선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 전방 모노카메라를 이용하여 임베디드 시스템 상에서 GraphSLAM을 수행할 수 있는 방법도 제안되었다[37]. SIFT 특징이 사용되었으며, 실시간성 확보를 위하여 서술자를 기존의 128차원에서 36차원으로 낮춰 표현하였다. Front-end에서는 5점 RANSAC 또는 오도메트리 정보로 로봇의 이동을 예측하고 특징의 위치를 추정하였다.
- 초음파센서 정보로부터 특징을 추출하여 EKF-SLAM을 수행한 연구 결과도 있다[24,25]. Sliding data window를 사용하여 최근에 측정된 초음파센서 정보를 수집하고, 수집한 정보의 양상을 분석하여 벽의 코너, 돌출된 부분 등에서 강인한 특징을 추출하였다. 제안된 특징은 기존의 직선, 점 특징들보다 안정적인 정합 결과를 제공해 주었으며, 결과적으로 실내 환경에서 장시간 동안 실패 없이 초음파센서 기반 SLAM을 수행할 수 있었다.
- RBPF에 기반한 다중 로봇 SLAM 방법도 제안되었다[30]. 각 로봇은 천장 지향 모노카메라를 이용하여 특징지도를 작성하였다. 주행 초기에 로봇들은 다른 로봇들의 상대적인 위치를 모르는 상태에서 출발점을 기준으로 특징지도를 작성해 나간다.
- 따라서 EKF-SLAM의 구조에 새로운 특징을 등록하기 위해서 지연 방식으로 특징을 초기화하였다. 거리가 먼 특징을 SLAM에 활용하기 위해서 가까운 거리에 있는 특징과 먼 곳에 있는 특징을 구분하여 각기 다른 모델을 세워 위치추정에 기여할 수 있도록 하였다[4]. 또 다른 대안으로 위치 불확실성을 여러 가우시안 분포의 합(sum of Gaussians)으로 표현하는 방법도 시도되었다[5].
- 초기 모노카메라 기반 SLAM의 문제점은 거리가 먼 특징들의 경우 위치 불확실성을 가우시안 분포로 표현하기 어려운 것이었다. 따라서 EKF-SLAM의 구조에 새로운 특징을 등록하기 위해서 지연 방식으로 특징을 초기화하였다. 거리가 먼 특징을 SLAM에 활용하기 위해서 가까운 거리에 있는 특징과 먼 곳에 있는 특징을 구분하여 각기 다른 모델을 세워 위치추정에 기여할 수 있도록 하였다[4].
- 전체 키프레임과 특징지도를 보정하기 위하여 BA를 사용하였으나, 지도의 규모가 커지면 연산량이 크게 증가하는 문제로 인해 실시간 SLAM이 어려웠다. 따라서 현재 카메라 위치에 인접한 5개의 키프레임들로 별도의 국부 BA를 수행하여 각 키프레임과 특징들의 위치를 보정하여 실시간성을 확보하였다. 그림 9에서와 같이 좁은 환경에서는 성공적인 결과를 보여주지만, BA의 연산량 증가 문제로 인해 넓은 환경에서는 SLAM이 어려운 문제가 존재하였다.
- 주행 초기에 로봇들은 다른 로봇들의 상대적인 위치를 모르는 상태에서 출발점을 기준으로 특징지도를 작성해 나간다. 로봇들은 다른 로봇들이 작성한 지도와 자신이 작성한 지도의 중첩되는 부분을 자동으로 감지하여 최적의 변환을 계산하여 지도를 통합하였다.
- BA를 SLAM에 활용한 대표적인 예로는 PTAM (Parallel Tracking and Mapping)이 있다[43]. 모노카메라로 FAST 특징을 추출하여 5점 RANSAC 알고리즘으로 카메라 이동과 특징의 위치를 예측하였다. 특징들은 키프레임(keyframe)을 생성하여 등록하고 카메라가 일정 거리 이상을 이동할 경우 새로운 키 프레임을 추가하였다.
- 모노카메라 또는 스테레오카메라가 장착된 쿼드롭터로 FastSLAM을 수행하는 방법이 제시되었다[29]. 모노카메라의 경우 5점 RANSAC (Random Sample Consensus) 알고리즘을 통해 연속된 영상으로부터 샘플의 위치를 예측하고 SLAM을 수행하였다. 스테레오카메라를 사용하는 경우에는 3점 RANSAC 알고리즘을 적용하여 샘플의 분포를 예측하였다.
