SLAM에 관한 배경 지식

SLAM

• A robot

  • Estimates its motion
  • Builds a model of its surroundings
  • Using a specific sensor
  • Without a priori information

• priori가 없으면 미지수가 많아 정확한 계산이 어려움

• priori가 힌트가 되어 대략적인 정보를 알려주지만, 과거의 정보이고 불확실하기 때문에 확률적인 분포를 가지게 됨

• SLAM의 경우는 사전정보인 priori가 없더라도 구현되는 기술

• 위치 추정 + 지도작성

• Proprioceptive sensing 혹은 Exteroceptive sensing 정확도가 높다면, 이를 활용하는 것을 우선으로 하고 SLAM을 차선책으로 생각할 수 있음

$\\$
$\\$

Mobile robotics

• 사람이 가지 못하는 곳을 대신 탐색
  • 위험한 곳 : 해저, 탄광, 화산, 원자력발전기, 분진, 전쟁
  • 사람이 가기 어려운 곳, 좁은 곳 : 교량 하부, 풍력발전기
• 이동 자체를 자동화
  • 비용 : 사람 vs 로봇 투입 비용
  • '운전'을 자동화

자율 이동체의 조건 (=로봇의 조건)

• 인지, 결정, 행동

인지(Perception) 문제

• 주변 공간 인지:
  • 이동 가능 공간 (열린 공간) vs 이동 불가능한 공간 (벽, 장애물)
  • Range finder sensor(1D Lidar, Laser distance sensor)를 통해 이동 가능 공간 유추 가능
• Exteroceptive sensing : 외부 공간 탐색
  • Extero = 외부
  • ~ceptive = 감각
• 세상에 완벽한 센서는 없다.

자기 자신을 인지하는 문제

• Proprioceptive sensing
  • Pro = 나 자신
  • ~ceptive = 감각, 인지
• IMU, Optical Encoders, GPS, Gyroscopes, Accelerometers 등이 있음

Mobile robotics의 동작

• Perception & Cotrol feedback loop
  • Exteroceptive sensing : 이동에 영향을 줌
  • Proprioceptive sensing : 주변환경을 인지하는 데 영향을 줌
• 한계점 :
  • Proprioceptive sensing의 안정성 확보가 어려움
    • Exteroceptive sensing의 경우에는 입력되는 센서가 시간 당 여러 sample로 들어오기 때문에 분포를 예측할 수 있음
    • Proprioceptive sensing의 경우에는 이동된 값 1개만 추출하기 때문에 분포 분석을 할 수 없고, 센서가 정확한 측정을 못한 경우, 정답을 가지고 있지 않는 한 오차가 점점 발생할 것임
    • 여러 개의 Proprioceptive sensor를 동시에 측정한다 해도 각 정확도가 다르고, 가격이 올라가기 때문에 유용한 방식은 아님
    • Exteroceptive sensing으로 변경된 위치에 대해 range finder sensor로써 잘못된 측위를 한 것에 대해 유추할 수 있지만, 이 센서 역시 오차가 있음
  • 각 센싱의 신뢰도 문제가 있음
  • Exteroceptive sensing을 위해 노이즈 분석을 하는 동안 이동 불가

Mobile robotics에 필요한 조건

• 지속적으로 움직이면서 주변환경 예측
• Proprioceptive sensing 예측 정확도
• Exteroceptive sensing 예측 정확도
• 이 조건들을 만족하기 위해 각자 연구하다가 합쳐진 것이 SLAM임

$\\$
$\\$

Mapping & Localization

Mapping : Get optimal value from low-quality exteroceptive sensing, using hints from high-quality proprioceptive sensing

Localization : Get optimal value from low-quality proprioceptive sensing, using hints from high-quality extroceptive sensing

• 이 두 센서들 중 하나라도 정확하다면, 나머지 하나를 보완해줄 수 있는 상보적인 역할을 함

Mapping

• 나 자신의 정확한 위치, 움직임 정보가 주어졌을 때(proprioceptive sensing), 다양한 각도에서 사물을 확인하면서 Environment를 추정함(exteroceptive sensing)

Localization

• 지도(Environment)가 주어졌을 때(exteroceptive sensing), 나의 정확한 위치를 모르지만, 위치와 움직임 정보를 추정함(proprioceptive sensing)

• Monte Carlo Localization

  Initialization $\Rightarrow$ motion update $\Rightarrow$ measurement $\Rightarrow$ weight update $\Rightarrow$ resampling

  • Given a configuration space(i.e. map), use particle filter to estimate pose
  • Low-quality map leads to localization failure
  • Cannot run without a map
  • Being a discrete multi-modal estimation, similar observations lead to confusion

$\\$
$\\$

SLAM Sensors

• Proprioceptive sensors
  • IMU
  • Wheel encoder
• Exteroceptive sensors
  • GNSS
  • LiDAR
  • Camera
  • Ultrasound
  • RADAR
  • Microphone

