- 자기 자신에 대한 물리적인 현상을 감지하는 센서ex) 휠 인코더(Wheel encoder), IMU(Inertial Measurement Unit, 관성 측정 장비) 💡 휠 인코더 (Wheel encoder)모터의 회전량을 측정하는 센서Brush, Optical, Magnetic, Inductive, Capacitative와 같은 다양한 내부 동작 방식이 있으며, 이에 따라 정확도와 정밀도 및 가격의 차이가 남.주로 모터의 회전량을 이용해 로봇의 이동치를 추정하는 용도로 사용됨.가장 간단한 방법으로는 모터에 둘레를 알고있는 바퀴를 장착하여, 둘레 값에 모터의 회전량을 곱해 전체 이동량을 측정할 수 있음.좀 더 개선된 방법으로는 다양한 차량 동특성 모델을 적용하여 보다 정확한 이동치를 구할 수 있음...

💡 센서: 어떤 물리적인 현상을 감지, 측정하는 장치 - 광자(Photon)의 양, 자기장의 변화, 온도의 변화와 같은 물리적인 현상을 감지하고, 이를 전압이나 전류와 같은 아날로그 전기 신호로 변환함. 이후, A2D(Analogue-to-Digital) 장치회로를 통해 아날로그 전기 신호를 디지털 신호로 변환함으로써 비로소 컴퓨터가 센서의 값을 인식할 수 있게 됨. 최종적으로 디지털 신호로 변환된 센서의 값을 이용해 SLAM 알고리즘을 실행할 수 있음. 📌 SLAM에서 주로 다루는 센서(1) 자기 감지 센서 : 자기 자신에 대한 물리적인 현상을 감지하는 센서. 주로 이동치 or 회전량 추정(2) 외부 감지 센서 : 외부 환경의 물리적인 변화를 감지하는 센서✅ SLAM에서는 위 2가지 센서를 조합해 ..

💡 SLAM파란색 원 : 센서가 장착된 로봇의 위치노란색 네모 : 랜드마크 위치✅ 왼쪽 그림처럼 파란색 화살표로 표시된 로봇의 움직임 제어 정보, 검은색 선으로 표시된 랜드마크에 대한 관찰 정보가 우리에게 주어졌을 때, 우리가 원하는 정보는 오른쪽 그림처럼 처음부터 현재까지의 로봇의 이동 궤적에 대한 정보와 랜드마크의 위치 정보를 계산하고자 하는 것임. 그 결과로, 우리는 정확한 로봇의 위치를 추정할 수 있고 주변 환경에 대한 지도를 작성할 수 있게 됨. 하지만, 우리가 사는 실제 세계는 불확실성이 산재해 있음.ex) 센서가 장착된 로봇에게 "앞으로 1미터 움직여라"라고 움직임 제어 명령을 줌 ➡️ 정확히 알 수 없는 외부의 환경적인 요인(바닥의 마찰 계수, 바람, 진동 등)에 의해 1미터보다 더 갈 ..

💡 전형적인 SLAM 알고리즘 파이프라인1. 정보 획득(Data acquisition) : (전처리) 카메라 or 라이다와 같은 센서로부터 주변 환경에 대한 정보 획득, 원본 데이터로부터 노이즈를 제거2. 시각적 주행 거리 측정(Visual odometry) : 연속적인 데이터로부터 특징을 추출하고 대응 관계를 수립한 다음, 센서의 상대적인 움직임을 예측3. 루프 폐쇄 검출(Loop closure detection) : 위와 동시에 현재 센서가 있는 위치가 이전에 방문한 위치인지 판단- 이 단계는 2번 과정과 다르게 비연속적인 데이터로부터 상대적인 움직임을 예측함.✅ 1, 2, 3과정을 프론트엔드라고 이야기 함. 4. 백엔드 최적화(Backend optimization) : 앞의 프론트엔드에서 얻은 센..

✔ 1900년대 후반에 연구되었던 초기의 SLAM 알고리즘은 베이즈(Bayes) 필터에 기반한 방법들이 많이 연구됨. 💡 베이즈 필터: 로보틱스 분야에서 활용되는 확률 기반의 재귀적인 필터. 사전확률(Prior)과 가능도(Likelihood)로부터 사후확률(Posterior)을 계산하는 베이즈 정리에 기초를 둠.: 지속적으로 입력되는 주변 환경에 대한 센서 정보, 현재 로봇의 위치 정보를 확률적으로 융합해 로봇의 위치와 주변 환경의 정보를 업데이트하는 알고리즘✅ 베이즈 필터에 기반한 SLAM 알고리즘 : EKF SLAM(확장칼만필터), Fast SLAM(파티클 필터) 등 빨간색 동그라미 : 로봇의 현재 위치빨간색 선 : 로봇이 이동함에 따라 그려지는 궤적검은색 점 : 로봇-랜드마크 사이 연결 관계📍 ..