KR102616031B1 - Apparatus and method for implementing physics engine using visual localization - Google Patents
Apparatus and method for implementing physics engine using visual localization Download PDFInfo
- Publication number
- KR102616031B1 KR102616031B1 KR1020230012623A KR20230012623A KR102616031B1 KR 102616031 B1 KR102616031 B1 KR 102616031B1 KR 1020230012623 A KR1020230012623 A KR 1020230012623A KR 20230012623 A KR20230012623 A KR 20230012623A KR 102616031 B1 KR102616031 B1 KR 102616031B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- virtual
- lighting
- feature points
- map
- Prior art date
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 102
- 230000004807 localization Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000000463 material Substances 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000002834 transmittance Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 230000004313 glare Effects 0.000 claims description 5
- 230000005684 electric field Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 117
- 230000006870 function Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 230000003190 augmentative effect Effects 0.000 description 14
- 230000003287 optical effect Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 239000002245 particle Substances 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004300 dark adaptation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 206010049155 Visual brightness Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013498 data listing Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000190070 Sarracenia purpurea Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Image Analysis (AREA)
Abstract
본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에 의해 수행되는 비주얼 로컬라이제이션(visual localization)을 위한 방법으로서, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하는 단계; 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하는 단계; 상기 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map)을 결정하는 단계; 및 상기 콜리전 맵에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.A method for visual localization performed by a computing device in accordance with some embodiments of the present disclosure, comprising: receiving a query image obtained from a user device; Obtaining a result of visual localization corresponding to the query image by performing a visual positioning system (VPS) operation based on the query image; determining a collision map corresponding to a result of the visual localization; And when arranging virtual lighting on the collision map, determining at least one of a first virtual light and dark on the collision map or a first visual effect according to the first virtual light and dark based on the information on the virtual light. May include ;.
Description
본 개시내용은 영상 처리에 관한 것으로 보다 구체적으로 비주얼 로컬라이제이션에 관한 것이다.This disclosure relates to image processing and more specifically to visual localization.
위치 기반 서비스(Location Based Services)에 대한 수요가 증가함에 따라 정확한 위치 정보에 대한 필요성이 높아졌다. 모바일 디바이스 및 모바일 플랫폼 상에서 위치를 확인하는 가장 일반적인 방법은 GNSS(Global Navigation Satellite System)이다. 하지만, 실내 환경에서 GNSS 신호는 장애물에 의해 차단될 수 있기 때문에, 실외 환경에서만 용이하게 사용될 수 있다는 제한 사항이 존재한다.As the demand for Location Based Services increases, the need for accurate location information has increased. The most common way to determine location on mobile devices and mobile platforms is GNSS (Global Navigation Satellite System). However, because GNSS signals may be blocked by obstacles in an indoor environment, there is a limitation that they can only be easily used in an outdoor environment.
실내에서의 위치 인식을 수행하기 위한 다양한 기술들이 제안되었지만 다수의 실내 위치 인식 기법들은 무선신호를 이용한 핑거 프린팅(Finger Printing) 기반 위치 인식 알고리즘을 넘어서지 못하고 있는 것이 현실이다. 이러한 방법에서는 수집된 Wi-Fi RSS(수신 신호 강도) 또는 MFS(자기장 강도)와 관련된 데이터가 핑거 프린팅 데이터 베이스의 데이터와 비교된다. 핑거 프린팅 기반 시스 템은 구축하기 쉽다는 장점이 있지만, 신호 패턴 자체가 시스템 환경 변화에 영향을 받기 때문에 양호한 성능을 유지하기가 어려울 수 있다. 이런 핑거 프린팅 기반 시스템의 결함을 극복하기 위해 Optical, RFID(Radio Frequency Identification), Bluetooth Beacons, ZigBee, Pseudo Satellite 등을 포함한 많은 대안이 제안되었지만, 이러한 대안들 또한 복잡한 실내 환경 상에서 높은 정확도를 달성하기는 어렵다는 평가를 받고 있다.Although various technologies have been proposed to perform location recognition indoors, the reality is that many indoor location recognition techniques do not go beyond the fingerprint printing-based location recognition algorithm using wireless signals. In this method, the collected data related to Wi-Fi RSS (Received Signal Strength) or MFS (Magnetic Field Strength) is compared with data from a fingerprinting database. Fingerprinting-based systems have the advantage of being easy to build, but it can be difficult to maintain good performance because the signal pattern itself is affected by changes in the system environment. To overcome the deficiencies of these fingerprint-based systems, many alternatives have been proposed, including Optical, RFID (Radio Frequency Identification), Bluetooth Beacons, ZigBee, and Pseudo Satellite, but these alternatives also have difficulty achieving high accuracy in complex indoor environments. It is evaluated as difficult.
최근에는 실내 환경에서도 높은 정확성을 가지는 위치 추정을 구현하기 위한 대안으로 VPS(Visual Positioning System: 시각적 위치결정 시스템)에 대한 연구가 활발하게 이루어지고 있다. VPS 기술은 비주얼 로컬라이제이션(Visual localization) 기술로도 표현될 수 있으며, 이러한 비주얼 로컬라이제이션은 실내 또는 실외에서 촬영된 이미지를 사용하여 디바이스의 현재 위치 또는 포즈(pose)를 추정하는 기술을 의미한다. 디바이스(혹은 카메라)의 포즈 추정(Pose estimation)이란 동적으로 변하는 카메라 시점의 이동(Translation) 및 회전(Rotation) 정보 등을 결정하는 것이다. 혼합현실(Mixed reality), 증강현실(Augmented Reality), 로봇 내비게이팅(Robot navigating) 및 3D 장면 재구성(3-Dimensional Scene Reconstruction) 등 다양한 활용 분야로 이러한 카메라 포즈 추정 기술이 활용되고 있다.Recently, research on VPS (Visual Positioning System) has been actively conducted as an alternative to implement highly accurate position estimation even in indoor environments. VPS technology can also be expressed as visual localization technology, which refers to a technology that estimates the current location or pose of a device using images taken indoors or outdoors. Pose estimation of a device (or camera) refers to determining the translation and rotation information of a dynamically changing camera viewpoint. This camera pose estimation technology is being used in a variety of fields such as mixed reality, augmented reality, robot navigating, and 3-Dimensional Scene Reconstruction.
증강현실 기술은 실제공간에 가상정보를 실시간으로 증강하여 사용 자가 증강된 가상정보와 상호작용함으로써 작업의 효율성을 향상시키는 기술이다. 최근 증강현실 기술이 발달함에 따라서 현실감 있는 연출을 위해 증강현실에서의 물리엔진을 구현하기 위한 연구가 진행되고 있다.Augmented reality technology is a technology that enhances work efficiency by augmenting virtual information in real space in real time and allowing users to interact with the augmented virtual information. As augmented reality technology has recently developed, research is being conducted to implement a physical engine in augmented reality for realistic production.
본 개시의 전술한 배경기술에 대응하여 안출된 것으로, 비주얼 로컬라이제이션을 이용하여 정밀한 물리엔진을 구현하기 위함이다.It was developed in response to the above-described background technology of this disclosure, and is intended to implement a precise physics engine using visual localization.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present disclosure are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 비주얼 로컬라이제이션(visual localization)을 위한 방법으로서, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하는 단계; 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하는 단계; 상기 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map)을 결정하는 단계; 및 상기 콜리전 맵에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.According to some embodiments of the present disclosure for solving the problems described above, a method for visual localization performed by a computing device includes receiving a query image obtained from a user device. ; Obtaining a result of visual localization corresponding to the query image by performing a visual positioning system (VPS) operation based on the query image; determining a collision map corresponding to a result of the visual localization; And when arranging virtual lighting on the collision map, determining at least one of a first virtual light and dark on the collision map or a first visual effect according to the first virtual light and dark based on the information on the virtual light. May include ;.
대안적으로, 상기 비주얼 로컬라이제이션의 결과는, 상기 사용자 디바이스의 관련된 위치 및 방향을 포함하는 포즈(pose);를 포함할 수 있다.Alternatively, the results of the visual localization may include a pose that includes an associated location and orientation of the user device.
대안적으로, 상기 콜리전 맵은, 촬상 장치를 이용하여 스캔 또는 촬영된, 상기 쿼리 이미지와 관련된 공간에 대한 정보에 기초하여 생성될 수 있다.Alternatively, the collision map may be generated based on information about the space associated with the query image, scanned or photographed using an imaging device.
대안적으로, 상기 콜리전 맵은, 물리 현상을 나타내는 정보가 사전에 반영될 수 있다.Alternatively, information representing physical phenomena may be reflected in advance in the collision map.
대안적으로, 상기 물리 현상을 나타내는 정보는, 상기 콜리전 맵에 포함된 객체의 재질 정보 또는 공간 정보 중 적어도 하나를 포함할 수 있다.Alternatively, the information representing the physical phenomenon may include at least one of material information or spatial information of an object included in the collision map.
대안적으로, 상기 객체의 재질 정보는, 상기 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함할 수 있다.Alternatively, the material information of the object may include at least one of temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, elastic coefficient, or friction coefficient at the volume or surface of the object.
대안적으로, 상기 공간 정보는, 공간 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수, 벡터 필드(vector field) 또는 텐서 필드(tensor field) 중 적어도 하나를 포함할 수 있다.Alternatively, the spatial information may include gravitational field, magnetic field, electric field, Coriolis force, wind direction, wind speed, temperature, humidity, air resistance, altitude above sea level, air density, viscosity, scattering rate, atmospheric pressure, elastic coefficient, friction coefficient, It may include at least one of a vector field or a tensor field.
대안적으로, 상기 가상 조명의 정보는, 상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 또는 상기 가상 조명의 특성 정보 중 적어도 하나를 포함할 수 있다.Alternatively, the information on the virtual lighting may include at least one of location information of the virtual lighting, direction information of the virtual lighting, or characteristic information of the virtual lighting.
대안적으로, 상기 가상 조명의 특성 정보는, 상기 가상 조명의 색상, 밝기, 도달거리 또는 상기 가상 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함할 수 있다.Alternatively, the characteristic information of the virtual lighting may include information related to at least one of the color, brightness, reach, or shadow caused by the virtual lighting.
대안적으로, 상기 제 1 시각적 효과는, 과노출, 역광, 암적응, 섬광 또는 보케 중 적어도 하나에 대응되는 효과를 포함할 수 있다.Alternatively, the first visual effect may include an effect corresponding to at least one of overexposure, backlight, dark adaptation, glare, or bokeh.
대안적으로, 상기 콜리전 맵에 가상 객체를 배치하는 경우, 상기 가상 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 콜리전 맵 상에서의 제 2 가상 명암 또는 제 2 가상 명암에 따른 제 2 시각적 효과 중 적어도 하나를 결정하는 단계;를 더 포함할 수 있다.Alternatively, when placing a virtual object on the collision map, a second virtual brightness or a second visual light according to the second virtual brightness on the collision map based on the information of the virtual lighting and the information of the virtual object It may further include determining at least one of the effects.
대안적으로, 상기 가상 객체의 정보는, 상기 가상 객체의 위치 정보, 가상 객체의 방향 정보 또는 상기 가상 객체의 재질 정보 중 적어도 하나를 포함할 수 있다.Alternatively, the information on the virtual object may include at least one of location information of the virtual object, direction information of the virtual object, or material information of the virtual object.
대안적으로, 상기 가상 객체의 재질 정보는, 상기 가상 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함할 수 있다.Alternatively, the material information of the virtual object may include at least one of temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, elastic coefficient, or friction coefficient at the volume or surface of the virtual object.
대안적으로, 상기 콜리전 맵을 결정하는 단계 이후에, 상기 쿼리 이미지와 상기 콜리전 맵을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계; 상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계; 및 상기 복합 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 3 가상 명암 및 상기 제 3 가상 명암에 따른 제 3 시각적 효과를 결정하는 단계;를 더 포함할 수 있다.Alternatively, after determining the collision map, comparing the query image and the collision map to obtain information about real-world lighting associated with the user device; determining information on complex lighting based on the information on the virtual lighting and the information on the real lighting; and determining a third virtual brightness on the collision map and a third visual effect according to the third virtual brightness based on the information on the complex lighting.
대안적으로, 상기 쿼리 이미지와 상기 콜리전 맵을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계는, 상기 쿼리 이미지와 상기 콜리전 맵을 비교하여, 상기 쿼리 이미지와 상기 콜리전 맵 상에서의 명암의 차이를 결정하고, 그리고 상기 결정된 명암의 차이를 이용하여 상기 콜리전 맵에 존재하지 않는 상기 쿼리 이미지 상에서의 현실 조명의 정보를 추정하는 단계;를 포함하며, 그리고 상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계는, 상기 추정된 현실 조명의 정보, 상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 및 상기 가상 조명의 특성 정보를 이용하여 상기 복합 조명의 정보를 추정하는 단계;를 포함할 수 있다.Alternatively, comparing the query image and the collision map to obtain information about real-world lighting associated with the user device may include comparing the query image and the collision map, determining a difference in light and dark in the image, and using the determined difference in light and dark to estimate information on real lighting on the query image that does not exist in the collision map; and information on the virtual lighting. and determining information on complex lighting based on the information on the real lighting, using the estimated real lighting information, position information on the virtual lighting, direction information on the virtual lighting, and characteristic information on the virtual lighting. It may include estimating information on the complex lighting.
대안적으로, 상기 콜리전 맵에 가상 객체를 배치하는 경우, 상기 복합 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 콜리전 맵 상에서의 제 4 가상 명암 또는 제 4 가상 명암에 따른 제 4 시각적 효과 중 적어도 하나를 결정하는 단계;를 더 포함할 수 있다.Alternatively, when placing a virtual object on the collision map, a fourth virtual brightness or a fourth visual brightness according to the fourth virtual brightness on the collision map based on the information of the complex lighting and the information of the virtual object It may further include determining at least one of the effects.
대안적으로, 상기 콜리전 맵에 가상 음향을 배치하는 경우, 상기 가상 음향의 정보에 기초하여 상기 콜리전 맵 상에서 상기 사용자 디바이스에 적용되는 제 1 청각적 효과를 결정하는 단계;를 더 포함할 수 있다.Alternatively, when placing a virtual sound on the collision map, the method may further include determining a first auditory effect applied to the user device on the collision map based on information on the virtual sound. there is.
대안적으로, 상기 콜리전 맵에 가상 객체를 배치하는 경우, 상기 가상 음향의 정보 및 상기 가상 객체의 정보에 기초하여 상기 콜리전 맵 상에서 상기 사용자 디바이스에 적용되는 제 2 청각적 효과를 결정하는 단계;를 더 포함할 수 있다.Alternatively, when placing a virtual object on the collision map, determining a second auditory effect applied to the user device on the collision map based on the information of the virtual sound and the information of the virtual object. It may further include ;.
대안적으로, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 비주얼 로컬라이제이션(visual localization)을 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하는 단계; 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하는 단계; 상기 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map)을 결정하는 단계; 및 상기 콜리전 맵에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.Alternatively, a computer program stored on a computer-readable storage medium, the computer program comprising instructions for causing a processor of a computing device for visual localization to perform the following steps, said steps comprising: Receiving a query image obtained from a device; Obtaining a result of visual localization corresponding to the query image by performing a visual positioning system (VPS) operation based on the query image; determining a collision map corresponding to a result of the visual localization; And when arranging virtual lighting on the collision map, determining at least one of a first virtual light and dark on the collision map or a first visual effect according to the first virtual light and dark based on the information on the virtual light. May include ;.
대안적으로, 비주얼 로컬라이제이션(visual localization)을 위한 컴퓨팅 장치에 있어서, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및 네트워크부;를 포함하고, 상기 프로세서는, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하고, 상기 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 상기 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하고, 상기 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map)을 결정하고, 그리고 상기 콜리전 맵에 가상 조명을 배치하는 경우, 상기 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암 또는 상기 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정할 수 있다.Alternatively, a computing device for visual localization comprising: a processor including at least one core; a memory storing a computer program executable by the processor; and a network unit, wherein the processor receives a query image obtained from a user device and performs a VPS (visual positioning system) operation based on the query image, thereby generating a query image corresponding to the query image. When obtaining a result of visual localization, determining a collision map corresponding to the result of the visual localization, and placing virtual lighting on the collision map, the collision is performed based on the information of the virtual lighting. At least one of a first virtual brightness on the entire map or a first visual effect according to the first virtual brightness can be determined.
본 개시의 몇몇 실시예에 따른 방법 및 장치는 비주얼 로컬라이제이션을 이용하여 물리엔진을 정밀하게 구현할 수 있다.Methods and devices according to some embodiments of the present disclosure can precisely implement a physics engine using visual localization.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects that can be obtained from the present disclosure are not limited to the effects mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the description below. .
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부 사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도를 개략 적으로 도시한다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 예시적으로 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다.
도 4는 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 통해 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.
도 5 및 도 6은 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 콜리전 맵에서 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.Various aspects will now be described with reference to the drawings, where like reference numerals are used to collectively refer to like elements. In the following examples, for purposes of explanation, numerous specific details are set forth to provide a comprehensive understanding of one or more aspects. However, it will be clear that such aspect(s) may be practiced without these specific details.
1 schematically shows a block diagram of a computing device according to an embodiment of the present disclosure.
