SLAM

SLAM(Simultaneous Localization and Mapping) 이론 정리

---

❓ SLAM이란?

SLAM은 Simultaneous Localization and Mapping의 약자로,
로봇이 알 수 없는 환경에서 스스로 지도를 생성(Map) 하면서
자신의 위치(Localization)를 동시에 추정하는 기술

한마디로
지도가 없는데, 내가 어디 있는지도 모르겠지만,
동시에 지도도 만들고 위치도 파악해야 하는 문제

---

🧩 SLAM의 핵심 문제

SLAM은 두 가지 문제를 동시에 해결해야 함

1. Localization: 내가 지금 어디에 있는가? (자기 위치 추정)
2. Mapping: 주변 환경은 어떤 구조인가? (지도 작성)

이 둘은 서로 영향을 주기 때문에, 위치를 알아야 지도를 만들 수 있고,
지도를 알아야 위치를 더 정확히 추정할 수 있음

---

🔧 SLAM 구성 요소

1. 센서 입력 (Observation)

• IMU: 관성 센서 (가속도/자이로)
• LiDAR: 거리 측정 기반 포인트 클라우드
• 카메라: Visual SLAM에 사용 (RGB, RGB-D)
• 초음파/UWB/GPS: 보조 센서로 활용

---

2. 위치 추정 (Motion Model)

• 바퀴 속도 / IMU 등으로 추정한 이동 거리 및 방향
• 오도메트리 또는 Visual Odometry

---

3. 센서 모델 (Observation Model)

• 특정 위치에서의 센서 관측값 예측
• 관측값과 실제 센서값의 차이로 위치 보정

---

4. 지도 표현 (Map)

• Grid Map (Occupancy Grid)
• Feature-based Map
• 3D Point Cloud / Mesh

---

🔁 SLAM 동작 루프 (이론적 흐름)

1. 초기 위치 및 맵 설정 (보통 0,0에서 시작)
2. 센서 데이터를 기반으로 이동 추정
3. 관측 결과를 기반으로 지도 업데이트
4. 관측값과 예측값 비교 → 위치 보정
5. 위 과정을 반복하여 위치/지도 정교화

---

🔍 SLAM의 분류

✅ 센서 기준

분류	설명
LiDAR SLAM	2D/3D 라이다 기반 정밀 지도 작성
Visual SLAM	카메라 기반, 구조 복원
RGB-D SLAM	깊이 정보를 포함한 카메라 사용

---

✅ 알고리즘 기준

분류	설명
EKF-SLAM	확장 칼만필터 기반
Graph-SLAM	그래프 최적화 기반
FastSLAM	파티클 필터 + landmark 기반
ORB-SLAM	Visual SLAM의 대표 알고리즘 (특징점 기반)
Cartographer	Google의 2D/3D LiDAR SLAM

---

💡 SLAM의 난이도 요소

• 센서 노이즈 → 오차 누적
• 데이터 어소시에이션 → 관측값이 어떤 지점인지 구별 어려움
• 계산량 → 실시간 처리 필요
• 루프 클로징 → 같은 장소에 다시 왔음을 인식하고 오차 보정

---

📦 SLAM 주요 오픈소스

이름	특징
GMapping	2D 라이다 기반, ROS1에서 널리 사용
Cartographer	Google이 만든 2D/3D SLAM, ROS 지원
ORB-SLAM3	Monocular, Stereo, RGB-D 모두 지원
LIO-SAM	LiDAR + IMU 융합 기반 고정밀 SLAM

---

📝 결론

• SLAM은 자율주행, 모바일 로봇, AR 등에서 핵심 기술
• 이론적으로는 Bayesian Filter 구조를 기반으로 하며,
• 실제로는 센서 퓨전 + 최적화 + 매핑 기술의 조합

---

🤖 실전 활용 팁

UWB, IMU, LiDAR가 섞인 SLAM 프로젝트를 할 경우,
센서 타이밍 동기화와 프레임 변환(TF) 체계 설계가 핵심
실시간 성능 확보를 위해 ROS2 + C++ + RTOS 환경이 유리