Occupancy Grid Map

• 이 지도는 환경을 격자(grid)로 나누고, 각 격자(cell)가 물리적 공간의 특정 부분을 대표
• 각 격자는 그 위치가 장애물에 의해 차지되어 있는지(occupied), 비어 있는지(free), 아니면 알 수 없는지(unknown)를 나타내는 확률 값

핵심 구성 요소

• 격자(Grids):
  • 환경을 작은 사각형으로 나눈 것으로, 각각의 사각형은 환경의 일부분을 대표
  • 이 사각형의 크기는 로봇의 센서 해상도와 탐색 환경의 세부 요구 사항에 따라 결정
• 확률 값(Probability Values):
  • 각 격자는 장애물의 존재 여부를 나타내는 확률 값으로 표현
  • 이 값은 0에서 1 사이이며, 0은 완전히 비어 있음을, 1은 완전히 차지되어 있음을 의미합니다. 중간 값은 불확실성을 나타냄
• 센서 모델(Sensor Models):
  • 센서 모델은 로봇의 센서로부터 얻은 데이터를 해석하여 각 격자의 확률 값을 업데이트하는 데 사용
  • 이는 주로 베이지안 확률론을 사용하여 계산됨
    • https://velog.io/@jk01019/베이지안-확률론

작동 원리

1. 초기화:

• 지도는 초기에 모든 격자가 알 수 없는 상태(예: 확률값 0.5)로 설정

2. 센서 데이터 수집:

• 로봇은 환경을 탐색하면서 센서(예: 라이다, 카메라)로부터 데이터를 수집

3. 지도 업데이트:

• 수집된 센서 데이터를 바탕으로, 로봇은 각 격자의 확률 값을 업데이데이트하여 환경에 대한 이해를 점진적으로 개선
• 이 과정은 베이지안 확률론을 사용하여 각 격자의 상태(장애물의 유무)에 대한 확률을 업데이트
• 이는 센서 관측치가 주어졌을 때 각 격자가 차지되었을 확률을 계산하여, 지도 상의 정보를 더 정확하게 만듭니다.

지도 업데이트 방법

• 센서 통합(Sensor Fusion): 다양한 종류의 센서 데이터를 통합하여 격자의 확률 값을 업데이트합니다. 예를 들어, 라이다 센서는 거리 정보를 제공할 수 있고, 카메라는 색상과 질감 정보를 제공할 수 있습니다. 이러한 정보를 결합하여 더 정확한 환경 인식을 달성할 수 있습니다.
• 역센서 모델(Inverse Sensor Model):
  • 역센서 모델은 센서의 측정값이 주어졌을 때, 각 격자가 차지될 확률을 계산
  • 이 모델은 센서의 정확도와 범위, 그리고 가능한 오차를 고려하여 설계됨
  • https://velog.io/@jk01019/역센서-모델

장점 및 한계

장점:

• 유연성: 다양한 크기의 환경과 다양한 유형의 장애물을 효과적으로 모델링할 수 있음
• 확장성: 큰 환경을 다룰 때 격자의 크기를 조정함으로써 세부적인 표현과 계산 효율성 사이의 균형을 맞출 수 있음
• 강력한 정보 표현: 확률적 접근 방식은 센서의 불확실성과 환경의 모호성을 자연스럽게 처리할 수 있게 해줌.

한계:

• 계산 비용: 매우 세밀한 격자를 사용할 경우, 계산 비용이 증가하며, 이는 대규모 환경에서의 실시간 처리에 제약을 줄 수 있습니다.
• 정적 환경 가정: 대부분의 Occupancy Grid Map 기법은 환경이 정적이라고 가정합니다. 이동하는 장애물을 처리하기 위해서는 추가적인 기법이 필요합니다.
• 해상도와 범위의 제한: 격자의 크기가 고정되어 있어, 세밀한 특징을 포착하거나 넓은 범위를 효과적으로 처리하는 데 한계가 있을 수 있습니다.

결론

Occupancy Grid Map은 로봇이 주변 환경을 인식하고 내비게이션하는 데 필수적인 도구입니다. 확률적 접근 방식을 통해 센서의 불확실성을 관리하고, 복잡한 환경에서도 효과적으로 작동할 수 있도록 설계되었습니다. 그러나 이 기술의 효과적인 사용은 센서의 선택, 격자의 해상도, 그리고 계산 자원의 가용성을 고려하여 적절한 균형을 찾는 것을 포함합니다.