Figure 2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure.
Figure 3 exemplarily shows a method for implementing a physics engine using visual localization according to an embodiment of the present disclosure.
Figure 4 exemplarily shows a method for estimating a pose through visual localization according to an embodiment of the present disclosure.
Figures 5 and 6 exemplarily show a method for implementing a physics engine in a collision map using visual localization according to an embodiment.
Figure 7 depicts a brief, general schematic diagram of an example computing environment in which embodiments of the present disclosure may be implemented.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.Various embodiments are now described with reference to the drawings. In this specification, various descriptions are presented to provide an understanding of the disclosure. However, it is clear that these embodiments may be practiced without these specific descriptions.
본 명세서에서 사용되는 용어 “구성요소”, “컴포넌트”, “모듈”, “시스템” 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.As used herein, the terms “component”, “component”, “module”, “system”, etc. refer to a computer-related entity, hardware, firmware, software, a combination of software and hardware, or an implementation of software. For example, a component may be, but is not limited to, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer. For example, both an application running on a computing device and the computing device can be a component. One or more components may reside within a processor and/or thread of execution. A component may be localized within one computer. A component may be distributed between two or more computers. Additionally, these components can execute from various computer-readable media having various data structures stored thereon. Components can transmit signals, for example, with one or more data packets (e.g., data and/or signals from one component interacting with other components in a local system, a distributed system, to other systems and over a network such as the Internet). Depending on the data being transmitted, they may communicate through local and/or remote processes.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.Additionally, the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified or clear from context, “X utilizes A or B” is intended to mean one of the natural implicit substitutions. That is, either X uses A; X uses B; Or, if X uses both A and B, “X uses A or B” can apply to either of these cases. Additionally, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the related listed items.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.Additionally, the terms “comprise” and/or “comprising” should be understood to mean that the corresponding feature and/or element is present. However, the terms “comprise” and/or “comprising” should be understood as not excluding the presence or addition of one or more other features, elements and/or groups thereof. Additionally, unless otherwise specified or the context is clear to indicate a singular form, the singular terms herein and in the claims should generally be construed to mean “one or more.”
그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다. And, the term “at least one of A or B” should be interpreted to mean “if it contains only A,” “if it contains only B,” or “if it is a combination of A and B.”
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.Those skilled in the art will additionally recognize that the various illustrative logical blocks, components, modules, circuits, means, logic, and algorithm steps described in connection with the embodiments disclosed herein may be implemented using electronic hardware, computer software, or a combination of both. It must be recognized that it can be implemented with To clearly illustrate the interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented in hardware or software will depend on the specific application and design constraints imposed on the overall system. A skilled technician can implement the described functionality in a variety of ways for each specific application. However, such implementation decisions should not be construed as causing a departure from the scope of the present disclosure.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. The description of the presented embodiments is provided to enable anyone skilled in the art to use or practice the present invention. Various modifications to these embodiments will be apparent to those skilled in the art. The general principles defined herein may be applied to other embodiments without departing from the scope of the disclosure. Therefore, the present invention is not limited to the embodiments presented herein. The present invention is to be interpreted in the broadest scope consistent with the principles and novel features presented herein.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. The description of the presented embodiments is provided to enable anyone skilled in the art to use or practice the present invention. Various modifications to these embodiments will be apparent to those skilled in the art. The general principles defined herein may be applied to other embodiments without departing from the scope of the disclosure. Therefore, the present invention is not limited to the embodiments presented herein. The present invention is to be interpreted in the broadest scope consistent with the principles and novel features presented herein.
본 개시내용에서의 제 1, 제 2, 또는 제 3 과 같이 제 N 으로 표현되는 용어들은 복수의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제 1 과 제 2 로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다. In the present disclosure, terms represented by N, such as first, second, or third, are used to distinguish a plurality of entities. For example, the entities expressed as first and second may be the same or different from each other.
본 개시내용에서 비주얼 로컬라이제이션(visual localization)은 실내 또는 실외에서 촬영된 이미지를 사용하여 디바이스의 현재 위치 또는 방향을 포함하는 포즈(pose)를 추정하는 기술을 의미할 수 있다. 디바이스(예컨대 카메라)의 포즈 추정(Pose estimation)이란 동적으로 변하는 카메라 시점의 이동(Translation) 및 회전(Rotation) 정보 등을 결정하는 것을 의미할 수 있다.In the present disclosure, visual localization may refer to a technology for estimating a pose including the current location or direction of a device using images captured indoors or outdoors. Pose estimation of a device (eg, camera) may mean determining translation and rotation information of a dynamically changing camera viewpoint.
본 개시내용에서의 포즈는 예를 들어, 사용자 디바이스(예컨대, 카메라를 포함하는 디바이스)의 위치와 방향을 포함하는, 비주얼 로컬라이제이션을 통해 획득되는 결과 정보를 의미할 수 있다.The pose in the present disclosure may refer to result information obtained through visual localization, including, for example, the position and direction of a user device (eg, a device including a camera).
다른 예시로, 본 개시내용에서의 포즈는 예를 들어, 사용자의 외형 및/또는 동작에 대응되는 상태 정보를 포함할 수도 있다. 이러한 예시에서 포즈는 사용자의 포즈를 추정하기 위한 알고리즘을 포함하는 딥러닝 모듈에 의해 획득될 수 있다. 이러한 예시에서 포즈는 비주얼 로컬라이제이션 및/또는 Inverse Kinematics에 기초하여 획득될 수도 있다.As another example, a pose in the present disclosure may include state information corresponding to, for example, the user's appearance and/or movements. In this example, the pose may be obtained by a deep learning module that includes an algorithm for estimating the user's pose. In this example, the pose may be obtained based on visual localization and/or inverse kinematics.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치(100)의 블록 구성도를 개략적으로 도시한다.1 schematically shows a block diagram of a computing device 100 according to an embodiment of the present disclosure.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110), 메모리(130) 및 네트워크부(150)를 포함할 수 있다.The computing device 100 according to an embodiment of the present disclosure may include a processor 110, a memory 130, and a network unit 150.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.The configuration of the computing device 100 shown in FIG. 1 is only a simplified example. In one embodiment of the present disclosure, the computing device 100 may include different configurations for performing the computing environment of the computing device 100, and only some of the disclosed configurations may configure the computing device 100.
본 개시내용에서의 컴퓨팅 장치(100)는 본 개시내용의 실시예들을 구현하기 위한 시스템을 구성하는 임의의 형태의 노드를 의미할 수 있다. 컴퓨팅 장치(100)는 임의의 형태의 사용자 디바이스 또는 임의의 형태의 서버를 의미할 수 있다. 전술한 컴퓨팅 장치(100)의 컴포넌트들은 예시적인 것으로 일부가 제외될 수 있거나 또는 추가 컴포넌트가 포함될 수도 있다. 일례로, 전술한 컴퓨팅 장치(100)가 사용자 디바이스를 포함하는 경우, 출력부(미도시) 및 입력부(미도시)가 상기 컴퓨팅 장치(100)의 범위 내에 포함될 수 있다.The computing device 100 in the present disclosure may refer to any type of node constituting a system for implementing embodiments of the present disclosure. Computing device 100 may refer to any type of user device or any type of server. The components of the computing device 100 described above are exemplary and some may be excluded or additional components may be included. For example, when the above-described computing device 100 includes a user device, an output unit (not shown) and an input unit (not shown) may be included within the scope of the computing device 100.
일 실시예에서, 프로세서(110)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.In one embodiment, the processor 110 may consist of at least one core, including a central processing unit (CPU) and a general purpose graphics processing unit (GPGPU) of the computing device 100. , may include a processor for data analysis and/or processing, such as a tensor processing unit (TPU).
일 실시예에서, 프로세서(110)는 비주얼 로컬라이제이션을 수행하기 위하여, 사용자 디바이스에서 획득된 쿼리 이미지(query image)를 수신하고, 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과를 획득하고, 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map)을 결정하고, 그리고 콜리전 맵에 가상 조명을 배치하는 경우, 가상 조명의 정보에 기초하여 콜리전 맵 상에서의 제 1 가상 명암 또는 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정할 수 있다.In one embodiment, the processor 110 receives a query image obtained from a user device to perform visual localization, and performs a visual positioning system (VPS) operation based on the query image to determine the query image. When obtaining the result of visual localization corresponding to the result, determining a collision map corresponding to the result of the visual localization, and placing virtual lighting on the collision map, collision is performed based on the information of the virtual lighting. At least one of the first virtual light and dark on the map or the first visual effect according to the first virtual light and dark can be determined.
프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시내용의 일 실시예에 따른 비주얼 로컬라이제이션의 방법론들을 수행할 수 있다. The processor 110 may read a computer program stored in the memory 130 and perform visual localization methodologies according to an embodiment of the present disclosure.
본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수도 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치들의 프로세서들을 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수도 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다. 본 개시의 일 실시예에 따른 신경망에 대한 동작들은 도 2와 관련하여 후술될 것이다.According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network. The processor 110 is used for learning neural networks, such as processing input data for learning in deep learning (DL), extracting features from input data, calculating errors, and updating the weights of the neural network using backpropagation. Calculations can be performed. At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the network function. For example, CPU and GPGPU can work together to process learning of network functions and data classification using network functions. Additionally, in one embodiment of the present disclosure, processors of a plurality of computing devices may be used together to process learning of a network function and data classification using a network function. Additionally, a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU, or TPU executable program. Operations for a neural network according to an embodiment of the present disclosure will be described later with reference to FIG. 2.
추가적으로, 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 예를 들어, 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 데이터, 정보, 또는 신호 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.Additionally, processor 110 may typically handle overall operations of computing device 100. For example, the processor 110 processes data, information, or signals input or output through components included in the computing device 100 or runs an application program stored in the memory 130 to provide appropriate information to the user. Information or functions may be provided or processed.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 컴퓨팅 장치(100)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 본 개시의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체 일 수 있다. 따라서, 메모리(130)는 본 개시내용에 실시예들을 수행하는데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수 있다.According to one embodiment of the present disclosure, the memory 130 may store any type of information generated or determined by the processor 110 and any type of information received by the computing device 100. According to an embodiment of the present disclosure, the memory 130 may be a storage medium that stores computer software that allows the processor 110 to perform operations according to embodiments of the present disclosure. Accordingly, the memory 130 may refer to computer readable media for storing software code required to perform embodiments of the present disclosure, data to be executed by the code, and execution results of the code.
본 개시의 일 실시예에 따르면, 메모리(130)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시내용에서 사용되는 메모리(130)는 전술한 예시들로 제한되지 않는다.According to one embodiment of the present disclosure, the memory 130 may refer to any type of storage medium. For example, the memory 130 may be a flash memory type or a hard disk type. ), multimedia card micro type, card type memory (e.g. SD or XD memory, etc.), RAM (Random Access Memory), SRAM (Static Random Access Memory), ROM (Read-Only) Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), magnetic memory, magnetic disk, and optical disk. The computing device 100 may operate in connection with web storage that performs a storage function of the memory 130 on the Internet. The description of the memory described above is only an example, and the memory 130 used in the present disclosure is not limited to the examples described above.
일 실시예에서, 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 개인 통신망(PAN: Personal Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크부(150)는 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.In one embodiment, the network unit 150 may be configured regardless of communication mode, such as wired or wireless, and may be configured in various communication networks such as a personal area network (PAN) and a wide area network (WAN). It can be composed of . In addition, the network unit 150 can operate based on the World Wide Web (WWW) and can use wireless transmission technology used for short-distance communication, such as Infrared Data Association (IrDA) or Bluetooth. It may be possible.
본 개시내용에서의 컴퓨팅 장치(100)는 임의의 형태의 사용자 디바이스 및/또는 임의의 형태의 서버를 포함할 수 있다. 따라서, 본 개시내용의 실시예들은 서버 및/또는 사용자 디바이스에 의해 수행될 수 있다.Computing device 100 in this disclosure may include any type of user device and/or any type of server. Accordingly, embodiments of the present disclosure may be performed by a server and/or a user device.
사용자 디바이스는 서버 또는 다른 컴퓨팅 장치와 상호작용 가능한 임의의 형태의 디바이스를 포함할 수 있다. 사용자 디바이스는 예를 들어, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), PDA(personal digital assistants), 슬레이트 PC(slate PC), 태블릿 PC(tablet PC) 및 울트라북(ultrabook)을 포함할 수 있다. A user device may include any type of device capable of interacting with a server or other computing device. User devices include, for example, mobile phones, smart phones, laptop computers, personal digital assistants (PDAs), slate PCs, tablet PCs, and ultrabooks. It can be included.
본 개시내용의 일 실시예에서, 사용자 디바이스는 광학적인 화상을 감지하고 전기적인 신호로 변환하여 컴퓨팅 장치(100)에 전달하기 위한 임의의 형태의 장비를 의미할 수 있다. 예를 들어, 사용자 디바이스는 카메라, 스캐너, Lidar 및/또는 비전 센서(vision sensor) 중 적어도 하나를 포함할 수 있다. 추가적인 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스를 포함하거나, 무선 또는 유선으로 외부의 디바이스와 연동될 수도 있다.In one embodiment of the present disclosure, a user device may refer to any type of equipment for detecting an optical image, converting it into an electrical signal, and transmitting it to the computing device 100. For example, the user device may include at least one of a camera, scanner, Lidar, and/or vision sensor. In additional embodiments, the computing device 100 may include a user device or may be linked to an external device wirelessly or wired.
본 개시내용에서의 사용자 디바이스는 카메라 및/또는 라이다를 포함하는 임의의 형태의 이동식 디바이스를 포함할 수 있다. 예를 들어, 사용자 디바이스는 HMD(Head Mounted Device), AR(Augmented Reality) 글래스 및/또는 VR(Virtual Reality) 글래스를 포함할 수 있다.User devices in this disclosure may include any type of mobile device, including cameras and/or lidar. For example, the user device may include a head mounted device (HMD), augmented reality (AR) glasses, and/or virtual reality (VR) glasses.
이하에서는 설명의 편의를 위해, 사용자 디바이스와 컴퓨팅 장치(100)를 구분하여, 컴퓨팅 장치(100)가 사용자 디바이스로부터의 촬영 정보를 전달받아, 사용자 디바이스의 포즈를 추정하기 위한 비주얼 로컬라이제이션에 대한 방법론이 설명될 것이다. 다만, 쿼리 데이터(예를 들어, 쿼리 이미지 등)를 생성하는 사용자 디바이스에서 비주얼 로컬라이제이션을 수행하는 실시예 또한 본 개시내용의 범위 내에 포함될 수 있다. 이러한 실시예에서는 사용자 디바이스가 컴퓨팅 장치(100)의 역할을 적어도 일부 수행할 수 있다.Hereinafter, for convenience of explanation, the user device and the computing device 100 will be distinguished, and a methodology for visual localization for the computing device 100 to receive shooting information from the user device and estimate the pose of the user device will be described. It will be explained. However, embodiments of performing visual localization on a user device that generates query data (eg, query image, etc.) may also be included within the scope of the present disclosure. In this embodiment, the user device may perform at least part of the role of the computing device 100.
서버는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨팅 시스템 또는 컴퓨팅 장치를 포함할 수 있다. 일 실시예에서, 서버는 VPS(Visual Positioning System)을 수행하기 위한 서버로서 콜리전 맵을 저장할 수 있다. 서버는 사용자 디바이스로부터 획득된 이미지를 이용하는 VPS에 기반하여 사용자 디바이스에 대한 포즈 추정, 추정된 포즈에 대한 콜리전 맵의 결정, 콜리전 맵에서의 명암 및 시각적 효과의 결정을 수행할 수 있다.Servers may include any type of computing system or computing device, such as, for example, microprocessors, mainframe computers, digital processors, portable devices, and device controllers. In one embodiment, the server is a server for performing a Visual Positioning System (VPS) and may store a collision map. The server may perform pose estimation for the user device, determination of a collision map for the estimated pose, and determination of contrast and visual effects in the collision map based on the VPS using an image acquired from the user device.
추가적인 실시예에서 전술한 서버는 쿼리 이미지, 콜리전 맵 등을 저장 및 관리하는 저장부(미도시)를 포함할 수 있다. 이러한 저장부는 서버 내에 포함되거나 혹은 서버의 관리 하에 존재할 수 있다. 다른 예시로, 저장부는 서버 외부에 존재하여 서버와 통신 가능한 형태로 구현될 수도 있다. 이 경우 서버와는 상이한 다른 외부 서버에 의해 저장부가 관리 및 제어될 수 있다.In an additional embodiment, the above-described server may include a storage unit (not shown) that stores and manages query images, collision maps, etc. This storage may be included within the server or may exist under the management of the server. As another example, the storage unit may be implemented in a form that exists outside the server and can communicate with the server. In this case, the storage may be managed and controlled by an external server that is different from the server.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 예시적으로 나타낸 개략도이다.Figure 2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure.
