range의 변화(Superloc 데이터셋 Corridor02 시퀀스) 34
그림 2.10. Scale-aware adaptive voxelization 흐름도 38
그림 2.11. Scale-aware adaptive voxelization 알고리즘 39
그림 2.12. 후보 복셀 선택 41
그림 2.13. 인접 후보 복셀과의 거리에 대한 정의 42
그림 2.14. 복셀 프루닝 기반 point-to-point 대응 탐색 알고리즘 43
그림 2.15. 하이브리드 상태 갱신 알고리즘 46
그림 2.16. 기존의 FAST-LIVO2 프레임워크 47
그림 2.17. 제안된 하이브리드 LIVO 프레임워크 47
그림 2.18. 선정한 카메라 렌즈 및 이중 잠금 시스템 53
그림 2.19. LIO 알고리즘들의 정량 평가 결과(Average값은 divergent case가 고려되지 않은 채 계산됨) 55
그림 2.20. 좁은 계단에서 PV-LIO의 발산 - H'22 Exp16 56
그림 2.21. Point-to-plane과 point-to-point 대응점 양상 - GD Waterways 57
그림 2.22. 좁은 건축 구조물 내부에서의 Packbot 58
그림 2.23. 좁은 실내 구조물 내부에서의 Handheld 장치 58
그림 2.24. 좁은 건축 구조물 내부에서의 Handheld 장치 59
그림 2.25. SD-only 방식과 하이브리드 LIVO 조합별 적용된 매핑 결과: (a) SD-only, (b) Hybrid SD + ORB + HD, (c) Hybrid SD + SP + SG,... 64
그림 2.26. 안전로봇실증센터 SD-only 방식과 하이브리드 LIVO 조합별 매핑 결과 비교 65
그림 2.27. 조도 변화가 심한 건축 구조물 65
그림 2.28. 하이브리드 LIVO 조합별 메모리 사용량 비교 (a) CPU, (b) 메모리, (c) GPU, (d) GPU 메모리 66
그림 2.29. 하이브리드 LIVO 시각 측정 모델의 주요 함수별 처리 시간 비교 67
그림 2.30. 하이브리드 LIVO 조합별 매핑 효율성과 매칭 안정성 비교 68
그림 3.1. 위치추정 실패 상황 예시 (좌) 카메라 이미지 (우) LiDAR 스캔 73
그림 3.2. 환경별 LIO 알고리즘 추정 성능 비교 74
그림 3.3. 시스템 구성도 75
그림 3.4. 딥러닝 모델 구조 76
그림 3.5. 딥러닝 성능 평가 80
그림 3.6. 차량 주행 궤적 비교 82
그림 3.7. 상태 업데이트 방법 도식화 84
그림 3.8. 상태 업데이트 방법 궤적, 속도, bias 비교 85
그림 3.9. Handheld 장치 86
그림 3.10. 취득 데이터셋 이미지 비교 (좌) "handheld_light" (우) "handheld_dark" 86
그림 3.11. 취득 데이터셋 주행궤적 및 속도 비교 87
그림 3.12. Stereo vision-based semantic 3D object and ego-motion tracking 91
그림 3.13. Global Localization with Object-Level Semantics and Topology 매핑 결과 92
그림 3.14. MaskFusion의 추적 및 매핑 결과 93
그림 3.15. SuMa++ 파이프라인 94
그림 3.16. Dynamic scene graph 예시 96
그림 4.1. YOLO 시리즈 발전 과정 100
그림 4.2. YOLO 기반 손상 객체 및 구조물 세분화 과정 100
그림 4.3. 시야각 변화로 인한 검출 실패 예시 이미지 101
그림 4.4. Leica TS16 102
그림 4.5. 거리 및 각도에 따른 균열 데이터 수집(GT) 102
그림 4.6. 거리 및 각도에 따른 균열 이미지 생성 과정 103
그림 4.7. 거리 및 각도에 따른 균열 이미지 전체 프레임워크 103
그림 4.8. Right-60° - 120cm 유사도 분석 예시 이미지 104
그림 4.9. 유사도 분석 heat map 105
