WO2024043507A1 - 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 - Google Patents
비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 Download PDFInfo
- Publication number
- WO2024043507A1 WO2024043507A1 PCT/KR2023/009565 KR2023009565W WO2024043507A1 WO 2024043507 A1 WO2024043507 A1 WO 2024043507A1 KR 2023009565 W KR2023009565 W KR 2023009565W WO 2024043507 A1 WO2024043507 A1 WO 2024043507A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- user
- pose
- information
- virtual reality
- bullet
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 230000000007 visual effect Effects 0.000 title claims abstract description 80
- 230000004807 localization Effects 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 title claims abstract description 54
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims description 48
- 230000033001 locomotion Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 230000000903 blocking effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- 238000010304 firing Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 118
- 238000004891 communication Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 22
- 230000003190 augmentative effect Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 19
- 239000011521 glass Substances 0.000 description 18
- 238000005259 measurement Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 210000004197 pelvis Anatomy 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013498 data listing Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000190070 Sarracenia purpurea Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 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
- 230000009977 dual effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001624 hip Anatomy 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
- 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
- 238000013439 planning 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
- 230000011218 segmentation Effects 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 238000013403 standard screening design Methods 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
- 238000012384 transportation and delivery Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/01—Head-up displays
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/01—Head-up displays
- G02B27/017—Head mounted
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/003—Simulators for teaching or training purposes for military purposes and tactics
Definitions
- This disclosure relates to image processing and more specifically to visual localization.
- GNSS Global Navigation Satellite System
- VPS Vehicle Positioning System
- 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 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.
- 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.
- augmented reality technology has recently developed, and in order to solve the situation where practical training is limited due to public damage, noise, etc., or safety accidents during training, research is being conducted to introduce a training system based on augmented reality technology. is in progress. In relation to this, Republic of Korea Patent No. 10-2225093 has been issued.
- This disclosure was created in response to the above-described background technology, and is intended to efficiently support tactical training using visual localization.
- the present disclosure is intended to efficiently support tactical training in a virtual reality space by determining the user's pose and the firearm's pose.
- a method for supporting tactical training using visual localization performed by a computing device, wherein a device worn by a first user is provided. Determine a first pose including a first position and a first orientation related to the first user by performing visual localization based on first query data obtained from the first user device. steps; Based on the interaction between a first set of tags located proximal to the first user device and a second set of tags located on a first firearm used by the first user, the determined first determining a first relative pose of the first firearm based on the pose; and calculating an expected path of a bullet fired through the muzzle of the first firearm in virtual reality space based on the first pose and the first relative pose.
- the virtual reality space may be created based on information about the space related to the first query image included in the first query data scanned or photographed using an imaging device.
- the virtual reality space may reflect at least one of material information about an object included in the first query image or spatial information about the actual location corresponding to the first query image.
- material information of the object may be mapped to an area corresponding to the object.
- material information of the object reflected on the virtual reality space may be changed based on the spatial information.
- 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.
- the material information of the object may include at least one of information about whether the object is blocking, blocking channel information, information about whether a trigger occurs, information about a trigger channel, or tag information for programming. there is.
- the spatial information includes gravity field, magnetic field, electric field, Coriolis force, wind direction, wind speed, temperature, humidity, air resistance, altitude above sea level, air density, viscosity, and scattering rate within the space or volume on the virtual reality space.
- the spatial information includes at least one of information about whether there is blocking in space on the virtual reality space, blocking channel information, information about whether there is a trigger, information about a trigger channel, or tag information for programming. It can be included.
- calculating the expected path of the bullet is based on the first pose, the first relative pose, material information of the object reflected on the virtual reality space, spatial information, and information about the first firearm. Thus, it may include calculating an expected path of a bullet fired through the muzzle of the first firearm in the virtual reality space.
- the method may further include calculating an expected path of the bullet based on a preset rule in the virtual reality space.
- a second location and a second location associated with the second user are determined. determining a second pose including two directions; and if a predetermined first area including the second location exists on the calculated expected path of the bullet, sending a danger alarm to at least one of the first user device or a second user device worn by the second user. It may further include transmitting.
- a second location and a second location associated with the second user are determined. determining a second pose including two directions; acquiring a motion of a second user based on the second pose; And if there is a predetermined second area on the calculated expected path of the bullet, including an area related to the second location and the second user's motion, the first user device or the second user's device worn by the second user It may further include transmitting a risk alarm to at least one of the second user devices.
- the method may further include transmitting information about the expected path of the bullet to the first user device so that the first user device visually displays the expected path of the bullet.
- the method may further include visually displaying the expected path of the bullet in the virtual reality space.
- the expected path of the bullet may include a path connecting the starting point and ending point of the bullet with a line.
- the expected path of the bullet is the length of a predetermined line from the starting point of the bullet, and the predetermined line length may be at least a portion of a path connecting the starting point and the ending point of the bullet.
- the expected path of the bullet may reflect whether the bullet penetrates the object determined based on material information of the object reflected on the virtual reality space.
- material information and spatial information of objects reflected on the virtual reality space may change over time based on rules preset in the virtual reality space.
- the third location of the third user included in the third query data or It may further include determining at least one of the third user's actions.
- a computer program stored on a computer-readable storage medium comprising instructions for causing a processor of a computing device to perform the following steps to support tactical training using visual localization, The steps include: performing visual localization based on query data obtained from a first user device worn by a first user, including a first position and a first orientation related to the first user. determining a first pose; Based on the interaction between a first set of tags located proximal to the first user device and a second set of tags located on a first firearm used by the first user, the determined first determining a first relative pose of the first firearm based on the pose; and calculating an expected path of a bullet fired through the muzzle of the first firearm in virtual reality space based on the first pose and the first relative pose.
- a computing device for supporting tactical training using visual localization comprising: a processor; Memory; and a network unit; wherein the processor performs visual localization based on query data obtained from a first user device worn by the first user, thereby determining a first position related to the first user and Determine a first pose, including a first orientation, and associate tags with a first set of tags located proximal to the first user device and a first firearm used by the first user. Based on the interaction between the located second sets of tags, determine a first relative pose of the first firearm based on the determined first pose, and determine the first pose and the first relative pose. Based on this, the expected path of the bullet fired through the muzzle of the first firearm in virtual reality space can be calculated.
- a technique according to an embodiment of the present disclosure can efficiently support tactical training using visual localization.
- a technique according to an embodiment of the present disclosure can efficiently support tactical training in a virtual reality space by determining the user's pose and the firearm's pose.
- FIG. 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 supporting tactical training 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.
- Figure 5 exemplarily shows a method for estimating a user's pose according to an embodiment of the present disclosure.
- Figure 6 exemplarily shows a method of determining the relative pose of a firearm using a tag according to an embodiment of the present disclosure.
- Figure 7 exemplarily shows a method of determining the relative pose of a firearm using a tag according to an embodiment of the present disclosure.
- FIG. 8 exemplarily shows an aiming line in a virtual reality space generated according to a relative pose of a firearm determined according to an embodiment of the present disclosure.
- Figure 9 exemplarily shows a method for supporting tactical training using visual localization according to another embodiment of the present disclosure.
- Figure 10 shows a brief, general schematic diagram of an example computing environment in which embodiments of the present disclosure may be implemented.
- 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.
- 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.
- 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.
- a network such as the Internet
- 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.
- 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.”
- N such as first, second, or third
- first and second may be the same or different from each other.
- Terms expressed as 1-1, 1-2, and 2-1, 2-2 may also be used to distinguish a plurality of entities.
- visual localization refers to a technology for estimating the current location or pose of a device using images taken indoors or outdoors.
- Pose estimation for a user device (or camera) refers to determining translation and rotation information of a dynamically changing camera viewpoint.
- a Visual Positioning System can be used.
- the query image in the query data in the present disclosure includes an image captured by a device, and a reference image stored in a computing device (e.g., server, etc.) and a device corresponding to the query image using the query image.
- the pose of can be determined or estimated.
- a reference image in the present disclosure may include a pre-stored image used for pose estimation of the device that captured the query image.
- the reference image may include actual images taken in a specific area to implement, for example, augmented reality or virtual reality. These reference images may be stored in computing device 100. Metadata mapped to the reference image can also be used to estimate the pose of the user device.
- Metadata that may be included in query data in the present disclosure may mean additional information used in performing visual localization.
- metadata may include additional information other than the image, such as information related to the device, pixel coordinate information of feature points, descriptor of feature points, landmark information obtained from the image, character information obtained from the image, etc. .
- the candidate group of reference images to be matched with the query image may be reduced.
- a more suitable camera pose estimation method may be used.
- 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).
- a user device eg, a device including a camera.
- a pose in the present disclosure may include state information corresponding to, for example, the user's appearance and/or movements.
- the pose may be obtained by a deep learning module that includes an algorithm for estimating the user's pose.
- the pose may be obtained based on visual localization and/or inverse kinematics.
- the relative pose in the present disclosure may include pose information in a relative concept based on the pose determined by visual localization.
- a pose determined by visual localization may be referred to as an absolute pose
- a relative coordinate value using the 3D coordinate value of this absolute pose as a reference point may correspond to the relative pose.
- FIG. 1 schematically shows a block diagram of a computing device 100 according to an embodiment of the present disclosure.
- Computing device 100 may include a processor 110 and a memory 130.
- the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
- 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.
- 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 terminal 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.
- an output unit (not shown) and an input unit (not shown) may be included within the scope of the computing device 100.
- Computing device 100 in this disclosure may include, for example, a digital twin server and/or a VPS server.
- a user device in the present disclosure may refer to a device for generating query data.
- Information captured by the user device may include query data including a query image.
- the query image captured by the user device may be used for comparison with a reference image within a computing device (eg, a server), and thus the pose of the user device at the time of capture may be determined.
- a computing device eg, a server
- User devices in this disclosure may include any type of mobile device, including cameras and/or lidar.
- the user device may include a head mounted device (HMD), augmented reality (AR) glasses, and/or virtual reality (VR) glasses.
- HMD head mounted device
- AR augmented reality
- VR virtual reality
- 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.
- embodiments that perform visual localization on a user device that generates query data may also be included within the scope of the present disclosure.
- the user device may perform at least part of the role of the computing device 100.
- the computing device 100 in the present disclosure may perform technical features according to embodiments of the present disclosure, which will be described later.
- computing device 100 may perform visual localization based on query data obtained from a first user device worn by a first user, thereby generating a first user device that includes a location and orientation with respect to the first user device.
- Determining a pose based on interaction between a first set of tags located proximal to the first user device and a second set of tags located on a first firearm used by the first user, the determined Determine a first relative pose of the first gun based on the first pose, and based on the first pose and the first relative pose, determine a first character corresponding to the first user in virtual reality space.
- the virtual reality space in the present disclosure may include a digital twin corresponding to a predefined real space for tactical training.
- Proximity in this disclosure is used to express a location closer to the user's device than the user's firearm when relative to the user's device.
- a helmet worn by a user may be proximal from the perspective of the user device relative to the firearm the user is holding, and the firearm may be distal from the perspective of the user device.
- 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).
- CPU central processing unit
- GPU general purpose graphics processing unit
- TPU tensor processing unit
- the processor 110 may read the computer program stored in the memory 130 and perform methods for supporting visual localization and/or tactical training according to an embodiment of the present disclosure. Additionally, the processor 110 may read a computer program stored in the memory 130 and perform methods for supporting visual localization and/or tactical training 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.
- CPU and GPGPU can work together to process learning of network functions and data classification using network functions.
- 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.
- 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.
- processor 110 may typically handle overall operations of computing device 100.
- 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 storage to provide information or information appropriate to the user. Functions can be provided or processed.
- 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.
- 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.
- the memory 130 may refer to computer readable media for storing software codes required to perform embodiments of the present disclosure, data to be executed by the codes, and execution results of the codes.
- the memory 130 may refer to any type of storage medium.
- 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.
- the communication unit (network unit) (not shown) in the present disclosure can be configured regardless of the communication mode, such as wired or wireless, and can be used in a short-range area network (PAN: Personal Area Network) or a WAN: Wide Area Network. It can be composed of various communication networks.
- the network unit 150 can operate based on the well-known World Wide Web (WWW), and is a wireless transmission technology used for short-distance communication such as Infrared Data Association (IrDA) or Bluetooth. You can also use .
- WWW World Wide Web
- IrDA Infrared Data Association
- Bluetooth You can also use .
- Computing device 100 in the present disclosure may include any type of user terminal and/or any type of server. Accordingly, embodiments of the present disclosure may be performed by a server and/or a user device.
- a user device may include any type of terminal capable of interacting with a server or other computing device.
- User terminals include, for example, mobile phones, smart phones, laptop computers, personal digital assistants (PDAs), slate PCs, tablet PCs, and ultrabooks. It can be included.
- modules for generating depth maps may be included on the user device.
- the user device may generate an image and/or depth map and transmit it to computing device 100.
- 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.
- the client's device may include at least one of a camera, scanner, Lidar, and/or vision sensor.
- the computing device 100 may include a device or may be linked to an external device wirelessly or wired.
- 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.
- the above-described server may include a storage unit (not shown) that stores and manages a reference image, metadata corresponding to the reference image, 3D map, etc.
- This storage may be included within the server or may exist under the management of the server.
- 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.
- the feature point acquisition model may include a neural network built through deep learning or machine learning.
- the feature point acquisition model may acquire feature points from a query image and/or depth map included in the input data.
- the feature point acquisition model may correspond to a model pre-trained based on supervised learning to recognize as a feature point a point where the amount of change in at least one of color or geometric patterns in the object exceeds a predetermined threshold.
- the query image may include at least one red-green-blue (RGB) image and/or at least one grayscale image.
- RGB red-green-blue
- a depth map may include an image or information indicating the relative distances of each pixel within a specific image. Accordingly, the depth map may include information related to the distance from the location where the query image is taken to the surface of the subject.
- Figure 2 is a schematic diagram showing a network function according to an embodiment of the present disclosure.
- the feature point acquisition model may correspond to an artificial intelligence-based model.
- an artificial intelligence-based model may be used to estimate the pose of a character (e.g., a first character) and/or create a character.
- 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.
- 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.
- 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.
- the value of the data of the output node may be determined based on the data input to the input node.
- 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.
- 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.
- 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.
- 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.
- 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.
- a layer of nodes may be defined by distance from the final output node.
- 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.
- 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.
- 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.
- hidden nodes may refer to nodes constituting a neural network other than the first input node and the last output node.
- 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.
- 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.
- 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.
- a deep neural network 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.
- 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.
- Neural networks can be trained to minimize output errors.
- 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.
- learning data in which the correct answer is labeled for each learning data is used i.e., labeled learning data
- the correct answer may not be labeled in each learning data.
- the learning data may be data in which each learning 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.
- 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.
- 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.
- a computer-readable medium storing a data structure according to an embodiment of the present disclosure is disclosed.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- a data structure containing a neural network may include any other information that determines the characteristics of the neural network.
- 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.
- 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.
- the data structure may include the weights of the neural network. (In this specification, weights and parameters may be used with the same meaning.) And 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.
- 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.
- the above-described data structure is only an example and the present disclosure is not limited thereto.
- 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.
- 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.
- computing device resources e.g., in non-linear data structures, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
- 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.
- Figure 3 exemplarily shows a method for supporting tactical training using visual localization according to an embodiment of the present disclosure.
- At least some of the steps shown in FIG. 3 may be performed, for example, by computing device 100. Depending on the implementation aspect, some of the steps shown in FIG. 3 may be omitted or additional steps may be added.
- computing device 100 performs visual localization based on query data obtained from a first user device worn by a first user, thereby providing a first user device that includes a location and orientation related to the first user device. 1
- the pose can be determined (310).
- Computing device 100 may provide an augmented reality and/or virtual reality platform. By obtaining captured data from the client's device, the computing device 100 may estimate the current location and orientation of the client device and allow the client to enjoy activities on the augmented reality and/or virtual reality platform.
- the first user device may include an HMD device, AR glasses, and/or VR glasses used by a first user among a plurality of users participating in tactical training.
- the query data may include a query image and metadata obtained by the first user device.
- the query image may include a two-dimensional RGB image or a grayscale image. In one embodiment, the query image may include a two-dimensional RGB image or gray scale image and a depth map. Metadata 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.
- GPS geographic coordinate system
- Metadata may include hardware-related information of the user device, such as focal length, principal point, resolution, etc.
- the user metadata 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. .
- the candidate group of reference images to be matched with the query image may be reduced.
- Metadata may further include camera information of the user device, and an example of such camera information may include intrinsic parameters of the camera.
- the computing device 100 may determine a pose estimation algorithm used to perform the visual localization among a plurality of pose estimation algorithms based on the camera information of the user device. For example, pose estimation for a user device (eg, camera) can estimate 6DoF in a direction that minimizes reprojection error.
- the pose estimation algorithm uses the Direct Linear Transformation (DLT) methodology to determine the elements of the rotation matrix and the translation vector.
- DLT Direct Linear Transformation
- the reprojection error equation which includes the elements of (vector) elements and the internal parameters of the camera as unknowns, can be changed to a linear equation and the rotation matrix, translation vector, and camera matrix can be estimated through QR decomposition.
- the pose estimation algorithm uses the Perspective-n-Point (PnP) methodology to transform the reprojection error, a non-linear equation, into a linear equation, which is different from DLT.
- PnP Perspective-n-Point
- pose estimation can be performed by directly solving the reprojection error, which is a non-linear equation, using the Gauss-Newton methodology or the Levenberg-Marquardt methodology.
- representative PnP methodologies may include P3P, EPnP, and SQPnP methodologies.
- the DLT and PnP methodologies described above may introduce RANSAC to minimize camera pose errors resulting from inaccuracies in the 3D coordinates of reference feature points or inaccuracies in query feature points.
- the technique according to an embodiment of the present disclosure can apply the camera pose estimation algorithm differently depending on the presence or absence of camera information, for example, DLT or PnP depending on the presence or absence of camera information.
- camera pose estimation can be performed.
- the first pose including a position and orientation relative to the first user device, may be determined based on first query data obtained by the first user device, for example, via a VPS.
- This first pose may include information about where the first user device is currently located and where it is pointed.
- the first pose may include the position and direction of the helmet worn by the first user. That is, the first pose may include the position and orientation of equipment (eg, helmet, hat, etc.) located proximally of the first user device.
- computing device 100 is based on interaction between a first set of tags located proximally on a first user device and a second set of tags located on a first firearm used by the first user.
- the first relative pose of the first gun can be determined based on the first pose (320).
- tags can be used to determine the relative pose of the firearm being used by the user.
- tags may include UWB (Ultra Wide Band) based devices.
- UWB refers to a short-range wireless communication technology that transmits large amounts of information at low power over a wider band than existing frequency bands.
- the first set of tags may be located on equipment (eg, a helmet) located proximal to the first user device.
- the second set of tags may be located on equipment (eg, a firearm) located distal to the first user device.
- the first set of tags may include three tags and the second set of tags may include two tags.
- a measurement value including at least one of Time Difference Of Arrival (TDOA) or Round Trip Time (RTT) between the tags may be determined through communication between the first set of tags and the second set of tags. Based on these measured values, the computing device 100 may determine the first relative pose of the first gun based on the first pose.
- the user device or another user terminal connected to the user device may determine the first relative pose of the first firearm using measurements obtained through communication between tags.
- computing device 100 (or user device) provides a first measurement comprising at least one of TDOA or RTT between a first tag of the first set of tags and a second tag of the second set of tags. and TDOA or RTT between a third tag of the first set of tags and a fourth tag of the second set of tags, based on the determined first pose.
- the first relative pose including the relative direction and relative position of the first firearm may be determined.
- a technique according to an embodiment of the present disclosure uses a VPS to estimate the pose of a user device (e.g., HMD or AR glasses, etc.) and utilizes the estimated pose of the user device to allow the user to hold and
- the relative pose of a gun (for example, the direction the gun's muzzle is facing, etc.) can be estimated efficiently and accurately.
- the computing device 100 may generate a first character corresponding to the first user in the virtual reality space based on the first pose and the first relative pose (330).
- the first character is a character corresponding to the first user in the virtual reality space, and is used to communicate the first character to other users in the same space who participate in tactical training or to other users who exist in a different space and direct and supervise tactical training.
- a character corresponding to the user or the first user may be displayed.
- the pose estimation result of the first user device and/or additional information according to the pose estimation result of the first user along with the actual appearance of the first user on the user devices of other users in the same space participating in tactical training. can be displayed in augmented reality. This additional information may include the generated first character.
- the first character according to the pose estimation result of the first user device and/or the first user's pose estimation result is displayed in virtual reality on the user devices of other users who are present in a different space and direct and supervise the tactical training. It can be.
- Such a character may be created, for example, by pose estimation for the first user.
- the computing device 100 may determine the position and direction of the first user's neck based on the first pose and predetermined body information of the first user.
- Computing device 100 may determine the relative position and orientation of both hands of the first user based on the relative orientation of the first firearm, the relative position of the first firearm, and the location of the predetermined grip area with respect to the first firearm. there is.
- the computing device 100 determines the first user's neck based on the determined position and direction of the first user's neck, the determined relative positions and directions of both hands of the first user, and topographical information within the virtual reality space where the first user is located.
- the upper body pose can be determined.
- the computing device 100 may determine the position and direction of the first user's pelvis based on the determined upper body pose and body information of the first user.
- the computing device 100 may determine the lower body pose of the first user based on the determined position and direction of the pelvis and topographical information within the virtual reality space where the first user is located. Based on the determined position and direction of the first user's neck, the determined relative positions and directions of both hands of the first user, the determined upper body pose, the determined lower body pose, and the first user's body information, the computing device 100 creates a virtual A first character corresponding to the first user in real space can be created.
- a technique estimates the pose for the user's user device (e.g., HMD, AR glasses, and/or VR glasses, etc.) through visual localization and determines the pose for the user's firearm. Since the relative pose can be estimated, efficient tactical training can be achieved by accurately determining the location and facing direction of the user device as well as the direction of the muzzle.
- the user's user device e.g., HMD, AR glasses, and/or VR glasses, etc.
- Figure 4 exemplarily shows a method for estimating a pose through visual localization according to an embodiment of the present disclosure.
- the computing device 100 uses the pre-trained feature point acquisition model 420 to obtain at least one feature point 430 and 440 and/or each of the at least one feature point 430 and 440 from the query data 410.
- At least one descriptor can be obtained.
- the feature points 430 and 440 may be coordinates for each of the characteristic parts or points on the query image and/or depth map of the query data 410.
- the descriptor may include at least one of information about the directionality and size of each feature point, and/or the relationship between pixels surrounding each feature point.
- the feature point acquisition model 420 is based on supervised learning to recognize as a feature point a point where the amount of change in at least one of color or geometric pattern in an object within the query image or depth map exceeds a predetermined threshold.
- a pre-trained model can be included.
- the feature point acquisition model 420 may correspond to a model pre-trained using an image-based neural network.
- the feature point acquisition model 420 may correspond to a pre-trained model using a transformer-based neural network.
- the query data 410 includes a query image obtained by the user device, a descriptor corresponding to the query image, a depth map obtained by the user device, a descriptor corresponding to the depth map, and/or additional information of the user device. may include.
- the computing device 100 may perform visual localization 450 based on the first feature points 430 corresponding to the query image of the query data 410.
- the computing device 100 may acquire first feature points 430 for the query image included in the query data 410 using an artificial intelligence-based feature point acquisition model 420.
- the computing device 100 may perform visual localization 450 based on the first feature points 430, descriptors corresponding to the first feature points 430, and a plurality of pre-stored reference images.
- the pose 460 for the user device can be estimated.
- the pose 460 for the user device is determined based on the pose for the HMD, AR glasses, or VR glasses corresponding to the user device. It may include the location and direction of the helmet.