본 개시내용에 걸쳐, 인공지능 기반 모델(예를 들어, 특징점 획득 모델 등), 세그멘테이션 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.Throughout this disclosure, artificial intelligence-based model (e.g., feature point acquisition model, etc.), segmentation model, computational model, neural network, network function, and neural network may be used with the same meaning. A neural network can generally consist of a set of interconnected computational units, which can be referred to as nodes. These nodes may also be referred to as neurons. A neural network consists of at least one node. Nodes (or neurons) that make up neural networks may be interconnected by one or more links.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다. Within a neural network, one or more nodes connected through a link may form a relative input node and output node relationship. The concepts of input node and output node are relative, and any node in an output node relationship with one node may be in an input node relationship with another node, and vice versa. As described above, input node to output node relationships can be created around links. One or more output nodes can be connected to one input node through a link, and vice versa.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.In a relationship between an input node and an output node connected through one link, the value of the data of the output node may be determined based on the data input to the input node. Here, the link connecting the input node and the output node may have a weight. Weights may be variable and may be varied by the user or algorithm in order for the neural network to perform the desired function. For example, when one or more input nodes are connected to one output node by respective links, the output node is set to the values input to the input nodes connected to the output node and the links corresponding to each input node. The output node value can be determined based on the weight.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.As described above, in a neural network, one or more nodes are interconnected through one or more links to form an input node and output node relationship within the neural network. The characteristics of the neural network can be determined according to the number of nodes and links within the neural network, the correlation between the nodes and links, and the value of the weight assigned to each link. For example, if the same number of nodes and links exist and two neural networks with different weight values of the links exist, the two neural networks may be recognized as different from each other.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.A neural network may consist of a set of one or more nodes. A subset of nodes that make up a neural network can form a layer. Some of the nodes constituting the neural network may form one layer based on the distances from the first input node. For example, a set of nodes with a distance n from the initial input node may constitute n layers. The distance from the initial input node can be defined by the minimum number of links that must be passed to reach the node from the initial input node. However, this definition of a layer is arbitrary for explanation purposes, and the order of a layer within a neural network may be defined in a different way than described above. For example, a layer of nodes may be defined by distance from the final output node.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. The initial input node may refer to one or more nodes in the neural network through which data is directly input without going through links in relationships with other nodes. Alternatively, in a neural network network, in the relationship between nodes based on links, it may mean nodes that do not have other input nodes connected by links. Similarly, the final output node may refer to one or more nodes that do not have an output node in their relationship with other nodes among the nodes in the neural network. Additionally, hidden nodes may refer to nodes constituting a neural network other than the first input node and the last output node.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.The neural network according to an embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as it progresses from the input layer to the hidden layer. You can. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be less than the number of nodes in the output layer, and the number of nodes decreases as it progresses from the input layer to the hidden layer. there is. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as it progresses from the input layer to the hidden layer. You can. A neural network according to another embodiment of the present disclosure may be a neural network that is a combination of the above-described neural networks.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. A deep neural network (DNN) may refer to a neural network that includes multiple hidden layers in addition to the input layer and output layer. Deep neural networks allow you to identify latent structures in data. In other words, it is possible to identify the potential structure of a photo, text, video, voice, or music (e.g., what object is in the photo, what the content and emotion of the text are, what the content and emotion of the voice are, etc.) . Deep neural networks include convolutional neural network (CNN), recurrent neural network (RNN), auto encoder, restricted Boltzmann machine (RBM), and deep trust network ( It may include deep belief network (DBN), Q network, U network, Siamese network, generative adversarial network (GAN), etc. The description of the deep neural network described above is only an example and the present disclosure is not limited thereto.
뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다. A neural network may be trained in at least one of supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning. Learning of a neural network may be a process of applying knowledge for the neural network to perform a specific operation to the neural network.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.Neural networks can be trained to minimize output errors. In neural network learning, learning data is repeatedly input into the neural network, the output of the neural network and the error of the target for the learning data are calculated, and the error of the neural network is transferred from the output layer of the neural network to the input layer in the direction of reducing the error. This is the process of updating the weight of each node in the neural network through backpropagation. In the case of supervised learning, learning data in which the correct answer is labeled for each learning data is used (i.e., labeled learning data), while in the case of unsupervised learning, the correct answer may not be labeled in each learning data. That is, for example, in the case of supervised learning on data classification, the training data may be data in which each training data is labeled with a category. Labeled training data is input to the neural network, and the error can be calculated by comparing the output (category) of the neural network with the label of the training data. As another example, in the case of unsupervised learning on data classification, the error can be calculated by comparing the input training data with the neural network output. The calculated error is backpropagated in the reverse direction (i.e., from the output layer to the input layer) in the neural network, and the connection weight of each node in each layer of the neural network can be updated according to backpropagation. The amount of change in the connection weight of each updated node may be determined according to the learning rate. The neural network's calculation of input data and backpropagation of errors can constitute a learning cycle (epoch). The learning rate may be applied differently depending on the number of repetitions of the learning cycle of the neural network. For example, in the early stages of neural network training, a high learning rate can be used to increase efficiency by allowing the neural network to quickly achieve a certain level of performance, and in the later stages of training, a low learning rate can be used to increase accuracy.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.In the learning of neural networks, the training data can generally be a subset of real data (i.e., the data to be processed using the learned neural network), and thus the error for the training data is reduced, but the error for the real data is reduced. There may be an incremental learning cycle. Overfitting is a phenomenon in which errors in actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that learned a cat by showing a yellow cat fails to recognize that it is a cat when it sees a non-yellow cat may be a type of overfitting. Overfitting can cause errors in machine learning algorithms to increase. To prevent such overfitting, various optimization methods can be used. To prevent overfitting, methods such as increasing the learning data, regularization, dropout to disable some of the network nodes during the learning process, and use of a batch normalization layer can be applied. You can.
본 개시의 일 실시예에 따른 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.A computer-readable medium storing a data structure according to an embodiment of the present disclosure is disclosed.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.Data structure can refer to the organization, management, and storage of data to enable efficient access and modification of data. Data structure can refer to the organization of data to solve a specific problem (e.g., retrieving data, storing data, or modifying data in the shortest possible time). A data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function. Logical relationships between data elements may include connection relationships between user-defined data elements. Physical relationships between data elements may include actual relationships between data elements that are physically stored in a computer-readable storage medium (e.g., a persistent storage device). A data structure may specifically include a set of data, relationships between data, and functions or instructions applicable to the data. Effectively designed data structures allow computing devices to perform computations while minimizing the use of the computing device's resources. Specifically, computing devices can increase the efficiency of operations, reading, insertion, deletion, comparison, exchange, and search through effectively designed data structures.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.Data structures can be divided into linear data structures and non-linear data structures depending on the type of data structure. A linear data structure may be a structure in which only one piece of data is connected to another piece of data. Linear data structures may include List, Stack, Queue, and Deque. A list can refer to a set of data that has an internal order. The list may include a linked list. A linked list may be a data structure in which data is connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer may contain connection information to the next or previous data. Depending on its form, a linked list can be expressed as a singly linked list, a doubly linked list, or a circularly linked list. A stack may be a data listing structure that allows limited access to data. A stack can be a linear data structure in which data can be processed (for example, inserted or deleted) at only one end of the data structure. Data stored in the stack may have a data structure (LIFO-Last in First Out) where the later it enters, the sooner it comes out. A queue is a data listing structure that allows limited access to data. Unlike the stack, it can be a data structure (FIFO-First in First Out) where data stored later is released later. A deck can be a data structure that can process data at both ends of the data structure.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.A non-linear data structure may be a structure in which multiple pieces of data are connected behind one piece of data. Nonlinear data structures may include graph data structures. A graph data structure can be defined by vertices and edges, and an edge can include a line connecting two different vertices. Graph data structure may include a tree data structure. A tree data structure may be a data structure in which there is only one path connecting two different vertices among a plurality of vertices included in the tree. In other words, it may be a data structure that does not form a loop in the graph data structure.
본 명세서에 걸쳐, 인공지능 기반 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.Throughout this specification, artificial intelligence-based model, computational model, neural network, network function, and neural network may be used with the same meaning. Below, it is described in a unified manner as a neural network. Data structures may include neural networks. And the data structure including the neural network may be stored in a computer-readable medium. Data structures including neural networks also include data preprocessed for processing by a neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data acquired from the neural network, activation functions associated with each node or layer of the neural network, neural network It may include a loss function for learning. A data structure containing a neural network may include any of the components disclosed above. In other words, the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data acquired from the neural network, activation functions associated with each node or layer of the neural network, neural network It may be configured to include all or any combination of the loss function for learning. In addition to the configurations described above, a data structure containing a neural network may include any other information that determines the characteristics of the neural network. Additionally, the data structure may include all types of data used or generated in the computational process of a neural network and is not limited to the above. Computer-readable media may include computer-readable recording media and/or computer-readable transmission media. A neural network can generally consist of a set of interconnected computational units, which can be referred to as nodes. These nodes may also be referred to as neurons. A neural network consists of at least one node.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include data input to the neural network. A data structure containing data input to a neural network may be stored in a computer-readable medium. Data input to the neural network may include learning data input during the neural network learning process and/or input data input to the neural network on which training has been completed. Data input to the neural network may include data that has undergone pre-processing and/or data subject to pre-processing. Preprocessing may include a data processing process to input data into a neural network. Therefore, the data structure may include data subject to preprocessing and data generated by preprocessing. The above-described data structure is only an example and the present disclosure is not limited thereto.
데이터 구조는 신경망의 가중치를 포함할 수 있다. 본 개시내용에서 가중치 및 파라미터는 서로 교환가능한 의미로 사용될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include the weights of the neural network. In this disclosure, weights and parameters may be used interchangeably. The data structure including the weights of the neural network may be stored in a computer-readable medium. A neural network may include multiple weights. Weights may be variable and may be varied by the user or algorithm in order for the neural network to perform the desired function. For example, when one or more input nodes are connected to one output node by respective links, the output node is set to the values input to the input nodes connected to the output node and the links corresponding to each input node. Based on the weight, the data value output from the output node can be determined. The above-described data structure is only an example and the present disclosure is not limited thereto.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.As an example and not a limitation, the weights may include weights that are changed during the neural network learning process and/or weights for which neural network learning has been completed. Weights that change during the neural network learning process may include weights that change at the start of the learning cycle and/or weights that change during the learning cycle. Weights for which neural network training has been completed may include weights for which a learning cycle has been completed. Therefore, a data structure including weights of a neural network may include weights that change during the neural network learning process and/or weights that have completed neural network learning. Therefore, the above-described weights and/or combinations of each weight are included in the data structure including the weights of the neural network. The above-described data structure is only an example and the present disclosure is not limited thereto.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure including the weights of the neural network may be stored in a computer-readable storage medium (e.g., memory, hard disk) after going through a serialization process. Serialization can be the process of converting a data structure into a form that can be stored on the same or a different computing device and later reorganized and used. Computing devices can transmit and receive data over a network by serializing data structures. Data structures containing the weights of a serialized neural network can be reconstructed on the same computing device or on a different computing device through deserialization. The data structure including the weights of the neural network is not limited to serialization. Furthermore, the data structure including the weights of the neural network is a data structure to increase computational efficiency while minimizing the use of computing device resources (e.g., in non-linear data structures, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree) may be included. The foregoing is merely an example and the present disclosure is not limited thereto.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include hyper-parameters of a neural network. And the data structure including the hyperparameters of the neural network can be stored in a computer-readable medium. A hyperparameter may be a variable that can be changed by the user. Hyperparameters include, for example, learning rate, cost function, number of learning cycle repetitions, weight initialization (e.g., setting the range of weight values subject to weight initialization), Hidden Unit. It may include a number (e.g., number of hidden layers, number of nodes in hidden layers). The above-described data structure is only an example and the present disclosure is not limited thereto.
도 3은 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다. 도 3에 도시되는 단계들은 예시적인 단계들이다. 따라서, 본 개시내용의 사상의 범위를 벗어나지 않는 한도에서 도 3의 단계들 중 일부가 생략되거나 추가적인 단계들이 존재할 수 있다는 점 또한 당업자에게 명백할 것이다.Figure 3 exemplarily shows a method for implementing a physics engine using visual localization according to an embodiment of the present disclosure. The steps shown in FIG. 3 are exemplary steps. Accordingly, it will also be apparent to those skilled in the art that some of the steps in FIG. 3 may be omitted or additional steps may be present without departing from the scope of the present disclosure.
도 3에서 도시되는 순서도는 예를 들어, 컴퓨팅 장치(100)에 의해 수행될 수 있다.The flowchart shown in FIG. 3 may be performed, for example, by computing device 100.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다. 컴퓨팅 장치(100)는 촬영 기능을 구비한 사용자 디바이스로부터 촬영된 데이터(예를 들어, 쿼리 이미지 등)를 획득함으로써, 사용자 디바이스의 현재 위치 및 방향을 추정할 수 있다. 컴퓨팅 장치(100)는 사용자 디바이스의 위치 및 방향을 추정함으로써, 클라이언트가 증강현실 및/또는 가상현실 플랫폼 상에서의 활동을 향유하도록 허용할 수 있다.In some embodiments of the present disclosure, computing device 100 may provide an augmented reality and/or virtual reality platform. The computing device 100 may estimate the current location and direction of the user device by acquiring data (eg, query image, etc.) captured from a user device equipped with a photographing function. Computing device 100 may allow a client to enjoy activities on an augmented reality and/or virtual reality platform by estimating the location and orientation of the user device.
일 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스에서 획득된 쿼리 이미지를 수신할 수 있다(310).In one embodiment, computing device 100 may receive a query image obtained from a user device (310).
일 실시예에서, 사용자 디바이스에 의해 획득되는 이미지들은 2차원의 RGB 이미지 또는 그레이 스케일(grayscale) 이미지를 포함할 수 있다. In one embodiment, images acquired by the user device may include two-dimensional RGB images or grayscale images.
일 실시예에서, 사용자 디바이스에 의해 획득되는 이미지들은 타겟 공간에 대해서 시간에 따라 획득되는 복수의 이미지들을 포함할 수 있다. 예를 들어, 상기 이미지들은 타겟 공간의 적어도 일부분에 대한 연속적인 이미지들을 포함할 수 있다. 타겟 공간은 비주얼 로컬라이제이션이 수행될 수 있는 임의의 형태 그리고 임의의 크기의 실내 또는 실외 공간을 의미할 수 있다.In one embodiment, images acquired by a user device may include a plurality of images acquired over time with respect to the target space. For example, the images may include successive images of at least a portion of the target space. The target space may mean an indoor or outdoor space of any shape and size in which visual localization can be performed.
추가적인 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스의 추가 정보(예컨대, 사용자 디바이스의 카메라 정보)를 획득할 수 있다. 예를 들어, 사용자 디바이스의 추가 정보는 이미지들을 획득할 때 함께 획득될 수 있다. 추가 정보는 사용자 디바이스의 위치 정보를 포함할 수 있다. 위치 정보는 예를 들어, 특정지역 혹은 특정 국가에서 통용되는 geodetic datum 또는 geodetic system (또는, geodetic reference datum, geodetic reference system, 또는 geodetic reference frame), spatial reference system(SRS) 또는 coordinate reference system(CRS), 또는 geographic coordinate system(GCS) 등에 대한 좌표값 및/또는 방향값을 포함할 수 있다. 위치 정보에 대한 다른 예시로 GPS가 포함될 수 있다. In additional embodiments, computing device 100 may obtain additional information of the user device (eg, camera information of the user device). For example, additional information about the user device may be obtained along with acquiring the images. Additional information may include location information of the user device. Location information is, for example, geodetic datum or geodetic system (or geodetic reference datum, geodetic reference system, or geodetic reference frame), spatial reference system (SRS) or coordinate reference system (CRS) used in a specific region or country. , or may include coordinate values and/or direction values for a geographic coordinate system (GCS), etc. Other examples of location information may include GPS.
또한, 사용자 디바이스의 추가 정보는 focal length, principal point, resolution 등과 같은 사용자 디바이스의 하드웨어 관련 정보를 더 포함할 수 있다. 또한, 사용자 디바이스의 과거의 카메라 포즈를 추정한 기록이 존재하는 경우, 사용자 디바이스의 추가 정보는 사용자 디바이스의 IMU(Inertial Measurement Unit)의 값으로부터 연산된, 사용자 디바이스의 카메라 포즈에 대한 예비 추정 정보를 포함할 수 있다. 이러한 사용자 디바이스의 카메라 포즈에 대한 예비 추정 정보는 IMU 정보를 이용하여 추정된 대략적인 카메라 포즈를 포함할 수 있으며, 이러한 예비 추정 정보는 사용자 디바이스에 대한 대략적인 위치 정보 및 방향 정보를 포함할 수 있다. 촬영된 이미지(또는 촬영된 이미지에 대응되는 점군(point cloud))와 매칭될 참조 이미지(또는 참조 점군)의 후보군이 축소될 수 있기 때문에, 서버(또는 컴퓨팅 장치)에서의 비교 연산이 효율적으로 수행될 수 있다. 이에 따라 리소스 효율적인 비주얼 로컬라이제이션이 달성될 수 있다. Additionally, the additional information on the user device may further include hardware-related information on the user device, such as focal length, principal point, resolution, etc. In addition, if there is a record of estimating the past camera pose of the user device, the additional information of the user device includes preliminary estimation information about the camera pose of the user device calculated from the value of the IMU (Inertial Measurement Unit) of the user device. It can be included. This preliminary estimate information about the camera pose of the user device may include an approximate camera pose estimated using IMU information, and this preliminary estimate information may include approximate location information and direction information about the user device. . Because the candidate group of reference images (or reference point clouds) to be matched with the captured image (or point cloud corresponding to the captured image) can be reduced, comparison operations on the server (or computing device) are performed efficiently. It can be. Accordingly, resource-efficient visual localization can be achieved.
