[Paper review] A Study on Multi Sensor Based SLAM Alorithm for the Improvemnet of Obstacle Recognition

0. Abstract

( Background ) 로봇 산업의 발전은 오래전부터 산업용에서 개인용 로봇으로, 소형화하고 안정화되어 우리의 삶에 들어오는 방향으로 발전했다. 실내 환경에서 로봇이 자유롭기 위해서는 필연적으로 센서를 이용해 지도를 작성하는 SLAM( Simultaneous Localization And Mapping ) 기술의 발전이 요구된다.

 

( Problem ) SLAM 알고리즘은 대부분 LiDAR 센서 기반으로 연구되어 왔는데, LiDAR 센서의 특성상 빛에 민감한 재질들은 감지가 어렵다. 그 중에 가장 크게 부각되는 단점이 유리 인식이 어렵다는 점이다. 이러한 단점은 실내에서 큰 문제점이 된다.

 

( Purpose ) LiDAR 센서 이외의 장애물 감지 수단을 추가해 개선한 알고리즘 제안

 

( Previous research ) LiDAR 센서의 한계점은 고전적인 문제점이므로 이를 극복하기 위한 연구는 오래전부터 진행되어 왔다. 극복을 하기 위해 가장 많이 사용된 센서는 Radar와 초음파 센서로 분류 할 수 있다.

 

가) LiDAR 센서 + Radar 센서 [1]

  Radar 센서는 장애물이 아닌 미세한 먼지 등 까지도 인식해 오히려 지도를 그리는데 불리하다.

나) LiDAR 센서 + 초음파 센서 [2]

  초음파 센서와 장애물 거리과의 거리와 Lidar 센서와 장애물 사이의 거리가 일정범위를 넘어간다면, 유리가 있다고 판단해 유리를 인식하는 방법. 유리 뒤에 물체가 있다는 것을 기준으로 실험을 진행 하였기 때문에 유리벽은 인식할 수 없다는 단점이 있다.

 

각각 센서를 더해도 완벽하지 않다. 본 연구는 그러한 단점도 극복하기 위해서 다중센서 융합을 이용해 LiDAR 센서의 한계를 극복하고자 한다.

---

1. Introduction  to SLAM and its types

위치 추정에 사용되는 센서로는 Encoder 와 Inertial Measurement Unit, IMU 가 있다. Encoder는 구동부인 바퀴의 회전량을 측정하여 추측항법( Dead reckoning )을 통해 로봇의 위치를 근사값으로 계산한다. 이 부분에서 오차가 발생하는데 IMU를 이용하여 위치 정보 오차를 보상한다.

 

이러한 위치 추정은 지도를 작성할 때 사용되는 거리 센서나 카메라를 통해 얻은 주변 환경의 정보를 기반으로 다시 한 번 위치 보정을 한다. 이 위치 추정 방식으로는 Kalman filter, Markov Localization, Particle filter를 이용한 Monte Carlo Localization 등이 존재한다.

 

지도 작성에 사용되는 센서로는 대부분 LiDAR 센서가 사용되며, 초음파 센서, 적외선 스케너 등도 사용된다.

---

2. Things i didn't know while studying

*희소행렬(Sparse Matrix) :

대부분의 원소가 0인 행렬을 말합니다.

---

*자코비안(Jacobian) :

다변수 함수에서 편미분을 모은 행렬입니다. 즉, 여러 개의 변수에 의존하는 함수의 변화율을 나타내는 행렬입니다. 특히 다변수 함수의 미분을 다루는 데 사용됩니다.

Example01

--

Example02

---

*Why seperate front-end and back-end? : 

 

• 프론트엔드는 여행 도중 사용하는 지도 작성 도구로, 현재 어디 있는지 대략적으로 추정하는 역할
• 백엔드는 여행을 마친 뒤 전체 경로를 복기하며 일관된 완성된 여행 지도를 만드는 역할

프론트엔드와 백엔드를 나누면 SLAM 시스템을 더 체계적이고 효율적으로 설계 가능하다.  실시간 성능을 유지하면서도 높은 정확도의 맵핑과 위치 추정을 구현하기 위해 이러한 분리가 중요

---

*Odometry :

이동하는 로봇이나 차량의 위치( position ) 와 방향( orientation )을 시간에 따라 추적하는 기술입니다. 주로 로봇공학, 자율주행차, 드론 등에서 사용되며, 로봇의 기초적인 위치 추정 방법 중 하나입니다.

 

오도메트리는 주로 상대적인 위치 추정에 초점이 맞춰져 있습니다. 로봇이나 차량이 이전 상태에서 현재 상태로 얼마나 이동했는지 계산하는 방법

 

 

1. 오도메트리와 SLAM의 차별점:
   • 오도메트리:
     • 로봇의 상대적 위치만 계산. 내가 얼마만큼 이동했는지를 나타내는 기술
     • 시간이 지나면 오차가 누적됨.
     • 로컬 좌표계 사용 ( 로봇의 움직임에 따라 좌표계가 이동 )
     • 바퀴의 회전수, IMU 데이터 등으로 이동 거리와 방향을 추적.
   • SLAM:
     
     • 고정된 글로벌 좌표계에서 로봇의 위치를 추정하고, 동시에 환경의 맵을 생성하거나 업데이트하는 기술
     • 오도메트리 데이터를 활용하지만, 글로벌 환경 정보를 기반으로 오차를 보정.
     • 루프 클로징과 같은 기법을 통해 맵과 위치의 일관성을 유지.
     • 글로벌 좌표계 이용 ( 기준점이 고정되어 변하지 않음 )
     • 맵과 위치를 동시에 추정:
       • 로봇이 어디 있는지( Localization ).
       • 주변 환경이 어떻게 생겼는지( Map ).
       • SLAM은 위치 추정뿐만 아니라, 맵핑( mapping )이라는 추가적인 목표를 포함합니다. 이는 오도메트리의 한계를 극복하기 위해 설계된 기술입니다.

---

3. Challenging points

라즈베리 파이 성능 문제로 IMU 센서 데이터 개입의 최소화하여서 Odometry가 정확하게 진행되지 않아 로봇이 자신의 위치를 정확히 파악하지 못함. 그에 따른 정확한 지도 구현이 어려워 반복적 실험 할 수 밖에 없었음.

 

YRL3-20 LiDAR 데이터가 3D로 출력이 되는데 지도는 2D로 작성할 수 있어 3D 데이터를 2D로 변환할 때 오차가 생겼고, 시뮬레이션에 비해 실제 실험에서는 데이터 전송 속도가 각 센서별로 달라 정확한 매칭이 어려웠다고 함.

 

추후 연구에서는 이러한 점을 개선하고, 인식되는 물체를 학습을 통해 분류하여 구분을 해서 주행에도 간섭을 할 수 있도록 할 것이라고 함.