SLAM은 simulataneous localization and mapping의 약자이다. 기기의 위치를 추적하는 localization을 위해서는, 지도를 만드는 mapping이 필요하다. 반대로 mapping을 하기 위해서는 localization이 필요하다. 이 둘을 동시에 해서 서로 상호작용해서 둘 다 해내는것이 SLAM의 핵심이다.

위 식은 observation과 control들을 가지고 경로와 지도를 확률적으로 계산한다는 의미를 가지고 있다.

SLAM을 할때에는 로봇의 정확히 어느 위치에 있다!의 결과보다는 로봇의 위치를 오차를 고려하여 확률적 분포로 알려준다.

위 그림이 slam의 전체적인 동작을 알려준다. x→path, 그리고 m→map이 모르는 정보고, 가운데 u, z가 아는 정보이다.

robot control (motion model)로 pose를 알아내고, observation model로 ㅡ맵을 구하는시긍로 작동한다.

Full SLAM과 Online SLAM으로 SLAM을 구분할 수 있는데 full slam은 시작부터 끝까지 전체 path를 추정하는 반면 online SLAM은 가장 최근 위치를 파악하는데 포커스를 둠

정범진: SLAM introduction 영상을 보았다. 전반적으로 다 이해하기 어렵지는 않았지만 3가지 의문점이 있었다.

1. 수학적으로 적분을 하면 앞선 정보들을 없앤다(marginalizing?)는 부분이 이해가 안됐다.

적분을 함으로서 앞에 정보를 없애는것이 아니라 적분(더해서) 합치는 것으로 보인다.

1. Gaussian model에 대해서 이해가 안된다.

Gaussian model의 정규분포로 오차가 생긴다와 안생긴다의 차이가 있다

1. Online SLAM을 하면 최근 trajectory만 기억한다고 했는데 그러면 loop closure를 미포함하고 있는것인가.