- visual localization 450 may include a methodology for determining the location and facing direction of a user device on query data based on a comparison between the query data and a pre-stored reference image. Specific methodologies for visual localization 450 are described in Korean Patent Application No. 10-2022-0081908 filed on July 4, 2022, which is incorporated by reference into this patent application.
- the computing device 100 may perform visual localization 450 based on the second feature points 440 corresponding to the depth map of the query data 410.
- the computing device 100 may acquire second feature points 440 for the depth map included in the query data 410 using an artificial intelligence-based feature point acquisition model 420.
- the computing device 100 performs the visual localization 450 based on the second feature points 440, descriptors corresponding to the second feature points 440, and a plurality of pre-stored reference images, thereby providing visual localization to the user device.
- the pose 460 can be determined.
- the computing device 100 performs visual localization 450 based on the first feature points 430 corresponding to the query image of the query data 410 and the second feature points 440 corresponding to the depth map. can be performed. For example, the computing device 100 compares the first feature points 430 and the second feature points 440 to determine pixel coordinates corresponding to each other among the first feature points 430 and the second feature points 440. Third feature points having values can be determined. For example, the third feature points may include overlapping feature points among the first feature points 430 and the second feature points 440 . The computing device 100 may determine reference images having feature points corresponding to third feature points among a plurality of pre-stored reference images, and determine a pose 460 for the user device based on the determined reference images. .
- the computing device 100 compares first feature points 430 and descriptors corresponding to the first feature points 430 with a pre-stored reference image and compares the second feature points 440 and the first feature points 430 with a pre-stored reference image.
- 2 Visual localization 450 may be performed by comparing descriptors corresponding to the feature points 440 and a pre-stored reference image.
- visual localization 450 when the computing device 100 performs visual localization 450 on a user device that has acquired the query data 410, the reference image and query data 410 stored in the database of the computing device 100 ) Based on the feature points 430 and/or 440 on the image and additional information of the user device, visual localization 450 may be performed on the user device that obtained the query data 410.
- the computing device 100 when performing visual localization 450 on a user device that has acquired query data 410, selects query image feature points and feature points of the reference image from among a plurality of reference images.
- a pose reference image can be determined based on matching between the pose reference images.
- the computing device 100 determines the determined pose reference image according to a comparison result between the 3D camera coordinates assigned to the pose reference image and the coordinates (e.g., two-dimensional coordinates) of the feature points 430 and/or 440 of the query data, Camera pose information for the query data 410 may be determined.
- the pose reference image in the present disclosure may refer to a reference image that is subject to matching with the query data 410 among reference images.
- the pose reference image may mean an image with the highest matching rate with the query data 410 among a plurality of candidate images to be compared with the query data 410.
- computing device 100 may perform visual localization on query data 410 using 3D camera coordinates assigned to the pose reference image.
- computing device 100 when performing visual localization 450 for the user device that obtained query data 410, uses camera pose information (e.g., 3D camera coordinates) assigned to the pose reference image. and determine absolute camera pose information of the query image with respect to the origin based on relative camera pose information for the query data 410 determined through the pose reference image, and determine absolute camera pose information for the query data 410 based on the absolute camera pose information. ) can be performed on the user device that has obtained the visual localization 450.
- camera pose information e.g., 3D camera coordinates
- 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 query data 410.
- the computing device 100 when the computing device 100 obtains the feature points and extracts the feature points 430 and/or 440 for the query data 410 from the query data 410, the feature points 430 and/or It may include obtaining pixel coordinates and descriptors corresponding to 440).
- the computing device 100 obtains the query data 410 by comparing the descriptor corresponding to the feature points 430 and/or 440 of the query data 410 with the descriptor corresponding to the feature points of the reference image stored in the database.
- Visual localization 450 can be performed for one user device.
- the descriptors are mapped to the query data 410 and can be compared with the descriptors mapped to the reference image to determine a candidate reference image to be compared with the query data 410 among the plurality of reference images. Descriptors can be used to efficiently perform a comparison between the reference image and query data 410.
- the computing device 100 compares the descriptor corresponding to the feature points of the query data 410 with the descriptor corresponding to the feature points of the reference image stored in the database, thereby providing information about the user device among the plurality of reference images.
- Determine a pose reference image for visual localization 450 and apply 3D coordinate information mapped to the pose reference image, matching information between feature points, and feature points 430 and/or 440 of the query data 410.
- visual localization 450 including camera pose estimation for the user device may be performed.
- 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 point acquisition model 420.
- the pose 460 of the user device that transmitted the query data 410 can be estimated in an accurate manner.
- This pose 460 of the user device can be used to accurately determine the current location of combatants in a tactical training system, and can further be used to identify enemies.
- the pose 460 of the user device can be used to estimate the direction of the combatant's firearm in a tactical training system, and thus the expected arrival point of the fired bullet can be efficiently determined.
- Figure 5 exemplarily shows a method for estimating a user's pose according to an embodiment of the present disclosure.
- an estimate of a user's pose may include an estimate of the posture the user is currently taking.
- the pose of the user device in this disclosure is intended to include the position and viewing direction of the user device determined based on VPS-based visual localization.
- FIG. 5 exemplarily shows a method for estimating a user's pose, and a user's character in a virtual reality space may be created based on the estimation of the user's pose.
- computing device 100 may acquire an image captured by a user device (510).
- the image here may be included in the query data.
- the computing device 100 may estimate the position and direction of the user's head by performing visual localization on the acquired image (520). For example, during a virtual tactical training process, a user may be wearing a user device (eg, HMD device, AR glasses, or VR glasses). When visual localization is performed on an image acquired through a photographing unit of a user device worn by a user, a pose including the location and viewing direction of the user device may be estimated. The position and direction of the user's head may be estimated from the estimated pose of the user device. For example, the pose of the user's head may be estimated so that the pose of the user device and the position and direction of the user's head correspond to each other. As another example, the position and direction of the user's head may be determined from the pose of the user device based on pre-stored body information of the user.
- a user device eg, HMD device, AR glasses, or VR glasses.
- a pose including the location and viewing direction of the user device may be estimated.
- physical information about the user may be registered in advance.
- the computing device 100 may determine where the user's neck is located and the direction the neck is facing by applying body information to the user's head position and direction (530). For example, estimating the pose of the neck from the pose of the head may be implemented by determining the distance information between the neck and the head that is predetermined from the user's height information.
- the position and orientation of a weapon (e.g., a firearm) being held by the user may be estimated 540 from the position and orientation of the user's head or the position and orientation of the user device. For example, based on the interaction between tags attached to a user's weapon (e.g., a firearm) and tags attached to equipment (e.g., a helmet, etc.) corresponding to the user's head position, the location and orientation of the weapon may be determined. can be estimated.
- the tags may include an Ultra Wide Band (UWB) tag and a first set of tags may be located on a helmet worn by the user and a second set of tags may be located on a firearm used by the user.
- UWB Ultra Wide Band
- the computing device 100 is configured to determine a link between a first tag of a first set of tags attached to a device corresponding to the position of the user's head and a second tag of the second set of tags attached to the user's weapon.
- a first measurement value including at least one of Time Difference Of Arrival (TDOA) or Round Trip Time (RTT) and TDOA between a third tag of the first set of tags and a fourth tag of the second set of tags
- TDOA Time Difference Of Arrival
- RTT Round Trip Time
- a first distance is determined between a second tag located at a first location on the firearm and a first tag located on the helmet, and based on the second measurement, a first distance between the first tag located on the helmet and the first tag located on the firearm are determined.
- a second distance between the fourth tag located at the second location and the third tag located on the helmet may be determined.
- a third position of the second tag from the helmet is determined from a first distance and a fourth position of the fourth tag from the helmet is determined from the second distance, and the third position and the Based on the relative relationship between the fourth positions, the relative direction in which the firearm is pointed based on the determined pose of the user device may be determined.
- the first set of tags attached to equipment worn by the user may be at least three (e.g., a 1-1 tag, a 1-2 tag, and a 1-3 tag) and held by the user.
- the second set of tags attached to the firearm may be at least two (eg, a 2-1 tag and a 2-2 tag).
- the 1-1 tag, the 1-2 tag, and the 1-3 tag may exist in different positions on the equipment worn by the user.
- the 2-1 tag and the 2-2 tag may exist in different positions on the firearm held by the user.
- a first distance between the 1-1 tag of the first set of tags and the 2-1 tag of the second set of tags, the 1-2 tag of the first set of tags and the A second distance between the 2-1 tags and a third distance between the 2-1 tag and a 1-3 tag among the tags of the first set may be determined.
- the first distance, second distance, and third distance may represent the distance from the first location of the gun where the 2-1 tag is located to each of the tags on the user's worn equipment (eg, helmet). Based on the first distance, the second distance, and the third distance, the location of the 2-1 tag with respect to each of the tags of the first set may be determined.
- a fourth distance between the 1-1 tag of the first set of tags and the 2-2 tag of the second set of tags, the 1-2 tag of the first set of tags and the A fifth distance between the 2-2 tags and a sixth distance between the 1-3 tag among the tags of the first set and the 2-2 tag may be determined.
- These fourth distances, fifth distances, and sixth distances may represent the distances for each of the tags on the user's worn equipment (eg, helmet) from the second location of the gun where the 2-2 tag is located. Based on the fourth distance, the fifth distance, and the sixth distance, the location of the 2-2 tag with respect to each of the tags of the first set may be determined.
- the 2- The relative position between tag 1 and the 2-2 tag may be determined.
- the movement and direction of the firearm can be estimated through changes in the relative positions between the two tags attached to the firearm.
- a relative pose including a relative direction and relative position of the firearm based on the pose with respect to the user device may be determined.
- these relative poses can be expressed in three-dimensional coordinates.
- computing device 100 may determine the relative position and orientation of both or one hand of the user based on the relative orientation of the firearm, the relative position of the firearm, and the location of the predetermined grip area relative to the firearm.
- the position and pose of the user's hand may be estimated according to the direction in which the muzzle of the gun is facing and the position of the trigger portion of the gun, for example, along with information on the current position of the gun.
- it may be determined that one hand of the user is positioned on the trigger portion of the firearm and the other hand is positioned on the other grip portion of the firearm.
- the position and pose of the hand holding the firearm may be determined based on the user's body information (e.g., left-handed or right-handed information).
- the user's upper body pose is based on the position and direction of the user's neck determined in step 530, the relative positions and orientations of the user's both hands determined in step 550, and topographical information within the virtual reality space in which the user is located. can be determined (560).
- terrain information within the virtual reality space may include information including the location, material, and shape of a specific object within the virtual reality space.
- the virtual reality space here may include a space (eg, digital twin) in virtual reality that corresponds to a specific space for tactical training.
- the user's upper body pose which changes as the user moves in the virtual reality space and interacts with the corresponding object, may be determined based on the topographic information of the object.
- Terrain information in this virtual reality space may include terrain attributes mapped to objects in real space.
- This topographical information includes material information including at least one of the height of the object, whether it is blocked, surface temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, elastic coefficient and/or friction coefficient, and gravitational field, magnetic field, electric field, Coriolis force, It can be used to encompass spatial information including at least one of wind direction, wind speed, temperature, humidity, air resistance, altitude, air density, viscosity, scattering rate, atmospheric pressure, elastic coefficient, friction coefficient, or vector field.
- objects in the virtual reality space can have the properties of objects in the real space.
- Pose estimation of the user's upper body can be determined based on inverse kinematics that reflects topographical information.
- the position and direction of the user's pelvis may be determined based on the upper body pose determined in step 560 and the user's body information (570).
- Pose estimation of the user's pelvis may be determined based on inverse kinematics that reflects topographical information.
- the computing device 100 displays the pelvis in a manner that reflects the user's body information (e.g., height information and/or statistical information in which the pelvis position is defined among the body) predefined in the pose for the user's upper body information.
- the location and/or direction of can be determined.
- the direction the pelvis is facing can be determined to correspond to the direction the upper body is facing.
- the user's lower body pose may be determined based on the location and direction of the pelvis determined in step 570 and topographical information in the virtual reality space where the user is located (580).
- Pose estimation of the user's lower body can be determined based on inverse kinematics that reflects topographical information.
- the computing device 100 may determine the position and direction of the lower body in a manner that reflects topographical information corresponding to the user's location, which is predefined in the user's pelvis pose.
- the computing device 100 may create a character in a virtual reality space corresponding to a user performing tactical training in a real space.
- This virtual reality space can correspond to a digital twin corresponding to the actual space.
- Information about the character may be displayed as an augmented reality object to other users located with the user in the actual space, and information about the character may be displayed as a virtual object to other users located in a space other than the actual space. Can be displayed as a real object.
- the computing device 100 operates in the virtual reality based on the determined position and direction of the user's neck, the determined relative position and direction of both hands of the user, the determined upper body pose, the determined lower body pose, and the user's body information. You can create a character corresponding to a user in space.
- Figure 6 exemplarily shows a method of determining the relative pose of a firearm using a tag according to an embodiment of the present disclosure.
- three tags may be placed on the helmet 620 of the user 600.
- the tags described above may include UWB tags.
- the user 600 may have query data generated by the user device 610 . As the query data is transmitted to the outside (eg, digital twin server and/or VPS server, etc.), pose estimation for the user device 610 and pose estimation for the gun 640 may be performed.
- the display unit 630 of the user 600 may output information about objects and other users in the virtual reality space. There may be two tags, a and b, in the firearm 640.
- Each of the three tags (A, B, and C) attached to the helmet 620 is capable of communicating with each of the two tags (a and b) attached to the firearm 640. Accordingly, communication results between tags aA, aB, and aC can be obtained from the perspective of tag a attached to the firearm 640.
- the results of aA, aB, and aC allow distance information to be derived for each of the a tag attached to the first location of the firearm 640 and the three tags (A, B, and C) attached to the helmet 620. do. From the perspective of tag b attached to the firearm 640, communication results between tags bA, bB, and bC can be obtained.
- the results of bA, bB, and bC allow distance information to be derived for each of the b tag attached to the second location of the firearm 640 and the three tags (A, B, and C) attached to the helmet 620. do. Movement information of the firearm 640 may be determined based on the helmet 620 according to information on changes in distances in these two distance information sets. In this way, the position of the firearm 640 can be determined relative to its position relative to the helmet 620. In this way, the direction in which the muzzle of the firearm 640 faces can be determined based on the position of the helmet 620.
- the direction and position of the user device 610 are estimated, the direction and position of the helmet 620 are determined according to the direction and position of the user device 610, and the helmet 620 )
- the direction and position of the firearm 640 can be accurately estimated.
- Figure 7 exemplarily shows a method of determining the relative pose of a firearm using a tag according to an embodiment of the present disclosure.
- At least some of the example operations shown in FIG. 7 may be performed by computing device 100 and/or a user device.
- the relative position of the a tag can be determined from the A, B, and C tags from the TDoA or RTT of aA, aB, and aC (710).
- the relative position of the b tag from the A, B, and C tags can be determined from the TDoA or RTT of bA, bB, and bC (720).
- the relative position of the a tag located at the first position of the firearm and the relative position of the b tag located at the second position of the firearm can be determined.
- the relative position of the a tag can be accurately determined based on the distances between the a tag and each of the three tags (A, B, and C) located on the helmet.
- the relative position of the b tag can be accurately determined based on the distances between and the b tag. Based on the relative position of the a tag and the relative position of the b tag, the relative position of the b tag from the a tag (and/or the relative position of the a tag from the b tag) may be determined (730).
- the absolute position and direction of the user device may be determined through visual localization (e.g., VPS) (740).
- the position and direction of the firearm may be determined from the relative position of the b tag from the a tag (and/or the relative position of the a tag from the b tag) using the absolute position and direction of the user device as a reference point.
- the relative pose of the gun determined based on the determined pose of the user device may correspond to the absolute position and direction of the gun.
- the technique according to an embodiment of the present disclosure estimates the current location and facing direction of a user participating in tactical training through a combination of visual localization (e.g., VPS) and UWB tags, and determines the user's firearm.
- the location and direction of the muzzle can be efficiently estimated. Accordingly, when implementing tactical training in virtual reality or augmented reality, tactical training participants can be accurately represented as objects in the virtual reality space or augmented reality space.
- FIG. 8 exemplarily shows an aiming line in a virtual reality space generated according to a relative pose of a firearm determined according to an embodiment of the present disclosure.
- the example shown in FIG. 8 may include the actions of the first user 810 that are visible to users other than the first user 810.
- the aiming line 830 may be expressed as an augmented reality object to other users.
- the example shown in FIG. 8 may include the actions of the first user 810 in a virtual reality space that is visible to a third party who is not located in the space for tactical training.
- the first user 810 as well as the aiming line 830 may be represented to a third party as a virtual reality object.
- a line of sight for the firearm 820 in virtual reality space 830
- three-dimensional coordinates corresponding to each of the starting and ending points may be determined.
- the aiming line 830 in virtual reality space can be created.
- the aiming line 830 displayed in the virtual reality space may be displayed differently based on material information of the object in the virtual reality space. For example, in the case of the first object 840, it may be mapped as having a material through which a bullet of a specific first speed or first force can pass, and in the case of the second object 850, it may be mapped as having a material that can pass through a bullet of a specific first speed or force. 2 It can be mapped as having a material that a bullet of force can pass through. Accordingly, the aiming line 830 is displayed as passing through a specific object based on predefined characteristic information of the firearm 820, bullet information, location information of the objects 840 and 850, and location information of the firearm 820.
- the aiming line 830 may be displayed as passing through the first object 840 but not passing through the second object 850, and accordingly, the first object 840 and the second object ( An aiming line 860 passing through the first object 840 may be displayed between the lines 850 and 850 .
- material information for objects 840 and 850 may vary based on weather or climate information, for example. Changes in material information mapped to each of these objects 840 and 850 may occur based on weather and climate information.
- the technique according to an embodiment of the present disclosure allows the aiming line 830, which is generated according to the direction and position estimation of the firearm 820, to interact with the objects 840 and 850, making it more efficient in the process of tactical training.
- Accurate information can be represented as augmented reality objects or virtual reality objects.
- the computing device 100 classifies objects included in query data using a pre-trained artificial intelligence-based image classification model or image segmentation model and pre-stores objects corresponding to the classified objects. Attribute information about an object including object material information and object recognition information can be obtained. Using this artificial intelligence-based classification or segmentation model, material information about an object may be automatically reflected in the virtual reality space without manually mapping the material information about the object.
- computing device 100 may include predefined characteristic information of firearm 820, bullet information, location information of objects 840 and 850, and material information of objects 840 and 850. , based on the spatial information of the path between the firearm 820 and the objects 840 and 850 and the location information of the firearm 820, the expected arrival path of the bullet fired from the muzzle may be determined.
- the bullet's expected arrival path may be variably determined based on information (eg, terrain information) assigned to objects in the virtual reality space and climate or weather information in the virtual reality space.
- the technique according to an embodiment of the present disclosure can efficiently implement tactical training in which multiple users participate through virtual reality or augmented reality technology by implementing gun pose estimation through linkage between VPS and UWB.
- Figure 9 exemplarily shows a method for supporting tactical training using visual localization according to another embodiment of the present disclosure.
- At least some of the steps shown in FIG. 9 may be performed, for example, by computing device 100. Depending on the implementation aspect, some of the steps shown in FIG. 9 may be omitted or additional steps may be added.
- computing device 100 performs visual localization based on first query data obtained from a first user device worn by the first user to determine a first position associated with the first user. And a first pose including a first orientation may be determined (910).
- Computing device 100 may provide an augmented reality and/or virtual reality platform. By obtaining captured data from the client's device, the computing device 100 may estimate the current location and orientation of the client device and allow the client to enjoy activities on the augmented reality and/or virtual reality platform.
- the first user device may include an HMD device, AR glasses, and/or VR glasses used by a first user among a plurality of users participating in tactical training.
- the first query data may include a first query image and first metadata obtained by the first user device.
- the second user device may include an HMD device, AR glasses, and/or VR glasses used by a second user among the plurality of users participating in tactical training.
- the second query data may include a second query image and second metadata obtained by the second user device.
- External devices are devices and/or imaging devices placed in a space where a plurality of users participating in tactical training exist, and may include CCTV, drones, etc.
- the third query data may include a third query image and third metadata acquired by an external device.
- a query image may include a two-dimensional RGB image or a grayscale image.
- the query image may include a two-dimensional RGB image or gray scale image and a depth map.
- Metadata e.g., first metadata, second metadata, third metadata, etc.
- 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.
- Metadata may include hardware-related information of the user device or external device, such as focal length, principal point, resolution, etc.
- the metadata obtained from the user device is a preliminary estimate of the camera pose of the user device calculated from the value of the IMU (Inertial Measurement Unit) of the user device. May include estimated information.
- 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. .
- the candidate group of reference images to be matched with the query image may be reduced.
- Metadata may further include camera information of a user device or external device, and an example of such camera information may include intrinsic parameters of the camera.
- the computing device 100 may determine a pose estimation algorithm used to perform visual localization among a plurality of pose estimation algorithms, based on camera information of the user device. For example, pose estimation for a user device (eg, camera) can estimate 6DoF in a direction that minimizes reprojection error.
- the pose estimation algorithm uses the Direct Linear Transformation (DLT) methodology to determine the elements of the rotation matrix and the translation vector.
- DLT Direct Linear Transformation
- the reprojection error equation which includes the elements of (vector) elements and the internal parameters of the camera as unknowns, can be changed to a linear equation and the rotation matrix, translation vector, and camera matrix can be estimated through QR decomposition.
- the pose estimation algorithm uses the Perspective-n-Point (PnP) methodology to transform the reprojection error, a non-linear equation, into a linear equation, which is different from DLT.
- PnP Perspective-n-Point
- pose estimation can be performed by directly solving the reprojection error, which is a non-linear equation, using the Gauss-Newton methodology or the Levenberg-Marquardt methodology.
- representative PnP methodologies may include P3P, EPnP, and SQPnP methodologies.
- the DLT and PnP methodologies described above may introduce RANSAC to minimize camera pose errors resulting from inaccuracies in the 3D coordinates of reference feature points or inaccuracies in query feature points.
- the technique according to an embodiment of the present disclosure can apply the camera pose estimation algorithm differently depending on the presence or absence of camera information, for example, DLT or PnP depending on the presence or absence of camera information.
- camera pose estimation can be performed.
- the first pose including a position and orientation relative to the first user device, may be determined based on first query data obtained by the first user device, for example, via a VPS.
- This first pose may include information about where the first user device is currently located and where it is pointed.
- the first pose may include the position and direction of the helmet worn by the first user. That is, the first pose may include the position and orientation of equipment (eg, helmet, hat, etc.) located proximally of the first user device.
- the virtual reality space may be created based on information about the space related to the first query image included in the first query data scanned or photographed using an imaging device.
- An imaging device may refer to any type of equipment for detecting optical images, converting them into electrical signals, and transmitting them to the computing device 100.
- the imaging device may include at least one of a camera, scanner, Lidar, and/or vision sensor.
- the computing device 100 may include a device or may be linked to an external device wirelessly or wired.
- the virtual reality space may reflect at least one of material information about an object included in the first query image or spatial information about the actual location corresponding to the first query image.
- the material information of an object may include information about the physical elements of the object.
- the material information of the object may include at least one of temperature, viscosity, absorption rate, reflectance, transmittance, scattering rate, attenuation rate, evaporation 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 material information of an object may include information about non-physical elements of the object.
- the material information of the object may include at least one of information about whether the object is blocking, blocking channel information, information about whether a trigger exists, information about a trigger channel, and/or tag information for programming.
- Spatial information may include information about physical elements of space.
- 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 and/or a tensor field.
- 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.
