[논문]일반 그래프 최적화를 활용한 그래프 기반 SLAM 구현

고낙용; 정준혁; 정다빈

doi:10.13067/jkiecs.2019.14.4.637

일반 그래프 최적화를 활용한 그래프 기반 SLAM 구현
The Implementation of Graph-based SLAM Using General Graph Optimization 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.14 no.4, 2019년, pp.637 - 644

고낙용 (조선대학교 전자공학부) , 정준혁 (조선대학교 대학원 제어계측공학과) , 정다빈 (조선대학교 대학원 전자공학과)

초록
AI-Helper

본 논문은 일반 그래프 최적화(g2o, General Graph Optimization)를 사용하여 그래프 기반 SLAM을 구현한 결과를 기술한다. 일반 그래프 최적화는 SLAM을 노드와 엣지의 그래프를 통하여 표현한다. 노드는 시간에 따른 로봇의 위치를 나타내며, 엣지는 노드들 사이의 구속 조건을 나타낸다. 구속 조건은 센서에 의한 측정값에 의해 결정된다. 일반 그래프 최적화는 구속 조건에 의해 결정되는 성능지표를 최적화하여 SLAM 문제를 해결한다. 실현된 일반 그래프 최적화 방법을 SLAM 방법의 성능 시험용으로 공개된 실험 데이터를 사용하여 검증하였다.

Abstract ▼ AI-Helper

This paper describes an implementation of a graph-based simultaneous localization and mapping(SLAM) method called the General Graph Optimization. The General Graph Optimization formulates the SLAM problem using nodes and edges. The nodes represent the location and attitude of a robot in time sequence, and the edge between the nodes depict the constraint between the nodes. The constraints are imposed by sensor measurements. The General Graph Optimization solves the problem by optimizing the performance index determined by the constraints. The implementation is verified using the measurement data sets which are open for test of various SLAM methods.

주제어

표/그림 (8)

그림 그림 1. 노드와 엣지 Fig. 1 Nodes and edges
그림 그림 2. 일반 그래프 최적화 Viewer Fig. 2 General graph optimization viewer
그림 그림 3. 일반 그래프 최적화 데이터 형태 Fig. 3 일반 그래프 최적화 data format
그림 그림 4. ‘MIT-CSAIL’ 일반 그래프 최적화 및 매트랩 구동 결과 Fig. 4 'MIT-CSAIL' General graph optimization and matlab implementation results
그림 그림 5. ‘Intel Research Lab’ 일반 그래프 최적화 및 매트랩 구동 결과 Fig. 5 'Intel Research Lab' General graph optimization and matlab implementation results
그림 그림 6. ‘Wood autumn’ 일반 그래프 최적화 및 매트랩 구동 결과 Fig. 6 ‘Wood autumn’ General graph optimization and matlab implementation results
그림 그림 7. ‘Stairs’ 일반 그래프 최적화 및 매트랩 구동 결과 Fig. 7 ‘Stairs’ General graph optimization and matlab implementation results
그림 그림 8. ‘Garage’ 일반 그래프 최적화 및 매트랩 구동 결과 Fig. 8 ‘Garage’ General graph optimization and matlab implementation results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

최근 이용이 활발하게 증가하고 있는 도구는 C++로 작성된 일반 그래프 최적화 라이브러리다. 본 논문에서는 일반 그래프 최적화를 사용하여 그래프 기반 SLAM을 구현하였다. 본 논문의 2장에서는 그래프 기반 SLAM 방법을 기술한다.

제안 방법

본 연구에서는 평활화 방법인 그래프 기반 SLAM 방법을 일반 그래프 최적화에 의해 구현되었다. 일반 그래프 최적화에서 구현한 그래프 기반 SLAM 방법이 ICP 특징점 추정에 의한 Dead-Reckoning 추정 방법보다 좋은 결과가 나왔다.

대상 데이터

3D data는 MIT 대학의 Luca Carlone의 ‘Garage’ dataset을 사용하였으며, 취리히 연방공과대학(ETH Zurich) Autonomous System Lab의 ‘Wood autumn’ dataset과 ‘Stairs’ dataset을 ICP(Iterative closest point) 방법에 적용하여 엣지 정보를 생성하여 사용했다.
본 절에서는 제안한 그래프 기반 SLAM 방법을 일반 그래프 최적화에 의해 구현하고 매트랩 기반으로 직접 프로그래밍한 시뮬레이션의 결과와 비교한다. 실험 데이터는 2D data와 3D data를 사용했다. 2D data는 IPB-Photogrammetry Lab의 ‘Intel Research Lab’ dataset과 ‘MIT-CSAIL’ dataset을 사용했다.

데이터처리

본 절에서는 제안한 그래프 기반 SLAM 방법을 일반 그래프 최적화에 의해 구현하고 매트랩 기반으로 직접 프로그래밍한 시뮬레이션의 결과와 비교한다. 실험 데이터는 2D data와 3D data를 사용했다.

성능/효과

본 연구에서는 평활화 방법인 그래프 기반 SLAM 방법을 일반 그래프 최적화에 의해 구현되었다. 일반 그래프 최적화에서 구현한 그래프 기반 SLAM 방법이 ICP 특징점 추정에 의한 Dead-Reckoning 추정 방법보다 좋은 결과가 나왔다. 이러한 결과가 매트랩을 이용한 시뮬레이션 결과와 비슷한 결과가 나온 것을 확인할 수 있다.

후속연구

향후, 노드들 사이의 변환을 구하는 다른 방법을 사용하여 엣지 정보들의 신뢰성을 높여 정확한 위치 추정을 수행할 예정이다. 또한, 다른 측정 데이터들을 사용하여 SLAM을 구연하는 연구를 수행할 예정이다.
ICP 방법에 의해 만들어진 엣지 정보들의 신뢰성이 낮아서 위치 추정 결과의 정확성이 떨어진 것으로 분석된다. 향후, 노드들 사이의 변환을 구하는 다른 방법을 사용하여 엣지 정보들의 신뢰성을 높여 정확한 위치 추정을 수행할 예정이다. 또한, 다른 측정 데이터들을 사용하여 SLAM을 구연하는 연구를 수행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	SLAM이란 무엇인가?	주변 환경에 대한 지도 정보가 없을 경우 사전탐사를 통하여 위치를 추정함과 동시에 지도를 작성한다. 이렇게 위치 추정과 지도 작성을 동시에 하는 것을 SLAM(: Simultaneous localization and mapping)이라고 한다[1-3]. 최근 많이 발표되는 SLAM 관련 논문들은 칼만 필터나 파티클 필터와 같이 필터링을 이용해서 접근하는 방식보다 최소 자승법에 기반으로 한 접근법을 주로 이루고 있다.
	SLAM에는 어떤 방법들이 있는가?	SLAM에는 대표적으로 필터링(Filtering) 방법과 평활화(Smoothing) 방법이 있다. 먼저 필터링 방법은 실시간으로 데이터를 얻어 현재 주행 위치와 지도를 작성하는 방법이다.
	계산량 때문에 실시간 처리를 하는 과정에 문제를 어떤 방법으로 해결하는가?	하지만 이 방법은 오차룰 크게 줄일 수 있긴 하지만 계산량의 문제 때문에 실시간 처리를 하는 과정에 있어서 문제가 있다. 위의 문제를 해결하는 방법으로는 희소 행렬을 이용하여 계산량 문제를 해결하는 방법이 있다. 희소 행렬을 사용한 대표적인 방법으로는 ISAM(: Incremental Smoothing and Mapping)과 일반 그래프 최적화(g2o, General Graph Optimization)가 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증