슬램(SLAM)의 파이프라인 구조와 아키텍처에 대한 시뮬레이션

Abstract

자율주행기술이 들어간 자동차에 SLAM(Simultaneous Localization And Mapping) 기술이 적용되고 있으며, 현재는 드론 혹은 주행 로봇 등 다양한 분야에 SLAM 관련 기술이 쓰이고 있다. 간단히 SLAM이란 스스로 자기 위치를 추정할 뿐만 아니라 주변 환경에 대해서 지도를 동시에 만드는 기술이다. SLAM은 Mono-SLAM, ORB-SLAM, Visual SLAM, RGB-D SLAM 등 다양한 형태가 존재한다. 본 논문에서는 SLAM의 기본적인 개념과 Data Acquisition, Front-End를 의미하는 Visual Odometry, Loop Closure Detection 그리고 Back-End를 의미하는 Back-End Optimization, Map Representation과 같은 전형적인 SLAM의 파이프라인에 대해서 서술한다. 파이프라인에대한 세부적인 설명을 위해 전형적인 Front-End에서 사용하는 기법으로 3D Point Cloud Processing, 3D Point Cloud Registration, Visual Keypoint & Descriptors, Loop Closure에 대한 설명이 기술되며, 전형적인 Back-End에서 사용하는 기법으로 그래프를 기반한 SLAM과 Bundle Adjustment에 대한 설명이 기술된다. 그리고 RTAB-MAP(Real-Time Appearance-Based Mapping) 구조에 대해 기술하는데, RTAB-MAP(Real-Time Appearance-Based Mapping)은 다음과 같은 5가지 장점이 있다. 첫째로 지도가 커짐에 따라 Loop-Closure를 탐색하고 그래프를 최적화하며, 지도를 만드는 경우에 많은 시간이 걸리게 된다. 또한 로봇에 대한 제어뿐만 아니라 장애물 회피를 위한 통합 알고리즘 수행을 위해서는 최소한의 계산량을 처리하는 것이 필요하다. 그래서 하나의 라인 위에 프로세스가 가능한 Online Processing이 가능하다. 두 번째로 과거에 탐색했던 지역을 알고 있어야 지도의 수정이 가능해진다. 세 번째로 동적 환경, 지형의 변화 그리고 조도의 변화 등 반복적인 환경이 부정확하고 올바르지 않은 Localization 수행으로 강건한 Localization 수행을 이끌 수 있다. 네 번째로 대부분 Occupancy Grid를 이용하는 효율적 방법을 사용한다. 다섯 번째로 주행 로봇이 이전에 생성된 지도로부터 상대적인 위치를 알지 못할 때, 이전에 이미 생성한 위치로의 길을 계획하는 것을 할 수가 없게 된다. 이럴 때 매핑 프로세스가 셧 다운된다. 그래서 2개 각각의 지도 변환 및 통합에 관련된 계산이 되는 다중 세션 매핑을 적용하여 정확한 위치파악을 진행한다. 마지막으로 RTAB-MAP(Real-Time Appearance-Based Mapping)의 시뮬레이션 결과를 나타내고, 추후 연구 방향과 SLAM의 미래에 대한 설명을 하며 논문을 마치도록 한다.