SLAM

기본 가정

• 대부분의 SLAM 알고리즘은 정적 환경을 가정합니다. 즉, 센서와 그 플랫폼만 움직이고, 주변 물체들은 고정되어 있다고 전제합니다.

---

Dynamic Object가 SLAM에 미치는 영향

• 잘못된 대응(매칭)

  • 움직이는 차, 사람, 자전거 등의 포인트가 스캔 간 위치가 변하기 때문에
    이전 스캔의 고정된 벽, 기둥 등과 매칭되어야 할 포인트가
    움직이는 객체의 포인트와 잘못 매칭될 가능성이 생깁니다.
  • 모션 추정 단계에서 오차가 크게 증가할 수 있습니다.
    

• Trajectory Drift 증가

  • 누적 오차: 잘못된 상대 변환들이 누적되면서 전체 궤적이 실제 경로에서 멀어짐
  • 결과: 지도와 실제 환경이 어긋나고, 최종적으로 심한 위치 오차 발생

• 맵 왜곡 및 노이즈 발생

  • 움직이는 물체의 궤적이 맵에도 남아, 마치 벽 뒤로 사람이 지나간 흔적처럼 이상한 포인트 얼룩이 생김

  • 같은 장소에 서로 다른 point들이 중첩되어 맵이 왜곡

• Loop Closure 오류

  • 움직이는 물체로 인해 이전에 왔던 장소라는 것을 인식하지 못한다면 Loop Closing을 하지 못함

---

해결 방안

• Detection & Segmentation

  • 포인트 클라우드에서 시간에 따라 위치가 변하는 포인트만 골라서 제거

  • RANSAC 기반 평면 추출 후, 비평면 클러스터 제거

  개인 경험: 시간에 따라 위치가 변하는 포인트 클라우드를 찾을 때 거리가 멀면 무조건 동적 객체로 인식할 수도 있기 때문에 거리를 잘 조정해야합니다. RANSAC 기반 평면 추출 후 제거도 괜찮지만 시간이 조금 오래 걸리는 것 같습니다.

---

동적 객체는 확실히 SLAM에서 꼭 해결해야할 문제이기는 합니다.
SLAM 돌릴 때 로봇 조종하면서 따라 다닐 때도 안찍히도록 숨어 다니는게 좋아서
숨어서 운전할 때 가끔 자괴감이 들기도 합니다.