컴퓨팅 장치(100)는 쿼리 이미지에 기초하여 VPS(visual positioning system) 연산을 수행함으로써, 쿼리 이미지에 대응되는 비주얼 로컬라이제이션의 결과(예를 들어, 비주얼 로컬라이제이션을 통해 획득되는 결과 정보 등)를 획득할 수 있다(320).The computing device 100 can obtain a result of visual localization (e.g., result information obtained through visual localization, etc.) corresponding to the query image by performing a visual positioning system (VPS) operation based on the query image. There is (320).
비주얼 로컬라이제이션의 결과는 사용자 디바이스의 관련된 위치 및 방향을 포함하는 포즈(pose)를 포함할 수 있다. 비주얼 로컬라이제이션의 결과를 획득하는 구체적인 방법은 도 4를 참조하여 후술될 것이다.The results of visual localization may include a pose that includes the relative location and orientation of the user device. A specific method of obtaining the results of visual localization will be described later with reference to FIG. 4.
컴퓨팅 장치(100)는 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵(collision map)을 결정할 수 있다(330).The computing device 100 may determine a collision map corresponding to the result of visual localization (330).
콜리전 맵은 촬상 장치(예를 들어, 디바이스 등)를 이용하여 스캔 또는 촬영된, 쿼리 이미지와 관련된 공간에 대한 정보에 기초하여 생성될 수 있다. 콜리전 맵은 3D 모델을 포함할 수 있다.The collision map may be generated based on information about the space related to the query image, which is scanned or photographed using an imaging device (eg, device, etc.). The collision map may include a 3D model.
구체적으로, 프로세서(110)는 3D 모델을 포함하는 콜리전 맵을 생성할 수 있다. 예를 들어, 프로세서(110)는 촬상 장치(예를 들어, 디바이스 등)를 이용하여 스캔 또는 촬영된 임의의 공간(예를 들어, 디바이스로부터 수신한 이미지 및/또는 깊이 맵과 관련된 공간)에 대한 공간 정보를 획득할 수 있다.Specifically, the processor 110 may generate a collision map including a 3D model. For example, the processor 110 may provide information about any space (e.g., a space associated with an image and/or depth map received from the device) scanned or photographed using an imaging device (e.g., a device, etc.). Spatial information can be obtained.
촬상 장치는 광학적인 화상을 감지하고 전기적인 신호로 변환하여 컴퓨팅 장치(100)에 입력하기 위한 임의의 형태의 장비를 의미할 수 있다. 예를 들어, 촬상 장치는 스캐너, Lidar 및/또는 비전 센서(vision sensor) 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 촬상 장치를 포함하거나, 무선 또는 유선으로 외부의 촬상 장치와 연동될 수 있다.An imaging device may refer to any type of equipment for detecting optical images, converting them into electrical signals, and inputting them into the computing device 100. For example, the imaging device may include at least one of a scanner, Lidar, and/or a vision sensor. The computing device 100 may include an imaging device or may be linked to an external imaging device wirelessly or wired.
공간 정보는 특정한 공간 내부에 대한 정보를 의미할 수 있다. 예를 들어, 공간 정보는 임의의 공간에 존재하는 임의의 형태의 객체에 대한 정보를 의미할 수 있다. 예를 들어, 공간 정보는 촬상 장치로부터 임의의 공간에 존재하는 객체까지의 거리, 방향 및/또는 속도 중 적어도 하나를 포함할 수 있다. 또한, 공간 정보는 객체의 색상, 온도, 물질 분포 및/또는 농도의 특성 중 적어도 하나를 포함할 수 있다. 객체는 상태를 나타내는 상태 데이터 및 상태 데이터에 관련된 동작(예를 들어, 절차, 방법, 기능 등) 데이터를 포함하는 소프트웨어 모듈을 의미할 수 있다. 예를 들어, 객체는 기본 객체, 이동체 및/또는 사전 결정된 특정 객체 중 적어도 하나를 포함할 수 있다.Spatial information may refer to information about the interior of a specific space. For example, spatial information may mean information about any type of object existing in any space. For example, spatial information may include at least one of distance, direction, and/or speed from an imaging device to an object existing in a certain space. Additionally, the spatial information may include at least one of the characteristics of the object's color, temperature, material distribution, and/or concentration. An object may refer to a software module that includes state data representing a state and operation (eg, procedure, method, function, etc.) data related to the state data. For example, the object may include at least one of a basic object, a moving object, and/or a specific predetermined object.
프로세서(110)는 공간 정보에 기초하여 색상 데이터 및/또는 위치 데이터를 포함하는 점군(point cloud) 정보를 생성할 수 있다.The processor 110 may generate point cloud information including color data and/or location data based on spatial information.
점군 정보는 3차원 공간(예를 들어, 3D 모델 등) 상에서의 점들의 집합을 나타내는 정보를 의미할 수 있다. 점군 정보는 임의의 공간에 존재하는 기본 객체에 대한 색상 및/또는 위치와 관련된 측점들의 위치 정보를 의미할 수 있다. 기본 객체는 이동체 및 사전 결정된 특정 객체를 제외한 객체일 수 있다. 따라서, 점군 정보는 조명, 이동체 또는/및 사전 결정된 특정 객체 중 적어도 하나와 관련된 정보가 제거된 정보일 수 있다. 조명 정보는 라이트(light)와 관련된 정보일 수 있다. 이동체는 영구적으로 고정되지 않고 특정한 시점이나 특정한 상황에서 움직임이 가능한 객체일 수 있다. 예를 들어, 이동체는 이동이 가능한 객체(예를 들어, 자동차, 자전거 등)일 수 있다. 사전 결정된 특정 객체는 이동체가 아닌 부동체인 객체(예를 들어, 식물)일 수 있다. 일 실시예에 따르면, 사전 결정된 특정 객체는 사용자가 설정한 객체일 수 있다.Point cloud information may refer to information representing a set of points in a three-dimensional space (eg, 3D model, etc.). Point cloud information may refer to location information of measurement points related to the color and/or location of a basic object existing in an arbitrary space. The basic object may be an object excluding a moving object and a predetermined specific object. Accordingly, the point cloud information may be information from which information related to at least one of lighting, a moving object, and/or a predetermined specific object has been removed. Lighting information may be information related to light. A mobile object may be an object that is not permanently fixed but can move at a specific point in time or in a specific situation. For example, a moving object may be an object that can move (eg, a car, a bicycle, etc.). The specific predetermined object may be a floating object (eg, a plant) rather than a moving object. According to one embodiment, the predetermined specific object may be an object set by the user.
또한, 점군 정보는 색상 데이터 및/또는 위치 데이터를 포함할 수 있다. 색상 데이터는 임의의 공간에 존재하는 객체의 색상과 관련된 데이터를 포함할 수 있다. 예를 들어, 색상 데이터는 임의의 공간에 존재하는 객체의 RGB 컬러 값을 포함하는 버텍스 컬러(vertex color) 값을 포함할 수 있다. 다만, 색상 데이터는 이에 한정되지 않고, 색상을 나타내는 다양한 값을 포함할 수 있다.Additionally, point cloud information may include color data and/or location data. Color data may include data related to the color of an object existing in an arbitrary space. For example, color data may include vertex color values that include RGB color values of objects existing in arbitrary space. However, color data is not limited to this and may include various values representing colors.
위치 데이터는 임의의 공간에 존재하는 객체의 위치와 관련된 데이터를 포함할 수 있다. 예를 들어, 위치 데이터는 임의의 공간에 존재하는 객체의 x, y, z의 위치 좌표를 포함할 수 있다. 다만, 위치 데이터는 전술한 예시로 그 의미가 한정되지 않고, 객체의 위치 또는 깊이를 나타내는 다양한 값을 포함할 수 있다.Location data may include data related to the location of an object existing in arbitrary space. For example, location data may include the x, y, and z location coordinates of an object existing in arbitrary space. However, the meaning of location data is not limited to the above-described example, and may include various values indicating the location or depth of an object.
프로세서(110)는 점군 정보에 기초하여 3D 모델을 포함하는 콜리전 맵을 생성할 수 있다. The processor 110 may generate a collision map including a 3D model based on point cloud information.
3D 모델은 점군 정보에 기초하여 임의의 공간에 대응되도록 3차원으로 생성된 모델(예를 들어, 3차원의 맵(map) 등)로, 점군 정보를 포함할 수 있다. 예를 들어, 프로세서(110)는 점군 정보에 포함된 점군을 메시(mesh) 단위로 변경하여 임의의 공간에 대응되는 3차원으로 형성된 3D 모델을 생성할 수 있다. 따라서, 프로세서(110)는 점군 정보에 포함된 점군을 다른 다양한 단위들로 변경하여 3D 모델을 생성할 수 있다. 다른 예를 들어, 프로세서(110)는 점군 정보에 포함된 점군으로 형성된 3D 모델을 생성할 수 있다. 따라서, 프로세서(110)는 점군 정보에 포함된 점군을 변경하지 않고 그대로 사용하여 3D 모델을 생성할 수 있다. 여기서, 임의의 공간은 촬상 장치를 이용하여 스캔 또는 촬영된 공간으로, 디바이스로부터 수신한 이미지 및/또는 깊이 맵과 관련된 공간일 수 있다.A 3D model is a model (e.g., a 3D map, etc.) created in three dimensions to correspond to an arbitrary space based on point cloud information, and may include point cloud information. For example, the processor 110 may change the point cloud included in the point cloud information in mesh units to generate a 3D model formed in three dimensions corresponding to an arbitrary space. Accordingly, the processor 110 may generate a 3D model by changing the point cloud included in the point cloud information into various other units. For another example, the processor 110 may generate a 3D model formed from a point cloud included in point cloud information. Accordingly, the processor 110 can generate a 3D model by using the point cloud included in the point cloud information without changing it. Here, the arbitrary space may be a space scanned or photographed using an imaging device, and may be a space related to an image and/or a depth map received from the device.
한편, 본 개시의 몇몇 실시예에서, 콜리전 맵은 물리 현상을 나타내는 정보가 사전에 반영될 수 있다.Meanwhile, in some embodiments of the present disclosure, information representing physical phenomena may be reflected in the collision map in advance.
물리 현상을 나타내는 정보는 콜리전 맵에 포함된 객체의 재질 정보 또는 공간 정보 중 적어도 하나를 포함할 수 있다.Information representing a physical phenomenon may include at least one of material information or spatial information of an object included in the collision map.
객체의 재질 정보는 객체의 물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 객체의 재질 정보는 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 및/또는 마찰계수 중 적어도 하나를 포함할 수 있다. 객체의 부피는 객체의 표면을 제외한 3차원 영역일 수 있다. 예를 들어, 객체가 기체 형태인 경우, 객체의 부피는 기체가 차지하고 있는 영역을 의미할 수 있다. 컴퓨팅 장치(100)는 객체의 표면에서의 흡수율, 투과율 및 반사율의 총 합이 1이 되도록 설정할 수도 있다.The material information of an object may include information about the physical elements of the object. For example, the material information of the object may include at least one of temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, elastic coefficient, and/or friction coefficient at the volume or surface of the object. The volume of an object may be a three-dimensional area excluding the surface of the object. For example, if the object is in the form of a gas, the volume of the object may refer to the area occupied by the gas. The computing device 100 may set the total sum of the absorption rate, transmittance, and reflectance on the surface of the object to be 1.
공간 정보는 공간의 물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 공간 정보는 공간 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수, 벡터 필드(vector field) 또는 텐서 필드(tensor field) 중 적어도 하나를 포함할 수 있다.Spatial information may include information about physical elements of space. For example, spatial information includes gravitational field, magnetic field, electric field, Coriolis force, wind direction, wind speed, temperature, humidity, air resistance, altitude above sea level, air density, viscosity, scattering rate, atmospheric pressure, elastic coefficient, friction coefficient, and vector field in space. It may include at least one of a vector field or a tensor field.
벡터 필드는 공간 상의 각 점에 할당된 벡터 값들의 집합일 수 있다. 벡터 값은 위치, 속도, 힘 등과 같이 크기와 방향성을 갖는 물리량을 의미할 수 있다. 예를 들어, 벡터 값은 중력장의 세기, 자기장의 세기 등을 포함할 수 있다. 다만, 상술한 벡터 값은 예시일 뿐이며, 다양한 값을 포함할 수 있다.A vector field may be a set of vector values assigned to each point in space. A vector value may refer to a physical quantity with size and direction, such as position, speed, force, etc. For example, the vector value may include the strength of the gravitational field, the strength of the magnetic field, etc. However, the above-mentioned vector values are only examples and may include various values.
텐서 필드는 공간 상의 각 점에 할당된 텐서 값들의 집합일 수 있다. 텐서 값은 물체의 관성 모멘트 또는 변형을 나타내는 값일 수 있다.A tensor field may be a set of tensor values assigned to each point in space. The tensor value may be a value representing the moment of inertia or deformation of an object.
컴퓨팅 장치(100)는 공간 정보 중에서 온도, 공기밀도, 기압을 소리의 전파 속도 및/또는 전파 도달 거리에 비례하도록 설정할 수 있다.The computing device 100 may set temperature, air density, and atmospheric pressure among spatial information to be proportional to the propagation speed of sound and/or the distance of propagation.
공간 정보는 공간의 비물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 공간 정보는 공간에서의 블로킹 여부에 관한 정보, 블로킹 채널 정보, 트리거 여부에 관한 정보, 트리거 채널에 관한 정보 및/또는 프로그래밍을 위한 태그 정보 중 적어도 하나를 포함할 수 있다.Spatial information may include information about non-physical elements of space. For example, spatial information may include at least one of information about whether there is blocking in space, blocking channel information, information about whether there is a trigger, information about a trigger channel, and/or tag information for programming.
컴퓨팅 장치(100)는 공간 정보에 기초하여, 콜리전 맵(예를 들어, 가상 현실 공간, 증강 현실 공간, 가상 공간 등) 상에 반영된 객체의 재질 정보를 변경시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 공간 정보에 포함된 온도에 따라 콜리전 맵 상에 반영된 물 컵 안의 물의 재질 정보 중 하나인 증발률을 변경시킬 수 있다.The computing device 100 may change material information of an object reflected on a collision map (eg, virtual reality space, augmented reality space, virtual space, etc.) based on spatial information. For example, the computing device 100 may change the evaporation rate, which is one of the material information of the water in the water cup reflected on the collision map, according to the temperature included in the spatial information.
콜리전 맵 상에 반영된 객체의 재질정보 및 공간 정보는 콜리전 맵 상에 사전 설정된 법칙에 기초하여 시간에 따라 변화될 수 있다.The material information and spatial information of the object reflected on the collision map may change over time based on rules preset on the collision map.
사전 설정된 법칙은 물리 법칙, 역학 법칙 등을 포함할 수 있다. 예를 들어, 사전 설정된 법칙은 뉴턴의 중력 법칙, 아인슈타인의 일반 상대성 이론 등을 포함할 수 있다. 다른 예를 들어, 사전 설정된 법칙은 인력의 세기가 거리의 세제곱에 반비례한 제 1 법칙, 중력상수 G 값이 실제 값보다 큰 제 2 법칙 등 환경 또는 사용자에 의해 설정된 기존에 존재하지 않는 임의의 법칙을 포함할 수 있다. 다만, 사전 설정된 법칙은 이에 한정되지 않으며, 환경에 따라 결정될 수도 있다. Preset laws may include physical laws, mechanical laws, etc. For example, preset laws may include Newton's law of gravity, Einstein's general theory of relativity, etc. For example, the preset law is the first law in which the strength of attraction is inversely proportional to the cube of the distance, the second law in which the gravitational constant G is greater than the actual value, etc., are arbitrary laws that do not exist previously set by the environment or the user. may include. However, the preset rule is not limited to this and may be determined depending on the environment.
뉴턴의 중력 법칙 및 아인슈타인의 일반 상대성 이론은 질량을 가진 물체가 다른 질량을 가진 물체와 어떻게 상호작용하는지를 설명하지만, 가정이 같아도 이론에 따라서 결과가 다르게 나타날 수 있다. 따라서, 콜리전 맵 상에 반영된 객체의 재질 정보 및 공간 정보는 서로 영향을 미치며(예를 들어, 제 1 객체의 재질 정보와 제 2 객체의 재질 정보 간에 영향, 제 1 객체의 재질 정보와 제 1 공간 정보 간에 영향, 제 1 공간 정보와 제 1 공간과 상이한 제 2 공간의 제 2 공간 정보 간에 영향 등), 콜리전 맵 상에 사전 설정된 법칙에 기반하여 시간에 따라 변화될 수 있다.Newton's law of gravity and Einstein's general theory of relativity explain how objects with mass interact with objects with different masses, but even if the assumptions are the same, the results may differ depending on the theory. Therefore, the material information and spatial information of the object reflected on the collision map affect each other (for example, the effect between the material information of the first object and the material information of the second object, the material information of the first object and the first object) (effect between spatial information, influence between first spatial information and second spatial information of a second space different from the first space, etc.), may change over time based on a rule preset on the collision map.
