SLAM

SLAM DUNK [link]

Localization

• robot motion(noisy)
• landmarks
• estimate robot pose based on motion and landmark observations
  • 랜드마크가 정확하다는 가정하에 motion을 보정

Mapping

• robot motion
• sensor readings(noisy)
• estimate landmarks(i.e. map points), based on motion and sensor readings
  • 모션이 정확하다는 가정하에 landmarks 위치를 보정

SLAM

• noise robot motion
• noise sensor reading
• estimate robot position and landmarks, based on motion and sensor reading
• 'Loop closure'를 수행하면 지금까지 쌓인 에러를 해결 할 수 있다.
• Mobile robot, 'Autonomous cars'(localisation만 필요 해질 수 있으므로)?
• Offline SLAM : Sensor data를 다 모아서 맵을 생성
• Online SLAM : 일반적으로 생각하는 실시간 SLAM
• 물체의 트레젝토리와 맵의 확률 표현 식:
  $p(x_{0:T},m | z_{1:T}, u_{1:T})$
  $distribution(path_{0:T},map/given/observations_{1:T}, controls_{1:T})$

• Full SLAM: estimates the entire path.
  * SfM(Structure From the Motion) : 모은 경로와 모은 맵 포인트를 추정
  $p(x_{0:T},m | z_{1:T}, u_{1:T})$
• Online SLAM: seeks to recover only the most recent pose
  * Filter-based SLAM : 가장 최근 포즈만 추정
  $p(x_t,m | z_{1:t}, u_{1:t})$

현대의 SLAM에서는 명확히 Full/Online SLAM을 구분하기는 어렵다.

SLAM이 왜 어려운가?

• Uncertainties
  • 모션과 랜드마크의 위치들이 모두 부정함
  • 어떤 랜드마크를 보고있는지 확실 할 수 없다

SLAM을 어떻게 풀었나?

• Kalman filter : Kalman filter를 이용해 맵의 포인트와 로봇 포즈를 추정
• Particle filter : 가우시안을 이용해서 추정
• Graph-based
  • Least squared formulation of the SLAM problem : 리스트 스퀘어를 사용해 SLAM 문제를 해결

Motion model / Observation model

• Motion model
  $p(x_t|x_{t-1}, ut)$
  $distribution(new pose/given/old pose, control)$
  
• Observation model
  $p(z_t|x_t)$
  $p(observation/given/pose)$