- the vector value may include the strength of the gravitational field, the strength of the magnetic field, etc.
- the above-mentioned vector values are only examples and may include various values.
- 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.
- Spatial information may include information about non-physical elements of space.
- 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.
- the computing device 100 may have spatial information about the actual location stored in advance.
- the computing device 100 may receive information about the actual location corresponding to the first query image from an external server (eg, a weather server, etc.) that stores spatial information about the actual location. Accordingly, the computing device 100 may reflect spatial information about the actual location corresponding to the first query image in the virtual reality space.
- an external server eg, a weather server, etc.
- the material information of an object may be mapped to an area corresponding to the object.
- the computing device 100 may map information about a tree to an area corresponding to the tree in virtual reality space.
- material information of objects reflected on the virtual reality space may be changed based on spatial information. That is, the computing device 100 may change the material information of the object reflected in the virtual reality space 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 in the virtual reality space, according to the temperature included in the spatial information.
- Material information and spatial information of objects reflected on the virtual reality space may change with time based on preset rules on the virtual reality space. That is, the computing device 100 may change the material information and spatial information of objects reflected in the virtual reality space over time based on rules preset in the virtual reality space.
- Preset laws may include physical laws, mechanical laws, etc.
- preset laws may include Newton's law of gravity, Einstein's general theory of relativity, etc.
- 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.
- the preset rule is not limited to this and may be determined depending on the environment.
- the material information and spatial information of the object reflected on the virtual reality space affect each other (for example, the influence 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 spatial information influence between the space, the influence between the first space information and the second space information of the second space different from the first space, etc.), and may change with time based on preset laws in the virtual reality space.
- the computing device 100 may determine material information of the virtual object in a preset manner.
- the preset 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.
- Computing device 100 may, based on the interaction between a first set of tags located proximal to a first user device and a second set of tags located on a first firearm used by the first user, , the first relative pose of the first gun may be determined based on the determined first pose (920).
- tags can be used to determine the relative pose of the firearm being used by the user.
- tags may include Bluetooth and/or Ultra Wide Band (UWB) based devices.
- UWB refers to a short-range wireless communication technology that transmits large amounts of information at low power over a wider band than existing frequency bands.
- the first set of tags may be located on equipment (eg, a helmet) located proximal to the first user device.
- the second set of tags may be located on equipment (eg, a firearm) located distal to the first user device.
- the first set of tags may include three tags and the second set of tags may include two tags.
- a measurement value including at least one of Time Difference Of Arrival (TDOA) or Round Trip Time (RTT) between the tags may be determined through communication between the first set of tags and the second set of tags.
- TDOA Time Difference Of Arrival
- RTT Round Trip Time
- the computing device 100 may determine the first relative pose of the firearm based on the first pose.
- the user device or another user terminal connected to the user device may determine the first relative pose of the firearm using measurements obtained through communication between tags.
- computing device 100 (or user device) provides a first measurement comprising at least one of TDOA or RTT between a first tag of the first set of tags and a second tag of the second set of tags. and TDOA or RTT between a third tag of the first set of tags and a fourth tag of the second set of tags, based on the determined first pose.
- the first relative pose including the relative direction and relative position of the first firearm may be determined.
- a technique according to an embodiment of the present disclosure uses a VPS to estimate the pose of a user device (e.g., HMD or AR glasses, etc.) and utilizes the estimated pose of the user device to allow the user to hold and
- the relative pose of a gun (for example, the direction the gun's muzzle is facing, etc.) can be estimated efficiently and accurately.
- the computing device 100 may calculate the expected path of a bullet fired through the muzzle of the first firearm in virtual reality space based on the first pose and the first relative pose (930).
- the computing device 100 is configured to use the first pose, the first relative pose, the material information of the object reflected on the virtual reality space, the spatial information, and the information about the first firearm through the muzzle of the first firearm in the virtual reality space.
- the expected path of a fired bullet can be calculated.
- the expected path of the bullet can be calculated based on preset laws in virtual reality space. That is, the computing device 100 may calculate the expected path of the bullet based on preset rules in the virtual reality space.
- Preset laws may include physical laws, mechanical laws, etc.
- preset laws may include Newton's law of gravity, Einstein's general theory of relativity, etc.
- 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.
- the preset law is not limited to this and may be determined depending on the environment. Therefore, the computing device 100 can calculate the expected path of the bullet based on preset laws such as gravitational acceleration, which determines the amount of gravity received by a bullet fired through the muzzle of a firearm, and the amount of frictional force received by the bullet. .
- the expected path of the bullet may include a path connecting the starting point and ending point of the bullet with a line.
- the expected path of the bullet may be a predetermined line length from the starting point of the bullet, and the predetermined line length may be at least a portion of a path connecting the starting point and the ending point of the bullet.
- the expected path of the bullet may be a predetermined line length corresponding to the length displayed on the first user device. Accordingly, the first user device can display the expected path of the bullet with a length corresponding to the length that can be displayed on the first user device.
- the expected path of the bullet may reflect whether the bullet penetrates the object determined based on material information of the object reflected in the virtual reality space.
- the computing device 100 may calculate the trajectory of a bullet fired through the muzzle of the first firearm based on the first pose, the first relative pose, information about the first firearm, and spatial information.
- the computing device 100 may calculate whether the bullet penetrates and/or the penetration probability based on at least one of the angle of incidence, thickness, momentum, and/or bullet stiffness at the boundary surface of the object existing on the bullet's trajectory. If the computing device 100 determines that the bullet does not penetrate the object, the computing device 100 may calculate whether the bullet is deflected and/or the probability of deflection.
- the computing device 100 may calculate the location of the object and the expected path of the bullet after penetration or deflection of the bullet.
- the computing device 100 may calculate the location of the object based on the amount of impact or energy at the boundary surface of the object.
- the computing device 100 may calculate the expected path of the bullet by calculating the momentum and/or angular momentum of the bullet after penetration or deflection of the bullet.
- Computing device 100 performs visual localization based on second query data obtained from a second user device worn by a second user different from the first user, thereby determining a second location and a second orientation related to the second user.
- a second pose including can be determined.
- the second pose including a position and orientation relative to the second user device, may be determined based on second query data obtained by the second user device, for example, via a VPS.
- This second pose may include information about where the second user device is currently located and where it is pointed.
- the second pose may include the position and direction of the helmet worn by the second user. That is, the second pose may include a position and orientation relative to a device (eg, helmet, hat, etc.) located proximally of the second user device.
- computing device 100 Based on the interaction between the third set of tags located proximally on the second user device and the fourth set of tags located on the second firearm used by the second user, computing device 100 creates a second pose. Based on , the second relative pose of the second gun can be determined.
- a third set of tags may be located on equipment (eg, helmet, hat, etc.) located proximal to the second user device.
- a fourth set of tags may be located on equipment (eg, a firearm, etc.) located distal to the second user device.
- the third set of tags may include three tags and the fourth set of tags may include two tags.
- TDOA Time Difference Of Arrival
- RTT Raund Trip Time
- the computing device 100 may determine a second relative pose of the second gun based on the second pose.
- the user device or another user terminal connected to the user device may determine a second relative pose of the second firearm using measurements obtained through communication between tags.
- computing device 100 may measure a measurement and a third measurement including at least one of TDOA or RTT between tag a of the third set of tags and tag b of the fourth set of tags.
- a second relative pose can be determined.
- a technique according to an embodiment of the present disclosure uses a VPS to estimate the pose of a user device (e.g., HMD or AR glasses, etc.) and utilizes the estimated pose of the user device to allow the user to hold and
- the relative pose of a gun (for example, the direction the gun's muzzle is facing, etc.) can be estimated efficiently and accurately.
- the computing device 100 may acquire the second user's motion based on the second pose. Specifically, the computing device 100 may determine the position and direction of the second user's neck based on the second pose and predetermined body information of the second user. Computing device 100 is configured to hold the second user's hands relative to both hands based on the relative orientation of the second firearm associated with the second user device, the relative position of the second firearm, and the location of the predetermined grip area relative to the second firearm. Position and direction can be determined. The computing device 100 determines the second user's neck based on the determined position and direction of the second user's neck, the determined relative positions and directions of both hands of the second user, and topographical information within the virtual reality space where the second user is located. The upper body pose can be determined.
- the computing device 100 may determine the position and direction of the second user's pelvis based on the determined upper body pose of the second user and body information of the second user.
- the computing device 100 may determine the lower body pose of the second user based on the determined location and direction of the second user's pelvis and topographical information within the virtual reality space where the second user is located.
- the second user's motion may include at least one of the second user's upper body pose and/or the second user's lower body pose.
- the computing device 100 is configured to send a signal to at least one of the first user device or the second user device worn by the second user. Danger alarms can be sent.
- the predetermined first area including the second location may include a coordinate point corresponding to the second location or an area within a specific radius centered on the second location.
- the computing device 100 is configured to detect the first user device or the second user device when a predetermined second area including a second location and an area related to the second user's motion exists on the calculated expected path of the bullet. 2 A danger alarm may be transmitted to at least one of the second user devices worn by the user.
- the second area may include a coordinate point corresponding to the second location and an area corresponding to the second motion.
- the second area may include an area within a specific radius centered on the second location and including an area corresponding to the second operation.
- a danger alarm is visual information (e.g., an image) transmitted from a user device (e.g., a first user device, a second user device, etc.) to indicate the presence of the user's or another user's device in the expected path of a bullet. , video, etc.), may include at least one of text, voice, and/or vibration.
- the second user device may receive a danger alarm, and display visual information included in the danger alarm on the second user device so that the second user perceives the visual information.
- the second user device may receive a danger alarm, and visually display text included in the danger alarm on the second user device so that the second user recognizes the text.
- the second user device may receive a critical alarm and play the voice included in the critical alarm through a speaker included in the second user device so that the user can hear the voice included in the critical alarm.
- a second user device may receive a hazard alarm, visually display text included in the hazard alarm on the second user device, play a voice through a speaker included in the second user device, and vibrate. may occur in the second user device.
- Computing device 100 may transmit information about the expected path of the bullet to the first user device so that the first user device visually displays the expected path of the bullet.
- the information about the expected path of the bullet may include at least one of information about the starting point of the bullet, information about the ending point of the bullet, and/or information about a path connecting the starting point and ending point of the bullet with a line.
- the first user device can display the expected path of the bullet in augmented reality.
- the first user can visually check the expected path of the bullet through the first user device.
- the path connecting the starting point and ending point of the bullet with a line may be displayed as at least one of a straight line, a curved line, a solid line, and/or a dotted line.
- the path connecting the starting and ending points of the bullet with a line is not limited to this and can be displayed with various types of lines.
- Computing device 100 may transmit information about the expected path of the bullet to the second user device so that the second user device visually displays the expected path of the bullet. Accordingly, the second user device can display the expected path of the bullet in augmented reality. Additionally, the second user can visually check the expected path of the bullet through the second user device.
- the computing device 100 may visually display the expected path of the bullet in virtual reality space. For example, the computing device 100 may apply color and/or shading to the expected path of a bullet and display it in a virtual reality space. When obtaining the expected paths of bullets for each firearm of a plurality of user devices, the computing device 100 applies different colors and/or shading to the expected paths of the plurality of bullets to visually display them in the virtual reality space. It can be displayed as . For example, the computing device 100 may display the expected path of the bullet of the first gun in blue and the expected path of the bullet of the second gun in red on the virtual reality space.
- the first user device and/or the second user device may be connected to the virtual reality space created in the computing device 100 through communication. Accordingly, the first user device and/or the second user device may check the expected path of the displayed bullet in the connected virtual reality space.
- the computing device 100 performs pose estimation based on third query data obtained from an external device different from the first user device, thereby determining the third location or third position of the third user included in the third query data. 3 At least one of the user's actions can be determined.
- the computing device 100 may use an artificial intelligence-based posture estimation model to obtain at least one of the third location of the third user and/or the motion of the third user included in the third query data.
- .Pose estimation may include human pose estimation.
- Human pose estimation may be a method of estimating the motion of a person existing in an image.
- the computing device 100 may use a pose estimation model to obtain at least one of the position of the third user and/or the motion of the third user included in the third query image of the third query data. there is.
- the posture estimation model may estimate at least one of the third user's position and/or the third user's motion by estimating the positions of predetermined joints (eg, 14, 17, etc.).
- the pose estimation model may include a CNN-based VGG or ResNet structured network.
- the posture estimation model is trained in a way to minimize errors such as Mean per Position Joint Error (MPJPE) and can be pre-trained.
- MPJPE Mean per Position Joint Error
- the pose estimation model can be learned through datasets such as Human3.6M and MPI-INF-3DHP.
- the pose estimation model may include a 2D pose estimation model and a 3D pose estimation model.
- the 2D pose estimation model may be a model estimated on a two-dimensional image.
- 2D pose estimation models may include DeepPose, DeepCut, OpenPose, etc.
- a 3D pose estimation model may be a model that estimates a pose in 3D space.
- the 3D pose estimation model may include a model that estimates only the relative position of each joint around the root (pelvis), a model that estimates the position of the root in space, etc.
- the monocular 3D pose estimation algorithm may be an algorithm that estimates the 3D pose of a person based on an image of the person acquired from a single camera.
- the monocular 3D pose estimation algorithm may obtain a video of a person moving from a monocular camera and estimate the motion using motion information of before and after frames.
- the 3D pose estimation model can be trained without additional information such as constraint conditions or before and after frame information.
- the third user may be at least one of a user who has a user device (eg, a first user, a second user, etc.) and/or a user who does not have a user device.
- a user device eg, a first user, a second user, etc.
- the computing device 100 provides third query data obtained from an external device for users who have a user device (e.g., a first user, a second user, etc.) and/or users who do not have a user device. Based on this, the user's location, user's movements, etc. can be identified.
- a user device e.g., a first user, a second user, etc.
- the computing device 100 may include a plurality of sub-computing devices (eg, a first sub-computing device, a second sub-computing device, etc.). Additionally, the plurality of sub-computing devices may each exist as separate entities.
- the first sub-computing device may be a VPS server and the second sub-computing device may be a digital twin server.
- the first sub-computing device may perform visual localization to determine the pose of each user device, and transmit the determined pose and information about the virtual reality space to the second sub-computing device.
- the second sub-computing device may store pose information and information about the virtual reality space of each of the plurality of user devices and calculate the expected path of the bullet. Additionally, the second sub-computing device may deliver a risk alarm to a plurality of user devices.
- the first sub-computing device and the second sub-computing device are interconnected and may perform methods for supporting tactical training using visual localization.
- Figure 10 shows a brief, general schematic diagram of an example computing environment in which embodiments of the present disclosure may be implemented.
- a component, module, or unit in the present disclosure includes routines, procedures, programs, components, data structures, etc. that perform a specific task or implement a specific abstract data type. Additionally, one of ordinary skill in the art will understand that the methods presented in this disclosure can be used in uni-processor or multiprocessor computing devices, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, etc. ( It will be fully appreciated that each of these may be implemented with other computer system configurations, including those capable of operating in conjunction with one or more associated devices.
- Embodiments described in this 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.
- program modules may be located in both local and remote memory storage devices.
- 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.
- 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.
- 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.
- 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.
- 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.
- An example environment 2000 is shown that implements various aspects of the invention, including a computer 2002, which includes a processing unit 2004, a system memory 2006, and a system bus 2008. do.
- Computer 200 herein may be used interchangeably with computing device.
- System bus 2008 couples system components, including but not limited to system memory 2006, to processing unit 2004.
- Processing unit 2004 may be any of a variety of commercially available processors. Dual processors and other multiprocessor architectures may also be used as processing units 2004.
- System bus 2008 may be any of several types of bus structures that may further be interconnected to a memory bus, peripheral bus, and local bus using any of a variety of commercial bus architectures.
- System memory 2006 includes read only memory (ROM) 2010 and random access memory (RAM) 2012.
- the basic input/output system (BIOS) is stored in non-volatile memory (2010), such as ROM, EPROM, and EEPROM, and is a basic input/output system (BIOS) that helps transfer information between components within the computer (2002), such as during startup. Contains routines.
- RAM 2012 may also include high-speed RAM, such as static RAM for caching data.
- Computer 2002 may also read from or use an internal hard disk drive (HDD) 2014 (e.g., EIDE, SATA), magnetic floppy disk drive (FDD) 2016 (e.g., removable diskette 2018). (for writing to), SSDs, and optical disk drives (2020) (e.g., for reading CD-ROM disks (2022) or for reading from or writing to other high-capacity optical media, such as DVDs).
- HDD hard disk drive
- FDD magnetic floppy disk drive
- SSDs for writing to
- optical disk drives (2020) e.g., for reading CD-ROM disks (2022) or for reading from or writing to other high-capacity optical media, such as DVDs.
- the hard disk drive 2014, magnetic disk drive 2016, and optical disk drive 2020 are connected to a system bus 2008 by a hard disk drive interface 2024, magnetic disk drive interface 2026, and optical drive interface 2028, respectively. ) can be connected to.
- the interface 2024 for implementing an external drive includes, for example, at least one or both of
- drives and their associated computer-readable media provide non-volatile storage of data, data structures, computer-executable instructions, and the like.
- drive and media correspond to storing any data in a suitable digital format.
- computer-readable storage media refers to removable optical media such as HDDs, removable magnetic disks, and CDs or DVDs, those skilled in the art will also understand removable optical media such as zip drives, magnetic cassettes, flash memory cards, cartridges, etc. It will be appreciated that other types of computer-readable storage media may also be used in the exemplary operating environment and that any such media may contain computer-executable instructions for performing the methods of the invention. .
- a number of program modules may be stored in the drive and RAM 2012, including an operating system 2030, one or more application programs 2032, other program modules 2034, and program data 2036. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 2012. It will be appreciated that the invention may be implemented on various commercially available operating systems or combinations of operating systems.
- a user may enter commands and information into the computer 2002 through one or more wired/wireless input devices, such as a pointing device such as a keyboard 2038 and a mouse 2040.
- Other input devices may include microphones, IR remote controls, joysticks, game pads, stylus pens, touch screens, etc.
- input device interface 2042 which is often connected to the system bus 2008, but may also include a parallel port, an IEEE 1394 serial port, a game port, a USB port, an IR interface, It can be connected by other interfaces, etc.
- a monitor 2044 or other type of display device is also connected to system bus 2008 through an interface, such as a video adapter 2046.
- computers typically include other peripheral output devices (not shown) such as speakers, printers, etc.
- Computer 2002 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 2048, via wired and/or wireless communications.
- Remote computer(s) 2048 may be a workstation, server computer, router, personal computer, portable computer, microprocessor-based entertainment device, peer device, or other conventional network node, and generally refers to computer 2002.
- memory storage device 2050 is shown, although it includes many or all of the components described.
- the logical connections depicted include wired/wireless connections to a local area network (LAN) 2052 and/or a larger network, such as a wide area network (WAN) 2054.
- LAN and WAN networking environments are common in offices and companies and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to a worldwide computer network, such as the Internet.
- computer 2002 When used in a LAN networking environment, computer 2002 is connected to local network 2052 through wired and/or wireless communications network interfaces or adapters 2056. Adapter 2056 may facilitate wired or wireless communication to LAN 2052, which also includes a wireless access point installed thereon for communicating with wireless adapter 2056.
- the computer 2002 When used in a WAN networking environment, the computer 2002 may include a modem 2058, connected to a communication server on the WAN 2054, or other means of establishing communication over the WAN 2054, such as via the Internet. has Modem 2058, which may be internal or external and a wired or wireless device, is coupled to system bus 2008 via serial port interface 2042.
- program modules described for computer 2002, or portions thereof may be stored in remote memory/storage device 2050. It will be appreciated that the network connections shown are exemplary and that other means of establishing a communications link between computers may be used.
- Computer 2002 may be associated with any wireless device or object deployed and operating in wireless communications, such as a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag. Performs actions to communicate with any device or location and telephone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
- wireless communications such as a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag.
- It can be used in computing devices, systems, etc. to support tactical training using visual localization.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Optics & Photonics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
- Processing Or Creating Images (AREA)
Abstract
컴퓨팅 장치에 의해 수행되는, 비주얼 로컬라이제이션(visual localization)을 이용하여 전술 훈련을 지원하기 위한 방법으로서, 제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 제 1 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정하는 단계; 상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈(relative pose)를 결정하는 단계; 및 상기 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는 단계;를 포함할 수 있다. 대표도는 도 9일 수 있다.
Description
본 개시내용은 영상 처리에 관한 것으로 보다 구체적으로 비주얼 로컬라이제이션에 관한 것이다.
위치 기반 서비스(Location Based Services)에 대한 수요가 증가함에 따라 정확한 위치 정보에 대한 필요성이 높아졌다. 모바일 디바이스 및 모바일 플랫폼 상에서 위치를 확인하는 가장 일반적인 방법은 GNSS(Global Navigation Satellite System)이다. 하지만, 실내 환경에서 GNSS 신호는 장애물에 의해 차단될 수 있기 때문에, 실외 환경에서만 용이하게 사용될 수 있다는 제한 사항이 존재한다.
실내에서의 위치 인식을 수행하기 위한 다양한 기술들이 제안되었지만 다수의 실내 위치 인식 기법들은 무선신호를 이용한 핑거 프린팅(Finger Printing) 기반 위치 인식 알고리즘을 넘어서지 못하고 있는 것이 현실이다. 이러한 방법에서는 수집된 Wi-Fi RSS(수신 신호 강도) 또는 MFS(자기장 강도)와 관련된 데이터가 핑거 프린팅 데이터 베이스의 데이터와 비교된다. 핑거 프린팅 기반 시스템은 구축하기 쉽다는 장점이 있지만, 신호 패턴 자체가 시스템 환경 변화에 영향을 받기 때문에 양호한 성능을 유지하기가 어려울 수 있다. 이런 핑거 프린팅 기반 시스템의 결함을 극복하기 위해 Optical, RFID(Radio Frequency Identification), Bluetooth Beacons, ZigBee, Pseudo Satellite 등을 포함한 많은 대안이 제안되었지만, 이러한 대안들 또한 복잡한 실내 환경 상에서 높은 정확도를 달성하기는 어렵다는 평가를 받고 있다.
최근에는 실내 환경에서도 높은 정확성을 가지는 위치 추정을 구현하기 위한 대안으로 VPS(Visual Positioning System: 시각적 위치결정 시스템)에 대한 연구가 활발하게 이루어지고 있다. VPS 기술은 비주얼 로컬라이제이션(Visual localization) 기술로도 표현될 수 있으며, 이러한 비주얼 로컬라이제이션은 실내 또는 실외에서 촬영된 이미지를 사용하여 디바이스의 현재 위치 또는 포즈(pose)를 추정하는 기술을 의미한다. 디바이스(혹은 카메라)의 포즈 추정(Pose estimation)이란 동적으로 변하는 카메라 시점의 이동(Translation) 및 회전(Rotation) 정보 등을 결정하는 것이다. 혼합현실(Mixed reality), 증강현실(Augmented Reality), 로봇 내비게이팅(Robot navigating) 및 3D 장면 재구성(3-Dimensional Scene Reconstruction) 등 다양한 활용 분야로 이러한 카메라 포즈 추정 기술이 활용되고 있다.
증강현실 기술은 실제공간에 가상정보를 실시간으로 증강하여 사용자가 증강된 가상정보와 상호작용함으로써 작업의 효율성을 향상시키는 기술이다. 최근 증강현실 기술이 발달함에 따라서 그리고 훈련 중 대민피해, 소음 등으로 인한 민원이나 안전사고 등으로 인해 실전적인 훈련이 제한되고 있는 상황을 해결하기 위하여, 증강현실 기술 기반의 훈련체계 도입을 위한 위한 연구가 진행되고 있다. 이와 관련하여 대한민국 등록특허 10-2225093가 안출되어 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 비주얼 로컬라이제이션을 이용하여 전술 훈련을 효율적으로 지원하기 위함이다.