컴퓨팅 장치(100)는 콜리전 맵 상에 가상 객체를 배치하는 경우, 가상 객체의 재질 정보를 사전 설정된 방식으로 결정할 수 있다. 사전 결정된 방식은 복수의 재질 정보들 중에서 임의로 결정하는 방식, 가상 객체에 대응되는 실객체의 재질 정보로 설정하는 방식 등을 포함할 수 있다.When placing a virtual object on a collision map, the computing device 100 may determine material information of the virtual object in a preset manner. The predetermined method may include a method of arbitrarily determining among a plurality of material information, a method of setting the material information of a real object corresponding to a virtual object, etc.
본 개시의 몇몇 실시예에서, 콜리전 맵은 객체의 인식 정보가 사전에 반영될 수 있다. 객체의 인식 정보는 객체를 인식하는데 요구되는 정보로, 객체의 종류 및/또는 객체의 위치 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)의 메모리(130)는 객체의 재질 정보, 공간 정보 및/또는 객체의 인식 정보 중 적어도 하나를 사전에 저장할 수 있다.In some embodiments of the present disclosure, the collision map may reflect object recognition information in advance. Object recognition information is information required to recognize an object and may include at least one of the type of object and/or the location of the object. The memory 130 of the computing device 100 may store at least one of object material information, spatial information, and/or object recognition information in advance.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 콜리전 맵 상에서 객체의 인식 정보에 대응되는 영역에 객체에 관한 정보를 매핑(mapping)시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 콜리전 맵 상에서 나무에 대응되는 영역에 나무에 관한 정보를 매핑시킬 수 있다.In some embodiments of the present disclosure, the computing device 100 may map information about an object to an area corresponding to recognition information of the object on a collision map. For example, the computing device 100 may map information about the tree to an area corresponding to the tree on the collision map.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 사전 학습된 인공지능 기반의 이미지 분류 모델 혹은 이미지 세그멘테이션 모델을 이용하여 쿼리 데이터(예를 들어, 쿼리 이미지 등)에 포함된 객체를 분류하고 그리고 분류된 객체에 대응되는 사전 저장된 객체의 재질 정보 및 객체의 인식 정보를 포함하는 객체에 관한 속성 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 이러한 인공지능 기반의 분류 혹은 세그멘테이션 모델을 이용하여 객체에 대한 재질 정보 등을 수동으로 맵핑시키지 않고, 콜리전 맵 상에 객체에 대한 재질 정보가 자동으로 반영될 수도 있다.In some embodiments of the present disclosure, the computing device 100 classifies objects included in query data (e.g., query image, etc.) using a pre-trained artificial intelligence-based image classification model or image segmentation model, and Attribute information about the object including material information and object recognition information of a pre-stored object corresponding to the classified object can be obtained. The computing device 100 may automatically reflect the material information about the object on the collision map without manually mapping the material information about the object using this artificial intelligence-based classification or segmentation model.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)의 프로세서(110)는 상태 정보에 기초하여 콜리전 맵의 환경을 생성할 수 있다. 프로세서(110)는 생성된 콜리전 맵의 환경을 콜리전 맵에 반영할 수 있다.In some embodiments of the present disclosure, the processor 110 of computing device 100 may generate an environment of a collision map based on state information. The processor 110 may reflect the environment of the generated collision map into the collision map.
상태 정보는 콜리전 맵 내의 환경과 관련된 적어도 하나의 파라미터에 대한 정보일 수 있다. 상태 정보는 카메라 정보, 이동체 정보, 날짜 정보, 조명 정보, 날씨 정보, 사전 결정된 특정 객체정보 및/또는 상호작용 정보 중 적어도 하나를 포함할 수 있다.State information may be information about at least one parameter related to the environment within the collision map. State information may include at least one of camera information, moving object information, date information, lighting information, weather information, predetermined specific object information, and/or interaction information.
카메라 정보는 콜리전 맵에서 특정 영역을 촬영하기 위한 카메라의 정보일 수 있다. 예를 들어, 카메라 정보는 카메라의 위치 정보 및/또는 방향 정보 중 적어도 하나를 포함할 수 있다. 카메라의 위치 정보는 카메라가 존재하는 좌표를 포함할 수 있다. 카메라의 방향 정보는 카메라가 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 또한, 카메라 정보는 특정 영역과의 초점거리 정보, 주점(principal point) 정보, 렌즈 정보 및/또는 '센서 및/또는 필름 정보'중 적어도 하나를 포함할 수 있다. 초점거리 정보는 콜리전 맵에서 존재하는 카메라의 주점으로부터 촬영하고자 하는 특정 영역까지의 거리에 관한 정보일 수 있다. 주점 정보는 주평면(principal plane)이 광축에 교차하는 점에 관한 정보일 수 있다. 렌즈 정보는 카메라에 적용된 렌즈의 왜곡과 관련된 정보일 수 있다. 필름 정보는 카메라에 적용된 필름의 사이즈와 관련된 정보일 수 있다. 센서 정보는 카메라에 적용되는 카메라 센서와 관련된 정보일 수 있다. 프로세서(110)는 센서 또는 필름 정보에 기초하여 카메라를 통해 획득되는 이미지의 종횡비(가로와 세로의 비율)를 결정할 수 있다. 따라서, 프로세서(110)는 상태 정보에 포함된 카메라 정보에 기초하여 콜리전 맵의 환경에 적용되는 카메라의 세팅(예를 들어, 카메라의 사양(specification) 등)을 결정할 수 있다. 다만, 카메라 정보는 이에 한정되지 않으며, 다양한 카메라의 정보를 포함할 수 있다.Camera information may be information about a camera used to photograph a specific area in a collision map. For example, camera information may include at least one of camera location information and/or direction information. The location information of the camera may include coordinates where the camera exists. The direction information of the camera may include at least one of the direction and/or angle the camera is looking at. Additionally, the camera information may include at least one of focal length information with a specific area, principal point information, lens information, and/or 'sensor and/or film information.' Focal distance information may be information about the distance from the main point of the camera existing in the collision map to a specific area to be photographed. Principal point information may be information about a point where a principal plane intersects an optical axis. Lens information may be information related to the distortion of the lens applied to the camera. Film information may be information related to the size of the film applied to the camera. Sensor information may be information related to a camera sensor applied to a camera. The processor 110 may determine the aspect ratio (ratio of width to height) of an image acquired through a camera based on sensor or film information. Accordingly, the processor 110 may determine camera settings (eg, camera specifications, etc.) applied to the environment of the collision map based on the camera information included in the state information. However, the camera information is not limited to this and may include information from various cameras.
이동체 정보는 콜리전 맵에 배치되는 적어도 하나의 이동체에 대한 정보일 수 있다. 본 개시의 몇몇 실시예에서, 적어도 하나의 이동체는 가상 객체에 포함될 수 있다. 예를 들어, 이동체 정보는 콜리전 맵에 배치될 이동체의 종류 정보, 이동 정보 및/또는 성질 정보 중 적어도 하나를 포함할 수 있다. 이동체의 종류 정보는 이동체의 형태, 크기 및/또는 카테고리 중 적어도 하나에 관한 정보를 포함할 수 있다. 이동체의 이동 정보는 이동체의 위치와 관련된 정보일 수 있다. 예를 들어, 이동체의 이동 정보는 이동체의 초기 위치, 속도, 가속도 및/또는 경로 중 적어도 하나에 관한 정보를 포함할 수 있다. 이동체의 성질 정보는 이동체의 물리적 성질(예컨대, 재질 정보 등)에 관한 정보를 포함할 수 있다. 예를 들어, 이동체의 성질 정보는 이동체의 콜리전(collision)에 관한 정보를 포함할 수 있다. 따라서, 프로세서(110)는 상태 정보에 포함된 이동체 정보에 기초하여 콜리전 맵의 환경에 적용되는 이동체의 세팅(예를 들어, 이동체의 사양(specification), 위치 등)을 결정할 수 있다. 다만, 이동체 정보는 이에 한정되지 않으며, 다양한 이동체에 대한 정보를 포함할 수 있다.The moving object information may be information about at least one moving object placed in the collision map. In some embodiments of the present disclosure, at least one moving object may be included in a virtual object. For example, the moving object information may include at least one of type information, movement information, and/or property information of the moving object to be placed in the collision map. The type information of the moving object may include information about at least one of the shape, size, and/or category of the moving object. The movement information of the moving object may be information related to the location of the moving object. For example, the movement information of the moving object may include information about at least one of the initial position, speed, acceleration, and/or path of the moving object. The property information of the moving object may include information about the physical properties of the moving object (eg, material information, etc.). For example, information on the properties of a moving object may include information about collision of the moving object. Accordingly, the processor 110 may determine the settings of the moving object (eg, specifications, location, etc. of the moving object) applied to the environment of the collision map based on the moving object information included in the state information. However, the moving object information is not limited to this and may include information about various moving objects.
날짜 정보는 콜리전 맵에 적용할 절기 정보 및/또는 시간 정보를 포함할 수 있다. 절기 정보는 태양년을 태양의 환경에 따라 24등분한 기후의 표준점에 대한 정보일 수 있다. 예를 들어, 절기 정보는 입춘, 우수, 경칩 등을 포함할 수 있다. 시간 정보는 하루의 시점을 나타내는 정보일 수 있다. 예를 들어, 시간 정보는 1시 1분, 13시 20분 등을 포함할 수 있다. Date information may include season information and/or time information to be applied to the collision map. The season information may be information about the standard point of the climate that divides the solar year into 24 parts according to the solar environment. For example, seasonal information may include Ipchun, Usu, Gyeongchip, etc. Time information may be information indicating a point in the day. For example, time information may include 1:01, 13:20, etc.
날씨 정보는 콜리전 맵에 적용할 기상 상태와 관련된 정보일 수 있다. 예를 들어, 날씨 정보는 구름의 양, 분포, 높이, 형태, 색상, 태양광 투과도, 이동속도, 분산여부 및/또는 형태 중 적어도 하나에 관한 구름 정보를 포함할 수 있다. 다른 예를 들어, 날씨 정보는 안개의 강도, 색상, 산란강도 및/또는 높이 중 적어도 하나에 기초하여 결정되는 안개 정보를 포함할 수 있다. 안개 정보는 안개의 양, 색상, 강도, 블러(blur) 효과 여부, 변화 여부 및/또는 자체발광 여부 중 적어도 하나의 정보를 포함할 수 있다. 또 다른 예를 들어, 날씨 정보는 눈 또는/및 비의 입자 양, 입자 모양, 입자 색상, 입자 크기, 입자 투명도, 입자 굴절률, 입자 속도 및/또는 바람에 의한 기울어짐 각도 중 적어도 하나의 정보를 포함할 수 있다.Weather information may be information related to weather conditions to be applied to the collision map. For example, the weather information may include cloud information regarding at least one of the amount, distribution, height, shape, color, solar transmittance, movement speed, dispersion, and/or shape of clouds. As another example, the weather information may include fog information determined based on at least one of fog intensity, color, scattering intensity, and/or height. The fog information may include at least one of the amount, color, intensity, blur effect, change, and/or self-luminescence of the fog. As another example, the weather information may include at least one of the following: particle amount of snow or/and rain, particle shape, particle color, particle size, particle transparency, particle refractive index, particle speed, and/or wind tilt angle. It can be included.
조명 정보는 콜리전 맵에 적용되는 라이트(light)와 관련된 정보일 수 있다. 조명 정보는 가상 조명의 정보(예를 들어, 인공 조명의 정보 등) 및/또는 현실 조명의 정보(예를 들어, 자연 조명(예를 들어, 태양광 등)의 정보 등)중 적어도 하나를 포함할 수 있다. 예를 들어, 조명 정보는 자연 조명의 정보 중 하나로서, 날짜 정보 및 날씨 정보에 기초하여 결정된 조명의 색상 정보 및/또는 그림자 정보를 포함할 수 있다. 조명 정보는 자연 조명의 정보 중 하나로서, 날짜 정보 및 날씨 정보에 기초하여 변화되는 디렉셔널 라이트(directional light)의 색상, 강도, 방향, 대기 산란 및/또는 대기 반사 중 적어도 하나에 대한 정보를 포함할 수 있다. 디렉셔널 라이트는 한 방향으로 같은 양을 무한대로 투사하는 광선일 수 있다. 예를 들어, 디렉셔널 라이트는 태양을 포함할 수 있다.Lighting information may be information related to light applied to the collision map. Lighting information includes at least one of virtual lighting information (e.g., artificial lighting information, etc.) and/or real lighting information (e.g., natural lighting (e.g., sunlight, etc.) information, etc.) can do. For example, lighting information is one of natural lighting information and may include lighting color information and/or shadow information determined based on date information and weather information. Lighting information is one of natural lighting information and includes information about at least one of the color, intensity, direction, atmospheric scattering, and/or atmospheric reflection of directional light that changes based on date information and weather information. can do. Directional light can be a ray that projects the same amount infinitely in one direction. For example, a directional light could include the sun.
또한, 조명 정보는 글로벌 일루미네이션(global illumination)과 스카이라이트(skylight)의 색상 강도, 방향, 대기 산란 및/또는 대기 반사 중 적어도 하나에 대한 정보를 포함할 수 있다. 글로벌 일루미네이션은 하나의 객체와 조명 뿐만 아니라 다른 객체의 영향을 고려하여 객체들의 색을 결정하는 알고리즘일 수 있다. 스카이라이트는 직사광선이 대기 중에서 산란된 확산광을 의미할 수 있다.Additionally, the lighting information may include information about at least one of global illumination, color intensity of skylight, direction, atmospheric scattering, and/or atmospheric reflection. Global illumination may be an algorithm that determines the color of objects by considering not only one object and lighting, but also the influence of other objects. Skylight can refer to diffused light that is scattered in the atmosphere from direct sunlight.
또한, 조명 정보는 가상 조명의 정보 중 하나로서, 인공 광원의 색상, 강도, 방향, 대기 산란 및/또는 대기 반사 중 적어도 하나에 대한 정보를 포함할 수 있다. 가상 조명은 전기를 이용하여 빛을 발생시키는 광원으로, 점광원, 면광원, 지향성광원 등을 포함할 수 있다.Additionally, the lighting information is one of virtual lighting information and may include information about at least one of the color, intensity, direction, atmospheric scattering, and/or atmospheric reflection of the artificial light source. Virtual lighting is a light source that generates light using electricity and may include a point light source, a surface light source, or a directional light source.
또한, 조명 정보는 조명의 위치 및/또는 방향 정보를 포함할 수 있다. 조명의 위치 및/또는 방향 정보는 콜리전 맵에 할당된 사전 결정된 콜리전 맵의 고유한 지리학적 위치 정보 및 날짜 정보에 기초하여 결정될 수 있다. 조명의 위치 정보는 조명이 존재하는 위치 좌표를 포함할 수 있다. 조명의 방향 정보는 조명이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다.Additionally, lighting information may include location and/or direction information of lighting. The location and/or direction information of the lighting may be determined based on the unique geographic location information and date information of the predetermined collision map assigned to the collision map. The location information of the light may include location coordinates where the light exists. Light direction information may include at least one of the direction and/or angle from which the light is viewed.
그림자 정보는 조명 정보에 기초하여 결정되는 그림자에 관한 정보일 수 있다. 구체적으로, 조명 정보의 그림자 정보는 조명의 위치 및/또는 방향 정보 중 적어도 하나에 기초하여 결정될 수 있다. 예를 들어, 그림자 정보는 콜리전 맵에 존재하는 적어도 하나의 객체에 대한 그림자 강도, 그림자 길이 및/또는 그림자 선명도 중 적어도 하나의 정보를 포함할 수 있다.Shadow information may be information about a shadow determined based on lighting information. Specifically, shadow information of lighting information may be determined based on at least one of location and/or direction information of lighting. For example, the shadow information may include at least one of shadow intensity, shadow length, and/or shadow sharpness for at least one object present in the collision map.
사전 결정된 특정 객체정보는 특정 영역 내에서 이동체가 아닌 다른 객체에 대한 정보를 포함할 수 있다. 예를 들어, 사전 결정된 특정 객체정보는 이동체가 아닌 부동체인 객체(예를 들어, 식물)에 대한 정보를 포함할 수 있다. 예를 들어, 사전 결정된 특정 객체정보는 콜리전 맵에 배치될 사전 결정된 특정 객체의 종류 정보 및 성질 정보를 포함할 수 있다. 사전 결정된 특정 객체의 종류는 사전 결정된 특정 객체의 형태, 크기 및/또는 카테고리 중 적어도 하나에 관한 정보를 포함할 수 있다. 사전 결정된 특정 객체의 성질 정보는 사전 결정된 특정 객체의 물리적 성질에 관한 정보를 포함할 수 있다. 예를 들어, 사전 결정된 특정 객체의 성질 정보는 사전 결정된 특정 객체의 콜리전(collision)에 관한 정보를 포함할 수 있다. 따라서, 프로세서(110)는 상태 정보에 포함된 사전 결정된 특정 객체정보에 기초하여 콜리전 맵의 환경에 적용되는 사전 결정된 특정 객체정보의 세팅(예를 들어, 사전 결정된 특정 객체정보의 사양(specification), 위치 등)을 결정할 수 있다. 다만, 사전 결정된 특정 객체정보는 이에 한정되지 않으며, 다양한 사전 결정된 특정 객체정보를 포함할 수 있다.Predetermined specific object information may include information about objects other than moving objects within a specific area. For example, the predetermined specific object information may include information about a floating object (eg, a plant) rather than a moving object. For example, the predetermined specific object information may include type information and property information of the predetermined specific object to be placed in the collision map. The type of a predetermined specific object may include information about at least one of the shape, size, and/or category of the predetermined specific object. The predetermined property information of a specific object may include information about the physical properties of the predetermined specific object. For example, property information of a predetermined specific object may include information about collision of the predetermined specific object. Accordingly, the processor 110 sets the predetermined specific object information applied to the environment of the collision map based on the predetermined specific object information included in the state information (for example, a specification of the predetermined specific object information). , location, etc.) can be determined. However, the predetermined specific object information is not limited to this and may include various predetermined specific object information.
