항공우주, 자동차 조립 등 첨단 제조 분야의 자세 측정에 대한 긴급한 요구에 대응하여, 레이저 트래커를 위한 빠르고 고정밀 자세 측정 방법을 제안하였다. 딥러닝과 시각 PnP 모델을 결합하여 레이저 트래킹 과정에서 측정 대상의 자세를 자동으로 측정하였다. PnP 자세 해석 모델이 요구하는 3D 특징점과 2D 특징점 간의 대응 관계를 직접 결정하기 어려운 문제를 해결하기 위해, 특징점에 대응하는 고차원 특징을 추출하는 특징 추출 네트워크를 설계하였고, 최적 수송 이론을 사용하여 특징 벡터 간의 결합 확률 분포를 결정하여 3D-2D 특징점 자동 매칭을 완성하였다; Ransac-P3P와 EPnP 알고리즘을 결합하여 매칭된 3D 특징점과 2D 픽셀 점에 대해 자세를 해석하여 고정밀 자세 정보를 얻었다; 이에 기반해 암시적 미분 이론을 활용하여 PnP 해석 과정의 야코비 행렬을 계산함으로써 PnP 자세 해석 모델을 네트워크에 통합하고 네트워크 훈련을 지도하여 딥 네트워크의 매칭 능력과 PnP 모델의 자세 해석 능력의 장점을 상호 보완하여 해석 정확도를 향상시켰다. 마지막으로, 레이저 트래커용 자세 측정 네트워크 훈련을 위해 풍부한 주석 정보를 포함한 데이터셋을 제작하였다. 고정밀 2차원 회전대를 기반으로 자세 측정 실험을 수행하였으며, 결과는 3 m 거리에서 피치 각 측정 정확도가 0.31° 이내, 롤 각 정확도가 0.03° 이내이며, 단일 측정 시간은 약 40 ms로 레이저 트래커의 고정밀 자세 측정을 실현할 수 있음을 보여주었다.

레이저 트래커; 자세 측정; 단안 시각; 딥러닝