본 개시는 사용자의 포즈 및 총기의 포즈를 결정함으로써 가상 현실 공간 상에서 전술 훈련을 효율적으로 지원하기 위함이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치에 의해 수행되는, 비주얼 로컬라이제이션(visual localization)을 이용하여 전술 훈련을 지원하기 위한 방법으로서, 제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 제 1 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정하는 단계; 상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈(relative pose)를 결정하는 단계; 및 상기 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는 단계;를 포함할 수 있다.
일 실시예에서, 상기 가상 현실 공간은, 촬상 장치를 이용하여 스캔 또는 촬영된 상기 제 1 쿼리 데이터에 포함된 제 1 쿼리 이미지와 관련된 공간에 대한 정보에 기초하여 생성될 수 있다.
일 실시예에서, 상기 가상 현실 공간은, 상기 제 1 쿼리 이미지에 포함된 객체의 재질 정보, 또는 상기 제 1 쿼리 이미지에 대응되는 실제 위치에 관한 공간 정보 중 적어도 하나가 반영될 수 있다.
일 실시예에서, 상기 가상 현실 공간은, 상기 객체에 대응되는 영역에 상기 객체의 재질 정보가 매핑(mapping)될 수 있다.
일 실시예에서, 상기 가상 현실 공간은, 상기 공간 정보에 기초하여, 상기 가상 현실 공간 상에 반영된 상기 객체의 재질 정보가 변경될 수 있다.
일 실시예에서, 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.
일 실시예에서, 상기 객체의 재질 정보는, 상기 객체에서의 블로킹 여부에 관한 정보, 블로킹 채널 정보, 트리거 여부에 관한 정보, 트리거 채널에 관한 정보 또는 프로그래밍을 위한 태그 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 공간 정보는, 상기 가상 현실 공간 상에 공간 또는 부피 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수 또는 벡터 필드 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 공간 정보는, 상기 가상 현실 공간 상에 공간에서의 블로킹 여부에 관한 정보, 블로킹 채널 정보, 트리거 여부에 관한 정보, 트리거 채널에 관한 정보 또는 프로그래밍을 위한 태그 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 탄환의 예상 경로를 산출하는 단계는, 상기 제 1 포즈, 제 1 상대 포즈, 상기 가상 현실 공간 상에 반영된 객체의 재질 정보, 공간 정보 및 상기 제 1 총기에 관한 정보에 기초하여, 상기 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는 단계;를 포함할 수 있다.
일 실시예에서, 상기 가상 현실 공간 상에 사전 설정된 법칙에 기초하여 상기 탄환의 예상 경로를 산출하는 단계;를 더 포함할 수 있다.
일 실시예에서, 상기 제 1 사용자와 상이한 제 2 사용자에 의해 착용된 제 2 사용자 디바이스로부터 획득된 제 2 쿼리 데이터에 기반하여 상기 비주얼 로컬라이제이션을 수행함으로써, 상기 제 2 사용자와 관련된 제 2 위치 및 제 2 방향을 포함하는 제 2 포즈를 결정하는 단계; 및 산출된 상기 탄환의 예상 경로 상에 상기 제 2 위치를 포함하는 사전 결정된 제 1 영역이 존재하는 경우, 상기 제 1 사용자 디바이스 또는 제 2 사용자에 의해 착용된 제 2 사용자 디바이스 중 적어도 하나에 위험 알람을 전송하는 단계;를 더 포함할 수 있다.
일 실시예에서, 상기 제 1 사용자와 상이한 제 2 사용자에 의해 착용된 제 2 사용자 디바이스로부터 획득된 제 2 쿼리 데이터에 기반하여 상기 비주얼 로컬라이제이션을 수행함으로써, 상기 제 2 사용자와 관련된 제 2 위치 및 제 2 방향을 포함하는 제 2 포즈를 결정하는 단계; 상기 제 2 포즈에 기초하여 제 2 사용자의 동작을 획득하는 단계; 및 산출된 상기 탄환의 예상 경로 상에 상기 제 2 위치 및 상기 제 2 사용자의 동작에 관한 영역을 포함하는 사전 결정된 제 2 영역이 존재하는 경우, 상기 제 1 사용자 디바이스 또는 제 2 사용자에 의해 착용된 제 2 사용자 디바이스 중 적어도 하나에 위험 알람을 전송하는 단계;를 더 포함할 수 있다.
일 실시예에서, 상기 제 1 사용자 디바이스에서 상기 탄환의 예상 경로를 시각적으로 표시하도록, 상기 제 1 사용자 디바이스에 상기 탄환의 예상 경로에 관한 정보를 전송하는 단계;를 더 포함할 수 있다.
일 실시예에서, 상기 가상 현실 공간 상에서 상기 탄환의 예상 경로를 시각적으로 표시하는 단계;를 더 포함할 수 있다.
일 실시예에서, 상기 탄환의 예상 경로는, 상기 탄환의 기점과 종점을 선으로 연결한 길을 포함할 수 있다.
일 실시예에서, 상기 탄환의 예상 경로는 상기 탄환의 기점으로부터 사전 결정된 선의 길이의 길이고, 그리고 상기 사전 결정된 선의 길이의 길은 상기 탄환의 기점과 종점 사이를 연결하는 길의 적어도 일부일 수 있다.
일 실시예에서, 상기 탄환의 예상 경로는, 상기 가상 현실 공간 상에 반영된 객체의 재질 정보에 기초하여 결정된 상기 객체에 대한 상기 탄환의 관통 여부가 반영될 수 있다.
일 실시예에서, 상기 가상 현실 공간 상에 반영된 객체의 재질 정보 및 공간 정보는 상기 가상 현실 공간 상에 사전 설정된 법칙에 기초하여 시간에 따라 변화될 수 있다.
일 실시예에서, 상기 제 1 사용자 디바이스와 상이한 외부 기기로부터 획득된 제 3 쿼리 데이터에 기반하여 자세 추정(pose estimation)을 수행함으로써, 상기 제 3 쿼리 데이터에 포함된 제 3 사용자의 제 3 위치 또는 제 3 사용자의 동작 중 적어도 하나를 결정하는 단계;를 더 포함할 수 있다.
일 실시예에서, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 비주얼 로컬라이제이션(visual localization)을 이용하여 전술 훈련을 지원하기 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정하는 단계; 상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈(relative pose)를 결정하는 단계; 및 상기 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는 단계;를 포함할 수 있다.
일 실시예에서, 비주얼 로컬라이제이션(visual localization)을 이용하여 전술 훈련을 지원하기 위한 컴퓨팅 장치에 있어서, 프로세서; 메모리; 및 네트워크부;를 포함하고, 상기 프로세서는, 제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정하고, 상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈(relative pose)를 결정하고, 그리고 상기 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출할 수 있다.
본 개시의 일 실시예에 따른 기법은 비주얼 로컬라이제이션을 이용하여 전술 훈련을 효율적으로 지원할 수 있다.
본 개시의 일 실시예에 따른 기법은 사용자의 포즈 및 총기의 포즈를 결정함으로써 가상 현실 공간 상에서 전술 훈련을 효율적으로 지원할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도를 개략적으로 도시한다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 예시적으로 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법을 예시적으로 나타낸다.
도 4는 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 통해 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.
도 5는 본 개시의 일 실시예에 따라 사용자의 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.
도 6은 본 개시의 일 실시예에 따라 태그를 이용하여 총기의 상대 포즈를 결정하는 방식을 예시적으로 나타낸다.
도 7은 본 개시의 일 실시예에 따라 태그를 이용하여 총기의 상대 포즈를 결정하는 방식을 예시적으로 나타낸다.
도 8은 본 개시의 일 실시예에 따라 결정된 총기의 상대 포즈에 따라 생성되는 가상 현실 공간 내에서의 조준선을 예시적으로 나타낸다.
도 9는 본 개시의 다른 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법을 예시적으로 나타낸다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시내용에서의 제 1, 제 2, 또는 제 3 과 같이 제 N 으로 표현되는 용어들은 복수의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제 1 과 제 2로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다. 제 1-1, 제 1-2로 표현되는 용어들 그리고 제 2-1, 제 2-2로 표현되는 용어들 또한 복수의 엔티티들을 서로 구분하기 위해 사용될 수 있다.
본 개시내용에서 비주얼 로컬라이제이션은 실내 또는 실외에서 촬영된 이미지를 사용하여 디바이스의 현재 위치 또는 포즈(pose)를 추정하는 기술을 의미한다. 사용자 디바이스(혹은 카메라)에 대한 포즈 추정(Pose estimation)이란 동적으로 변하는 카메라 시점의 이동(Translation) 및 회전(Rotation) 정보 등을 결정하는 것이다. 비주얼 로컬라이제이션에 대한 제한이 아닌 예시적인 구현 방식으로서, VPS (Visual Positioning System)이 활용될 수 있다.
본 개시내용에서의 쿼리 데이터 내의 쿼리 이미지는 디바이스에 의해 촬영된 이미지를 포함하며, 컴퓨팅 장치(예컨대, 서버 등)에 저장된 참조(reference) 이미지와 상기 쿼리 이미지를 이용하여 상기 쿼리 이미지에 대응되는 디바이스의 포즈가 결정 또는 추정될 수 있다.
본 개시내용에서의 참조 이미지는 쿼리 이미지를 촬영한 디바이스의 포즈 추정을 위해 사용되는 사전 저장된 이미지를 포함할 수 있다. 참조 이미지는 예를 들어 증강현실 또는 가상현실 등을 구현하기 위해 특정한 지역에서의 촬영된 실제 이미지들을 포함할 수 있다. 이러한 참조 이미지는 컴퓨팅 장치(100)에 저장될 수 있다. 참조 이미지에 맵핑된 메타데이터 또한 사용자 디바이스의 포즈 추정에 활용될 수 있다.
본 개시내용에서의 쿼리 데이터에 포함될 수 있는 메타데이터는 비주얼 로컬라이제이션을 수행하는데 있어서 사용되는 부가 정보를 의미할 수 있다. 일례로, 메타데이터는 디바이스와 관련된 정보, 특징점들의 픽셀 좌표정보, 특징점들의 설명자(descriptor), 이미지로부터 획득된 랜드마크 정보, 이미지로부터 획득된 문자 정보 등과 같이 이미지 이외의 부가 정보를 포함할 수 있다. 일례로, 쿼리 이미지 및/또는 참조 이미지의 메타데이터를 활용함으로써, 쿼리 이미지와 매칭될 참조 이미지의 후보군이 축소될 수 있다. 다른 예시로, 쿼리 이미지 및/또는 참조 이미지의 메타데이터를 활용함으로써, 보다 적합한 카메라 포즈 추정 방식이 사용될 수 있다.
본 개시내용에서의 포즈는 예를 들어, 사용자 디바이스(예컨대, 카메라를 포함하는 디바이스)의 위치와 방향을 포함하는, 비주얼 로컬라이제이션을 통해 획득되는 결과 정보를 의미할 수 있다.
다른 예시로, 본 개시내용에서의 포즈는 예를 들어, 사용자의 외형 및/또는 동작에 대응되는 상태 정보를 포함할 수도 있다. 이러한 예시에서 포즈는 사용자의 포즈를 추정하기 위한 알고리즘을 포함하는 딥러닝 모듈에 의해 획득될 수 있다. 이러한 예시에서 포즈는 비주얼 로컬라이제이션 및/또는 Inverse Kinematics에 기초하여 획득될 수도 있다.
본 개시내용에서의 상대 포즈는 비주얼 로컬라이제이션에 의해 결정된 포즈를 기준으로 하는 상대적인 개념의 포즈 정보를 포함할 수 있다. 예를 들어, 비주얼 로컬라이제이션에 의해 결정된 포즈는 절대 포즈로 지칭될 수 있으며, 이러한 절대 포즈에서의 3차원 좌표값을 기준점으로 하는 상대적인 좌표값이 상대 포즈와 대응될 수 있다.
도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 장치(100)의 블록 구성도를 개략적으로 도시한다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110) 및 메모리(130)를 포함할 수 있다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 본 개시내용의 실시예들을 구현하기 위한 시스템을 구성하는 임의의 형태의 노드를 의미할 수 있다. 컴퓨팅 장치(100)는 임의의 형태의 사용자 단말 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 단말을 포함하는 경우, 출력부(미도시) 및 입력부(미도시)가 상기 컴퓨팅 장치(100)의 범위 내에 포함될 수 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 예를 들어, 디지털 트윈 서버 및/또는 VPS 서버를 포함할 수 있다.
본 개시내용에서의 사용자 디바이스는 쿼리 데이터를 생성하기 위한 장치를 의미할 수 있다. 사용자 디바이스에 의해 촬영된 정보에 쿼리 이미지를 포함하는 쿼리 데이터가 포함될 수 있다. 이러한 사용자 디바이스에서 촬영된 쿼리 이미지는 컴퓨팅 장치(예컨대, 서버) 내에서의 참조 이미지와의 비교를 위해 사용될 수 있으며, 이에 따라 사용자 디바이스의 촬영 시점에서의 포즈가 결정될 수 있다.
본 개시내용에서의 사용자 디바이스는 카메라 및/또는 라이다를 포함하는 임의의 형태의 이동식 디바이스를 포함할 수 있다. 예를 들어, 사용자 디바이스는 HMD(Head Mounted Device), AR(Augmented Reality) 글래스 및/또는 VR(Virtual Reality) 글래스를 포함할 수 있다.
이하에서는 설명의 편의를 위해, 사용자 디바이스와 컴퓨팅 장치(100)를 구분하여, 컴퓨팅 장치(100)가 사용자 디바이스로부터의 촬영 정보를 전달받아, 사용자 디바이스의 포즈를 추정하기 위한 비주얼 로컬라이제이션에 대한 방법론이 설명될 것이다. 다만, 쿼리 데이터를 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.
본 개시내용에서의 컴퓨팅 장치(100)는 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자 디바이스에 대한 위치 및 방향을 포함하는 제 1 포즈를 결정하고, 상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈를 결정하고, 그리고 상기 제 1 포즈 및 상기 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서의 상기 제 1 사용자에 대응되는 제 1 캐릭터를 생성할 수 있다. 본 개시내용에서의 가상 현실 공간은 전술 훈련을 위한 사전 정의된 현실 공간에 대응되는 디지털 트윈을 포함할 수 있다
본 개시내용에서의 근위는 사용자 디바이스를 기준으로 할 때 사용자의 총기 보다 사용자 디바이스에 가까운 위치를 표현하기 위해 사용된다. 예를 들어, 사용자가 착용하는 헬멧은 사용자가 파지하고 있는 총기에 비해 사용자 디바이스의 관점에서 근위에 존재할 수 있으며, 그리고 총기는 사용자 디바이스의 관점에서 원위에 존재할 수 있다.
일 실시예에서, 프로세서(110)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.
프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시내용의 일 실시예에 따른 비주얼 로컬라이제이션의 방법론들 및/또는 전술 훈련을 지원하기 위한 방법론들을 수행할 수 있다. 또한, 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시내용의 일 실시예에 따른 비주얼 로컬라이제이션의 방법론들 및/또는 전술 훈련을 지원하기 위한 방법론들 을 수행할 수 있다.
본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수도 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치들의 프로세서들을 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수도 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다. 본 개시의 일 실시예에 따른 신경망에 대한 동작들은 도 2와 관련하여 후술될 것이다.
추가적으로, 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 예를 들어, 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 데이터, 정보, 또는 신호 등을 처리하거나 저장부에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 컴퓨팅 장치(100)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 본 개시의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체 일 수 있다. 따라서, 메모리(130)는 본 개시내용에 실시예들을 수행하는 데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시내용에서 사용되는 메모리(130)는 전술한 예시들로 제한되지 않는다.
본 개시내용에서의 통신부(네트워크부)(미도시)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크부(150) 공지의 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 개시내용에서의 컴퓨팅 장치(100)는 임의의 형태의 사용자 단말 및/또는 임의의 형태의 서버를 포함할 수 있다. 따라서, 본 개시내용의 실시예들은 서버 및/또는 사용자 디바이스에 의해 수행될 수 있다.
추가적으로, 사용자 디바이스는 서버 또는 다른 컴퓨팅 장치와 상호작용 가능한 임의의 형태의 단말을 포함할 수 있다. 사용자 단말은 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.
추가적으로, 사용자 디바이스에 깊이 맵을 생성하기 위한 모듈들이 포함될 수 있다. 따라서, 사용자 디바이스는 이미지 및/또는 깊이 맵을 생성하여 컴퓨팅 장치(100)로 전송할 수 있다. 일 실시예에서, 사용자 디바이스는 광학적인 화상을 감지하고 전기적인 신호로 변환하여 컴퓨팅 장치(100)에 전달하기 위한 임의의 형태의 장비를 의미할 수 있다. 예를 들어, 클라이언트의 디바이스는 카메라, 스캐너, Lidar 및/또는 비전 센서(vision sensor) 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 디바이스를 포함하거나, 무선 또는 유선으로 외부의 디바이스와 연동될 수도 있다.
서버는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨팅 시스템 또는 컴퓨팅 장치를 포함할 수 있다.
추가적인 실시예에서 전술한 서버는 참조 이미지 및 참조 이미지에 대응되는 메타 데이터, 3D 맵 등을 저장 및 관리하는 저장부(미도시)를 포함할 수 있다. 이러한 저장부는 서버내에 포함되거나 혹은 서버의 관리 하에 존재할 수 있다. 다른 예시로, 저장부는 서버 외부에 존재하여 서버와 통신가능한 형태로 구현될 수도 있다. 이 경우 서버와는 상이한 다른 외부 서버에 의해 저장부가 관리 및 제어될 수 있다.
일 실시예에서, 특징점 획득 모델은 딥러닝 또는 머신러닝을 통해 구축된 신경망을 포함할 수 있다. 특징점 획득 모델은 입력된 데이터에 포함된 쿼리 이미지 및/또는 깊이 맵에서 특징점을 획득할 수 있다. 다른 예시로, 특징점 획득 모델은 객체에서의 색상 또는 기하학적 패턴 중 적어도 하나에 대한 변화량이 사전결정된 임계치를 초과하는 포인트를 특징점으로 인식하도록 지도 학습에 기반하여 사전 학습된 모델에 대응될 수 있다.
예를 들어, 쿼리 이미지는 적어도 하나의 RGB(red-green-blue) 이미지 및/또는 적어도 하나의 그레이 스케일(grayscale) 이미지를 포함할 수 있다.
예를 들어, 깊이 맵은 특정 이미지 내에 존재하는 각 픽셀들의 상대적인 거리를 구분하여 나타낸 이미지 또는 정보를 포함할 수 있다. 따라서, 깊이 맵은 쿼리 이미지를 촬영하는 위치로부터 피사체의 표면까지의 거리와 관련된 정보를 포함할 수 있다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 개시내용에서, 특징점 획득 모델은 인공지능 기반 모델에 대응될 수 있다. 본 개시내용의 추가적인 실시예에서, 캐릭터(예컨대, 제 1 캐릭터)의 포즈를 추정하고 그리고/또는 캐릭터를 생성하는데 인공지능 기반 모델이 사용될 수도 있다.
본 개시내용에 걸쳐, 인공지능 기반 모델, 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도 학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따른 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 3은 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법을 예시적으로 나타낸다.
도 3에서 도시되는 단계들 중 적어도 일부는 예를 들어, 컴퓨팅 장치(100)에 의해 수행될 수 있다. 구현의 양태에 따라서, 도 3에서 도시되는 단계들 중 일부가 생략될 수 있거나 또는 추가적인 단계가 추가될 수도 있다.
일 실시예에서, 컴퓨팅 장치(100)는 제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자 디바이스와 관련된 위치 및 방향을 포함하는 제 1 포즈를 결정할 수 있다(310).
컴퓨팅 장치(100)는 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다. 컴퓨팅 장치(100)는 클라이언트의 디바이스로부터 촬영된 데이터를 획득함으로써, 클라이언트 디바이스의 현재 위치 및 방향을 추정하고, 클라이언트가 증강현실 및/또는 가상현실 플랫폼 상에서의 활동을 향유하도록 허용할 수 있다.
일 실시예에서, 제 1 사용자 디바이스는 전술 훈련에 참여하는 복수의 사용자들 중 제 1 사용자에 의해 사용되는 HMD 디바이스, AR 글래스 및/또는 VR 글래스를 포함할 수 있다. 쿼리 데이터는 제 1 사용자 디바이스에 의해 획득된 쿼리 이미지 및 메타데이터를 포함할 수 있다.
일 실시예에서, 쿼리 이미지는 2차원의 RGB 이미지 또는 그레이 스케일(grayscale) 이미지를 포함할 수 있다. 일 실시예에서, 쿼리 이미지는 2차원의 RGB 이미지 또는 그레이 스케일 이미지 및 깊이 맵을 포함할 수 있다. 메타데이터는 사용자 디바이스의 위치 정보를 포함할 수 있다. 위치 정보는 예를 들어, 특정지역 혹은 특정 국가에서 통용되는 geodetic datum 또는 geodetic system (또는, geodetic reference datum, geodetic reference system, 또는 geodetic reference frame), spatial reference system (SRS) 또는 coordinate reference system (CRS), 또는 geographic coordinate system (GCS) 등에 대한 좌표값 및/또는 방향값을 포함할 수 있다. 위치 정보에 대한 다른 예시로 GPS가 포함될 수 있다.
또한, 메타데이터는 focal length, principal point, resolution 등과 같은 사용자 디바이스의 하드웨어 관련 정보를 포함할 수 있다. 또한, 상기 사용자 디바이스의 과거의 카메라 포즈를 추정한 기록이 존재하는 경우, 상기 사용자 메타데이터는 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. 이러한 예비 추정 정보가 사용되는 경우, 쿼리 이미지와 매칭될 참조 이미지의 후보군이 축소될 수 있다.
본 개시의 일 실시예에서, 메타데이터는 사용자 디바이스의 카메라 정보를 더 포함할 수 있으며, 이러한 카메라 정보에 대한 예시로 카메라의 내부 파라미터(intrinsic parameter)가 존재할 수 있다. 컴퓨팅 장치(100)는 사용자 디바이스의 상기 카메라 정보에 기초하여, 복수의 포즈 추정 알고리즘들 중 상기 비주얼 로컬라이제이션을 수행하는데 사용되는 포즈 추정 알고리즘을 결정할 수 있다. 예를 들어, 사용자 디바이스(예컨대, 카메라)에 대한 포즈 추정은 reprojection 에러를 최소화 시키는 방향으로 6DoF를 추정할 수 있다.
일례로, 카메라의 내부 파라미터가 주어지지 않은 경우(즉, uncalibrated 카메라인 경우), 포즈 추정 알고리즘은 Direct Linear Transformation (DLT) 방법론을 사용하여, 회전 매트릭스(rotation matrix)의 엘리먼트들, 병진 벡터(translation vector)의 엘리먼트들 및 카메라의 내부 파라미터들을 미지수로 포함하는 reprojection 에러 방정식을 선형 방정식으로 변경하고 그리고 QR decomposition을 통해 회전 매트릭스, 병진 벡터 및 카메라 매트릭스를 추정할 수 있다.
일례로, 카메라의 내부 파라미터가 주어진 경우(즉, calibrated 카메라인 경우), 포즈 추정 알고리즘은 Perspective-n-Point(PnP) 방법론을 사용하여, 비선형 방정식인 reprojection 에러를 선형 방정식으로 변형시키는 DLT와는 상이하게, 비선형 방정식인 reprojection 에러를 Gauss-Newton 방법론 또는 Levenberg-Marquardt 방법론 등을 이용하여 직접 풀어내는 방식으로 포즈 추정을 수행할 수 있다. 이러한 예시에서 대표적인 PnP 방법론으로 P3P, EPnP, SQPnP 방법론 등이 존재할 수 있다.