상호작용 정보는 콜리전 맵에서 카메라 정보, 이동체 정보, 날짜 정보, 조명 정보, 날씨 정보 및/또는 사전 결정된 특정 객체 정보 중 2개 이상의 정보에 기초하여 발생되는 상호작용에 관한 정보를 포함할 수 있다. 예를 들어, 상호작용 정보는 콜리전 맵에서 날씨 정보에 기초하여 적용되는 시각적 효과를 포함할 수 있다. 일례로, 상호작용 정보는 콜리전 맵에서 비 및/또는 눈이 이동체 및/또는 사전 결정된 특정 객체에 쌓이는지 여부, 증발 및/또는 녹는 속도 중 적어도 하나를 포함할 수 있다.The interaction information may include information about interactions that occur based on two or more of camera information, moving object information, date information, lighting information, weather information, and/or predetermined specific object information in the collision map. . For example, interaction information may include visual effects applied based on weather information in a collision map. As an example, the interaction information may include at least one of whether rain and/or snow accumulates on the moving object and/or a specific predetermined object in the collision map, and the rate of evaporation and/or melting.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 콜리전 맵에 가상 조명을 배치하는 경우, 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암 또는 제 1 가상 명암에 따른 제 1 시각적 효과 중 적어도 하나를 결정할 수 있다(340).In some embodiments of the present disclosure, when arranging virtual lighting on a collision map, the computing device 100 provides a first virtual brightness or a first virtual brightness according to the first virtual brightness on the collision map based on information on the virtual lighting. 1 At least one of the visual effects can be determined (340).
가상 조명의 정보는 가상 조명의 위치 정보, 가상 조명의 방향 정보 및/또는 가상 조명의 특성 정보 중 적어도 하나를 포함할 수 있다. 가상 조명의 위치 정보는 가상 조명이 존재하는 위치 좌표를 포함할 수 있다. 가상 조명의 방향 정보는 가상 조명이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 가상 조명의 특성 정보는 가상 조명의 색상, 밝기, 도달거리 또는 가상 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함할 수 있다.The virtual lighting information may include at least one of virtual lighting location information, virtual lighting direction information, and/or virtual lighting characteristic information. The location information of the virtual light may include location coordinates where the virtual light exists. The direction information of the virtual light may include at least one of the direction and/or angle from which the virtual light is facing. The characteristic information of the virtual lighting may include information related to at least one of the color, brightness, reach, or shadow caused by the virtual lighting.
제 1 시각적 효과는 과노출, 역광, 암적응, 섬광 또는 보케(bokeh) 중 적어도 하나에 대응되는 효과를 포함할 수 있다. 과노출은 가상 조명 및/또는 자연 조명 중 적어도 하나에 의한 빛에 과다하게 노출되는 경우에 발생될 수 있다. 과노출은 색감이 기존보다 좀 더 밝게 보일 수 있다. 역광은 대상물의 후면에 가상 조명 및/또는 자연 조명 중 적어도 하나에 의한 빛이 강하게 투사되어 대상물의 밝기가 상대적으로 낮아 보일 수 있다. 암적응은 어두운 곳에서 눈이 적응하는 효과로, 어두운 곳에서 대상이 검게 보이는 것이 아닌 대상의 형태가 식별될 수 있다.The first visual effect may include an effect corresponding to at least one of overexposure, backlight, dark adaptation, glare, or bokeh. Overexposure may occur when there is excessive exposure to light from at least one of virtual lighting and/or natural lighting. Overexposure can cause colors to appear brighter than before. Backlighting may cause light from at least one of virtual lighting and/or natural lighting to be strongly projected onto the back of an object, making the object appear to have relatively low brightness. Dark adaptation is the effect of the eye adapting to a dark place, so that the shape of an object can be identified in a dark place rather than the object appearing black.
본 개시의 몇몇 실시예에서, 컴퓨팅 장치(100)는 콜리전 맵에 가상 객체를 배치하는 경우, 가상 조명의 정보 및 가상 객체의 정보에 기초하여 콜리전 맵 상에서의 제 2 가상 명암 또는 제 2 가상 명암에 따른 제 2 시각적 효과 중 적어도 하나를 결정할 수 있다.In some embodiments of the present disclosure, when placing a virtual object on a collision map, the computing device 100 determines the second virtual brightness or darkness on the collision map based on the information of the virtual lighting and the information of the virtual object. At least one of the second visual effects according to light and dark can be determined.
가상 객체의 정보는 가상 객체의 위치 정보, 가상 객체의 방향 정보 또는 가상 객체의 재질 정보 중 적어도 하나를 포함할 수 있다.The virtual object information may include at least one of virtual object location information, virtual object direction information, and virtual object material information.
가상 객체의 위치 정보는 가상 객체가 존재하는 위치 좌표를 포함할 수 있다.The location information of the virtual object may include location coordinates where the virtual object exists.
가상 객체의 방향 정보는 가상 객체가 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다.The direction information of the virtual object may include at least one of the direction and/or angle from which the virtual object is facing.
가상 객체의 재질 정보는 가상 객체의 물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 가상 객체의 재질 정보는 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 및/또는 마찰계수 중 적어도 하나를 포함할 수 있다. 가상 객체의 부피는 객체의 표면을 제외한 3차원 영역일 수 있다. 예를 들어, 가상 객체가 기체 형태인 경우, 가상 객체의 부피는 기체가 차지하고 있는 영역을 의미할 수 있다.Material information of a virtual object may include information about physical elements of the virtual object. For example, the material information of the virtual object may include at least one of temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, elastic coefficient, and/or friction coefficient at the volume or surface of the object. The volume of a virtual object may be a three-dimensional area excluding the surface of the object. For example, if the virtual object is in the form of a gas, the volume of the virtual object may mean the area occupied by the gas.
컴퓨팅 장치(100)는 콜리전 맵을 결정하는 단계(330) 이후에, 쿼리 이미지와 상기 콜리전 맵을 비교하여 사용자 디바이스와 관련된 현실 조명의 정보를 획득할 수 있다.After determining a collision map (330), the computing device 100 may obtain information about real-world lighting related to the user device by comparing the query image and the collision map.
예를 들어, 쿼리 이미지와 콜리전 맵을 비교하여, 쿼리 이미지와 콜리전 맵 상에서의 명암의 차이를 결정하고, 그리고 결정된 명암의 차이를 이용하여 콜리전 맵에 존재하지 않는 쿼리 이미지 상에서의 현실 조명의 정보를 추정할 수 있다.For example, by comparing the query image and the collision map, determining the difference in light and dark on the query image and the collision map, and using the determined light and dark difference to illuminate the reality on the query image that does not exist in the collision map. information can be estimated.
컴퓨팅 장치(100)는 가상 조명의 정보 및 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정할 수 있다. 현실 조명의 정보는 현실 조명의 위치 정보, 현실 조명의 방향 정보 및/또는 현실 조명의 특성 정보 중 적어도 하나를 포함할 수 있다. 현실 조명의 위치 정보는 현실 조명이 존재하는 위치 좌표를 포함할 수 있다. 현실 조명의 방향 정보는 현실 조명이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 현실 조명의 특성 정보는 현실 조명의 색상, 밝기, 도달거리 또는 현실 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함할 수 있다.The computing device 100 may determine information on complex lighting based on information on virtual lighting and information on real lighting. The information about the real lighting may include at least one of location information of the real lighting, direction information of the real lighting, and/or characteristic information of the real lighting. The location information of real lighting may include location coordinates where real lighting exists. Direction information of real-world lighting may include at least one of the direction and/or angle that the real-world lighting faces. The characteristic information of real lighting may include information related to at least one of the color, brightness, reach, or shadow caused by real lighting.
예를 들어, 컴퓨팅 장치(100)는 추정된 현실 조명의 정보, 가상 조명의 위치 정보, 가상 조명의 방향 정보 및 가상 조명의 특성 정보를 이용하여 복합 조명의 정보를 추정할 수 있다.For example, the computing device 100 may estimate complex lighting information using estimated real lighting information, virtual lighting position information, virtual lighting direction information, and virtual lighting characteristic information.
컴퓨팅 장치(100)는 복합 조명의 정보에 기초하여 콜리전 맵 상에서의 제 3 가상 명암 및 제 3 가상 명암에 따른 제 3 시각적 효과를 결정할 수 있다.The computing device 100 may determine a third virtual brightness and a third visual effect according to the third virtual brightness on the collision map based on information on the complex lighting.
컴퓨팅 장치(100)는 콜리전 맵에 가상 객체를 배치하는 경우, 복합 조명의 정보 및 가상 객체의 정보에 기초하여 콜리전 맵 상에서의 제 4 가상 명암 및/또는 제 4 가상 명암에 따른 제 4 시각적 효과 중 적어도 하나를 결정할 수 있다.When placing a virtual object on the collision map, the computing device 100 displays the fourth virtual brightness and/or the fourth visual brightness according to the fourth virtual brightness on the collision map based on the information of the complex lighting and the information of the virtual object. At least one of the effects can be determined.
컴퓨팅 장치(100)는 콜리전 맵에 가상 음향을 배치하는 경우, 가상 음향의 정보에 기초하여 콜리전 맵 상에서 사용자 디바이스에 적용되는 제 1 청각적 효과를 결정할 수 있다. 가상 음향의 정보는 가상 음향의 위치 정보, 가상 음향의 방향 정보 및/또는 가상 음향의 특성 정보 중 적어도 하나를 포함할 수 있다. 가상 음향의 위치 정보는 가상 음향이 존재하는 위치 좌표를 포함할 수 있다. 가상 음향의 방향 정보는 가상 음향이 바라보는 방향 및/또는 각도 중 적어도 하나를 포함할 수 있다. 가상 음향의 특성 정보는 가상 음향의 도달거리와 관련된 정보(예를 들어, 가상 음향의 소리 크기, 음파 등)를 포함할 수 있다.When placing virtual sound on the collision map, the computing device 100 may determine the first auditory effect applied to the user device on the collision map based on information on the virtual sound. The virtual sound information may include at least one of virtual sound location information, virtual sound direction information, and/or virtual sound characteristic information. The location information of the virtual sound may include location coordinates where the virtual sound exists. The direction information of the virtual sound may include at least one of the direction and/or angle from which the virtual sound is viewed. The characteristic information of the virtual sound may include information related to the reach of the virtual sound (eg, sound volume of the virtual sound, sound wave, etc.).
컴퓨팅 장치(100)는 사운드 어테뉴에이션(Sound Attenuation) 함수를 이용하여 가상 음향으로부터 사용자 디바이스까지의 거리를 산출하여 제 1 청각적 효과를 결정할 수 있다. 사운드 어테뉴에이션 함수는 거리에 따른 볼륨이 정비례로 감소하는 Attenuation Linear 모델, 거리에 따른 볼륨이 로그 지수형으로 감소하는 Attenuation Logarithmic 모델, 거리에 따른 볼륨이 역지수형으로 감소하는 Attenuation LogReverse 모델, 특정 방정식(예를 들어, (UsedMaxRadius/UsedMinRadius)*(0.02/(Distance(거리)/UsedMaxRadius) 등)을 사용하는 Attenuation Inverse 모델 등을 포함할 수 있다.The computing device 100 may determine the first auditory effect by calculating the distance from the virtual sound to the user device using a sound attenuation function. The sound attenuation function is an Attenuation Linear model in which the volume according to distance decreases in direct proportion, an Attenuation Logarithmic model in which the volume according to distance decreases logarithmically, an Attenuation LogReverse model in which the volume according to distance decreases in an inverse exponential form, and a specific equation ( For example, it may include an Attenuation Inverse model using (UsedMaxRadius/UsedMinRadius)*(0.02/(Distance/UsedMaxRadius), etc.).
컴퓨팅 장치(100)는 콜리전 맵에 가상 객체를 배치하는 경우, 가상 음향의 정보 및 가상 객체의 정보에 기초하여 콜리전 맵 상에서 사용자 디바이스에 적용되는 제 2 청각적 효과를 결정할 수 있다.When placing a virtual object on a collision map, the computing device 100 may determine a second auditory effect applied to the user device on the collision map based on virtual sound information and virtual object information.
도 4는 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 통해 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.Figure 4 exemplarily shows a method for estimating a pose through visual localization according to an embodiment of the present disclosure.