그림 4.10. 거리 및 시야각 조건에 따른 검출률 분석 105
그림 4.11. 120cm 고정 거리에서 시야각 변화에 따른 균열 검출 결과 106
그림 4.12. 균열 형태와 거리 및 시선각에 따른 검출 결과 107
그림 4.13. 균열 검출 범위 107
그림 4.14. 박리 형태와 거리 및 시선각에 따른 검출 결과 108
그림 4.15. 박리 검출 범위 108
그림 4.16. 3가지 손상정보 전체통합 검출 범위 109
그림 4.17. HVI-CIDNet: RGB → HSV → HVI 색공간 변환 과정 110
그림 4.18. Black Plane Noise 예시 이미지 111
그림 4.19. 저조도 개선 전, 후 균열 검출 이미지 113
그림 4.20. 다중 객체 추적(MOT)에서 영향력 있는 검출 기반 추적 기법들의 발전 과정 114
그림 4.21. YOLOv8 기반 BoT-SORT Framework 118
그림 4.22. 다중 시점 손상 객체 분석을 위한 시뮬레이션 촬영 환경 구축도 119
그림 4.23. 시설물 분할 모델별 실외 실험 결과 122
그림 4.24. 시설물 분할 모델별 실내 실험 결과 123
그림 4.25. 시설물 분할 평가를 위한 데이터 획득 장소(실내ㆍ외 혼합환경) 124
그림 4.26. 시설물 분할 모델별 실내ㆍ외 실험 결과 125
그림 4.27. 시설물 분할 결과(보와 기둥 분석 결과) 126
그림 4.28. PowerPaint 알고리즘 구조와 데이터 증강 예시 131
그림 4.29. 손상정보중 균열 inpainting 과정 132
그림 4.30. 학습 데이터 증강 예시 133
그림 4.31. 시설물 분할을 위한 레이블링 예시 133
그림 4.32. Frustum과 clustering을 이용한 2차원 정보 변환 예시 134
그림 4.33. 위치 표시 알고리즘 구조도 134
그림 4.34. 3차원 정보 표시 결과(왼쪽 2차원 박스, 오른쪽 3차원 frustum 및 기둥 표시) 136
그림 4.35. 2025년 위치표시 알고리즘 결과(기둥 위치에 RGB 영상 매칭, 빨간색 점: 포인트 클라우드 중심, 파란색 점: 기둥 3차원 위치) 137
그림 4.36. 인공지능 기반 의사결정 기법 및 적용 분야 138
그림 4.37. WBF 알고리즘과 시설물 분할 및 손상정보 인식 알고리즘 연계도 140
그림 4.38. WBF 적용 전후 성능 비교 141
그림 4.39. MCDM과 WBF 알고리즘 연계도 142
그림 4.40. TOPSIS와 시설물 안전 및 구조 위험도 행렬 결과 143
그림 4.41. 3DGS를 이용한 3차원 형상 복원(KIRO 데이터 598장 사용) 146
그림 4.42. VGGT 네트워크 구조(Jianyuan, CVPR2025) 147
그림 4.43. VGGT를 이용한 3차원 형상 복원(좌: 입력, 우: 출력) 147
MARC 보기
오류 데이터 정정요청
*표시는 필수 입력사항입니다.
알림톡 발송
| 전화번호 |
|---|
개인정보 수정 바로가기
연속간행물 권호 선택
우편복사 안내
- ◾ 도서관을 방문하지 못할 경우 인터넷, 팩스 등으로 자료 복사를 신청하고, 복사물을 우편·팩스 등으로 제공받는 서비스
- ◾ 대상자료: 일반도서, 연속간행물 및 학위논문
- ※ 고서, 고잡지, 훼손될 우려가 있는 자료, 마이크로폼 자료 및 신문 등 제외
- ◾ 신청 책수: 1인 5책 이하(1일 기준)
- ◾ 신청 절차: 자료 검색 → 우편복사 목록담기 → 복사 범위 입력 → 우편복사 주문서 입력 → 접수 및 확인
- ※ 저작권법에 의거하여 부분 복사(전체 페이지 수의 1/3 범위 이내)만 가능
- ◾ 복사 범위 입력 예시: (연속 페이지) 1-30, (부분 페이지) 25, 30-40
| 번호 | 발행일자 | 권호명 | 제본정보 | 자료실 | 원문 | 신청 페이지 |
|---|
도서위치안내(서울관)
도서위치안내: / 서가번호:
0
확인
우편복사 목록담기를 완료하였습니다.
내서재에 담기
새로운 서재
*표시는 필수 입력사항입니다.
저장
저장 되었습니다.