추가적인 예시에서, 전술한 DLT와 PnP 방법론들은 참조 특징점들의 3D 좌표의 부정확성이나 쿼리 특징점들의 부정확성에서 기인하는 카메라 포즈의 에러를 최소화 시키기 위해서 RANSAC을 도입할 수도 있다.
따라서, 전술한 바와 같이, 본 개시의 일 실시예에 따른 기법은 카메라 정보의 존재 여부에 따라서 카메라 포즈 추정 알고리즘을 상이하게 적용할 수 있으며, 예를 들어, 카메라 정보의 존재 여부에 따라 DLT 혹은 PnP 방법론을 사용함으로써 카메라 포즈 추정을 수행할 수 있다.
일 실시예에서, 제 1 사용자 디바이스와 관련된 위치 및 방향을 포함하는 제 1 포즈는 예를 들어, VPS를 통해 제 1 사용자 디바이스에 의해 획득된 제 1 쿼리 데이터에 기반하여 결정될 수 있다. 이러한 제 1 포즈는 제 1 사용자 디바이스가 현재 어디에 위치해 있으며 그리고 어디를 지향하고 있는지에 대한 정보를 포함할 수 있다. 일 실시예에서, 제 1 포즈는 제 1 사용자가 착용한 헬멧의 위치 및 방향을 포함할 수 있다. 즉, 제 1 포즈는 제 1 사용자 디바이스의 근위에 위치한 장비(예컨대, 헬멧, 모자 등)에 대한 위치 및 방향을 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 제 1 사용자가 사용하는 제 1 총기에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 제 1 포즈를 기준으로 제 1 총기의 제 1 상대 포즈를 결정할 수 있다(320).
본 명세서에서의, 태그들은 사용자가 사용하는 총기의 상대 포즈를 결정하는데 사용될 수 있다. 일례로, 태그들은 UWB(Ultra Wide Band) 기반의 기기를 포함할 수 있다. UWB는 기존 주파수 대역에 비해 넓은 대역에 걸쳐 낮은 전력으로 대용량의 정보를 전송하는 근거리 무선통신 기술을 일컫는다.
일 실시예에서, 제 1 세트의 태그들은 제 1 사용자 디바이스의 근위에 위치한 장비(예컨대, 헬멧)에 위치할 수 있다. 제 2 세트의 태그들은 제 1 사용자 디바이스의 원위에 위치한 장비(예컨대, 총기)에 위치할 수 있다. 제한이 아닌 예시로, 제 1 세트의 태그들은 3개의 태그들을 포함할 수 있으며, 제 2 세트의 태그들은 2개의 태그들을 포함할 수 있다. 제 1 세트의 태그들과 제 2 세트의 태그들 간의 통신을 통해 태그들 간의 TDOA(Time Difference Of Arrival) 또는 RTT(Round Trip Time) 중 적어도 하나를 포함하는 측정값이 결정될 수 있다. 이러한 측정값을 기반으로 하여 컴퓨팅 장치(100)는 제 1 포즈를 기준으로 하였을 때의 제 1 총기의 제 1 상대 포즈를 결정할 수 있다. 추가적인 실시예에서, 사용자 디바이스 또는 사용자 디바이스와 연결된 다른 사용자 단말이 태그들 간의 통신을 통해 획득된 측정값을 사용하여 제 1 총기의 제 1 상대 포즈를 결정할 수도 있다.
예를 들어, 컴퓨팅 장치(100)(또는 사용자 디바이스)는 제 1 세트의 태그들 중 제 1 태그와 제 2 세트의 태그들 중 제 2 태그 간의 TDOA 또는 RTT 중 적어도 하나를 포함하는 제 1 측정값 및 상기 제 1 세트의 태그들 중 제 3 태그와 상기 제 2 세트의 태그들 중 제 4 태그 간의 TDOA 또는 RTT 중 적어도 하나를 포함하는 제 2 측정값에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 상대 방향 및 상대 위치를 포함하는 상기 제 1 상대 포즈를 결정할 수 있다.
전술한 바와 같이, 본 개시내용의 일 실시예에 따른 기법은 VPS를 사용하여 사용자 디바이스(예컨대, HMD 또는 AR 글래스 등)의 포즈를 추정하고 그리고 추정된 사용자 디바이스의 포즈를 활용하여 사용자가 파지하고 있는 총기의 상대 포즈(예컨대, 총기의 총구가 향하는 방향 등)를 효율적이면서 정확하게 추정할 수 있다.
태그들을 이용하여 총기의 상대 포즈를 결정하는 구체적인 방법론에 대해서는 도 6 및 도 7에서 후술될 것이다.
일 실시예에서, 컴퓨팅 장치(100)는 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서의 제 1 사용자에 대응되는 제 1 캐릭터를 생성할 수 있다(330).
제 1 캐릭터는 가상 현실 공간 상에서 제 1 사용자에 대응되는 캐릭터로서, 전술 훈련을 함께 참여하는 동일한 공간에 있는 다른 사용자들 또는 상이한 공간에 존재하고 전술 훈련을 지휘 및 감독하는 다른 사용자들에게 상기 제 1 사용자에 대응되는 캐릭터 또는 상기 제 1 사용자가 보여질 수 있다. 이러한 예시에서, 전술 훈련을 함께 참여하는 동일한 공간에 있는 다른 사용자들의 사용자 디바이스 상에서는 제 1 사용자의 실제 모습과 함께 제 1 사용자 디바이스의 포즈 추정 결과 및/또는 제 1 사용자의 포즈 추정 결과에 따른 추가 정보가 증강 현실로 표시될 수 있다. 이러한 추가 정보는 생성된 제 1 캐릭터를 포함할 수 있다. 이러한 예시에서, 상이한 공간에 존재하고 전술 훈련을 지휘 및 감독하는 다른 사용자들의 사용자 디바이스 상에서는 제 1 사용자 디바이스의 포즈 추정 결과 및/또는 제 1 사용자의 포즈 추정 결과에 따른 제 1 캐릭터가 가상 현실로 표시될 수 있다. 이러한 캐릭터는 예를 들어, 제 1 사용자에 대한 포즈 추정에 의해 생성될 수 있다.
예를 들어, 컴퓨팅 장치(100)는, 제 1 포즈 및 사전결정된 제 1 사용자의 신체 정보에 기초하여, 제 1 사용자의 목의 위치 및 방향을 결정할 수 있다. 컴퓨팅 장치(100)는 제 1 총기의 상대 방향, 제 1 총기의 상대 위치 및 제 1 총기에 대해 사전결정된 파지 부위의 위치에 기초하여, 제 1 사용자의 양 손에 대한 상대 위치 및 방향을 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 제 1 사용자의 목의 위치 및 방향, 결정된 제 1 사용자의 양 손에 대한 상대 위치 및 방향, 및 제 1 사용자가 위치한 가상 현실 공간 내의 지형 정보에 기초하여, 제 1 사용자의 상체 포즈를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 상체 포즈 및 제 1 사용자의 신체 정보에 기초하여, 제 1 사용자의 골반의 위치 및 방향을 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 골반의 위치 및 방향, 및 제 1 사용자가 위치한 가상 현실 공간 내의 지형 정보에 기초하여, 제 1 사용자의 하체 포즈를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 제 1 사용자의 목의 위치 및 방향, 결정된 제 1 사용자의 양 손에 대한 상대 위치 및 방향, 결정된 상체 포즈, 결정된 하체 포즈 및 제 1 사용자의 신체 정보에 기초하여, 가상 현실 공간 상에서의 제 1 사용자에 대응되는 제 1 캐릭터를 생성할 수 있다.
제 1 사용자에 대한 포즈 추정을 통해 제 1 캐릭터를 생성하는 구체적인 방식에 대해서는 도 5에서 후술될 것이다.
전술한 바와 같이, 본 개시내용의 일 실시예에 따른 기법은 비주얼 로컬라이제이션을 통해 사용자의 사용자 디바이스(예컨대, HMD, AR 글래스 및/또는 VR 글래스 등)에 대한 포즈를 추정하고 그리고 사용자의 총기에 대한 상대 포즈를 추정할 수 있어서, 사용자 디바이스의 위치와 바라보는 방향 뿐만 아니라 총구의 방향을 정확하게 결정함에 따라서 효율적인 전술 훈련이 이루어질 수 있다.
도 4는 본 개시의 일 실시예에 따라 비주얼 로컬라이제이션을 통해 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.
컴퓨팅 장치(100)는 사전 학습된 특징점 획득 모델(420)을 이용하여, 쿼리 데이터(410)로부터 적어도 하나의 특징점(430 및 440) 및/또는 적어도 하나의 특징점(430 및 440) 각각에 대응되는 적어도 하나의 설명자를 획득할 수 있다. 일례로, 특징점(430 및 440)은 쿼리 데이터(410)의 쿼리 이미지 및/또는 깊이 맵 상에서 특징이 되는 부분들 또는 포인트들 각각에 대한 좌표일 수 있다. 일례로, 설명자는 특징점들 각각의 방향성, 크기 및/또는 특징점들 각각의 주변 픽셀 간의 관계에 대한 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 특징점 획득 모델(420)은 쿼리 이미지 혹은 깊이 맵 내에서의 객체에서의 색상 또는 기하학적 패턴 중 적어도 하나에 대한 변화량이 사전결정된 임계치를 초과하는 포인트를 특징점으로 인식하도록 지도 학습에 기반하여 사전 학습된 모델을 포함할 수 있다. 일례로, 특징점 획득 모델(420)은 이미지 기반의 신경망을 사용하여 사전학습된 모델에 대응될 수 있다. 다른 예시로, 특징점 획득 모델(420)은 Transformer 기반의 신경망을 사용하는 사전학습된 모델에 대응될 수도 있다.
일 실시예에서, 쿼리 데이터(410)는 사용자 디바이스에 의해 획득된 쿼리 이미지, 쿼리 이미지에 대응되는 설명자, 사용자 디바이스에 의해 획득된 깊이 맵, 깊이 맵에 대응되는 설명자 및/또는 사용자 디바이스의 추가 정보를 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 쿼리 이미지에 대응되는 제 1 특징점들(430)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 컴퓨팅 장치(100)는 인공지능 기반의 특징점 획득 모델(420)을 사용하여, 상기 쿼리 데이터(410)에 포함된 쿼리 이미지에 대한 제 1 특징점들(430)을 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 특징점들(430) 및 제 1 특징점들(430)에 대응되는 설명자들 및 사전저장된 복수의 참조 이미지들에 기초하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 이러한 비주얼 로컬라이제이션(450)의 결과로 사용자 디바이스에 대한 포즈(460)가 추정될 수 있다 사용자 디바이스에 대한 포즈(460)는 사용자 디바이스에 대응되는 HMD, AR 글래스 또는 VR 글래스에 대한 포즈에 기초하여 결정되는 헬멧의 위치 및 방향을 포함할 수 있다.
일 실시예에서, 비주얼 로컬라이제이션(450)은 쿼리 데이터와 사전저장된 참조 이미지 간의 비교에 기초하여, 쿼리 데이터 상에서의 사용자 디바이스의 위치 및 바라보고 있는 방향을 결정하는 방법론을 포함할 수 있다. 비주얼 로컬라이제이션(450)에 대한 구체적인 방법론들에 대해서는 2022년 7월 4일에 출원된 대한민국 특허 출원 제10-2022-0081908호에 기재되었으며, 상기 대한민국 특허 출원은 본 특허 출원에 참조로 통합된다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 깊이 맵에 대응되는 제 2 특징점들(440)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 컴퓨팅 장치(100)는 인공지능 기반의 특징점 획득 모델(420)을 사용하여, 상기 쿼리 데이터(410)에 포함된 깊이 맵에 대한 제 2 특징점들(440)을 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 특징점들(440), 제 2 특징점들(440)에 대응되는 설명자들 및 사전저장된 복수의 참조 이미지들에 기초하여 상기 비주얼 로컬라이제이션(450)을 수행함으로써, 사용자 디바이스에 대한 포즈(460)를 결정할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 쿼리 데이터(410)의 쿼리 이미지에 대응되는 제 1 특징점들(430) 및 깊이 맵에 대응되는 제 2 특징점들(440)에 기반하여 비주얼 로컬라이제이션(450)을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 특징점들(430)과 제 2 특징점들(440)을 비교하여, 제 1 특징점들(430)과 제 2 특징점들(440) 중에서 서로 대응되는 픽셀 좌표값들을 가지는 제 3 특징점들을 결정할 수 있다. 일례로, 제 3 특징점들은 제 1 특징점들(430)과 제 2 특징점들(440) 중 중복되는 특징점들을 포함할 수 있다. 컴퓨팅 장치(100)는 사전저장된 복수의 참조 이미지들 중 제 3 특징점들에 대응되는 특징점들을 가지는 참조 이미지들을 결정하고, 결정된 참조 이미지들에 기초하여, 사용자 디바이스에 대한 포즈(460)를 결정할 수 있다. 다른 예시로, 컴퓨팅 장치(100)는 제 1 특징점들(430) 및 상기 제 1 특징점들(430)에 대응되는 설명자들과 사전저장된 참조 이미지를 비교하고 그리고 제 2 특징점들(440) 및 상기 제 2 특징점들(440)에 대응되는 설명자들과 사전저장된 참조 이미지를 비교하는 방식으로 비주얼 로컬라이제이션(450)을 수행할 수도 있다.
일 실시예에서, 컴퓨팅 장치(100)는, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 컴퓨팅 장치(100)의 데이터베이스에 저장된 참조 이미지, 쿼리 데이터(410) 상에서의 특징점들(430 및/또는 440) 및 사용자 디바이스의 추가 정보에 기초하여, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 복수의 참조 이미지들 중에서, 쿼리 이미지 특징점들과 참조 이미지의 특징점들 간의 매칭에 기초하여 포즈 참조 이미지를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 포즈 참조 이미지에 포즈 참조 이미지에 할당된 3D 카메라 좌표와 쿼리 데이터의 특징점들(430 및/또는 440)의 좌표들(예컨대, 2차원 좌표들) 간의 비교 결과에 따라, 쿼리 데이터(410)에 대한 카메라 포즈 정보를 결정할 수 있다. 본 개시내용에서의 포즈 참조 이미지는 참조 이미지들 중 쿼리 데이터(410)와의 매칭 대상이 되는 참조 이미지를 의미할 수 있다. 일례로, 포즈 참조 이미지는 쿼리 데이터(410)와 비교될 복수의 후보 이미지들 중 쿼리 데이터(410)와 매칭률이 가장 높은 이미지를 의미할 수 있다. 이러한 예시에서, 컴퓨팅 장치(100)는 포즈 참조 이미지에 할당된 3D 카메라 좌표를 이용하여 쿼리 데이터(410)에 대한 비주얼 로컬라이제이션을 수행할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는, 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 때, 포즈 참조 이미지에 할당된 카메라 포즈 정보(예컨대, 3D 카메라 좌표) 및 포즈 참조 이미지를 통해 결정된 쿼리 데이터(410)에 대한 상대 카메라 포즈 정보에 기초하여, 원점에 대한 쿼리 이미지의 절대 카메라 포즈 정보를 결정하고, 그리고 상기 절대 카메라 포즈 정보에 기초하여 상기 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다.
본 개시내용에서의 절대 카메라 포즈 정보는, 예를 들어, 특정지역 혹은 특정 국가에서 통용되는 geodetic datum 또는 geodetic system (또는, geodetic reference datum, geodetic reference system, 또는 geodetic reference frame), spatial reference system (SRS) 또는 coordinate reference system (CRS), 또는 geographic coordinate system (GCS) 등에 대한 좌표값 및/또는 방향값을 포함할 수 있다. 본 개시내용에서의 상대 카메라 포즈 정보는, 참조 이미지에 할당된 카메라 포즈 정보의 3D 좌표와 쿼리 데이터(410)의 특징점들 간의 2D 좌표간의 비교 결과에 의해 생성된 카메라 포즈 정보를 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는, 특징점 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 획득하는 것을 포함할 수 있다. 컴퓨팅 장치(100)는 쿼리 데이터(410)의 특징점들(430 및/또는 440)에 대응되는 설명자와 데이터베이스에 저장된 참조 이미지의 특징점들에 대응되는 설명자를 비교함으로써, 상기 쿼리 데이터(410)를 획득한 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 수행할 수 있다. 설명자들은 쿼리 데이터(410)에 맵핑되어 있어서 참조 이미지에 맵핑된 설명자들과 비교되어 복수의 참조 이미지들 중 쿼리 데이터(410)와 비교될 후보 참조 이미지를 결정하는데 사용될 수 있다. 설명자들은 참조 이미지와 쿼리 데이터(410) 간의 비교를 효율적으로 수행하는데 사용될 수 있다.
일 실시예에서,컴퓨팅 장치(100)는 쿼리 데이터(410)의 특징점들에 대응되는 설명자와 데이터베이스에 저장된 참조 이미지의 특징점들에 대응되는 설명자를 비교함으로써, 복수의 참조 이미지들 중에서 사용자 디바이스에 대한 비주얼 로컬라이제이션(450)을 위한 포즈 참조 이미지를 결정하고, 그리고 상기 포즈 참조 이미지에 맵핑된 3차원 좌표 정보, 특징점들 간의 매칭 정보 및 상기 쿼리 데이터(410)의 특징점들(430 및/또는 440)에 대응되는 픽셀 좌표에 기초하여, 사용자 디바이스에 대한 카메라 포즈 추정을 포함하는 비주얼 로컬라이제이션(450)을 수행할 수 있다.
전술한 방식으로, 본 개시내용의 일 실시예에 따른 기법은 인공지능 기반의 특징점 획득 모델(420)의 출력에 비주얼 로컬라이제이션(450)(예컨대, VPS 기반의 사용자 디바이스에 대한 포즈 추정)을 적용하여, 쿼리 데이터(410)를 전송한 사용자 디바이스의 포즈(460)를 정확한 방식으로 추정할 수 있다. 이러한 사용자 디바이스의 포즈(460)는 전술 훈련 시스템 상에서 전투원들의 현재 위치를 정확하게 파악할 수 있도록 사용될 수 있으며, 나아가 피아 식별등에 활용될 수 있다. 더불어, 이러한 사용자 디바이스의 포즈(460)는 전술 훈련 시스템 상에서 전투원의 총기의 방향을 추정하는데 사용될 수 있으며, 이에 따라 발사된 탄환의 예상 도착 지점이 효율적으로 결정될 수 있다.
도 5는 본 개시의 일 실시예에 따라 사용자의 포즈를 추정하기 위한 방법을 예시적으로 나타낸다.
본 개시내용에서 사용자의 포즈에 대한 추정은 사용자가 현재 취하고 있는 자세에 대한 추정을 포함할 수 있다. 참고로, 본 개시내용에서의 사용자 디바이스의 포즈는 VPS에 기반한 비주얼 로컬라이제이션에 기반하여 결정된 사용자 디바이스의 위치 및 바라보는 방향을 포함하는 것을 의도하도록 사용된다.
도 5에서는 사용자의 포즈에 대한 추정 방식을 예시적으로 나타내며, 이러한 사용자의 포즈에 대한 추정에 기반하여 가상 현실 공간 상에서의 사용자의 캐릭터가 생성될 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 사용자 디바이스에 의해 촬영된 이미지를 획득할 수 있다(510). 일례로, 여기서의 이미지는 쿼리 데이터에 포함될 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 획득된 이미지에 대한 비주얼 로컬라이제이션을 수행함으로써, 사용자의 머리의 위치 및 방향을 추정할 수 있다(520). 예를 들어, 가상 전술 훈련 과정에서 사용자는 사용자 디바이스(예컨대, HMD 디바이스, AR 글래스 또는 VR 글래스)를 착용하고 있을 수 있다. 사용자에 의해 착용된 사용자 디바이스의 촬영부 등을 통해 획득된 이미지에 대한 비주얼 로컬라이제이션이 수행되는 경우, 사용자 디바이스의 위치 및 바라보는 방향을 포함하는 포즈가 추정될 수 있다. 사용자 디바이스의 추정된 포즈로부터 사용자의 머리의 위치와 방향이 추정될 수 있다. 예를 들어, 사용자 디바이스의 포즈와 사용자 머리의 위치 및 방향이 서로 대응될 수 있도록, 사용자의 머리의 포즈가 추정될 수 있다. 다른 예시로, 사전 저장된 사용자의 신체 정보에 기초하여 사용자 디바이스의 포즈로부터 사용자의 머리의 위치 및 방향이 결정될 수도 있다.
일 실시예에서, 사용자에 대한 신체 정보(예컨대, 신장, 몸무게, 허리둘레 및/또는 신체 각 사이즈 정보)가 사전에 등록될 수 있다. 컴퓨팅 장치(100)는 사용자의 머리 위치 및 방향에 신체 정보를 적용하여 사용자의 목의 위치가 어디에 있는지 그리고 목이 바라보고 있는 방향이 어디인지를 결정할 수 있다(530). 예를 들어, 머리의 포즈로부터 목의 포즈를 추정하는 것은 사용자의 신장 정보에서 사전 결정된 목과 머리 간의 거리 정보를 결정하는 것에 의해 구현될 수 있다.
일 실시예에서, 사용자의 머리의 위치 및 방향 또는 사용자 디바이스의 위치 및 방향으로부터, 사용자가 파지하고 있는 병기(예컨대, 총기)의 위치 및 방향이 추정될 수 있다(540). 예를 들어, 사용자의 병기(예컨대, 총기)에 부착된 태그들과 사용자의 머리 위치에 대응되는 장비(예컨대, 헬멧 등)에 부착된 태그들 간의 상호작용에 기초하여, 병기의 위치 및 방향이 추정될 수 있다. 예를 들어, 상기 태그들은 UWB(Ultra Wide Band) 태그를 포함하며 그리고 제 1 세트의 태그들은 상기 사용자가 착용하는 헬멧에 위치하고 제 2 세트의 태그들은 사용자가 사용하는 총기에 위치할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 사용자의 머리 위치에 대응되는 장비에 부착된 제 1 세트의 태그들 중 제 1 태그와 사용자의 병기에 부착된 제 2 세트의 태그들 중 제 2 태그 간의 TDOA(Time Difference Of Arrival) 또는 RTT(Round Trip Time) 중 적어도 하나를 포함하는 제 1 측정값 및 상기 제 1 세트의 태그들 중 제 3 태그와 상기 제 2 세트의 태그들 중 제 4 태그 간의 TDOA 또는 RTT 중 적어도 하나를 포함하는 제 2 측정값에 적어도 부분적으로 기초하여, 결정된 사용자 디바이스의 포즈를 기준으로 병기의 상대 방향 및 상대 위치를 포함하는 상대 포즈를 결정할 수 있다. 예를 들어, 제 1 측정값에 기초하여, 총기의 제 1 위치에 위치하는 제 2 태그와 헬멧에 위치하는 제 1 태그 간의 제 1 거리가 결정되고, 그리고 제 2 측정값에 기초하여, 총기의 제 2 위치에 위치하는 제 4 태그와 헬멧에 위치하는 제 3 태그 간의 제 2 거리가 결정될 수 있다. 이에 따라, 제 1 거리로부터 상기 헬멧으로부터의 상기 제 2 태그의 제 3 위치가 결정되고 그리고 상기 제 2 거리로부터 상기 헬멧으로부터 상기 제 4 태그의 제 4 위치가 결정되며, 그리고 상기 제 3 위치 및 상기 제 4 위치 간의 상대적인 관계에 기초하여, 상기 결정된 사용자 디바이스의 포즈를 기준으로 총기가 향하는 상대 방향이 결정될 수 있다.
보다 구체적으로, 사용자가 착용하는 장비에 부착된 제 1 세트의 태그들은 적어도 3개(예컨대, 제 1-1 태그, 제 1-2 태그 및 제 1-3 태그)일 수 있으며 그리고 사용자가 파지하는 총기에 부착된 제 2 세트의 태그들은 적어도 2개(예컨대, 제 2-1 태그 및 제 2-2 태그)일 수 있다. 제 1-1 태그, 제 1-2 태그 및 제 1-3 태그는 사용자가 착용하는 장비 상에서 서로 상이한 위치에 존재할 수 있다. 제 2-1 태그 및 제 2-2 태그는 사용자가 파지하는 총기 상에서 서로 상이한 위치에 존재할 수 있다.
일 실시예에서, 제 1 세트의 태그들 중 제 1-1 태그와 제 2 세트의 태그들 중 제 2-1 태그 간의 제 1 거리, 상기 제 1 세트의 태그들 중 제 1-2 태그와 상기 제 2-1 태그 간의 제 2 거리, 상기 제 1 세트의 태그들 중 제 1-3 태그와 상기 제 2-1 태그 간의 제 3 거리가 결정될 수 있다. 이러한 제 1 거리, 제 2 거리 및 제 3 거리는 제 2-1 태그가 위치하는 총기의 제 1 위치로부터 사용자 착용 장비(예컨대, 헬멧)의 태그들 각각에 대한 거리를 나타낼 수 있다. 상기 제 1 거리, 상기 제 2 거리 및 상기 제 3 거리에 기초하여, 상기 제 1 세트의 태그들 각각에 대한 상기 제 2-1 태그의 위치가 결정될 수 있다.
일 실시예에서, 제 1 세트의 태그들 중 제 1-1 태그와 제 2 세트의 태그들 중 제 2-2 태그 간의 제 4 거리, 제 1 세트의 태그들 중 제 1-2 태그와 상기 제 2-2 태그 간의 제 5 거리, 상기 제 1 세트의 태그들 중 제 1-3 태그와 상기 제 2-2 태그 간의 제 6 거리가 결정될 수 있다. 이러한 제 4 거리, 제 5 거리 및 제 6 거리는 제 2-2 태그가 위치하는 총기의 제 2 위치로부터 사용자 착용 장비(예컨대, 헬멧)의 태그들 각각에 대한 거리를 나타낼 수 있다. 상기 제 4 거리, 상기 제 5 거리 및 상기 제 6 거리에 기초하여, 상기 제 1 세트의 태그들 각각에 대한 상기 제 2-2 태그의 위치가 결정될 수 있다.
일 실시예에서, 상기 제 1 세트의 태그들 각각에 대한 상기 제 2-1 태그의 위치 및 상기 제 1 세트의 태그들 각각에 대한 상기 제 2-2 태그의 위치에 기초하여, 상기 제 2-1 태그와 상기 제 2-2 태그 간의 상대 위치가 결정될 수 있다. 이러한 총기 내에 부착된 2개의 태그들 간의 상대 위치의 변화를 통해서 총기의 움직임 및 방향이 추정될 수 있다. 예를 들어, 상기 제 1 세트의 태그들 각각에 대한 상기 제 2-1 태그의 위치, 상기 제 1 세트의 태그들 각각에 대한 상기 제 2-2 태그의 위치 및 상기 제 2-1 태그와 상기 제 2-2 태그 간의 상대 위치에 기초하여, 사용자 디바이스에 대한 포즈를 기준으로 총기의 상대 방향 및 상대 위치를 포함하는 상대 포즈가 결정될 수 있다. 예를 들어, 이러한 상대 포즈는 3차원 좌표 상에서 표현될 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 총기의 상대 방향, 총기의 상대 위치 및 총기에 대해 사전결정된 파지 부위의 위치에 기초하여, 사용자의 양 손 혹은 한 손에 대한 상대 위치 및 방향을 결정할 수 있다(550). 예를 들어, 총기의 총구가 향하는 방향 그리고 총기의 현재 위치 정보와 함께 예를 들어, 총기의 방아쇠 부분의 위치가 고려됨에 따라서 사용자의 손의 위치와 포즈가 추정될 수 있다. 일례로, 사용자의 한 손은 총기의 방아쇠 부분에 위치하고 나머지 한 손은 총기의 다른 파지부에 위치하도록 결정될 수 있다. 추가적인 실시예에서, 사용자의 신체 정보(예컨대, 왼손 장비 혹은 오른손 잡이 정보)에 기초하여, 총기를 파지하는 손의 위치 및 포즈가 결정될 수도 있다.
일 실시예에서, 단계 530에서 결정된 사용자의 목의 위치 및 방향, 단계 550에서 결정된 사용자의 양 손에 대한 상대 위치 및 방향, 및 사용자가 위치한 가상 현실 공간 내의 지형 정보에 기초하여, 사용자의 상체 포즈가 결정될 수 있다(560). 예를 들어, 가상 현실 공간 내의 지형 정보는 가상 현실 공간 내에서의 특정한 객체의 위치, 재질 및 형상을 포함하는 정보를 포함할 수 있다. 여기서의 가상 현실 공간은 전술 훈련을 위한 특정한 공간에 대응되는 가상 현실 상에서의 공간(예컨대, 디지털 트윈)을 포함할 수 있다. 사용자가 가상 현실 공간 상에서 움직이면서 해당 객체와 상호작용함에 따라 변화하는 사용자의 상체 포즈는 객체의 지형 정보에 기초하여 결정될 수 있다. 예를 들어, 가상 현실 공간 상에서의 지형 정보에 사전설정된 역학법칙 및 물리법칙이 적용될 수 있다. 이러한 가상 현실 공간 상에서의 지형 정보는 실제 현실 공간 상에서의 객체에 맵핑되는 지형 속성을 포함할 수 있다. 이러한 지형 정보는 객체의 높낮이, 블로킹 여부, 표면 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 및/또는 마찰계수 중 적어도 하나를 포함하는 재질 정보 및 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수 또는 벡터 필드 중 적어도 하나를 포함하는 공간 정보를 포괄하도록 사용될 수 있다. 예를 들어, 가상 현실 공간 상에서 상기 객체의 인식 정보에 대응되는 영역에 상기 객체에 관한 정보를 맵핑시키는 방식에 기초하여, 가상 현실 공간의 객체들이 현실 공간의 객체들의 속성을 가질 수 있게 된다. 사용자의 상체의 포즈 추정은 지형 정보가 반영된 Inverse Kinematics에 기반하여 결정될 수 있다.
일 실시예에서, 단계 560에서 결정된 상체 포즈 및 사용자의 신체 정보에 기초하여, 사용자의 골반의 위치 및 방향이 결정될 수 있다(570). 사용자의 골반의 포즈 추정은 지형 정보가 반영된 Inverse Kinematics에 기반하여 결정될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사용자의 상체 정보에 대한 포즈에 사전 정의된 사용자의 신체 정보(예컨대, 신장 정보 및/또는 신체 중 골반위치가 정의된 통계학적 정보)를 반영하는 방식으로 골반의 위치 및/또는 방향을 결정할 수 있다. 또한, 골반이 바라보고 있는 방향은 상체가 바라보고 있는 방향에 대응되도록 결정될 수 있다.
일 실시예에서, 단계 570에서 결정된 골반의 위치 및 방향, 및 사용자가 위치한 가상 현실 공간 내의 지형 정보에 기초하여, 사용자의 하체 포즈가 결정될 수 있다(580). 사용자의 하체의 포즈 추정은 지형 정보가 반영된 Inverse Kinematics에 기반하여 결정될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사용자의 골반에 대한 포즈에 사전 정의된 사용자가 위치하는 곳에 대응되는 지형 정보를 반영하는 방식으로 하체의 위치 및 방향을 결정할 수 있다.
전술한 방식으로, 컴퓨팅 장치(100)는 실제 현실 공간 상에서 전술 훈련을 수행하는 사용자에 대응되는 캐릭터를 가상 현실 공간 상에서 생성할 수 있다. 이러한 가상 현실 공간은 실제 현실 공간에 대응되는 디지털 트윈과 대응될 수 있다. 실제 현실 공간 상에서 상기 사용자와 함께 위치하는 다른 사용자들에게는 해당 캐릭터에 관한 정보가 증강 현실 객체로 표시될 수 있으며 그리고 상기 실제 현실 공간 이외의 다른 공간에 위치한 다른 사용자들에게는 해당 캐릭터에 관한 정보가 가상 현실 객체로 표시될 수 있다. 컴퓨팅 장치(100)는 결정된 사용자의 목의 위치 및 방향, 상기 결정된 사용자의 양 손에 대한 상대 위치 및 방향, 상기 결정된 상체 포즈, 상기 결정된 하체 포즈 및 상기 사용자의 신체 정보에 기초하여, 상기 가상 현실 공간 상에서의 사용자에 대응되는 캐릭터를 생성할 수 있다.
도 6은 본 개시의 일 실시예에 따라 태그를 이용하여 총기의 상대 포즈를 결정하는 방식을 예시적으로 나타낸다.
도 6에서 도시되는 바와 같이, 사용자(600)의 헬멧(620)에는 3개의 태그들(A, B 및 C)이 배치될 수 있다. 예를 들어, 전술한 태그들은 UWB 태그들을 포함할 수 있다.
사용자(600)는 사용자 디바이스(610)에 의해 쿼리 데이터가 생성될 수 있다. 쿼리 데이터는 외부(예컨대, 디지털 트윈 서버 및/또는 VPS 서버 등)로 전달됨에 따라 사용자 디바이스(610)에 대한 포즈 추정 및 총기(640)에 대한 포즈 추정이 이루어질 수 있다. 사용자(600)의 디스플레이부(630)는 통해 가상 현실 공간 상에서의 객체들 및 다른 사용자들에 대한 정보를 출력할 수 있다. 총기(640)에는 a 및 b의 2개의 태그들이 존재할 수 있다.
헬멧(620)에 부착된 3개의 태그들(A, B 및 C) 각각은 총기(640)에 부착된 2개의 태그들(a 및 b) 각각과 통신 가능하다. 이에 따라, 총기(640)에 부착된 태그 a의 관점에서 aA, aB 및 aC의 태그들 간의 통신 결과가 획득될 수 있다. aA, aB 및 aC의 결과는 총기(640)의 제 1 위치에 부착된 a 태그와 헬멧(620)의 부착된 3개의 태그들(A, B 및 C) 각각에 대한 거리 정보가 도출될 수 있게 된다. 총기(640)에 부착된 태그 b의 관점에서 bA, bB 및 bC의 태그들 간의 통신 결과가 획득될 수 있다. bA, bB 및 bC의 결과는 총기(640)의 제 2 위치에 부착된 b 태그와 헬멧(620)의 부착된 3개의 태그들(A, B 및 C) 각각에 대한 거리 정보가 도출될 수 있게 된다. 이러한 2개의 거리 정보 세트들에서의 거리들의 변화 정보에 따라서 헬멧(620)을 기준으로 총기(640)의 움직임 정보가 결정될 수 있다. 이러한 방식으로 헬멧(620)에 대한 위치를 기준으로 총기(640)의 위치가 결정될 수 있다. 이러한 방식으로 헬멧(620)의 위치를 기준으로 총기(640)의 총구가 바라보는 방향이 결정될 수 있다. 전술한 방식으로 예를 들어 VPS를 이용하여 사용자 디바이스(610)의 방향 및 위치가 추정되고, 사용자 디바이스(610)의 방향 및 위치에 따라서 헬멧(620)의 방향 및 위치가 결정되고 그리고 헬멧(620)의 방향 및 위치에 따라서 총기(640)의 방향 및 위치가 정확하게 추정될 수 있다.
도 7은 본 개시의 일 실시예에 따라 태그를 이용하여 총기의 상대 포즈를 결정하는 방식을 예시적으로 나타낸다.
도 7에서 도시되는 예시적인 동작들 중 적어도 일부는 컴퓨팅 장치(100) 및/또는 사용자 디바이스에 의해 수행될 수 있다.
도 7에서 도시되는 바와 같이, aA, aB, aC의 TDoA 또는 RTT로부터 A, B, C 태그로부터 a 태그의 상대위치가 결정될 수 있다(710). bA, bB, bC의 TDoA 또는 RTT로부터 A, B, C 태그로부터 b 태그의 상대위치가 결정될 수 있다(720). 전술한 방식으로 총기의 제 1 위치에 위치하는 a 태그의 상대위치와 총기의 제 2 위치에 위치하는 b 태그의 상대 위치가 결정될 수 있다. 헬멧에 위치한 3개의 태그들(A, B 및 C) 각각과 a 태그 간의 거리들에 기초하여 a 태그의 상대 위치가 정확하게 결정될 수 있으며, 헬멧에 위치한 3개의 태그들(A, B 및 C) 각각과 b 태그 간의 거리들에 기초하여 b 태그의 상대 위치가 정확하게 결정될 수 있다. a 태그의 상대 위치 및 b 태그의 상대 위치에 기초하여, a 태그로부터의 b 태그의 상대 위치(및/또는 b 태그로부터의 a 태그의 상대 위치)가 결정될 수 있다(730).
일 실시예에서, 도 3 및 도 4 등에서 상술한 바와 같이, 비주얼 로컬라이제이션(예컨대, VPS)을 통해서 사용자 디바이스(예컨대, HMD 또는 AR 글래스)의 절대 위치 및 방향이 결정될 수 있다(740). 이러한 사용자 디바이스의 절대 위치 및 방향을 기준점으로 하여 a 태그로부터의 b 태그의 상대 위치(및/또는 b 태그로부터의 a 태그의 상대 위치)로부터 총기의 위치 및 방향이 결정될 수 있다. 상기 결정된 사용자 디바이스의 포즈를 기준으로 결정되는 총기의 상대 포즈는 총기의 절대 위치 및 방향에 대응될 수 있다.
전술한 방식으로, 본 개시의 일 실시예에 따른 기법은 비주얼 로컬라이제이션(예컨대, VPS)과 UWB 태그들의 조합을 통해 전술 훈련에 참여하는 사용자의 현재 위치와 바라보는 방향을 추정하고 그리고 사용자의 총기의 위치 및 총구의 방향을 효율적으로 추정할 수 있다. 이에 따라, 가상 현실 또는 증강 현실로 전술 훈련을 구현하는데 있어서, 전술 훈련 참여자들이 가상 현실 공간 또는 증강 현실 공간 상에서의 객체로 정확히 표현될 수 있다.
도 8은 본 개시의 일 실시예에 따라 결정된 총기의 상대 포즈에 따라 생성되는 가상 현실 공간 내에서의 조준선을 예시적으로 나타낸다.
일례로 도 8에서 도시되는 예시는 제 1 사용자(810)가 아닌 타 사용자에게 보여지는 제 1 사용자(810)의 동작을 포함할 수 있다. 이러한 예시에서 조준선(830) 등은 타 사용자에게 증강 현실 객체로 표현될 수 있다. 다른 예시로, 도 8에서 도시되는 예시는 전술 훈련을 위한 공간에 위치하지 않은 제 3 자에게 보여지는 가상 현실 공간 상에서 제 1 사용자(810)의 동작을 포함할 수 있다. 이러한 예시에서, 제 1 사용자(810) 뿐만 아니라 조준선(830) 등은 가상 현실 객체로 제 3 자에게 표현될 수 있다.
일 실시예에서, 도 6 및 도 7 등에서 상술된 바와 같이, 사용자(810)가 파지하고 있는 총기(820)에 대해서 결정된 상대 방향에 기초하여, 가상 현실 공간 상에서의 총기(820)에 대한 조준선(830)의 기점 및 종점 각각에 대응되는 3차원 좌표들이 결정될 수 있다. 결정된 3차원 좌표들에 기초하여, 가상 현실 공간 상에서의 상기 조준선(830)이 생성될 수 있다.
일 실시예에서, 가상 현실 공간 상에서 표시되는 조준선(830)은 가상 현실 공간 상에서의 객체의 재질 정보에 기초하여 상이하게 표시될 수 있다. 예를 들어, 제 1 객체(840)의 경우 특정한 제 1 속도 또는 제 1 힘의 탄환이 통과할 수 있는 재질을 가지는 것으로 맵핑될 수 있으며, 제 2 객체(850)의 경우 특정한 제 2 속도 또는 제 2 힘의 탄환이 통과할 수 있는 재질을 가지는 것으로 맵핑될 수 있다. 이에 따라, 총기(820)의 사전정의된 특성 정보, 탄환 정보, 객체들(840 및 850)의 위치 정보 및 총기(820)의 위치 정보에 기초하여 조준선(830)이 특정한 객체를 통과하는 것으로 표시될지 여부가 결정될 수 있다. 도 8에서 도시되는 예시에서는 조준선(830)이 제 1 객체(840)를 통과하지만 제 2 객체(850)를 통과하지 못하는 것으로 표시될 수 있으며, 이에 따라 제 1 객체(840)와 제 2 객체(850) 사이에 제 1 객체(840)를 통과하는 조준선(860)이 표시될 수 있다.
본 개시내용의 추가적인 실시예에서, 객체들(840 및 850)에 대한 재질 정보는 예컨대 날씨 또는 기후 정보에 기초하여 가변될 수 있다. 날씨 및 기후 정보에 기초하여 이러한 객체들(840 및 850) 각각에 맵핑된 재질 정보에서의 변화가 일어날 수 있다. 이처럼 본 개시의 일 실시예에 따른 기법은 총기(820)의 방향 및 위치 추정에 따라 생성되는 조준선(830)이 객체들(840 및 850)과 상호작용할 수 있도록 하여 전술 훈련을 진행하는 과정에서 보다 정확한 정보가 증강 현실 객체 또는 가상 현실 객체로 표현될 수 있다.
본 개시내용의 추가적인 실시예에서, 컴퓨팅 장치(100)는 사전 학습된 인공지능 기반의 이미지 분류 모델 혹은 이미지 세그멘테이션 모델을 이용하여 쿼리 데이터에 포함된 객체를 분류하고 그리고 분류된 객체에 대응되는 사전 저장된 객체의 재질 정보 및 객체의 인식 정보를 포함하는 객체에 관한 속성 정보를 획득할 수 있다. 이러한 인공지능 기반의 분류 혹은 세그멘테이션 모델을 이용하여 객체에 대한 재질 정보 등을 수동으로 맵핑시키지 않고, 가상 현실 공간 상에 객체에 대한 재질 정보가 자동으로 반영될 수도 있다.
본 개시내용의 추가적인 실시예에서, 컴퓨팅 장치(100)는 총기(820)의 사전정의된 특성 정보, 탄환 정보, 객체들(840 및 850)의 위치 정보, 객체들(840 및 850)의 재질 정보, 총기(820)와 객체들(840 및 850) 사이의 경로의 공간 정보 및 총기(820)의 위치 정보에 기초하여, 총구에서 발사되는 탄환의 예상 도달 경로를 결정할 수도 있다. 이러한 탄환의 예상 도달 경로는 가상 현실 공간의 객체들에 할당된 정보(예컨대, 지형 정보) 및 가상 현실 공간 상의 기후 또는 날씨 정보 등에 기초하여 가변적으로 결정될 수 있다.
본 개시내용의 일 실시예에 따른 기법은, VPS와 UWB의 연계를 통한 총기 포즈 추정을 구현함으로써, 복수의 사용자들이 참여하는 전술 훈련을 가상 현실 또는 증강 현실 기술을 통해 효율적으로 구현할 수 있다.
도 9는 본 개시의 다른 일 실시예에 따라 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법을 예시적으로 나타낸다.
도 9에서 도시되는 단계들 중 적어도 일부는 예를 들어, 컴퓨팅 장치(100)에 의해 수행될 수 있다. 구현의 양태에 따라서, 도 9에서 도시되는 단계들 중 일부가 생략될 수 있거나 또는 추가적인 단계가 추가될 수도 있다.
일 실시예에서, 컴퓨팅 장치(100)는 제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 제 1 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정할 수 있다(910).
컴퓨팅 장치(100)는 증강현실 및/또는 가상현실 플랫폼을 제공할 수 있다. 컴퓨팅 장치(100)는 클라이언트의 디바이스로부터 촬영된 데이터를 획득함으로써, 클라이언트 디바이스의 현재 위치 및 방향을 추정하고, 클라이언트가 증강현실 및/또는 가상현실 플랫폼 상에서의 활동을 향유하도록 허용할 수 있다.
일 실시예에서, 제 1 사용자 디바이스는 전술 훈련에 참여하는 복수의 사용자들 중 제 1 사용자에 의해 사용되는 HMD 디바이스, AR 글래스 및/또는 VR 글래스를 포함할 수 있다. 제 1 쿼리 데이터는 제 1 사용자 디바이스에 의해 획득된 제 1 쿼리 이미지 및 제 1 메타데이터를 포함할 수 있다.
제 2 사용자 디바이스는 전술 훈련에 참여하는 복수의 사용자들 중 제 2 사용자에 의해 사용되는 HMD 디바이스, AR 글래스 및/또는 VR 글래스를 포함할 수 있다. 제 2 쿼리 데이터는 제 2 사용자 디바이스에 의해 획득된 제 2 쿼리 이미지 및 제 2 메타 데이터를 포함할 수 있다.
외부 기기는 전술 훈련에 참여하는 복수의 사용자들이 존재하는 공간에 배치되는 디바이스 및/또는 촬상 장치로, CCTV, 드론 등을 포함할 수 있다. 제 3 쿼리 데이터는 외부 기기에 의해 획득된 제 3 쿼리 이미지 및 제 3 메타 데이터를 포함할 수 있다.
일 실시예에서, 쿼리 이미지(예를 들어, 제 1 쿼리 이미지, 제 2 쿼리 이미지, 제 3 쿼리 이미지 등)는 2차원의 RGB 이미지 또는 그레이 스케일(grayscale) 이미지를 포함할 수 있다. 일 실시예에서, 쿼리 이미지는 2차원의 RGB 이미지 또는 그레이 스케일 이미지 및 깊이 맵을 포함할 수 있다. 메타데이터(예를 들어, 제 1 메타데이터, 제 2 메타데이터, 제 3 메타데이터 등)는 사용자 디바이스(예를 들어, 제 1 사용자 디바이스, 제 2 사용자 디바이스 등) 또는 외부 기기의 위치 정보를 포함할 수 있다. 위치 정보는 예를 들어, 특정지역 혹은 특정 국가에서 통용되는 geodetic datum 또는 geodetic system (또는, geodetic reference datum, geodetic reference system, 또는 geodetic reference frame), spatial reference system (SRS) 또는 coordinate reference system (CRS), 또는 geographic coordinate system (GCS) 등에 대한 좌표값 및/또는 방향값을 포함할 수 있다. 위치 정보에 대한 다른 예시로 GPS가 포함될 수 있다.
또한, 메타데이터는 focal length, principal point, resolution 등과 같은 사용자 디바이스 또는 외부 기기의 하드웨어 관련 정보를 포함할 수 있다. 또한, 사용자 디바이스의 과거의 카메라 포즈를 추정한 기록이 존재하는 경우, 상기 사용자 디바이스로부터 획득된 메타데이터는 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. 이러한 예비 추정 정보가 사용되는 경우, 쿼리 이미지와 매칭될 참조 이미지의 후보군이 축소될 수 있다.
본 개시의 일 실시예에서, 메타데이터는 사용자 디바이스 또는 외부 기기의 카메라 정보를 더 포함할 수 있으며, 이러한 카메라 정보에 대한 예시로 카메라의 내부 파라미터(intrinsic parameter)가 존재할 수 있다. 컴퓨팅 장치(100)는 사용자 디바이스의 카메라 정보에 기초하여, 복수의 포즈 추정 알고리즘들 중 비주얼 로컬라이제이션을 수행하는데 사용되는 포즈 추정 알고리즘을 결정할 수 있다. 예를 들어, 사용자 디바이스(예컨대, 카메라)에 대한 포즈 추정은 reprojection 에러를 최소화 시키는 방향으로 6DoF를 추정할 수 있다.
일례로, 카메라의 내부 파라미터가 주어지지 않은 경우(즉, uncalibrated 카메라인 경우), 포즈 추정 알고리즘은 Direct Linear Transformation (DLT) 방법론을 사용하여, 회전 매트릭스(rotation matrix)의 엘리먼트들, 병진 벡터(translation vector)의 엘리먼트들 및 카메라의 내부 파라미터들을 미지수로 포함하는 reprojection 에러 방정식을 선형 방정식으로 변경하고 그리고 QR decomposition을 통해 회전 매트릭스, 병진 벡터 및 카메라 매트릭스를 추정할 수 있다.
일례로, 카메라의 내부 파라미터가 주어진 경우(즉, calibrated 카메라인 경우), 포즈 추정 알고리즘은 Perspective-n-Point(PnP) 방법론을 사용하여, 비선형 방정식인 reprojection 에러를 선형 방정식으로 변형시키는 DLT와는 상이하게, 비선형 방정식인 reprojection 에러를 Gauss-Newton 방법론 또는 Levenberg-Marquardt 방법론 등을 이용하여 직접 풀어내는 방식으로 포즈 추정을 수행할 수 있다. 이러한 예시에서 대표적인 PnP 방법론으로 P3P, EPnP, SQPnP 방법론 등이 존재할 수 있다.
추가적인 예시에서, 전술한 DLT와 PnP 방법론들은 참조 특징점들의 3D 좌표의 부정확성이나 쿼리 특징점들의 부정확성에서 기인하는 카메라 포즈의 에러를 최소화 시키기 위해서 RANSAC을 도입할 수도 있다.
따라서, 전술한 바와 같이, 본 개시의 일 실시예에 따른 기법은 카메라 정보의 존재 여부에 따라서 카메라 포즈 추정 알고리즘을 상이하게 적용할 수 있으며, 예를 들어, 카메라 정보의 존재 여부에 따라 DLT 혹은 PnP 방법론을 사용함으로써 카메라 포즈 추정을 수행할 수 있다.
일 실시예에서, 제 1 사용자 디바이스와 관련된 위치 및 방향을 포함하는 제 1 포즈는 예를 들어, VPS를 통해 제 1 사용자 디바이스에 의해 획득된 제 1 쿼리 데이터에 기반하여 결정될 수 있다. 이러한 제 1 포즈는 제 1 사용자 디바이스가 현재 어디에 위치해 있으며 그리고 어디를 지향하고 있는지에 대한 정보를 포함할 수 있다. 일 실시예에서, 제 1 포즈는 제 1 사용자가 착용한 헬멧의 위치 및 방향을 포함할 수 있다. 즉, 제 1 포즈는 제 1 사용자 디바이스의 근위에 위치한 장비(예컨대, 헬멧, 모자 등)에 대한 위치 및 방향을 포함할 수 있다.
가상 현실 공간은 촬상 장치를 이용하여 스캔 또는 촬영된 제 1 쿼리 데이터에 포함된 제 1 쿼리 이미지와 관련된 공간에 대한 정보에 기초하여 생성될 수 있다.
촬상 장치는 광학적인 화상을 감지하고 전기적인 신호로 변환하여 컴퓨팅 장치(100)에 전달하기 위한 임의의 형태의 장비를 의미할 수 있다. 예를 들어, 촬상 장치는 카메라, 스캐너, Lidar 및/또는 비전 센서(vision sensor) 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 디바이스를 포함하거나, 무선 또는 유선으로 외부의 디바이스와 연동될 수도 있다.
가상 현실 공간은 제 1 쿼리 이미지에 포함된 객체의 재질 정보, 또는 제 1 쿼리 이미지에 대응되는 실제 위치에 관한 공간 정보 중 적어도 하나가 반영될 수 있다.
객체의 재질 정보는 객체의 물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 객체의 재질 정보는 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 증발률, 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.
객체의 재질 정보는 객체의 비물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 객체의 재질 정보는 객체에서의 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.
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) 및/또는 텐서 필드(tensor field) 중 적어도 하나를 포함할 수 있다.
벡터 필드는 공간 상의 각 점에 할당된 벡터 값들의 집합일 수 있다. 벡터 값은 위치, 속도, 힘 등과 같이 크기와 방향성을 갖는 물리량을 의미할 수 있다. 예를 들어, 벡터 값은 중력장의 세기, 자기장의 세기 등을 포함할 수 있다. 다만, 상술한 벡터 값은 예시일 뿐이며, 다양한 값을 포함할 수 있다.
텐서 필드는 공간 상의 각 점에 할당된 텐서 값들의 집합일 수 있다. 텐서 값은 물체의 관성 모멘트 또는 변형을 나타내는 값일 수 있다.
공간 정보는 공간의 비물리적 요소에 관한 정보를 포함할 수 있다. 예를 들어, 공간 정보는 공간에서의 블로킹 여부에 관한 정보, 블로킹 채널 정보, 트리거 여부에 관한 정보, 트리거 채널에 관한 정보 및/또는 프로그래밍을 위한 태그 정보 중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치(100)는 실제 위치에 관한 공간 정보가 사전에 저장되어 있을 수 있다. 다른 예를 들어, 컴퓨팅 장치(100)는 실제 위치에 관한 공간 정보가 저장된 외부 서버(예를 들어, 기상 서버 등)로부터 제 1 쿼리 이미지에 대응되는 실제 위치에 관한 정보를 수신할 수 있다. 따라서, 컴퓨팅 장치(100)는 제 1 쿼리 이미지에 대응되는 실제 위치에 관한 공간 정보를 가상 현실 공간에 반영할 수 있다.
가상 현실 공간은 객체에 대응되는 영역에 객체의 재질 정보가 매핑(mapping)될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 가상 현실 공간 상에서 나무에 대응되는 영역에 나무에 관한 정보를 매핑시킬 수 있다.
가상 현실 공간은 공간 정보에 기초하여, 가상 현실 공간 상에 반영된 객체의 재질 정보가 변경될 수 있다. 즉, 컴퓨팅 장치(100)는 공간 정보에 기초하여, 가상 현실 공간 상에 반영된 객체의 재질 정보를 변경시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 공간 정보에 포함된 온도에 따라 가상 현실 공간 상에 반영된 물 컵 안의 물의 재질 정보 중 하나인 증발률을 변경시킬 수 있다.
가상 현실 공간 상에 반영된 객체의 재질 정보 및 공간 정보는 가상 현실 공간 상에 사전 설정된 법칙에 기초하여 시간에 따라 변화될 수 있다. 즉, 컴퓨팅 장치(100)는 가상 현실 공간 상에 사전 설정된 법칙에 기초하여, 가상 현실 공간 상에 반영된 객체의 재질 정보 및 공간 정보를 시간에 따라 변화시킬 수 있다.
사전 설정된 법칙은 물리 법칙, 역학 법칙 등을 포함할 수 있다. 예를 들어, 사전 설정된 법칙은 뉴턴의 중력 법칙, 아인슈타인의 일반 상대성 이론 등을 포함할 수 있다. 다른 예를 들어, 사전 설정된 법칙은 인력의 세기가 거리의 세제곱에 반비례한 제 1 법칙, 중력상수 G 값이 실제 값보다 큰 제 2 법칙 등 환경 또는 사용자에 의해 설정된 기존에 존재하지 않는 임의의 법칙을 포함할 수 있다. 다만, 사전 설정된 법칙은 이에 한정되지 않으며, 환경에 따라 결정될 수도 있다.
가상 현실 공간 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), 가상 현실 공간 상에 사전 설정된 법칙에 기반하여 시간에 따라 변화될 수 있다.
컴퓨팅 장치(100)는 가상 현실 공간 상에 가상 객체를 배치하는 경우, 가상 객체의 재질 정보를 사전 설정된 방식으로 결정할 수 있다. 사전 설정된 방식은 복수의 재질 정보들 중에서 임의로 결정하는 방식, 가상 객체에 대응되는 실객체의 재질 정보로 설정하는 방식 등을 포함할 수 있다.
컴퓨팅 장치(100)는 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 결정된 제 1 포즈를 기준으로 제 1 총기의 제 1 상대 포즈(relative pose)를 결정할 수 있다(920).
본 명세서에서의, 태그들은 사용자가 사용하는 총기의 상대 포즈를 결정하는데 사용될 수 있다. 일례로, 태그들은 블루투스(Bluetooth) 및/또는 UWB(Ultra Wide Band) 기반의 기기를 포함할 수 있다. UWB는 기존 주파수 대역에 비해 넓은 대역에 걸쳐 낮은 전력으로 대용량의 정보를 전송하는 근거리 무선통신 기술을 일컫는다.
일 실시예에서, 제 1 세트의 태그들은 제 1 사용자 디바이스의 근위에 위치한 장비(예컨대, 헬멧)에 위치할 수 있다. 제 2 세트의 태그들은 제 1 사용자 디바이스의 원위에 위치한 장비(예컨대, 총기)에 위치할 수 있다. 제한이 아닌 예시로, 제 1 세트의 태그들은 3개의 태그들을 포함할 수 있으며, 제 2 세트의 태그들은 2개의 태그들을 포함할 수 있다. 제 1 세트의 태그들과 제 2 세트의 태그들 간의 통신을 통해 태그들 간의 TDOA(Time Difference Of Arrival) 또는 RTT(Round Trip Time) 중 적어도 하나를 포함하는 측정값이 결정될 수 있다. 이러한 측정값을 기반으로 하여 컴퓨팅 장치(100)는 제 1 포즈를 기준으로 하였을 때의 총기의 제 1 상대 포즈를 결정할 수 있다. 추가적인 실시예에서, 사용자 디바이스 또는 사용자 디바이스와 연결된 다른 사용자 단말이 태그들 간의 통신을 통해 획득된 측정값을 사용하여 총기의 제 1 상대 포즈를 결정할 수도 있다.
예를 들어, 컴퓨팅 장치(100)(또는 사용자 디바이스)는 제 1 세트의 태그들 중 제 1 태그와 제 2 세트의 태그들 중 제 2 태그 간의 TDOA 또는 RTT 중 적어도 하나를 포함하는 제 1 측정값 및 상기 제 1 세트의 태그들 중 제 3 태그와 상기 제 2 세트의 태그들 중 제 4 태그 간의 TDOA 또는 RTT 중 적어도 하나를 포함하는 제 2 측정값에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 상대 방향 및 상대 위치를 포함하는 상기 제 1 상대 포즈를 결정할 수 있다.
전술한 바와 같이, 본 개시내용의 일 실시예에 따른 기법은 VPS를 사용하여 사용자 디바이스(예컨대, HMD 또는 AR 글래스 등)의 포즈를 추정하고 그리고 추정된 사용자 디바이스의 포즈를 활용하여 사용자가 파지하고 있는 총기의 상대 포즈(예컨대, 총기의 총구가 향하는 방향 등)를 효율적이면서 정확하게 추정할 수 있다.
컴퓨팅 장치(100)는 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출할 수 있다(930).
컴퓨팅 장치(100)는 제 1 포즈, 제 1 상대 포즈, 가상 현실 공간 상에 반영된 객체의 재질 정보, 공간 정보 및 제 1 총기에 관한 정보에 기초하여, 가상 현실 공간 상에서 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출할 수 있다. 탄환의 예상 경로는 가상 현실 공간 상에 사전 설정된 법칙에 기초하여 산출될 수 있다. 즉, 컴퓨팅 장치(100)는 가상 현실 공간 상에 사전 설정된 법칙에 기초하여 탄환의 예상 경로를 산출할 수 있다. 사전 설정된 법칙은 물리 법칙, 역학 법칙 등을 포함할 수 있다. 예를 들어, 사전 설정된 법칙은 뉴턴의 중력 법칙, 아인슈타인의 일반 상대성 이론 등을 포함할 수 있다. 다른 예를 들어, 사전 설정된 법칙은 인력의 세기가 거리의 세제곱에 반비례한 제 1 법칙, 중력상수 G 값이 실제 값보다 큰 제 2 법칙 등 환경 또는 사용자에 의해 설정된 기존에 존재하지 않는 임의의 법칙을 포함할 수 있다. 다만, 사전 설정된 법칙은 이에 한정되지 않으며, 환경에 따라 결정될 수도 있다. 따라서, 컴퓨팅 장치(100)는 총기의 총구를 통해 발사되는 탄환이 받는 중력의 크기를 결정하는 중력가속도, 탄환이 받는 마찰력의 크기 등의 사전 설정된 법칙에 기초하여 탄환의 예상 경로를 산출할 수 있다.
탄환의 예상 경로는 탄환의 기점과 종점을 선으로 연결한 길을 포함할 수 있다. 탄환의 예상 경로는 상기 탄환의 기점으로부터 사전 결정된 선의 길이의 길이고, 그리고 상기 사전 결정된 선의 길이의 길은 상기 탄환의 기점과 종점 사이를 연결하는 길의 적어도 일부일 수 있다. 예를 들어, 탄환의 예상 경로가 제 1 사용자 디바이스 상에서 표시 가능한 길이보다 긴 경우, 탄환의 예상 경로는 제 1 사용자 디바이스 상에서 표시되는 길이에 대응되어 사전 결정된 선의 길이일 수 있다. 따라서, 제 1 사용자 디바이스는 제 1 사용자 디바이스 상에서 표시 가능한 길이에 대응되는 길이의 탄환의 예상 경로를 표시할 수 있다. 탄환의 예상 경로는 가상 현실 공간 상에 반영된 객체의 재질 정보에 기초하여 결정된 객체에 대한 탄환의 관통 여부가 반영될 수 있다.
예를 들어, 컴퓨팅 장치(100)는 제 1 포즈, 제 1 상대 포즈, 제 1 총기에 관한 정보 및 공간 정보에 기초하여 제 1 총기의 총구를 통해 발사되는 탄환의 탄도를 산출할 수 있다. 컴퓨팅 장치(100)는 탄환의 탄도 상에 존재하는 객체의 경계면에서의 입사각, 두께, 운동량 및/또는 탄자 강성 중 적어도 하나에 기초하여 탄환의 관통 여부 및/또는 관통 확률을 계산할 수 있다. 컴퓨팅 장치(100)는 탄환이 객체를 관통하지 않는 것으로 결정한 경우, 탄환의 굴절 여부 및/또는 굴절 확률을 계산할 수 있다. 컴퓨팅 장치(100)는 탄환의 관통 또는 굴절 이후, 객체의 위치 및 탄환의 예상 경로를 산출할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 객체의 경계면에서의 충격량 또는 에너지에 기초하여 객체의 위치를 산출할 수 있다. 컴퓨팅 장치(100)는 탄환의 관통 또는 굴절 이후, 탄환의 운동량 및/또는 각운동량을 산출하여 탄환의 예상 경로를 산출할 수 있다.
컴퓨팅 장치(100)는 제 1 사용자와 상이한 제 2 사용자에 의해 착용된 제 2 사용자 디바이스로부터 획득된 제 2 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 제 2 사용자와 관련된 제 2 위치 및 제 2 방향을 포함하는 제 2 포즈를 결정할 수 있다.
제 2 사용자 디바이스와 관련된 위치 및 방향을 포함하는 제 2 포즈는 예를 들어, VPS를 통해 제 2 사용자 디바이스에 의해 획득된 제 2 쿼리 데이터에 기반하여 결정될 수 있다. 이러한 제 2 포즈는 제 2 사용자 디바이스가 현재 어디에 위치해 있으며 그리고 어디를 지향하고 있는지에 대한 정보를 포함할 수 있다. 제 2 포즈는 제 2 사용자가 착용한 헬멧의 위치 및 방향을 포함할 수 있다. 즉, 제 2 포즈는 제 2 사용자 디바이스의 근위에 위치한 장치(예컨대, 헬멧, 모자 등)에 대한 위치 및 방향을 포함할 수 있다.
컴퓨팅 장치(100)는 제 2 사용자 디바이스의 근위에 위치하는 제 3 세트의 태그들과 제 2 사용자가 사용하는 제 2 총기에 위치하는 제 4 세트들의 태그들 간의 상호 작용에 기초하여, 제 2 포즈를 기준으로 제 2 총기의 제 2 상대 포즈를 결정할 수 있다.
제 3 세트의 태그들은 제 2 사용자 디바이스의 근위에 위치한 장비(예컨대, 헬멧, 모자 등)에 위치할 수 있다. 제 4 세트의 태그들은 제 2 사용자 디바이스의 원위에 위치한 장비(예컨대, 총기 등)에 위치할 수 있다. 제한이 아닌 예시로, 제 3 세트의 태그들은 3개의 태그들을 포함할 수 있고, 제 4 세트의 태그들은 2개의 태그들을 포함할 수 있다. 제 3 세트의 태그들과 제 4 세트의 태그들 간의 통신을 통해 태그들 간의 TDOA(Time Difference Of Arrival) 또는 RTT(Round Trip Time) 중 적어도 하나를 포함하는 측정값이 결정될 수 있다. 이러한 측정값을 기반으로 하여 컴퓨팅 장치(100)는 제 2 포즈를 기준으로 하였을 때의 제 2 총기의 제 2 상대 포즈를 결정할 수 있다. 추가적인 실시예에서, 사용자 디바이스 또는 사용자 디바이스와 연결된 다른 사용자 단말이 태그들 간의 통신을 통해 획득된 측정값을 사용하여 제 2 총기의 제 2 상대 포즈를 결정할 수도 있다.
예를 들어, 컴퓨팅 장치(100)(또는 사용자 디바이스)는 제 3 세트의 태그들 중 a 태그와 제 4 세트의 태그들 중 b 태그 간의 TDOA 또는 RTT 중 적어도 하나를 포함하는 a 측정값 및 제 3 태그들 중 c 태그와 제 4 세트의 태그들 중 d 태그 간의 TDOA 또는 RTT 중 적어도 하나를 포함하는 b 측정값에 기초하여, 결정된 제 2 포즈를 기준으로 제 2 총기의 상대 방향 빛 상대 위치를 포함하는 제 2 상대 포즈를 결정할 수 있다.
전술한 바와 같이, 본 개시내용의 일 실시예에 따른 기법은 VPS를 사용하여 사용자 디바이스(예컨대, HMD 또는 AR 글래스 등)의 포즈를 추정하고 그리고 추정된 사용자 디바이스의 포즈를 활용하여 사용자가 파지하고 있는 총기의 상대 포즈(예컨대, 총기의 총구가 향하는 방향 등)를 효율적이면서 정확하게 추정할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 제 2 포즈에 기초하여 제 2 사용자의 동작을 획득할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 제 2 포즈 및 사전결정된 제 2 사용자의 신체 정보에 기초하여, 제 2 사용자의 목의 위치 및 방향을 결정할 수 있다. 컴퓨팅 장치(100)는 제 2 사용자 디바이스와 연결된 제 2 총기의 상대 방향, 제 2 총기의 상대 위치 및 제 2 총기에 대해 사전결정된 파지 부위의 위치에 기초하여, 제 2 사용자의 양 손에 대한 상대 위치 및 방향을 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 제 2 사용자의 목의 위치 및 방향, 결정된 제 2 사용자의 양 손에 대한 상대 위치 및 방향, 및 제 2 사용자가 위치한 가상 현실 공간 내의 지형 정보에 기초하여, 제 2 사용자의 상체 포즈를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 제 2 사용자의 상체 포즈 및 제 2 사용자의 신체 정보에 기초하여, 제 2 사용자의 골반의 위치 및 방향을 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 제 2 사용자의 골반의 위치 및 방향, 및 제 2 사용자가 위치한 가상 현실 공간 내의 지형 정보에 기초하여, 제 2 사용자의 하체 포즈를 결정할 수 있다. 제 2 사용자의 동작은 제 2 사용자의 상체 포즈 및/또는 제 2 사용자의 하체 포즈 중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치(100)는 산출된 탄환의 예상 경로 상에 제 2 위치를 포함하는 사전 결정된 제 1 영역이 존재하는 경우, 제 1 사용자 디바이스 또는 제 2 사용자에 의해 착용된 제 2 사용자 디바이스 중 적어도 하나에 위험 알람을 전송할 수 있다. 제 2 위치를 포함하는 사전 결정된 제 1 영역은 제 2 위치에 대응되는 좌표점 또는 제 2 위치를 중심으로 하는 특정 반경 이내의 영역을 포함할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 산출된 탄환의 예상 경로 상에 제 2 위치 및 제 2 사용자의 동작에 관한 영역을 포함하는 사전 결정된 제 2 영역이 존재하는 경우, 제 1 사용자 디바이스 또는 제 2 사용자에 의해 착용된 제 2 사용자 디바이스 중 적어도 하나에 위험 알람을 전송할 수 있다. 제 2 영역은 제 2 위치에 대응되는 좌표점 및 제 2 동작에 대응되는 영역을 포함할 수 있다. 일 실시예에 따르면, 제 2 영역은 제 2 위치를 중심으로 제 2 동작에 대응되는 영역을 포함하는 특정 반경 이내의 영역을 포함할 수 있다.
위험 알람은 사용자 디바이스(예를 들어, 제 1 사용자 디바이스, 제 2 사용자 디바이스 등)에서 탄환의 예상 경로 상에 본인 또는 다른 사용자의 디바이스가 존재한다는 것을 알리기 위해 전달되는 시각 정보(예를 들어, 이미지, 영상 등),텍스트, 음성 및/또는 진동 중 적어도 하나를 포함할 수 있다. 예를 들어, 제 2 사용자 디바이스는 위험 알람을 수신하고, 위험 알람에 포함된 시각 정보를 제 2 사용자 디바이스 상에 표시하여 제 2 사용자가 시각 정보를 인지하도록 할 수 있다. 다른 예를 들어, 제 2 사용자 디바이스는 위험 알람을 수신하고, 위험 알람에 포함된 텍스트를 제 2 사용자 디바이스 상에 시각적으로 표시하여 제 2 사용자가 텍스트를 인지하도록 할 수 있다. 또 다른 예를 들어, 제 2 사용자 디바이스는 위험 알람을 수신하고, 위험 알람에 포함된 음성을 제 2 사용자 디바이스에 포함된 스피커를 통해 재생하여 사용자가 위험 알람에 포함된 음성을 들을 수 있도록 할 수 있다. 또 다른 예를 들어, 제 2 사용자 디바이스는 위험 알람을 수신하고, 위험 알람에 포함된 텍스트를 제 2 사용자 디바이스 상에서 시각적으로 표시하고, 음성을 제 2 사용자 디바이스에 포함된 스피커를 통해 재생하며, 진동을 제 2 사용자 디바이스에서 발생시킬 수 있다.
컴퓨팅 장치(100)는 제 1 사용자 디바이스에서 탄환의 예상 경로를 시각적으로 표시하도록, 제 1 사용자 디바이스에 탄환의 예상 경로에 관한 정보를 전송할 수 있다. 탄환의 예상 경로에 관한 정보는 탄환의 기점에 대한 정보, 탄환의 종점에 관한 정보 및/또는 탄환의 기점과 종점을 선으로 연결한 길에 관한 정보 중 적어도 하나를 포함할 수 있다. 따라서, 제 1 사용자 디바이스는 탄환의 예상 경로를 증강 현실로 표시할 수 있다. 그리고, 제 1 사용자는 제 1 사용자 디바이스를 통해 탄환의 예상 경로를 시각적으로 확인할 수 있다. 탄환의 기점과 종점을 선으로 연결한 길은 직선, 곡선, 실선 및/또는 점선 중 적어도 하나의 선으로 표시될 수 있다. 다만, 탄환의 기점과 종점을 선으로 연결한 길은 이에 한정되지 않으며, 다양한 종류의 선으로 표시될 수 있다.
컴퓨팅 장치(100)는 제 2 사용자 디바이스에서 탄환의 예상 경로를 시각적으로 표시하도록, 제 2 사용자 디바이스에 탄환의 예상 경로에 관한 정보를 전송할 수 있다. 따라서, 제 2 사용자 디바이스는 탄환의 예상 경로를 증강 현실로 표시할 수 있다. 그리고, 제 2 사용자는 제 2 사용자 디바이스를 통해 탄환의 예상 경로를 시각적으로 확인할 수 있다.
컴퓨팅 장치(100)는 가상 현실 공간 상에서 탄환의 예상 경로를 시각적으로 표시할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 가상 현실 공간 상에 탄환의 예상 경로에 색상 및/또는 음영을 적용하여 표시할 수 있다. 컴퓨팅 장치(100)는 복수의 사용자 디바이스들의 각각의 총기에 대한 탄환의 예상 경로를 획득하는 경우, 복수의 탄환의 예상 경로들에 대해서 서로 상이한 색상 및/또는 음영을 적용하여 가상 현실 공간 상에 시각적으로 표시할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 가상 현실 공간 상에 제 1 총기의 탄환의 예상 경로를 파란색으로 표시하고, 제 2 총기의 탄환의 예상 경로를 빨간색으로 표시할 수 있다.
본 개시의 일 실시예에서, 제 1 사용자 디바이스 및/또는 제 2 사용자 디바이스는 통신을 통해 컴퓨팅 장치(100)에서 생성된 가상 현실 공간과 연결될 수도 있다. 따라서, 제 1 사용자 디바이스 및/ 제 2 사용자 디바이스는 연결된 가상 현실 공간 상에서 표시된 탄환의 예상 경로를 확인할 수도 있다.
컴퓨팅 장치(100)는 제 1 사용자 디바이스와 상이한 외부 기기로부터 획득된 제 3 쿼리 데이터에 기반하여 자세 추정(pose estimation)을 수행함으로써, 제 3 쿼리 데이터에 포함된 제 3 사용자의 제 3 위치 또는 제 3 사용자의 동작 중 적어도 하나를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 인공지능 기반의 자세 추정 모델을 사용하여 제 3 쿼리 데이터에 포함된 제 3 사용자의 제 3 위치 및/또는 제 3 사용자의 동작 중 적어도 하나를 획득할 수 있다.자세 추정은 사람 자세 추정(human pose estimation)을 포함할 수 있다. 사람 자세 추정은 이미지에 존재하는 사람의 동작을 추정하는 방법일 수 있다. 컴퓨팅 장치(100)는 사람 자세 추정을 위해, 자세 추정 모델을 사용하여 제 3 쿼리 데이터의 제 3 쿼리 이미지에 포함된 제 3 사용자의 위치 및/또는 제 3 사용자의 동작 중 적어도 하나를 획득할 수 있다.
자세 추정 모델은 사전 결정된 관절(예를 들어, 14개, 17개 등)의 위치를 추정하여 제 3 사용자의 위치 및/또는 제 3 사용자의 동작 중 적어도 하나를 추정할 수 있다. 예를 들어, 자세 추정 모델은 CNN 기반의 VGG 또는 ResNet 구조의 네트워크를 포함할 수 있다. 여기서, 자세 추정 모델은 Mean per Position Joint Error (MPJPE)등의 에러를 최소화 시키는 방향으로 학습을 진행하고, 사전 학습될 수 있다. 자세 추정 모델은 Human3.6M, MPI-INF-3DHP 등의 데이터셋을 통해 학습될 수 있다. 자세 추정 모델은 2D 포즈 추정 모델, 3D 포즈 추정 모델을 포함할 수 있다. 2D 포즈 추정 모델은 2차원의 이미지 상에서 추정하는 모델일 수 있다. 2D 포즈 추정 모델은 DeepPose, DeepCut, OpenPose 등을 포함할 수 있다. 3D 포즈 추정 모델은 3D 공간 상에서 포즈를 추정하는 모델일 수 있다. 3D 포즈 추정 모델은 root(pelvis)를 중심으로 각 관절의 상대 위치만을 추정하는 모델, 공간 상에서의 root의 위치까지 추정하는 모델 등을 포함할 수 있다.
Monocular 3D pose estimation 알고리즘은 단일 카메라로부터 획득한 사람의 이미지를 기반으로 사람의 3D 포즈를 추정하는 알고리즘일 수 있다. 일 실시예에 따르면, Monocular 3D pose estimation 알고리즘은 monocular camera로부터 사람이 동작하는 비디오를 획득하고 전후 프레임의 동작 정보를 이용하여 동작을 추정할 수도 있다. 3D 포즈 추정 모델은 Stereo image pair가 획득 가능한 multi-camera 환경인 경우, 제한 조건이나 전후 프레임 정보 등의 추가정보 없이 학습을 진행할 수 있다.
제 3 사용자는 사용자 디바이스를 가지고 있는 사용자(예를 들어, 제 1 사용자, 제 2 사용자 등) 및/또는 사용자 디바이스를 가지고 있지 않은 사용자 중 적어도 하나일 수 있다.
따라서, 컴퓨팅 장치(100)는 사용자 디바이스를 가지고 있는 사용자(예를 들어, 제 1 사용자, 제 2 사용자 등) 및/또는 사용자 디바이스를 가지고 있지 않은 사용자에 대해서도 외부 기기로부터 획득된 제 3 쿼리 데이터에 기초하여 사용자의 위치, 사용자의 동작 등을 파악할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 서브 컴퓨팅 장치(예를 들어, 제 1 서브 컴퓨팅 장치, 제 2 서브 컴퓨팅 장치 등)을 포함할 수 있다. 그리고, 복수의 서브 컴퓨팅 장치는 각각 별도의 엔티티(entity)로 존재할 수도 있다. 예를 들어, 제 1 서브 컴퓨팅 장치는 VPS 서버이고, 제 2 서브 컴퓨팅 장치는 디지털 트윈 서버일 수 있다. 제 1 서브 컴퓨팅 장치에서는 비주얼 로컬라이제이션을 수행하여 각 사용자 디바이스의 포즈를 결정하고, 결정된 포즈와 가상 현실 공간에 대한 정보를 제 2 서브 컴퓨팅 장치에 전달할 수 있다. 제 2 서브 컴퓨팅 장치는 복수의 사용자 디바이스들의 각각의 포즈 정보와 가상 현실 공간에 대한 정보를 저장하고, 탄환의 예상 경로를 산출할 수 있다. 또한, 제 2 서브 컴퓨팅 장치는 복수의 사용자 디바이스들에게 위험 알람을 전달할 수도 있다. 상술한 바와 같이, 제 1 서브 컴퓨팅 장치 및 제 2 서브 컴퓨팅 장치는 서로 연동되고, 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법들을 수행할 수 있다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시내용에서의 컴포넌트, 모듈 또는 부(unit)는 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조 등을 포함한다. 또한, 당업자라면 본 개시내용에서 제시되는 방법들이 단일-프로세서 또는 멀티프로세서 컴퓨팅 장치, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 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 충분히 인식할 것이다.
본 개시내용에서 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.
컴퓨팅 장치는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.
컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(2002)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경(2000)이 나타내어져 있으며, 컴퓨터(2002)는 처리 장치(2004), 시스템 메모리(2006) 및 시스템 버스(2008)를 포함한다. 본 명세서에서의 컴퓨터(200)는 컴퓨팅 장치와 상호 교환가능하게 사용될 수 있다. 시스템 버스(2008)는 시스템 메모리(2006)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(2004)에 연결시킨다. 처리 장치(2004)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(2004)로서 이용될 수 있다.
시스템 버스(2008)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(2006)는 판독 전용 메모리(ROM)(2010) 및 랜덤 액세스 메모리(RAM)(2012)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2010)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(2002) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2012)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(2002)는 또한 내장형 하드 디스크 드라이브(HDD)(2014)(예를 들어, EIDE, SATA), 자기 플로피 디스크 드라이브(FDD)(2016)(예를 들어, 이동식 디스켓(2018)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), SSD 및 광 디스크 드라이브(2020)(예를 들어, CD-ROM 디스크(2022)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(2014), 자기 디스크 드라이브(2016) 및 광 디스크 드라이브(2020)는 각각 하드 디스크 드라이브 인터페이스(2024), 자기 디스크 드라이브 인터페이스(2026) 및 광 드라이브 인터페이스(2028)에 의해 시스템 버스(2008)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(2024)는 예를 들어, 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(2002)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 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 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(2030), 하나 이상의 어플리케이션 프로그램(2032), 기타 프로그램 모듈(2034) 및 프로그램 데이터(2036)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2012)에 저장될 수 있다. 운영 체제, 어플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2012)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2038) 및 마우스(2040) 등의 포인팅 장치를 통해 컴퓨터(2002)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(2008)에 연결되어 있는 입력 장치 인터페이스(2042)를 통해 처리 장치(2004)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(2044) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(2046) 등의 인터페이스를 통해 시스템 버스(2008)에 연결된다. 모니터(2044)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(2002)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(2048) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(2048)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(2002)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(2050)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(2052) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(2054)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(2002)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(2056)를 통해 로컬 네트워크(2052)에 연결된다. 어댑터(2056)는 LAN(2052)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(2052)은 또한 무선 어댑터(2056)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(2002)는 모뎀(2058)을 포함할 수 있거나, WAN(2054) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(2054)을 통해 통신을 정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(2058)은 직렬 포트 인터페이스(2042)를 통해 시스템 버스(2008)에 연결된다. 네트워크화된 환경에서, 컴퓨터(2002)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(2050)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(2002)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.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시내용의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 본 개시내용의 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
본 개시는 이하에 기재된 정부 지원 과제의 일환으로 이루어진 것이다.
과제고유번호: 1711160547
과제번호: 2022-0-00137-001
부처명: 과학기술정보통신부
과제관리(전문)기관명: 정보통신기획평가원
연구사업명: 실감콘텐츠핵심기술개발
연구과제명: XR 사용자 상호작용 평가 및 적용 기술 개발
기여율: 1/1
과제수행기관명: 한국전자통신연구원
연구기간 : 2022.04.01 ~ 2025.12.31
상기와 같이 발명의 실시를 위한 최선의 형태에서 관련 내용을 기술하였다.
비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 컴퓨팅 장치, 시스템 등에 사용될 수 있다.
Claims (22)
- 컴퓨팅 장치에 의해 수행되는, 비주얼 로컬라이제이션(visual localization)을 이용하여 전술 훈련을 지원하기 위한 방법으로서,제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 제 1 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정하는 단계;상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈(relative pose)를 결정하는 단계; 및상기 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는 단계;를 포함하는,방법.
- 제 1 항에 있어서,상기 가상 현실 공간은,촬상 장치를 이용하여 스캔 또는 촬영된 상기 제 1 쿼리 데이터에 포함된 제 1 쿼리 이미지와 관련된 공간에 대한 정보에 기초하여 생성되는,방법.
- 제 2 항에 있어서,상기 가상 현실 공간은,상기 제 1 쿼리 이미지에 포함된 객체의 재질 정보, 또는 상기 제 1 쿼리 이미지에 대응되는 실제 위치에 관한 공간 정보 중 적어도 하나가 반영되는,방법.
- 제 3 항에 있어서,상기 가상 현실 공간은,상기 객체에 대응되는 영역에 상기 객체의 재질 정보가 매핑(mapping)되는,방법.
- 제 4 항에 있어서,상기 가상 현실 공간은,상기 공간 정보에 기초하여, 상기 가상 현실 공간 상에 반영된 상기 객체의 재질 정보가 변경되는,방법.
- 제 3 항에 있어서,상기 객체의 재질 정보는,상기 객체의 부피 또는 표면에서의 온도, 점도, 흡수율, 반사율, 투과율, 산란율, 감쇄율, 탄성계수 또는 마찰계수 중 적어도 하나를 포함하는,방법.
- 제 3 항에 있어서,상기 객체의 재질 정보는,상기 객체에서의 블로킹 여부에 관한 정보, 블로킹 채널 정보, 트리거 여부에 관한 정보, 트리거 채널에 관한 정보 또는 프로그래밍을 위한 태그 정보 중 적어도 하나를 포함하는,방법.
- 제 3 항에 있어서,상기 공간 정보는,상기 가상 현실 공간 상에 공간 또는 부피 내에서의 중력장, 자기장, 전기장, 전향력, 풍향, 풍속, 온도, 습도, 공기저항, 해발고도, 공기밀도, 점도, 산란율, 기압, 탄성계수, 마찰계수 또는 벡터 필드 중 적어도 하나를 포함하는,방법.
- 제 3 항에 있어서,상기 공간 정보는,상기 가상 현실 공간 상에 공간에서의 블로킹 여부에 관한 정보, 블로킹 채널 정보, 트리거 여부에 관한 정보, 트리거 채널에 관한 정보 또는 프로그래밍을 위한 태그 정보 중 적어도 하나를 포함하는,방법.
- 제 1 항에 있어서,상기 탄환의 예상 경로를 산출하는 단계는,상기 제 1 포즈, 제 1 상대 포즈, 상기 가상 현실 공간 상에 반영된 객체의 재질 정보, 공간 정보 및 상기 제 1 총기에 관한 정보에 기초하여, 상기 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는 단계;를 포함하는,방법.
- 제 10 항에 있어서,상기 가상 현실 공간 상에 사전 설정된 법칙에 기초하여 상기 탄환의 예상 경로를 산출하는 단계;를 더 포함하는,방법.
- 제 1 항에 있어서,상기 제 1 사용자와 상이한 제 2 사용자에 의해 착용된 제 2 사용자 디바이스로부터 획득된 제 2 쿼리 데이터에 기반하여 상기 비주얼 로컬라이제이션을 수행함으로써, 상기 제 2 사용자와 관련된 제 2 위치 및 제 2 방향을 포함하는 제 2 포즈를 결정하는 단계; 및산출된 상기 탄환의 예상 경로 상에 상기 제 2 위치를 포함하는 사전 결정된 제 1 영역이 존재하는 경우, 상기 제 1 사용자 디바이스 또는 제 2 사용자에 의해 착용된 제 2 사용자 디바이스 중 적어도 하나에 위험 알람을 전송하는 단계;를 더 포함하는,방법.
- 제 1 항에 있어서,상기 제 1 사용자와 상이한 제 2 사용자에 의해 착용된 제 2 사용자 디바이스로부터 획득된 제 2 쿼리 데이터에 기반하여 상기 비주얼 로컬라이제이션을 수행함으로써, 상기 제 2 사용자와 관련된 제 2 위치 및 제 2 방향을 포함하는 제 2 포즈를 결정하는 단계;상기 제 2 포즈에 기초하여 제 2 사용자의 동작을 획득하는 단계; 및산출된 상기 탄환의 예상 경로 상에 상기 제 2 위치 및 상기 제 2 사용자의 동작에 관한 영역을 포함하는 사전 결정된 제 2 영역이 존재하는 경우, 상기 제 1 사용자 디바이스 또는 제 2 사용자에 의해 착용된 제 2 사용자 디바이스 중 적어도 하나에 위험 알람을 전송하는 단계;를 더 포함하는,방법.
- 제 1 항에 있어서,상기 제 1 사용자 디바이스에서 상기 탄환의 예상 경로를 시각적으로 표시하도록, 상기 제 1 사용자 디바이스에 상기 탄환의 예상 경로에 관한 정보를 전송하는 단계;를 더 포함하는,방법.
- 제 1 항에 있어서,상기 가상 현실 공간 상에서 상기 탄환의 예상 경로를 시각적으로 표시하는 단계;를 더 포함하는,방법.
- 제 1 항에 있어서,상기 탄환의 예상 경로는,상기 탄환의 기점과 종점을 선으로 연결한 길을 포함하는,방법.
- 제 1 항에 있어서,상기 탄환의 예상 경로는 상기 탄환의 기점으로부터 사전 결정된 선의 길이의 길이고, 그리고상기 사전 결정된 선의 길이의 길은 상기 탄환의 기점과 종점 사이를 연결하는 길의 적어도 일부인,방법.
- 제 1 항에 있어서,상기 탄환의 예상 경로는,상기 가상 현실 공간 상에 반영된 객체의 재질 정보에 기초하여 결정된 상기 객체에 대한 상기 탄환의 관통 여부가 반영되는,방법.
- 제 1 항에 있어서,상기 가상 현실 공간 상에 반영된 객체의 재질 정보 및 공간 정보는 상기 가상 현실 공간 상에 사전 설정된 법칙에 기초하여 시간에 따라 변화되는,방법.
- 제 1 항에 있어서,상기 제 1 사용자 디바이스와 상이한 외부 기기로부터 획득된 제 3 쿼리 데이터에 기반하여 자세 추정(pose estimation)을 수행함으로써, 상기 제 3 쿼리 데이터에 포함된 제 3 사용자의 제 3 위치 또는 제 3 사용자의 동작 중 적어도 하나를 결정하는 단계;를 더 포함하는,방법.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 비주얼 로컬라이제이션(visual localization)을 이용하여 전술 훈련을 지원하기 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정하는 단계;상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈(relative pose)를 결정하는 단계; 및상기 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는 단계;를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 비주얼 로컬라이제이션(visual localization)을 이용하여 전술 훈련을 지원하기 위한 컴퓨팅 장치에 있어서,프로세서;메모리; 및네트워크부;를 포함하고,상기 프로세서는,제 1 사용자에 의해 착용된 제 1 사용자 디바이스로부터 획득된 쿼리 데이터에 기반하여 비주얼 로컬라이제이션을 수행함으로써, 상기 제 1 사용자와 관련된 제 1 위치(position) 및 제 1 방향(orientation)을 포함하는 제 1 포즈(pose)를 결정하고,상기 제 1 사용자 디바이스의 근위에 위치하는 제 1 세트의 태그들과 상기 제 1 사용자가 사용하는 제 1 총기(firearm)에 위치하는 제 2 세트들의 태그들 간의 상호작용에 기초하여, 상기 결정된 제 1 포즈를 기준으로 상기 제 1 총기의 제 1 상대 포즈(relative pose)를 결정하고, 그리고상기 제 1 포즈 및 제 1 상대 포즈에 기초하여, 가상 현실 공간 상에서 상기 제 1 총기의 총구를 통해 발사되는 탄환의 예상 경로를 산출하는,컴퓨팅 장치.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220104858A KR102616083B1 (ko) | 2022-08-22 | 2022-08-22 | 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 |
KR10-2022-0104858 | 2022-08-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024043507A1 true WO2024043507A1 (ko) | 2024-02-29 |
Family
ID=89376767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2023/009565 WO2024043507A1 (ko) | 2022-08-22 | 2023-07-06 | 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 |
Country Status (2)
Country | Link |
---|---|
KR (2) | KR102616083B1 (ko) |
WO (1) | WO2024043507A1 (ko) |
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 |
US10030931B1 (en) * | 2011-12-14 | 2018-07-24 | Lockheed Martin Corporation | Head mounted display-based training tool |
US20190033989A1 (en) * | 2017-07-31 | 2019-01-31 | Google Inc. | Virtual reality environment boundaries using depth sensors |
KR20220050235A (ko) * | 2013-03-11 | 2022-04-22 | 매직 립, 인코포레이티드 | 증강 및 가상 현실을 위한 시스템 및 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102225093B1 (ko) | 2020-09-01 | 2021-03-09 | 주식회사 맥스트 | 카메라 포즈 추정 장치 및 방법 |
-
2022
- 2022-08-22 KR KR1020220104858A patent/KR102616083B1/ko active IP Right Grant
-
2023
- 2023-07-06 WO PCT/KR2023/009565 patent/WO2024043507A1/ko unknown
- 2023-12-11 KR KR1020230178409A patent/KR20240026875A/ko unknown
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 |
US10030931B1 (en) * | 2011-12-14 | 2018-07-24 | Lockheed Martin Corporation | Head mounted display-based training tool |
KR20220050235A (ko) * | 2013-03-11 | 2022-04-22 | 매직 립, 인코포레이티드 | 증강 및 가상 현실을 위한 시스템 및 방법 |
US20190033989A1 (en) * | 2017-07-31 | 2019-01-31 | Google Inc. | Virtual reality environment boundaries using depth sensors |
Non-Patent Citations (1)
Title |
---|
KOK MANON; HOL JEROEN D.; SCHON THOMAS B.: "Indoor Positioning Using Ultrawideband and Inertial Measurements", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, IEEE, USA, vol. 64, no. 4, 1 April 2015 (2015-04-01), USA, pages 1293 - 1303, XP011578347, ISSN: 0018-9545, DOI: 10.1109/TVT.2015.2396640 * |
Also Published As
Publication number | Publication date |
---|---|
KR102616083B1 (ko) | 2023-12-20 |
KR20240026875A (ko) | 2024-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI715903B (zh) | 動作追蹤系統及方法 | |
WO2019017592A1 (en) | ELECTRONIC DEVICE DISPLACED ON THE BASIS OF A DISTANCE TO AN EXTERNAL OBJECT AND ITS CONTROL METHOD | |
WO2017007166A1 (ko) | 투영 이미지 생성 방법 및 그 장치, 이미지 픽셀과 깊이값간의 매핑 방법 | |
US20220398775A1 (en) | Localization processing service | |
WO2021125395A1 (ko) | 인공 신경망 기반으로 광학적 항법을 위하여 특이 영역을 결정하는 방법, 온보드 맵 생성 장치, 및 착륙선의 방향을 결정하는 방법 | |
WO2018124500A1 (ko) | 객체의 인식 결과를 제공하는 방법 및 전자 장치 | |
WO2024155137A1 (ko) | 비주얼 로컬라이제이션을 수행하기 위한 방법 및 장치 | |
WO2019172642A1 (ko) | 심장 박동을 측정하기 위한 전자 장치 및 방법 | |
WO2022149844A1 (en) | 3d angle of arrival capability in electronic devices with adaptability via memory augmentation | |
JP2021530812A (ja) | マッピングのためのシステムおよび方法 | |
WO2022139461A1 (en) | Three-dimensional angle of arrival capability in electronic devices | |
WO2024043507A1 (ko) | 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 | |
WO2022025729A1 (en) | Angle of arrival determination in electronic devices with fused decision from motion | |
WO2024043511A1 (ko) | 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 | |
WO2024043512A1 (ko) | 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 | |
WO2024039069A1 (ko) | 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 | |
CN115023732A (zh) | 信息处理装置、信息处理方法和信息处理程序 | |
Maciejewski et al. | Testing the SteamVR trackers operation correctness with the OptiTrack system | |
WO2024014777A1 (ko) | 비주얼 로컬라이제이션을 위한 데이터를 생성하기 위한 방법 및 장치 | |
WO2024010323A1 (ko) | 비주얼 로컬라이제이션을 위한 방법 및 장치 | |
WO2024005619A1 (ko) | 비주얼 로컬라이제이션을 위한 방법 및 장치 | |
WO2024106928A1 (ko) | 비주얼 로컬라이제이션을 이용하여 카메라 포즈의 유효성을 결정하기 위한 방법 및 장치 | |
WO2024122990A1 (ko) | 비주얼 로컬라이제이션을 수행하기 위한 방법 및 장치 | |
KR102613134B1 (ko) | 비주얼 로컬라이제이션을 이용하여 전술 훈련을 지원하기 위한 방법 및 장치 | |
WO2024147486A1 (ko) | 손 관절의 3차원 위치 정보를 획득하는 증강 현실 디바이스 및 그 동작 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23857545 Country of ref document: EP Kind code of ref document: A1 |