[2024 ICRA work]

Review 1

1. SGF 빈도가 성능에 얼마나 영향을 미칠지? (e.g. 이상적인 localization 성능을 보장하기 위해 km당 SGF가 얼마나 있어야 하는지?)

   <aside> ‼️ SGF수가 정해진 같은 경로에 대하여 SGF를 달리해서 결과를 내보면 될 것 같습니다.

   </aside>

2. 잘못된 SGF matching을 처리할 수 있는 방법이 있는지? 비슷한 SGF가 놓인 환경에서 시스템이 얼마나 robust한지?

   <aside> ‼️ ICP score를 통해 잘못된 matching을 처리할 수는 있지만 score가 th이내인 비슷하지만 다른 위치의 SGF가 놓인 환경에서는 다른 descriptor와의 결합이 필요할 것으로 생각됩니다. 뉴비의 3d odometry처럼 위치 정보가 조금 신뢰도가 있다면 distance 정보를 이용할 수도 있음.

   </aside>

3. 일반적인 marking (e.g.차선)을 SGF에 포함할 수 있는지? → Generality에 도움이 됨

   <aside> ‼️ Lane을 SGF에 포함하려면 Road-SLAM 처럼 다수의 SGF를 포함하는 IPM scene이어야 가능할 것으로 생각합니다.

   </aside>

4. IPM image의 size가 optimal SGF를 감지하는데 영향을 미치는지? 만약 IPM 이미지에 완전한 SGF가 여러 개 포함되어 있는 경우 이를 어떻게 처리하는지?

   <aside> ‼️ 단일 SGF를 처리하기 위해 IPM 이미지의 시야 범위를 조금 작게 설정하였으나 만약 IPM 이미지가 조금 넓은 시야를 바라본다면 여러 개의 SGF를 한번에 처리해야해서 method 자체를 바꿔야할 것으로 생각됩니다. (e.g. 여러 SGF를 포함한 descriptor를 계산할 것이기 때문에 loop matching을 수행하려면 여러 SGF가 모두 관측되어야 함)

   </aside>

5. “일반적인 IPM 방법이 일관적인 정보를 전달할 수 없기 때문에 좋은 성능을 낼 수 없다”라는 논문의 문장에 대한 분석이 필요

   1. 기존 IPM 방법의 문제가 loop matching 성능에 영향을 미치는지? 아니면 잘못된 기하학적 정보로 인해 성능에 영향을 미치는지?

   <aside> ‼️ 일반적인 IPM 같은 경우 두 상황 모두에서 문제가 발생할 것으로 생각됩니다. (부정확한 geometric 정보로 인한 ICP로 부정확한 relative pose를 constraint로 줄 수도 있고 moment-based detector에서도 optimal SGF를 찾는데 문제가 발생할 수도 있다고 생각됨) MC-IPM과의 정량적 차이는 내었으나 그 차이가 어디서 발생하는지에 대한 확인이 필요.

   </aside>

Review 2

1. MC-IPM이 오르막이나 내리막 상황에서 잘 동작하는지?

   1. 오르막 상황에서는 과거 50개의 pose에 ptich 모션이 발생하는 pose만 들어있을텐데 어떻게 동작하는건지?

   <aside> ‼️ Pitch의 th값이 상대적인 변화의 th 값이라고 명확하게 명시를 해야할 것 같습니다. 절대적인 th값으로 이해하신 것 같습니다.

   

   </aside>

2. SelfReformer*와 SelfReformer의 차이는 무엇인지? (입력의 전처리 방식에서 차이가 있는 것인지?, 네트워크 정의가 같아 보임)

   <aside> ‼️ Reviewer분께서는 아마 training dataset을 재구축하고 이에 맞게 모델을 변경한 것으로 생각한 것 같습니다.

   

   </aside>

Review 3

For loop closing

1. Virtual camera의 FOV가 상대적으로 좁아보이는데 도시 환경에서는 서로 다른 위치에서 동일한 표시를 만나면 루프 폐쇄가 잘못 감지될 수도 있음.

   <aside> ‼️ 도시 환경에서는 동일한 표시가 빈번하게 등장하기 때문에 SGF descriptor만으로는 global PR을 할 수 없다는 문제를 명확하게 catch. 다른 loop detection 방법과 결합이 필요할 것으로 생각됩니다.

   </aside>

2. 다른 방법과 결합하거나 주변 환경을 나타내는 descriptor와 결합 필요

   <aside> ‼️ DBoW와 같이 front-view를 보는 다른 방법과 결합하거나 virtual camera의 시야를 넓게 해서 주변 환경에 대한 descriptor를 같이 결합하라는 의미로 생각했습니다.

   </aside>

For experimental design

1. Table 2를 아래와 같이 개선
   1. [ORB-SLAM3] & [ORB-SLAM3 + SGF / Odometry + DBoW + SGF]
   2. [Odometry + SGF] & [Odometry + DBoW] & [Odometry + SGF / Odometry + DBoW + SGF]
2. Ablation study에서 다른 loop detection 방법과 결합하여 아래와 같이 개선
   1. Odometry + (other method) / odometry + (other method) + SGF