슬램(SLAM: Simultaneous Localization And Mapping)

1. 슬램(SLAM)

SLAM(동시적 위치추정 및 지도작성)은 주변 환경 지도를 작성하는 동시에 이동체의 위치를 작성된 지도 안에서 추정하는 방법입니다. SLAM 알고리즘을 통해 이동체가 이동하면서 미지의 환경에 대한 지도를 작성할 수 있습니다.

SLAM은 동시에 Localization(본인의 위치를 확인) 및 지도 제작의 약자이다. 이는 주변 환경에 대해 사전 정보가 없는 상황에서 센서(ex. 카메라, 라이다)를 이용하여 이동 중에 주변 환경의 모델을 확립하고 자신의 pose를 추정하는 작업이다.

실내를 마음대로 다니려면 준비된 실내공간 지도 데이터가 없고 자신의 위치를 알 수 없다면 어디로 어떻게 가야할 지 모르겠지요? 이때 로봇은 주변의 환경을 인식하여 자신의 위치를 계산하고 스스로 공간 지도를 만드는데, 이 기술이 바로 슬램 기술입니다. 즉, 로봇이 움직이면서 센서로 주변 환경을 인식하고 공간 지도 즉 슬램 지도를 만드는 것입니다.

SLAM은 오랫동안 기술 연구의 주제로 거론되었습니다. 하지만 컴퓨터 처리 속도가 크게 개선되고 카메라와 레이저 거리 측정기 등의 저비용 센서가 등장함에 따라 SLAM은 점점 더 많은 분야의 실제 응용 사례에 사용되고 있습니다.

 

1) 슬램의 작동방식

크게 보면 SLAM을 달성하는 데 사용할 수 있는 기술적 구성요소에는 두 가지 유형이 있습니다. 첫 번째는 프론트엔드 처리 등의 센서 신호 처리이며, 이는 사용하는 센서에 크게 의존하게 됩니다. 두 번째는 백엔드 처리 등의 자세 그래프 최적화로서 센서와는 무관합니다.

 

1. 센서 정보를 읽습니다.
   • 시각적 SLAM에서는 주로 카메라 이미지 정보의 읽기 및 전처리 단계를 말합니다.
   • 이 단계에서는 휠 및 관성 센서와 같은 정보를 읽고 동기화 할 수 있습니다.
2. Visual odometry (VO).
   • Visual odometry는 인접한 이미지 사이의 카메라 동작과 로컬 맵의 모양을 추정하는 것입니다.
   • VO는 프론트 엔드 라고도합니다.
3. Backend optimization
   • 백엔드는 위 그림에서 loop closure에 대한 정보는 물론 시각적 인 주행 거리계로 측정 한 카메라 포즈를 다른 시간에 받아들이고 일관된 궤도와 맵을 얻을 수 있도록 최적화합니다.
   • VO에 연결되어 있기 때문에 Backend라고도합니다.
4. Loop Closure는 로봇이 과거에 도달했던 위치에 도달했는지 확인하는 역할을 수행합니다.
   • loop closure가 감지되면 처리를 위해 백엔드에 정보를 제공합니다.
5. 맵핑. 추정 된 궤도를 기반으로 현재 위치에 해당하는 지도를 만듭니다.

 

프론트엔드 처리 구성요소를 좀 더 자세히 알아볼 수 있도록 서로 다른 두 가지 SLAM 방법인 시각적 SLAM과 라이다 SLAM을 살펴보겠습니다.

 

2) 시각적 SLAM

시각적 SLAM(또는 vSLAM)은 카메라 및 기타 영상 센서로 획득한 영상을 사용합니다. 시각적 SLAM은 일반 카메라(광각, 어안 및 구형 카메라), 스테레오 카메라(다중 및 멀티 카메라) 및 RGB-D 카메라(심도 및 ToF 카메라)를 사용할 수 있습니다.

비주얼 슬램은 카메라로 주변을 촬영하고 촬영된 사진의 연관성을 분석하여 위치를 인식하고 지도를 작성합니다. 거리 측정 외에도 색과 밝기, 윤곽선 등 보이는 다양한 정보를 한 번에 처리 가능하여 외부에서 실내의 애완동물을 모니터링하거나 외부에서 실내 공간의 침입자를 확인할 수 있는 홈가드와 같이 다양한 부가기능을 카메라로 구현할 수 있다는 장점이 있습니다. 하지만 이미지 정보를 분석하는 과정이 복잡하고 깜깜한 곳에서는 측정 능력이 떨어지는 단점이 있습니다. 

