센서에서 얻어지는 데이터는 불완벽한데

RANSAC알고리즘은

이런 불완벽한 데이터에

inlier과 outlier 데이터를 구분을 하여서 사용자가 inlier데이터를 사용할수 있게 한다.

위와 같이 랜덤으로 선택된 포인트간에 라인에 가까이 있거나, 안에 들어가 있다면 inlier로 간주한다.

위와 같이 iterate를 하고, 제일 높은 inlier의 케이스를 선택을 하여서 데이터 분류를 한다.

즉 세가지 스텝인데

1. sampling a small subset of data points(treat them as inlier)
2. compute model parameters using the sampled data points.
3. score by fraction of inlier within a present threshold of the model.
   • 즉 어떤 inlier 포인트가 모델 스코어에게 큰 영향을 미치는 지 찾아 어떤 데이터가 inlier인지 outlier인지 찾는다.

SLAM에서는 Visual Odometer에 사용하게 된다.

• estimating motion of camera through the environment, by taking in acount the Corresponding points in pairs of consecutive image so they can compute relative orientation of the camera just based on the Correspondences
• and given that this approach is a kind of senstive to outlier so you need to make sure we have only inlier in order to estimate trajectory
• 즉 두 이미지 상에 효과적인 Corresponding matching 점을 찾는 것을 도와주면서 결국 안정적인 Corresponding matching point들로 인해 Transformation을 구할 수 있게 한다

즉 아래와 같이 엉망징창으로 코레스폰딩을 하게 되는데, 이때 불필요한 데이터를 outlier한다.

즉 내가 했던 프로젝트로 보면, 두 이미지상 ORB Feature Extractor로 특징점을 얻게 되는데, Corresponding mathcing을 하는데 있어 잘못된 특징점이 매칭 되는경우가 있으므로 이런 잘못된 매칭을 제거하고자 RANSAC이 쓰인다.

https://www.youtube.com/watch?v=Cu1f6vpEilg