Chapter 04. SLAM 알고리즘의 파이프라인

Data acquisition → Visual odometry & Loop-closure detection→ Backend optimization → Map representation

1. Visual odometry

t와 t+1 사이의 특징점 간 대응관계를 통해 상대움직임 측정. 누적되는 오차 (drift error)때문에 VO만 사용하면 오차가 크다.

1. Loop-closure detection

현재 센서 위치가 이전에 방문한 곳인지 판단하고 맞는 경우 전체 궤적을 보정하여 위에서 발생하는 drift error를 줄임.

1. Backend optimization

state estimation하는 방법으로 필터 기반과 비선형 최적화 기반으로 나뉨. 필터 기반은 Kalman filter, Particle filter가 주로 쓰이고, 비선형 기반은 Bundle adjustment와 Graph optimization이 있음. 비선형적인 움직임 모델인 nonlinear differential equations를 가지고 센서의 pose ↔ landmarks를 업데이트 해나간다.

1. Map representation

이를 바탕으로 환경 맵을 그리는데 지도의 종류로는 2D occupancy grid map, Topological map, 3D pointcloud map 등이 있다.

References

• Probabilistic robotics
• Photogrammetric computer vision

앞서 SLAM 스터디에 사용한 영상 강의도 이 교재에서 참고하여서 유사한 부분은 패스함.

https://www.youtube.com/playlist?list=PLubUquiqNQdMYwQVftUSFEWhJgzBErO9N

part II에서 나오는 Jetson, Docker, ROS 해보았기 때문에 생략함.