자료조사

SLAM

• SLAM(Simultaneous Localization and Mapping)은 로봇이 알려지지 않은 환경에서 자신의 위치를 추정하고, 동시에 그 환경의 지도를 생성하는 과정
• SLAM은 이동체가 환경을 탐색하는 동안 지속적으로 센서 데이터를 수집하고 처리하여, 위치와 지도 정보를 동시에 업데이트
• 이 과정은 크게 다음과 같은 순서로 이루어집니다:

1. 초기화

• 환경 인식:
  • SLAM 과정의 시작에서, 이동체는 초기 위치에서의 센서 데이터(예: 카메라, 라이다, 초음파 센서 등)를 사용하여 주변 환경에 대한 초기 인식을 수행
• 초기 지도 생성:
  • 초기 센서 데이터를 기반으로 간단한 초기 지도를 생성
  • 이 초기 지도는 이후 데이터 수집과 처리 과정에서 점진적으로 발전
  • 내 위치 추정
    • 내부의 관성 측정 장치(IMU), 엔코더, 또는 센서 데이터의 변화를 분석하여 로봇의 상대적인 위치 변화를 추정
  • global 좌표계는, 로봇이 시작한 위치를 기준
  • 내 위치와 초기 지도의 필터링
    • 여러 가지 필터링 기법(예: 칼만 필터)이나 최적화 방법(예: 그래프 최적화)을 적용
  • RGB 이미지는 로봇의 pose와 매칭되어 별도로 저장할 수도 있다. (point cloud의 채널에 반영하는 것이 아닌)
    • https://velog.io/@jk01019/SLAM-key-frame-선택

2. 위치 추정과 지도 갱신

• 센서 데이터 수집:
  • 이동하면서 다양한 센서들로부터 데이터를 지속적으로 수집
  • 이 데이터에는 깊이 정보, 이미지, 거리 측정 등이 포함
• 특징 추출과 매칭:
  • 수집된 데이터로부터 환경의 특징을 추출하고, 이전에 매핑된 지도의 특징과 매칭하여 현재 위치를 추정
• 데이터 통합과 최적화: 새로운 센서 데이터와 이전 지도 데이터를 통합하여 지도를 갱신하고, 위치 추정의 정확도를 최적화합니다. 이 과정에서는 필터 기반 방법(예: 칼만 필터) 또는 그래프 기반 방법(예: 그래프 기반 최적화)이 사용될 수 있습니다.

3. 루프 클로징

• 루프 클로징 검출: 이동체가 이전에 방문했던 위치로 돌아오는 경우(루프 클로징), 센서 데이터가 기존의 지도와 어떻게 일치하는지를 분석합니다. 이 과정은 지도의 일관성을 유지하고, 누적된 오류를 수정하는 데 중요합니다.
• 오류 수정과 최적화: 루프 클로징을 통해 검출된 위치 오류를 수정하고, 전체 지도와 위치 추정치에 대해 최적화를 수행합니다. 이는 전체 지도의 정확도와 일관성을 높이는 데 기여합니다.

4. 지도 확장 및 정밀화

• 지도의 점진적 확장: 이동체가 새로운 영역을 탐색함에 따라, 지도는 점진적으로 확장됩니다. 새로운 센서 데이터는 기존 지도에 추가되어 지도의 범위와 세부 사항을 늘립니다.
• 정밀화: 지속적인 데이터 수집과 처리를 통해, 지도의 세부 사항과 정확도가 점차 향상됩니다. 이 과정에서 지도의 미세 조정이 이루어질 수 있으며, 환경의 변화를 반영하기 위한 지도의 갱신도 진행됩니다.

5. 최종 결과

• 최종 지도 생성: SLAM 과정을 통해, 이동체는 알려지지 않은 환경에

  대한 상세하고 정확한 2D 또는 3D 지도를 생성할 수 있습니다. 이 지도는 내비게이션, 경로 계획, 장애물 회피 등 다양한 응용 분야에서 활용될 수 있습니다.

SLAM은 동적 환경 인식, 로봇의 자율성 향상, 그리고 복잡한 탐색 및 내비게이션 작업 수행 능력의 기반이 됩니다. 다양한 유형의 센서와 알고리즘을 적용하여 SLAM 시스템의 성능을 최적화할 수 있으며, 이는 로보틱스 및 자율 주행 분야에서 지속적인 연구와 발전의 대상이 되고 있습니다.