동영상 [link]
SLAM의 문제를 확률상의 그래프 모델로 표현 할 수 있다는 것이 기존의 필터 방식의 SLAM과 가장 큰 차이점이다. node와 edge를 표현 하기 때문에 graph에서 모든 pose의 값에 접근이 가능하기 때문에, grobal optimization이 가능하다. 이는 필터 방식의 SLAM이 시간이 지날수록 점점 error가 커진다는 것을 보완할 수 있다.
Modeling
Front End & Back End
1D 예제
frontend(Graph construction)
backend(Graph Optimization)
initial position을 linear system에 mapping 하면,
즉, =>
1st movement를 풀어보면,
라는 식이 나오고, 해당 식으로
라는 식이 나오게 되므로 initial position에서 나온 linear system mapping 정보에 업데이트 해주면, 아래와 같은 매트릭스 정보를 얻을 수 있게 된다.
위와같은 정보로 Graph를 생성한다. 그래프를 생성한다는 것은 information matrix와 information vector를 생성 한다는 것이다.
pose graph 생성 방법
odometry
ICP(Iterative closest point)
backend의 중요한 부분은 edge를 생성하는 것
edge는 센서의 관측값으로 형성 된다. edge는 constraint $e{ij}^T\Omega{ij}e_{ij} $가 존재하고 이는 노드와 노드 사이에서 나온 확률 분포의 마를라노미스 디스턴스이다.
pose 와 이 있을 때, 가 관측 될 확률(posterier)
pose 와 에서 관측 된 값
이 둘의 차이가 minimize되도록 해야한다.
posterier가 maximize 되어야한다.
정리해보자면,