컴퓨팅 장치(100)는 사전 학습된 특징점 획득 모델(420)을 이용하여, 쿼리 데이터(예를 들어, 쿼리 이미지, 깊이 맵 등)(410)로부터 적어도 하나의 특징점(430 및 440) 및/또는 적어도 하나의 특징점(430 및 440) 각각에 대응되는 적어도 하나의 설명자를 획득할 수 있다. 일례로, 특징점(430 및 440)은 쿼리 데이터(410)의 쿼리 이미지 및/또는 깊이 맵 상에서 특징이 되는 부분들 또는 포인트들 각각에 대한 좌표일 수 있다. 일례로, 설명자는 특징점들 각각의 방향성, 크기 및/또는 특징점들 각각의 주변 픽셀 간의 관계에 대한 정보 중 적어도 하나를 포함할 수 있다.The computing device 100 uses the pre-trained feature
일 실시예에서, 특징점 획득 모델(420)은 쿼리 이미지 혹은 깊이 맵 내에서의 객체에서의 색상 또는 기하학적 패턴 중 적어도 하나에 대한 변화량이 사전결정된 임계치를 초과하는 포인트를 특징점으로 인식하도록 지도 학습에 기반하여 사전 학습된 모델을 포함할 수 있다. 일례로, 특징점 획득 모델(420)은 이미지 기반의 신경망을 사용하여 사전학습된 모델에 대응될 수 있다. 다른 예시로, 특징점 획득 모델(420)은 Transformer 기반의 신경망을 사용하는 사전학습된 모델에 대응될 수도 있다.In one embodiment, the feature
일 실시예에서, 쿼리 데이터(410)는 사용자 디바이스에 의해 획득된 쿼리 이미지, 쿼리 이미지에 대응되는 설명자, 사용자 디바이스에 의해 획득된 깊이 맵, 깊이 맵에 대응되는 설명자 및/또는 사용자 디바이스의 추가 정보를 포함할 수 있다. In one embodiment, the
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 쿼리 이미지에 대응되는 제 1 특징점들(430)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 컴퓨팅 장치(100)는 인공지능 기반의 특징점 획득 모델(420)을 사용하여, 상기 쿼리 데이터(410)에 포함된 쿼리 이미지에 대한 제 1 특징점들(430)을 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 특징점들(430) 및 제 1 특징점들(430)에 대응되는 설명자들 및 사전저장된 복수의 참조 이미지들에 기초하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 이러한 비주얼 로컬라이제이션(450)의 결과로 사용자 디바이스에 대한 포즈(460)가 추정될 수 있다 사용자 디바이스에 대한 포즈(460)는 사용자 디바이스에 대응되는 HMD, AR 글래스 또는 VR 글래스에 대한 포즈에 기초하여 결정되는 헬멧의 위치 및 방향을 포함할 수 있다.In one embodiment, the computing device 100 may perform
일 실시예에서, 비주얼 로컬라이제이션(450)은 쿼리 데이터와 사전저장된 참조 이미지 간의 비교에 기초하여, 쿼리 데이터 상에서의 사용자 디바이스의 위치 및 바라보고 있는 방향을 결정하는 방법론을 포함할 수 있다. 비주얼 로컬라이제이션(450)에 대한 구체적인 방법론들에 대해서는 2022년 7월 4일에 출원된 대한민국 특허 출원 제10-2022-0081908호에 기재되었으며, 상기 대한민국 특허 출원은 본 특허 출원에 참조로 통합된다.In one embodiment,
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 깊이 맵에 대응되는 제 2 특징점들(440)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 컴퓨팅 장치(100)는 인공지능 기반의 특징점 획득 모델(420)을 사용하여, 상기 쿼리 데이터(410)에 포함된 깊이 맵에 대한 제 2 특징점들(440)을 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 특징점들(440), 제 2 특징점들(440)에 대응되는 설명자들 및 사전저장된 복수의 참조 이미지들에 기초하여 상기 비주얼 로컬라이제이션(450)을 수행함으로써, 사용자 디바이스에 대한 포즈(460)를 결정할 수 있다.In one embodiment, the computing device 100 may perform
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 쿼리 이미지에 대응되는 제 1 특징점들(430) 및 깊이 맵에 대응되는 제 2 특징점들(440)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 특징점들(430)과 제 2 특징점들(440)을 비교하여, 제 1 특징점들(430)과 제 2 특징점들(440) 중에서 서로 대응되는 픽셀 좌표값들을 가지는 제 3 특징점들을 결정할 수 있다. 일례로, 제 3 특징점들은 제 1 특징점들(430)과 제 2 특징점들(440) 중 중복되는 특징점들을 포함할 수 있다. 컴퓨팅 장치(100)는 사전저장된 복수의 참조 이미지들 중 제 3 특징점들에 대응되는 특징점들을 가지는 참조 이미지들을 결정하고, 결정된 참조 이미지들에 기초하여, 사용자 디바이스에 대한 포즈(460)를 결정할 수 있다. 다른 예시로, 컴퓨팅 장치(100)는 제 1 특징점들(430) 및 상기 제 1 특징점들(430)에 대응되는 설명자들과 사전 저장된 참조 이미지를 비교하고 그리고 제 2 특징점들(440) 및 제 2 특징점들(440)에 대응되는 설명자들과 사전저장된 참조 이미지를 비교하는 방식으로 비주얼 로컬라이제이션(450)을 수행할 수도 있다.In one embodiment, the computing device 100 performs
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 컴퓨팅 장치(100)의 데이터베이스(예를 들어, 메모리(130) 등)에 저장된 참조 이미지, 쿼리 데이터(410) 상에서의 특징점들(430 및/또는 440) 및 사용자 디바이스의 추가 정보에 기초하여, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다.In one embodiment, when the computing device 100 performs
일 실시예에서, 컴퓨팅 장치(100)는, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 복수의 참조 이미지들 중에서, 쿼리 이미지 특징점들과 참조 이미지의 특징점들 간의 매칭에 기초하여 포즈 참조 이미지를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 포즈 참조 이미지에 포즈 참조 이미지에 할당된 3D 카메라 좌표와 쿼리 데이터의 특징점들(430 및/또는 440)의 좌표들(예컨대, 2차원 좌표들) 간의 비교 결과에 따라, 쿼리 데이터(410)에 대한 카메라 포즈 정보를 결정할 수 있다. 본 개시내용에서의 포즈 참조 이미지는 참조 이미지들 중 쿼리 데이터(410)와의 매칭 대상이 되는 참조 이미지를 의미할 수 있다. 일례로, 포즈 참조 이미지는 쿼리 데이터(410)와 비교될 복수의 후보 이미지들 중 쿼리 데이터(410)와 매칭률이 가장 높은 이미지를 의미할 수 있다. 이러한 예시에서, 컴퓨팅 장치(100)는 포즈 참조 이미지에 할당된 3D 카메라 좌표를 이용하여 쿼리 데이터(410)에 대한 비주얼 로컬라이제이션을 수행할 수 있다.In one embodiment, when performing
일 실시예에서, 컴퓨팅 장치(100)는, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 포즈 참조 이미지에 할당된 카메라 포즈 정보(예컨대, 3D 카메라 좌표) 및 포즈 참조 이미지를 통해 결정된 쿼리 데이터(410)에 대한 상대 카메라 포즈 정보에 기초하여, 원점에 대한 쿼리 이미지의 절대 카메라 포즈 정보를 결정하고, 그리고 절대 카메라 포즈 정보에 기초하여 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다.In one embodiment, computing device 100, when performing
본 개시내용에서의 절대 카메라 포즈 정보는, 예를 들어, 특정지역 혹은 특정 국가에서 통용되는 geodetic datum 또는 geodetic system (또는, geodetic reference datum, geodetic reference system, 또는 geodetic reference frame), spatial reference system (SRS) 또는 coordinate reference system (CRS), 또는 geographic coordinate system (GCS) 등에 대한 좌표값 및/또는 방향값을 포함할 수 있다. 본 개시내용에서의 상대 카메라 포즈 정보는, 참조 이미지에 할당된 카메라 포즈 정보의 3D 좌표와 쿼리 데이터(410)의 특징점들 간의 2D 좌표간의 비교 결과에 의해 생성된 카메라 포즈 정보를 포함할 수 있다. Absolute camera pose information in the present disclosure may be, for example, a geodetic datum or geodetic system (or geodetic reference datum, geodetic reference system, or geodetic reference frame), spatial reference system (SRS) used in a specific region or a specific country. ) or coordinate reference system (CRS), or geographic coordinate system (GCS), etc. may include coordinate values and/or direction values. Relative camera pose information in the present disclosure may include camera pose information generated by a comparison result between 3D coordinates of camera pose information assigned to a reference image and 2D coordinates between feature points of the
일 실시예에서, 컴퓨팅 장치(100)는 특징점을 획득하여 쿼리 데이터(410)로부터 상기 쿼리 데이터(410)에 대한 특징점들(430 및/또는 440)을 추출할 때, 특징점들(430 및/또는 440)에 대응되는 픽셀 좌표 및 설명자를 획득할 수 있다. 컴퓨팅 장치(100)는 쿼리 데이터(410)의 특징점들(430 및/또는 440)에 대응되는 설명자와 데이터베이스에 저장된 참조 이미지의 특징점들에 대응되는 설명자를 비교함으로써, 상기 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다. 설명자들은 쿼리 데이터(410)에 맵핑되어 있어서 참조 이미지에 맵핑된 설명자들과 비교되어 복수의 참조 이미지들 중 쿼리 데이터(410)와 비교될 후보 참조 이미지를 결정하는데 사용될 수 있다. 설명자들은 참조 이미지와 쿼리 데이터(410) 간의 비교를 효율적으로 수행하는데 사용될 수 있다. In one embodiment, when the computing device 100 obtains a feature point and extracts the feature points 430 and/or 440 for the
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 특징점들에 대응되는 설명자와 데이터베이스에 저장된 참조 이미지의 특징점들에 대응되는 설명자를 비교함으로써, 복수의 참조 이미지들 중에서 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 위한 포즈 참조 이미지를 결정하고, 그리고 상기 포즈 참조 이미지에 맵핑된 3차원 좌표 정보, 특징점들 간의 매칭 정보 및 상기 쿼리 데이터(410)의 특징점들(430 및/또는 440)에 대응되는 픽셀 좌표에 기초하여, 사용자 디바이스에 대한 카메라 포즈 추정을 포함하는 비주얼 로컬라이제이션(450)을 수행할 수 있다.In one embodiment, the computing device 100 compares the descriptor corresponding to the feature points of the
전술한 방식으로, 본 개시내용의 일 실시예에 따른 기법은 인공지능 기반의 특징점 획득 모델(420)의 출력에 비주얼 로컬라이제이션(450)(예컨대, VPS 기반의 사용자 디바이스에 대한 포즈 추정)을 적용하여, 쿼리 데이터(410)를 전송한 사용자 디바이스의 포즈(460)를 정확한 방식으로 추정할 수 있다.In the manner described above, a technique according to an embodiment of the present disclosure applies visual localization 450 (e.g., pose estimation for a VPS-based user device) to the output of the artificial intelligence-based feature
도 5 및 도 6은 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 콜리전 맵에서 물리엔진을 구현하기 위한 방법을 예시적으로 나타낸다.Figures 5 and 6 exemplarily show a method for implementing a physics engine in a collision map using visual localization according to an embodiment.
도 5를 참조하면, 컴퓨팅 장치(100)는 콜리전 맵에 기초하여 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다. 컴퓨팅 장치(100)는 촬영 기능을 구비한 사용자 디바이스(520)로부터 촬영된 데이터(예를 들어, 쿼리 이미지 등)를 획득함으로써, 사용자 디바이스(520)의 현재 위치 및 방향을 추정할 수 있다. 컴퓨팅 장치(100)는 사용자 디바이스(520)의 위치 및 방향을 추정함으로써, 사용자 디바이스(520)를 사용하는 클라이언트(510)에게 콜리전 맵에 기초한 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다.Referring to FIG. 5 , the computing device 100 may provide an augmented reality and/or virtual reality platform based on a collision map. The computing device 100 may estimate the current location and direction of the
예를 들어, 컴퓨팅 장치(100)는 추정된 사용자 디바이스(520)의 현재 위치 및 방향에 대응되는 콜리전 맵을 결정할 수 있다. 컴퓨팅 장치(100)는 현실에 대응되는 콜리전 맵에 포함된 객체인 현실의 지형지물(530), 현실의 조명(560) 및 현실의 반사면(또는, 투과면)(570)에 가상 객체인 가상의 이동체(또는, 부동체)(540), 가상 조명(550), 가상의 반사면(또는, 투과면)(580), 가상 음향이 추가된 증강현실 및/또는 가상현실 플랫폼을 사용자의 디바이스(520)를 통해 제공할 수 있다.For example, computing device 100 may determine a collision map corresponding to the estimated current location and direction of
예를 들어, 도 6을 참조하면, 컴퓨팅 장치(100)는 가상 객체(또는, 현실 객체)(610)가 가상 반사면(또는, 현실 반사면)(620)에 반사되는 경우, 가상 반사면(620)에 가상 객체의 반사 상(또는, 현실 객체의 반사 상)을 콜리전 맵에 추가하여 사용자 디바이스(520) 상에 표시되도록 할 수 있다. For example, referring to FIG. 6, when a virtual object (or real object) 610 is reflected on a virtual reflective surface (or real reflective surface) 620, the computing device 100 displays a virtual reflective surface (or real reflective surface) 620. In 620), the reflected image of the virtual object (or the reflected image of the real object) may be added to the collision map to be displayed on the
도 4 내지 도 6에 기재된 구성들(예를 들어, 컴퓨팅 장치(100)의 구성 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 3을 통해 설명한 내용으로 대체될 수 있다.Detailed information regarding the configurations (eg, configuration of the computing device 100, etc.) depicted in FIGS. 4 to 6 may be replaced with the content previously described with reference to FIGS. 1 to 3 .
도 1 내지 도 6을 참조하여 상술한 바와 같이, 컴퓨팅 장치(100)는 콜리전 맵에 따른 증강현실 및/또는 가상현실 플랫폼을 사용자의 디바이스를 통해 제공함으로써, 클라이언트에게 현실 지형에 가상 객체 및 가상 음향이 실제로 추가된 것 같은 실제감을 줄 수 있다.As described above with reference to FIGS. 1 to 6, the computing device 100 provides an augmented reality and/or virtual reality platform according to a collision map through the user's device, providing the client with virtual objects and virtual reality on the real terrain. It can give a feeling of realism, as if the sound was actually added.
또한, 컴퓨팅 장치(100)는 비주얼 로컬라이제이션의 결과에 대응되는 콜리전 맵을 결정함으로써, 전체 콜리전 맵을 로딩하여 가상 객체 및 가상 음향을 추가하는 경우보다 적은 리소스를 가지고, 빠르게 가상 객체 및 가상 음향이 추가된 콜리전 맵을 생성하여 사용자에게 제공할 수 있다.In addition, the computing device 100 determines a collision map corresponding to the result of visual localization, thereby quickly adding virtual objects and virtual sounds with fewer resources than when loading the entire collision map and adding virtual objects and virtual sounds. This added collision map can be created and provided to the user.
또한, 컴퓨팅 장치(100)는 인공지능 기반의 분류 혹은 세그멘테이션 모델을 이용하여 객체에 대한 재질 정보 등을 수동으로 맵핑시키지 않고, 가상 현실 공간 상에 객체에 대한 재질 정보가 자동으로 반영되도록 함으로써, 콜리전 맵을 효율적으로 빠르게 생성하여 사용자에게 제공할 수 있다.In addition, the computing device 100 uses an artificial intelligence-based classification or segmentation model to automatically reflect the material information about the object in the virtual reality space without manually mapping the material information about the object. All maps can be created efficiently and quickly and provided to users.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.7 is a brief, general schematic diagram of an example computing environment in which embodiments of the present disclosure may be implemented.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.Although the present disclosure has generally been described above as being capable of being implemented by a computing device, those skilled in the art will understand that the present disclosure can be implemented in combination with computer-executable instructions and/or other program modules that can be executed on one or more computers and/or in hardware and software. It will be well known that it can be implemented as a combination.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.Typically, program modules include routines, programs, components, data structures, etc. that perform specific tasks or implement specific abstract data types. Additionally, those skilled in the art will understand that the methods of the present disclosure are applicable to single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, etc. It will be appreciated that each of these may be implemented in other computer system configurations, including those capable of operating in conjunction with one or more associated devices.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.The described embodiments of the disclosure can also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network. In a distributed computing environment, program modules may be located in both local and remote memory storage devices.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.Computers typically include a variety of computer-readable media. Computer-readable media can be any medium that can be accessed by a computer, and such computer-readable media includes volatile and non-volatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media. By way of example, and not limitation, computer-readable media may include computer-readable storage media and computer-readable transmission media. Computer-readable storage media refers to volatile and non-volatile media, transient and non-transitory media, removable and non-removable, implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Includes media. Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage, magnetic cassette, magnetic tape, magnetic disk storage or other magnetic storage. This includes, but is not limited to, a device, or any other medium that can be accessed by a computer and used to store desired information.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.A computer-readable transmission medium typically implements computer-readable instructions, data structures, program modules, or other data on a modulated data signal, such as a carrier wave or other transport mechanism. Includes all information delivery media. The term modulated data signal refers to a signal in which one or more of the characteristics of the signal have been set or changed to encode information within the signal. By way of example, and not limitation, computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer-readable transmission media.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.An example environment 1100 is shown that implements various aspects of the present disclosure, including a
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.These drives and their associated computer-readable media provide non-volatile storage of data, data structures, computer-executable instructions, and the like. For
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.A number of program modules may be stored in drives and
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.A user may enter commands and information into
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.A
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.When used in a LAN networking environment,
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.Wi-Fi (Wireless Fidelity) allows connection to the Internet, etc. without wires. Wi-Fi is a wireless technology, like cell phones, that allows these devices, such as computers, to send and receive data indoors and outdoors, anywhere within the coverage area of a base station. Wi-Fi networks use wireless technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections. Wi-Fi can be used to connect computers to each other, the Internet, and wired networks (using IEEE 802.3 or Ethernet). Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz wireless bands, for example, at data rates of 11 Mbps (802.11a) or 54 Mbps (802.11b), or in products that include both bands (dual band). .
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 값들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.Those skilled in the art will understand that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, commands, information, signals, values, symbols and chips that may be referenced in the above description include voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields. or particles, or any combination thereof.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.Those skilled in the art will understand that the various illustrative logical blocks, modules, processors, means, circuits and algorithm steps described in connection with the embodiments disclosed herein may be used in electronic hardware, (for convenience) It will be understood that it may be implemented by various forms of program or design code (referred to herein as software) or a combination of both. To clearly illustrate this interoperability of hardware and software, various illustrative components, blocks, modules, circuits and steps have been described above generally with respect to their functionality. Whether this functionality is implemented as hardware or software depends on the specific application and design constraints imposed on the overall system. A person skilled in the art of this disclosure may implement the described functionality in various ways for each specific application, but such implementation decisions should not be construed as departing from the scope of this disclosure.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.The various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques. The term article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device. For example, computer-readable storage media include magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CDs, DVDs, etc.), smart cards, and flash. Includes, but is not limited to, memory devices (e.g., EEPROM, cards, sticks, key drives, etc.). Additionally, various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is to be understood that the specific order or hierarchy of steps in the processes presented is an example of illustrative approaches. It is to be understood that the specific order or hierarchy of steps in processes may be rearranged within the scope of the present disclosure, based on design priorities. The appended method claims present elements of the various steps in a sample order but are not meant to be limited to the particular order or hierarchy presented.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.The description of the presented embodiments is provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be apparent to those skilled in the art, and the general principles defined herein may be applied to other embodiments without departing from the scope of the disclosure. Thus, the present disclosure is not limited to the embodiments presented herein but is to be interpreted in the broadest scope consistent with the principles and novel features presented herein.
Claims (20)
사용자 디바이스에서 획득된 쿼리 이미지(query image) 및 상기 쿼리 이미지에 대응되는 깊이 맵을 수신하는 단계;
사전 학습된 제 1 특징점 획득 모델을 이용하여 상기 쿼리 이미지로부터 상기 쿼리 이미지에 대응되는 제 1 특징점들을 획득하는 단계;
사전 학습된 제 2 특징점 획득 모델을 이용하여 상기 깊이 맵으로부터 상기 깊이 맵에 대응되는 제 2 특징점들을 획득하는 단계;
상기 제 1 특징점들과 상기 제 2 특징점들을 비교하여, 서로 대응되는 픽셀 좌표값들을 가지는 제 3 특징점들을 획득하는 단계;
상기 제 1 특징점들, 상기 제 2 특징점들 및 상기 제 3 특징점들과 사전 저장된 복수의 참조 이미지들 각각을 비교하여 비주얼 로컬라이제이션의 결과를 획득하는 단계; 및
상기 비주얼 로컬라이제이션의 결과를 이용하여 가상 조명의 정보를 포함하는 콜리전 맵을 결정하고, 상기 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암을 결정하고, 상기 제 1 가상 명암에 따른 제 1 시각적 효과를 결정하는 단계;
를 포함하고,
상기 제 1 시각적 효과는 과노출, 역광, 섬광 또는 보케(bokeh) 중 적어도 하나에 대응되는 효과를 포함하는,
방법.