Wheel encoder

• 바퀴의 회전량(RPM)과 이동량(=바퀴의 회전량 * 바퀴의 둘레)를 측정하는 센서
  • Brush, Optical, Magnetic, Inductive, Capacitive...
• 장점: 자동차에 기본적으로 탑재
• 단점:
  • Odometry를 할 시 drift에 약함
  • 비오는 날, 눈오는 날 등으로 인해 바퀴가 헛도는 경우 잘못된 센서의 값이 생길 수 있음
  • 바퀴의 둘레가 주행 중 자주 바뀜
    • 탑승자의 무게
    • 코너링
    • 바람빠짐
    • 마찰열로 인한 타이어 팽창

IMU - Inertial measurement unit

• Linear accelerator (선형가속도 측정) 센서와 Angular gyroscope (각속도 측정) 센서가 혼합된 센서
• Spring-damper system의 원리를 이용
  • Optical system : 차량용 IMU
  • MEMS : 스마트폰 및 소형 디바이스 IMU
• 장점:
  • Consumer grade 제품은 저렴한 편 (자동차는 동일 성능에 저렴하지 않음)
  • 높은 sensitivity
  • 높은 FPS (100Hz ~ 4000Hz)
• 단점:
  • 엄청나게 빠른 drift 누적
  • 보정을 위해 Camera / LiDAR / GNSS 와 함께 사용

GNSS - Global navigation satellite system

• 비콘 기반의 위치 추정 센서
  • 다수의 비콘에 대한 통신 시간 차이를 이용하여 비콘-로봇의 거리를 구하고, 삼각 측량을 통해 localization 수행
  • Ego-motion을 추정하기 때문에 proprioceptive sensor 가타지만, 외부 비콘을 이용하기 때문에 exteroceptive sensor임
• 나라마다 시스템이 다름
  • GPS(USA), GLONASS(Russia), BeiDou(China), Gallileo(Europe), KPS(Korea, 2035년 목표)
• 장점 : 싸고 사용하기 쉬움
• 단점 :
  • 부정확함 (10~20m 오차)
  • RTK-GPS, DGPS를 사용할 경우 오차는 cm 단위로 내려옴 (가격이 억대)
  • 고층빌딩 사이에서 multi-path 문제
  • 실내/지하 사용 불가능
  • KPS가 아직 없음

LiDAR - Light detection and ranging sensors

• 적외선 레이저를 쏘고 반사 시간을 측정하여 거리를 추정하는 센서
  • Time-of-Flight(ToF), Phase shift, Frequency modulation 레이저 방식
  • Mechanical scanner, Solid state scanner, Flash LiDAR 스캐닝 방식
• 주변 환경을 3D point cloud 형태로 바로 알 수 있음
• 장점:
  • Exteroceptive 센서 중 가장 정확한 편
  • 자율주행용 라이다는 ~100m 유효거리
  • 빛의 파장이 일어나지 않기 때문에 낯/밤 사용 가능 (동일한 device로 인한 간섭 제외)
• 단점:
  • 비쌈 (16ch : 500~600만원, 128ch: n천만원)
  • 카메라에 비해 resolution 낮음
  • 눈/비/안개에 영향을 받음
  • Multi-path 문제
  • Solid-state LiDAR의 경우 여러 방향으로 탑재 필요

RADAR - Radio detection and ranging sensor

• 반사되어 돌아오는 전파를 측정하여 radial 거리를 재는 센서
• Doppler 효과를 이용해서 이동중인 물체의 속도 추정 가능
• 전파의 종류를 바꿈으로써 near-range와 far-range 선택 가능
• 장점:
  • 날씨 영향이 없음
  • 타 센서에서는 얻지 못하는 '속도' 값 추정 가능
• 단점:
  • 작은 물체들은 detection 실패 (얇은 나뭇가지, 구멍이 뚫린 쇼핑카트 등)
  • LiDAR 보다 낮은 resolution
  • Multi-path 문제
• Tesla의 경우, 비전 시스템이 RADAR의 성능을 상회했기 때문에 RADAR 사용 중지
• Tesla는 딥러닝 특화 자율주행 컴퓨터가 탑재되었기 때문에 가능

Ultrasound

• 초음파를 이용 - RADAR와 작동 방식 동일
• 장점:
  • 저렴함
  • Near-range에서 잘 작동함
• 단점:
  • 물체의 형태를 잘 추정하지 못함, 그래서 많이 벽감지(Distance sensor)로 사용
  • 노이즈

Camera

• 광센서를 이용해 빛 신호를 받고, debayering 프로세스를 통해 RGB 색 재구성
• 장점:
  • 저렴함
  • 좋은 성능 : Dense data, Texture, Color, High-FPS
  • 렌즈 교환을 통해 시야각 변경 가능
  • 사람이 보는 시야와 가장 유사함 (시각화를 하기 위한 가장 좋은 데이터)
• 단점:
  • Depth 정보 소실
  • 조명 영향

Microphones

• 공기의 진동을 transducer 센서를 통해 전기 신호로 변환하는 센서
• 여러 개의 마이크를 통해 소리의 근원에 대한 위치를 계산 가능
• 장점:
  • 유일하게 소리 정보를 사용하는 센서
  • 저렴한 가격
• 단점:
  • Geometry가 부정확함
  • 잡음이 심함

$\\$
$\\$

References

• 자율주행 데브코스 장형기 강사님
• Types Of Proprioceptive Sensors For Mobile Robots