 

장점:

1. 실시간 매핑: Visual SLAM은 장치가 주변 환경의 지도를 실시간으로 생성할 수 있게 해줍니다. 이는 자율 주행 차량이나 드론과 같은 응용 분야에서 핵심적인 기술에 해당합니다.
2. 외부 인프라 불필요: 다른 일부 위치 결정 방법과 달리 Visual SLAM은 GPS나 신호 태그와 같은 외부 인프라에 의존하지 않아 다양한 환경에서 사용될 수 있게 만들어 줍니다.
3. 견고성: Visual SLAM은 여러 환경과 조명 조건에서 작동할 수 있습니다. 최신 알고리즘은 조명 변화, 동적 객체, 가리기와 같은 도전적인 상황들을 다룰 수 있습니다.
4. 경제성: 일부 다른 방법과 비교했을 때, Visual SLAM은 추가적인 센서나 인프라가 필요하지 않아 비용 효율적일 수 있습니다.

단점:

1. 계산적 부담: Visual SLAM 알고리즘은 상당한 계산 능력을 필요로 합니다. 이는 자원이 제한된 장치에 대한 도전일 수 있습니다.
2. 정확성: 최신 Visual SLAM 시스템은 꽤 정확하지만, 특정 시나리오에서는 정확성에 제한이 있을 수 있어. 특히 높은 동적 환경이나 질감이 적은 장면 등에서는 성능이 제한됩니다.
3. 초기화 어려움: 많은 Visual SLAM 알고리즘은 좋은 초기화를 요구하며, 그 성능은 초기 추정의 품질에 의존할 수 있습니다. 특히 알려지지 않은 환경이나 구조가 없는 곳에서는 어려울 수 있습니다.
4. 지도 드리프트: 시간이 지남에 따라 로봇의 위치와 지도의 추정에서 발생하는 오차가 "드리프트"로 이어질 수 있습니다.

 

3) 라이다 SLAM

라이다 슬램은 레이저 빛을 쏘고 빛이 반사돼 돌아온 시간을 계산해 주변 환경을 인식하는데요. 360도로 레이저를 발사해 벽이나 장애물의 굴곡을 탐지, 거리를 측정하는데 별도의 데이터 처리 과정 없이 확인 가능한 것이 장점입니다. 하지만 안개나 폭우 같은 악천후 상황에는 측정이 어렵고 고장이 나기 쉽고 비용이 많이 드는 단점이 있습니다.

장점:

1. 높은 정확성: Lidar 센서는 거리 측정을 정확하게 수행하므로 Lidar SLAM은 일반적으로 높은 정확성을 제공합니다. 특히 거리에 민감한 응용 분야에서 좋은 결과를 얻을 수 있습니다.
2. 다양한 환경 지원: Lidar는 주변 환경의 3D 구조를 캡처하는 데 강점이 있습니다. 이러한 특징은 어두운 곳이나 까다로운 광조건에서도 상대적으로 뛰어난 성능을 보일 수 있습니다.
3. 적은 계산 부담: Lidar 데이터는 이미 3D 형태로 제공되기 때문에, 일반적으로는 비교적 적은 계산으로 위치와 자세를 확인 할 수 있습니다. 이는 실시간 응용 분야에서 중요하게 작용합니다.
4. 적은 지도 드리프트: Lidar는 시간이 지남에 따른 누적 오차가 적은 경향이 있습니다. 이는 지도 드리프트에 대해 상대적으로 강한 편입니다.

단점:

1. 높은 비용: Lidar 센서는 비용이 상대적으로 높아서, 이는 일부 응용 분야에서 경제적인 도전을 제공할 수 있습니다.
2. 무거운 하드웨어: Lidar 시스템은 종종 무거워서, 이는 이동성이나 휴대성이 중요한 응용 분야에서 제약 요소가 될 수 있습니다.
3. 비교적 낮은 해상도: 몇몇 Lidar 시스템은 상대적으로 낮은 공간 해상도를 가지고 있어, 작은 객체나 세부적인 환경 특성을 정확하게 감지하는 데 한계가 있을 수 있습니다.
4. 레이더나 카메라보다 민감한 환경: 특히 강한 자외선 또는 레이저 광선이 있는 환경에서는 Lidar가 더 민감할 수 있어, 이는 센서의 신뢰성에 영향을 미칠 수 있습니다.

Lidar SLAM도 여러 응용 분야에서 강력한 성능을 보이지만, 비용과 무게 등 몇 가지 한계도 고려해야 합니다.