A method for placing virtual lighting through visual localization performed by a computing device, comprising:
Receiving a query image obtained from a user device and a depth map corresponding to the query image;
Obtaining first feature points corresponding to the query image from the query image using a pre-trained first feature point acquisition model;
Obtaining second feature points corresponding to the depth map from the depth map using a pre-trained second feature point acquisition model;
Comparing the first feature points and the second feature points to obtain third feature points having corresponding pixel coordinate values;
Obtaining a result of visual localization by comparing the first feature points, the second feature points, and the third feature points with each of a plurality of pre-stored reference images; and
Determine a collision map including information on virtual lighting using the result of the visual localization, determine a first virtual brightness on the collision map based on the information on the virtual lighting, and determine the first virtual brightness on the first virtual lighting. determining a first visual effect;
Including,
The first visual effect includes an effect corresponding to at least one of overexposure, backlight, glare, or bokeh,
method.
상기 비주얼 로컬라이제이션의 결과는,
상기 사용자 디바이스의 관련된 위치 및 방향을 포함하는 포즈(pose);
를 포함하는,
방법.
According to claim 1,
The result of the visual localization is:
a pose including the relative position and orientation of the user device;
Including,
method.
상기 콜리전 맵은,
촬상 장치를 이용하여 스캔 또는 촬영된, 상기 쿼리 이미지와 관련된 공간에 대한 정보에 기초하여 생성되는,
방법.
According to claim 1,
The collision map is,
Generated based on information about the space associated with the query image, scanned or photographed using an imaging device,
method.
상기 콜리전 맵은,
물리 현상을 나타내는 정보가 사전에 반영된,
방법.
According to claim 1,
The collision map is,
Information representing physical phenomena is reflected in advance,
method.
상기 물리 현상을 나타내는 정보는,
상기 콜리전 맵에 포함된 객체의 재질 정보 또는 공간 정보 중 적어도 하나를 포함하는,
방법.
According to claim 4,
The information representing the physical phenomenon is,
Containing at least one of material information or spatial information of the object included in the collision map,
method.
상기 객체의 재질 정보는,
상기 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함하는,
방법.
According to claim 5,
The material information of the object is,
Containing at least one of temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, elastic coefficient, or friction coefficient at the volume or surface of the object,
method.
상기 공간 정보는,
공간 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수, 벡터 필드(vector field) 또는 텐서 필드(tensor field) 중 적어도 하나를 포함하는,
방법.
According to claim 5,
The spatial information is,
Gravity field, magnetic field, electric field, Coriolis force, wind direction, wind speed, temperature, humidity, air resistance, altitude above sea level, air density, viscosity, scattering rate, atmospheric pressure, elastic coefficient, friction coefficient, vector field or tensor field in space. Containing at least one of (tensor fields),
method.
상기 가상 조명의 정보는,
상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 또는 상기 가상 조명의 특성 정보 중 적어도 하나를 포함하는,
방법.
According to claim 1,
The information of the virtual lighting is,
Containing at least one of location information of the virtual lighting, direction information of the virtual lighting, or characteristic information of the virtual lighting,
method.
상기 가상 조명의 특성 정보는,
상기 가상 조명의 색상, 밝기, 도달거리 또는 상기 가상 조명에 의한 그림자 중 적어도 하나와 관련된 정보를 포함하는,
방법.
According to claim 8,
The characteristic information of the virtual lighting is,
Containing information related to at least one of the color, brightness, reach, or shadow caused by the virtual light of the virtual light,
method.
상기 콜리전 맵에 가상 객체를 배치하는 경우, 상기 가상 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 콜리전 맵 상에서의 제 2 가상 명암 또는 제 2 가상 명암에 따른 제 2 시각적 효과 중 적어도 하나를 결정하는 단계;
를 더 포함하는,
방법.
According to claim 1,
When placing a virtual object on the collision map, at least one of a second virtual light and darkness on the collision map or a second visual effect according to the second virtual light and dark based on the information of the virtual lighting and the information of the virtual object. determining;
Containing more,
method.
상기 가상 객체의 정보는,
상기 가상 객체의 위치 정보, 가상 객체의 방향 정보 또는 상기 가상 객체의 재질 정보 중 적어도 하나를 포함하는,
방법.
According to claim 11,
The information of the virtual object is,
Containing at least one of location information of the virtual object, direction information of the virtual object, or material information of the virtual object,
method.
상기 가상 객체의 재질 정보는,
상기 가상 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함하는,
방법.
According to claim 12,
The material information of the virtual object is,
Containing at least one of temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, elastic coefficient, or friction coefficient at the volume or surface of the virtual object,
method.
상기 콜리전 맵을 결정하는 단계 이후에,
상기 쿼리 이미지와 상기 콜리전 맵을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계;
상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계; 및
상기 복합 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 3 가상 명암 및 상기 제 3 가상 명암에 따른 제 3 시각적 효과를 결정하는 단계;
를 더 포함하는,
방법.
According to claim 1,
After determining the collision map,
Comparing the query image and the collision map to obtain information about real-world lighting related to the user device;
determining information on complex lighting based on the information on the virtual lighting and the information on the real lighting; and
determining a third virtual brightness and a third visual effect according to the third virtual brightness and darkness on the collision map based on the information on the complex lighting;
Containing more,
method.
상기 쿼리 이미지와 상기 콜리전 맵을 비교하여 상기 사용자 디바이스와 관련된 현실 조명의 정보를 획득하는 단계는,
상기 쿼리 이미지와 상기 콜리전 맵을 비교하여, 상기 쿼리 이미지와 상기 콜리전 맵 상에서의 명암의 차이를 결정하고, 그리고 상기 결정된 명암의 차이를 이용하여 상기 콜리전 맵에 존재하지 않는 상기 쿼리 이미지 상에서의 현실 조명의 정보를 추정하는 단계;
를 포함하며, 그리고
상기 가상 조명의 정보 및 상기 현실 조명의 정보에 기초하여 복합 조명의 정보를 결정하는 단계는,
상기 추정된 현실 조명의 정보, 상기 가상 조명의 위치 정보, 상기 가상 조명의 방향 정보 및 상기 가상 조명의 특성 정보를 이용하여 상기 복합 조명의 정보를 추정하는 단계;
를 포함하는,
방법.
According to claim 14,
Comparing the query image and the collision map to obtain information about real-world lighting related to the user device,
Compare the query image and the collision map to determine the difference in brightness on the query image and the collision map, and use the determined brightness difference to determine the difference in brightness on the query image that does not exist in the collision map. estimating information of real lighting;
Includes, and
The step of determining information on complex lighting based on the information on the virtual lighting and the information on the real lighting,
estimating information on the composite lighting using the estimated real lighting information, location information on the virtual lighting, direction information on the virtual lighting, and characteristic information on the virtual lighting;
Including,
method.
상기 콜리전 맵에 가상 객체를 배치하는 경우, 상기 복합 조명의 정보 및 상기 가상 객체의 정보에 기초하여 상기 콜리전 맵 상에서의 제 4 가상 명암 또는 제 4 가상 명암에 따른 제 4 시각적 효과 중 적어도 하나를 결정하는 단계;
를 더 포함하는,
방법.
According to claim 14,
When placing a virtual object on the collision map, at least one of a fourth virtual brightness or a fourth visual effect according to the fourth virtual brightness on the collision map based on the information of the complex lighting and the information of the virtual object. determining;
Containing more,
method.
상기 콜리전 맵에 가상 음향을 배치하는 경우, 상기 가상 음향의 정보에 기초하여 상기 콜리전 맵 상에서 상기 사용자 디바이스에 적용되는 제 1 청각적 효과를 결정하는 단계;
를 더 포함하는,
방법.
According to claim 1,
When placing a virtual sound on the collision map, determining a first auditory effect applied to the user device on the collision map based on information on the virtual sound;
Containing more,
method.
상기 콜리전 맵에 가상 객체를 배치하는 경우, 상기 가상 음향의 정보 및 상기 가상 객체의 정보에 기초하여 상기 콜리전 맵 상에서 상기 사용자 디바이스에 적용되는 제 2 청각적 효과를 결정하는 단계;
를 더 포함하는,
방법.
According to claim 17,
When placing a virtual object on the collision map, determining a second auditory effect applied to the user device on the collision map based on information on the virtual sound and information on the virtual object;
Containing more,
method.
사용자 디바이스에서 획득된 쿼리 이미지(query image) 및 상기 쿼리 이미지에 대응되는 깊이 맵을 수신하는 단계;
사전 학습된 제 1 특징점 획득 모델을 이용하여 상기 쿼리 이미지로부터 상기 쿼리 이미지에 대응되는 제 1 특징점들을 획득하는 단계;
사전 학습된 제 2 특징점 획득 모델을 이용하여 상기 깊이 맵으로부터 상기 깊이 맵에 대응되는 제 2 특징점들을 획득하는 단계;
상기 제 1 특징점들과 상기 제 2 특징점들을 비교하여, 서로 대응되는 픽셀 좌표값들을 가지는 제 3 특징점들을 획득하는 단계;
상기 제 1 특징점들, 상기 제 2 특징점들 및 상기 제 3 특징점들과 사전 저장된 복수의 참조 이미지들 각각을 비교하여 비주얼 로컬라이제이션의 결과를 획득하는 단계; 및
상기 비주얼 로컬라이제이션의 결과를 이용하여 가상 조명의 정보를 포함하는 콜리전 맵을 결정하고, 상기 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암을 결정하고, 상기 제 1 가상 명암에 따른 제 1 시각적 효과를 결정하는 단계;
를 포함하고,
상기 제 1 시각적 효과는 과노출, 역광, 섬광 또는 보케(bokeh) 중 적어도 하나에 대응되는 효과를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
A computer program stored in a computer-readable storage medium, the computer program comprising instructions for causing a processor of a computing device to perform the following steps for arranging virtual lighting through visual localization, the steps comprising: :
Receiving a query image obtained from a user device and a depth map corresponding to the query image;
Obtaining first feature points corresponding to the query image from the query image using a pre-trained first feature point acquisition model;
Obtaining second feature points corresponding to the depth map from the depth map using a pre-trained second feature point acquisition model;
Comparing the first feature points and the second feature points to obtain third feature points having corresponding pixel coordinate values;
Obtaining a result of visual localization by comparing the first feature points, the second feature points, and the third feature points with each of a plurality of pre-stored reference images; and
Determine a collision map including information on virtual lighting using the result of the visual localization, determine a first virtual brightness on the collision map based on the information on the virtual lighting, and determine the first virtual brightness on the first virtual lighting. determining a first visual effect;
Including,
The first visual effect includes an effect corresponding to at least one of overexposure, backlight, glare, or bokeh,
A computer program stored on a computer-readable storage medium.
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및
네트워크부;
를 포함하고,
상기 프로세서는,
사용자 디바이스에서 획득된 쿼리 이미지(query image) 및 상기 쿼리 이미지에 대응되는 깊이 맵을 수신하고,
사전 학습된 제 1 특징점 획득 모델을 이용하여 상기 쿼리 이미지로부터 상기 쿼리 이미지에 대응되는 제 1 특징점들을 획득하고,
사전 학습된 제 2 특징점 획득 모델을 이용하여 상기 깊이 맵으로부터 상기 깊이 맵에 대응되는 제 2 특징점들을 획득하고,
상기 제 1 특징점들과 상기 제 2 특징점들을 비교하여, 서로 대응되는 픽셀 좌표값들을 가지는 제 3 특징점들을 획득하고,
상기 제 1 특징점들, 상기 제 2 특징점들 및 상기 제 3 특징점들과 사전 저장된 복수의 참조 이미지들 각각을 비교하여 비주얼 로컬라이제이션의 결과를 획득하고, 그리고
상기 비주얼 로컬라이제이션의 결과를 이용하여 가상 조명의 정보를 포함하는 콜리전 맵을 결정하고, 상기 가상 조명의 정보에 기초하여 상기 콜리전 맵 상에서의 제 1 가상 명암을 결정하고, 상기 제 1 가상 명암에 따른 제 1 시각적 효과를 결정하되,
상기 제 1 시각적 효과는 과노출, 역광, 섬광 또는 보케(bokeh) 중 적어도 하나에 대응되는 효과를 포함하는,
컴퓨팅 장치.In a computing device for arranging virtual lighting through visual localization,
A processor including at least one core;
a memory storing a computer program executable by the processor; and
network department;
Including,
The processor,
Receiving a query image obtained from a user device and a depth map corresponding to the query image,
Obtaining first feature points corresponding to the query image from the query image using a pre-trained first feature point acquisition model,
Obtaining second feature points corresponding to the depth map from the depth map using a pre-trained second feature point acquisition model,
Comparing the first feature points and the second feature points to obtain third feature points having corresponding pixel coordinate values,
Obtain a result of visual localization by comparing the first feature points, the second feature points, and the third feature points with each of a plurality of pre-stored reference images, and
Determine a collision map including information on virtual lighting using the result of the visual localization, determine a first virtual brightness on the collision map based on the information on the virtual lighting, and determine the first virtual brightness on the first virtual lighting. Determine the first visual effect according to
The first visual effect includes an effect corresponding to at least one of overexposure, backlight, glare, or bokeh,
Computing device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230012623A KR102616031B1 (en) | 2023-01-31 | 2023-01-31 | Apparatus and method for implementing physics engine using visual localization |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230012623A KR102616031B1 (en) | 2023-01-31 | 2023-01-31 | Apparatus and method for implementing physics engine using visual localization |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102616031B1 true KR102616031B1 (en) | 2023-12-20 |
Family
ID=89376763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230012623A KR102616031B1 (en) | 2023-01-31 | 2023-01-31 | Apparatus and method for implementing physics engine using visual localization |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102616031B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130286004A1 (en) * | 2012-04-27 | 2013-10-31 | Daniel J. McCulloch | Displaying a collision between real and virtual objects |
| US9122053B2 (en) * | 2010-10-15 | 2015-09-01 | Microsoft Technology Licensing, Llc | Realistic occlusion for a head mounted augmented reality display |
| US10043319B2 (en) * | 2014-11-16 | 2018-08-07 | Eonite Perception Inc. | Optimizing head mounted displays for augmented reality |
| KR102225093B1 (en) | 2020-09-01 | 2021-03-09 | 주식회사 맥스트 | Apparatus and method for estimating camera pose |
-
2023
- 2023-01-31 KR KR1020230012623A patent/KR102616031B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9122053B2 (en) * | 2010-10-15 | 2015-09-01 | Microsoft Technology Licensing, Llc | Realistic occlusion for a head mounted augmented reality display |
| US20130286004A1 (en) * | 2012-04-27 | 2013-10-31 | Daniel J. McCulloch | Displaying a collision between real and virtual objects |
| US10043319B2 (en) * | 2014-11-16 | 2018-08-07 | Eonite Perception Inc. | Optimizing head mounted displays for augmented reality |
| KR102225093B1 (en) | 2020-09-01 | 2021-03-09 | 주식회사 맥스트 | Apparatus and method for estimating camera pose |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105900143B (en) | Specular reflective is determined from image | |
| KR102616031B1 (en) | Apparatus and method for implementing physics engine using visual localization | |
| KR102616030B1 (en) | Apparatus and method for implementing physics engine using visual localization | |
| KR20240051020A (en) | Method for generating data set | |
| KR102639273B1 (en) | Apparatus and method for implementing physics engine using visual localization | |
| KR102613135B1 (en) | Apparatus and method for performing visual localization | |
| KR102651994B1 (en) | Apparatus and method for supporting tactical training using visual localization | |
| KR102616082B1 (en) | Apparatus and method for deciding validity of camera pose using visual localization | |
| KR102613133B1 (en) | Apparatus and method for deciding validity of camera pose using visual localization | |
| KR102616085B1 (en) | Apparatus and method for deciding validity of camera pose using visual localization | |
| KR102556764B1 (en) | Method for generating data set | |
| KR102669969B1 (en) | Apparatus and method for supporting tactical training using visual localization | |
| KR102613134B1 (en) | Apparatus and method for supporting tactical training using visual localization | |
| KR102600915B1 (en) | Apparatus and method for generating data for visual localization | |
| KR102616083B1 (en) | Apparatus and method for supporting tactical training using visual localization | |
| KR102616084B1 (en) | Apparatus and method for supporting tactical training using visual localization | |
| KR102627175B1 (en) | Method for embodying occlusion of virtual object | |
| KR102600939B1 (en) | Apparatus and method for generating data for visual localization | |
| KR102634858B1 (en) | Method for space extension using augmented reality | |
| KR102634857B1 (en) | Method for space extension using augmented reality | |
| KR102616029B1 (en) | Apparatus and method for performing visual localization effectively | |
| KR20230161908A (en) | Method for generating data set | |
| KR20240071349A (en) | Apparatus and method for deciding validity of camera pose using visual localization | |
| KR102616522B1 (en) | Apparatus and method for performing visual localization effectively | |
| KR20240071351A (en) | Apparatus and method for deciding validity of camera pose using visual localization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |