본 논문에서는 단일 깊이 이미지로부터 임의의 관절 구조를 가진 물체의 3차원 자세를 추정하는 방법을 제시한다. 이는 진화 알고리즘을 활용하여 수행되며, 사전 훈련이나 도메인 특정 지식에 의존하지 않고 관찰된 깊이 이미지를 설명할 수 있는 가장 가능성 높은 구성을 찾는다. 실험 결과, 제안된 방법은 자가 교차(self-occlusion) 상황에서도 효과적인 자세 추정을 보여주며, 특히 고차원 작업 공간에서 힐 클라이밍 기법보다 우수한 성능을 나타냈다.
본 논문은 깊이 이미지로부터 임의의 관절 구조를 가진 물체의 3D 자세를 추정하는 문제에 대해 진화 알고리즘을 활용한 새로운 접근법을 제시한다. 이 연구는 기존의 방법들이 사전 훈련이나 도메인 특정 지식에 크게 의존하고, 이를 일반화하기 위한 추가적인 노력이 필요하다는 한계점을 극복하려고 시도한다.
자세 추정은 물체의 관절 구조를 기반으로 깊이 이미지에서 물체의 위치와 자세를 결정하는 과정이다. 본 논문에서는 이 문제를 모델 기반 추정 문제로 정의하고, 진화 알고리즘을 활용하여 최적의 자세 매개변수를 찾는다. 특히, 이 접근법은 사전 훈련이나 도메인 특정 지식에 의존하지 않고, 관찰된 깊이 이미지를 설명할 수 있는 가장 가능성 높은 구성을 추출한다.
기존 연구들은 주로 인간의 자세 추정에 초점을 맞추고 있으며, 이들 방법은 종종 도메인 특정 지식과 광범위한 훈련 데이터를 필요로 한다. 예를 들어, Shotton 외
## 3D 자세 추정: 진화 알고리즘을 활용한 임의의 관절 골격의 깊이 이미지로부터의 자세 추출
로봇이나 인간과 같은 관절 구조 물체의 3차원 자세를 추정하는 것은 다양한 응용 분야에서 중요하다 (예: [8]). 최근 기술 발전으로 깊이 이미지를 캡처하기 편리하고 저렴해졌지만, 이러한 이미지로부터 자세 정보를 추출하는 것은 여전히 도전 과제이다. 심지어 대상 물체의 관성 구조가 제공되더라도 말이다. 대중적인 접근 방식은 종종 도메인 특정 지식과 광범위한 훈련에 의존하므로, 훈련 데이터가 거의 없거나 전혀 없는 임의의 골격에는 일반성을 제공하지 못한다.
본 논문에서는 단일 깊이 이미지로부터 임의의 관절 골격의 자세를 추정하는 결과들을 제시한다. 자세 추정은 모델 기반 추정 문제로 정의되며, 진화 알고리즘을 적용하여 최적의 자세를 찾는다. 사전 훈련이나 사전 지식이 아닌, 이 알고리즘은 관찰된 깊이 이미지를 설명하기 위해 오직 관성 구조에 따라 가장 가능성 높은 구성을 추출한다 (그림 1).
대부분의 자세 추정 연구는 특히 인간의 관절 골격에 초점을 맞추어 왔다. 최근 설문 조사 [5,6]는 두 가지 주요 방향을 기술한다: 신체 부위의 확률적 감지 및 예시 기반 방법. 예를 들어, Shotton 외 [7]는 인간 자세 인식에 특히 성공적인 접근 방식을 설명했는데, 이는 신체 부위의 근사 자세를 찾은 후 로컬 최적화 단계를 거치는 확률적 의사 결정 트리를 구축한다. 이 기술은 빠르고 신뢰할 수 있지만, 24,000 코어 시간의 훈련을 필요로 하며, 1백만 개의 무작위 자세 데이터 세트에 대해 훈련된다. 이러한 기법의 주요 제한점은 인간 관성 구조에 대한 도메인 특정 정보에 의존한다는 점으로, 이를 임의의 골격에 일반화하기 위해서는 명시적이고 추가적인 훈련이 필요하다. 비교적으로 Gall 외 [3]는 마커 없는 카메라 시스템을 사용하여 동물과 비정형 의복과 같은 복잡한 모델의 자세를 찾았는데, 이는 레이저 스캔 시각 껍질을 필요로 하며, 이를 기본 관성 구조에 매핑하기 위해 인간 전문가의 개입이 필요하다.
대안적 접근법으로 Katz 외 [4]는 시각적 특징 추적을 통해 관절 물체의 관계 표현을 추론하지만, 이 방법은 평면 물체에만 제한되며 상호 작용을 통해 기본 구조를 추론해야 한다.
자세 추정은 최적화 문제로 정의된다:
여기서 s(θ)는 매개변수 θ를 가진 골격 모델, p_n은 관찰된 깊이 이미지에서 선택된 점, p_*는 주어진 매개변수 θ에 대해 점 p_n에 가장 가까운 모델 상의 점이며, σ는 깊이 이미지 내의 점 간 표준 편차이다. 이 최적화 문제는 비구면 함수로 인해 많은 지역 최적점을 가진 복잡한 문제이다. 따라서 진화 알고리즘을 사용하여 자세 매개변수를 찾는다. 진화 알고리즘은 인구 기반 해법으로, 점차적으로 더 나은 모델을 생성하기 위해 해결책을 선택하고 결합하는 순환 과정을 거친다 [2]. 골격은 관절 각도와 길이를 매개변수로 하는 방향 그래프로 표현된다. 전통적인 진화 연산자는 매개변수에 무작위 돌연변이를 적용하고 부모 간의 교차를 통해 자손을 생성한다.
Kinect 카메라 깊이 센서를 사용하여 관절 로봇 데이터 세트를 포착했다 [1]. 두 가지 매우 다른 주체의 이미지가 캡처되었다: 첫 번째는 8개의 링크로 구성된 사지 기반 로봇 모델로, 39도의 자유도를 가진 39도-의 자세를 취할 수 있으며, 두 번째는 17개의 링크를 가진 인형 모델로, 78도의 자유도를 가진다. 거미 모델에 대해서는 4가지 다른 자세를 설정하고 각 자세당 다양한 기울기 각도에서 5장의 이미지를 수집하여 총 20장의 깊이 이미지를 얻었다. 데이터 세트에는 자기 교차 현상이 여러 번 나타났다. 인간형 모델의 경우, 4명의 주체로부터 8장의 이미지가 촬영되어 총 32장의 이미지를 얻었다.
다른 데이터 세트들은 배경 차감 처리를 거쳤습니다.
우리는 10개의 객체 함수 평가, 즉 약 10,000번의 반복을 위해 학습 알고리즘을 실행했습니다. 단일 코어 2.8GHz 인텔 프로세서에서, 이는 거미와 인간형 모델에 각각 약 30분과 70분의 계산 노력이 필요했습니다.
진화 알고리즘의 결과는 거미와 인간형 모델 모두에서 자가 교차(self-occlusion)가 심한 상황에서도 성공적인 자세 추정이 가능함을 보여줍니다 (그림 2). 정량적으로, 우리의 모델은 거미 모델에서 링크를 올바른 위치에 배치하는 정확도 99%와 인간형 모델에서 84%의 정확도를 달성했습니다. 질적으로, 5점 척도의 점수 조사에서 거미는 4.9점을, 인간형 모델은 4.1점을 받았습니다.
힐 클라이밍(hill-climbing) 기준선과 비교한 결과, 우리의 학습 알고리즘은 저차원 거미 모델에서 현저히 우수한 결과를 보였습니다. 그러나 고차원 인간형 모델에서는 성능에 급격한 차이가 나타났습니다.
진화 접근법은 일관되게 모델의 합리적인 근사치를 추론할 수 있는 반면, 힐 클라이밍 접근법은 종종 실제 값과 크게 다른 지역 최적(local optima)에 갇히곤 합니다. 이러한 결과는 고차원 작업 공간이 겹치는 문제에서 제안된 학습 방법이 자세 정보 결정보다 훨씬 우수함을 보여줍니다.
이 글은 ArXiv의 공개 자료를 바탕으로 AI가 자동 번역 및 요약한 내용입니다.
저작권은 원저자에게 있으며, 인류 지식 발전에 기여한 연구자분들께 감사드립니다.