bshc.log
로그인
bshc.log
로그인
효율적인 SLAM의 representation과 inference 방법
About_work
·
2024년 8월 29일
팔로우
0
0
global mapper
목록 보기
34/37
https://www.cv-learn.com/20230214-rosen-2021/
http://www.cv-learn.com/20230215-rosen-2021/
0. 기본적인 SLAM 문제의 구성
“SLAM은 local observation을 모아 global model을 만드는 것이다“.
여기서 local observation은 특정 시점의 센서 데이터 (e.g. 이미지, 라이다 스캔)을 의미하고,
global model은
3D scene geometry와 trajectory 정보
를 의미하는 것
Local observation을 의미하는 Y 데이터와 global model X가 있을 때, Joint likelihood인 P(Y|X) 을 작은 conditional likelihood로 표현하면 아래와 같은 식이 된다.
결국 작은 likelihood를 모아 확률론적으로 가장 정확한 global model을 찾는다는 말이 된다.
그리고 SLAM 문제를 잘 표현하기 위해 우리는 probabilistic graphical model을 사용한다.
사실 이렇게 길게 잘 표현하지는 않고, factor graph라고 부르는 경우가 더 많다.
Factor graph를 통해 우리는
수많은 state 사이의
conditional dependency
및
joint distribution
을 표현할 수 있다.
이렇게
joint distribution을 찾아낸 후, joint optimization을 통해 최적의 global model을 찾는게 SLAM
이라고 볼 수 있다.
Joint optimization을 위해 iSAM, GTSAM, g2o, Ceres-solver와 같은 비선형 최적화 라이브러리를 사용한다.
가장 효율적인 SLAM을 하기 위해서는 2가지 고려할 점이 생긴다.
첫째는 Representation -
‘시스템 모델 X는 어떤 정보를 담고 있어야하는가? 이 정보는 인풋 데이터 Y와 어떤 관계를 가지고 있는가?“
둘째는 Inference -
‘X와 Y 사이의 Joint probability distribution을 풀기 위해 어떤 방법을 사용해야하는가?“ 이다.
About_work
새로운 것이 들어오면 이미 있는 것과 충돌을 시도하라.
팔로우
이전 포스트
rerun_realtime_mapping.py
다음 포스트
[code] voxblox
0개의 댓글
댓글 작성