- SLAM은 미지의 공간에서 위치추정 및 지도작성을 위해 필요한 기술이다. 본 논문에서는 SLAM 기술을 크게 Kalman filter, particle filter, graph 및 bundle adjustment에 기반한 방법들로 구분하여 지난 몇 년 동안의 연구성과를 정리하였다. 초기에는 Kalman filter에 기반한 연구가 주류를 이루었으나, 특징 개수의 증가로 인한 연산량의 급격한 증가 등의 문제를 극복하기 위하여 particle filter 기반의 다양한 SLAM 방법도 제안되었다.
- 위치가 정확히 추정된 특징들을 관측해야 카메라의 위치를 지속적으로 추정할 수 있으므로, 아무런 정보가 없는 SLAM 초기에는 위치를 알고 있는 몇 개의 특징들에 의존하여 SLAM을 수행하였다. 새로 관측된 특징의 3차원 위치는 PF를 이용한 지연방식으로 초기화하였다[2]. 그림 1(a)와 같이 특징이 관측된 방향으로 샘플을 직선 모양으로 분포시키고, 시점의 변화에 따라 샘플이 일정 길이 이하로 수렴하여 가우시안 분포로 근사화시킬 수 있을 때 EKF에 등록하여 그림 1(b)와 같이 위치추정에 활용하였다.
- 초기에는 좁은 사무실 환경에서 코너 특징을 사용하였으며, 위치를 알고 있는 특징들로부터 SLAM을 시작하여 주변으로 지도를 확장하였다. 위치가 정확히 추정된 특징들을 관측해야 카메라의 위치를 지속적으로 추정할 수 있으므로, 아무런 정보가 없는 SLAM 초기에는 위치를 알고 있는 몇 개의 특징들에 의존하여 SLAM을 수행하였다. 새로 관측된 특징의 3차원 위치는 PF를 이용한 지연방식으로 초기화하였다[2].
- SLAM 기술의 안정성이 크게 향상되고 임베디드 시스템에서의 실시간성이 확보됨으로써 저가의 센서를 이용한 다양한 방법들도 제안되었다. 주로 천장지향 카메라 또는 전방카메라를 사용하거나 감지거리가 짧은 거리센서를 사용하여 SLAM을 수행하였다.
- 모노카메라로 FAST 특징을 추출하여 5점 RANSAC 알고리즘으로 카메라 이동과 특징의 위치를 예측하였다. 특징들은 키프레임(keyframe)을 생성하여 등록하고 카메라가 일정 거리 이상을 이동할 경우 새로운 키 프레임을 추가하였다. 전체 키프레임과 특징지도를 보정하기 위하여 BA를 사용하였으나, 지도의 규모가 커지면 연산량이 크게 증가하는 문제로 인해 실시간 SLAM이 어려웠다.
이론/모형
- 그림 10과 같이 키프레임 방식으로 graph를 작성하며 카메라 위치 주변에서는 inner window를 이용하여 실시간으로 BA를 수행하였다. Inner window의 바깥 부분에서는 outer window를 구성하고, 최근 우수한 성능을 보여준 g2o 알고리즘[45]에 기반하여 graph 최적화 작업을 수행하였다. Outer window의 크기는 제한하여 전체적인 연산량이 증가하지 않도록 하였다.
- 단기 smoother는 최근에 작성된 graph를 최적화하며 실시간으로 동작한다. SWFG (Sliding-Window Factor Graphs) 기법을 통해 융합된 센서정보로 노드와 노드 사이의 구속조건을 계산한다. 장기 smoother는 전체 graph의 오차를 최소화하며 여분의 시스템 자원을 이용하여 느리게 동작한다.
- 그림 7. Sliding-window 기반 iSAM 수행.
- Dellaert와 Kaess는 처음으로 희소행렬의 인수분해를 통하여 오프라인으로 GraphSLAM을 수행하였다[34]. 그리고 이어서 실시간 GraphSLAM 방법인 iSAM (incremental Smoothing and Mapping)을 발표하였다[35]. 로봇의 위치와 특징들 사이의 모든 구속조건을 고려하여 오프라인으로 full SLAM 문제를 풀기 위한 GraphSLAM 방법도 2006년에 제안되었다[36].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.