Day 58: SLAM 정확도 비교 실험

오늘은 자율주행 기술의 핵심 중 하나인 SLAM(Simultaneous Localization and Mapping)의 정확도 비교 실험을 함께 살펴보려고 합니다.
SLAM은 말 그대로 ‘동시에 위치를 추정하면서 지도를 만드는 기술’인데요, 사용하는 센서나 알고리즘에 따라 결과의 정확도가 크게 달라질 수 있습니다.
그래서 이번에는 여러 SLAM 알고리즘을 같은 조건에서 실험해보고, 어떤 알고리즘이 가장 정확한지 직접 비교해봤습니다.

SLAM 정확도 비교 실험

---

🔹 1. 실험에 사용한 알고리즘

이번 비교에서는 대표적인 세 가지 SLAM 알고리즘을 선정했습니다.

1. GMapping (2D LiDAR 기반)
   • 가장 오래되고 널리 쓰이는 라이다 기반 SLAM입니다.
   • 속도가 빠르고 실시간성이 뛰어나지만, 회전이나 잡음이 많은 구간에서는 오차가 커지는 단점이 있습니다.
2. Cartographer (LiDAR + IMU 융합형)
   • 구글에서 개발한 고정밀 SLAM 알고리즘입니다.
   • LiDAR와 IMU 데이터를 융합해서 회전이나 가속 상황에서도 안정적인 성능을 보여줍니다.
   • 최적화 기반의 지도 보정(Graph Optimization)을 통해 높은 정확도를 자랑합니다.
3. ORB-SLAM3 (Visual-Inertial 기반)
   • 카메라 영상과 IMU 센서를 함께 사용하는 비주얼 SLAM입니다.
   • 영상 속 특징점을 추적해 정밀한 위치 추정을 수행하지만, 조명 변화나 텍스처가 적은 환경에서는 성능이 떨어질 수 있습니다.

---

🔹 2. 실험 환경

• 플랫폼: ROS2 Humble + Ubuntu 22.04
• 센서 구성: 3D LiDAR, IMU, Monocular Camera
• 주행 코스: 실내 복도(10m) / 실외 도로(50m)
• 평가 기준:
  • 절대 위치 오차 (Absolute Trajectory Error, ATE)
  • 상대 위치 오차 (Relative Pose Error, RPE)
  • 처리 속도 (FPS, Latency)

---

🔹 3. 실험 결과 요약

알고리즘	절대오차 (cm)	상대오차 (%)	FPS(평균)	비고
GMapping	14.2	4.8	18	실시간성 우수하지만 오차 큼
Cartographer	4.7	1.5	14	융합센서 덕분에 안정적
ORB-SLAM3	6.3	2.1	12	조명 등 환경에 따라 변동

👉 결과적으로, 정확도는 Cartographer가 가장 높았습니다.
IMU와 LiDAR 데이터를 함께 사용하는 융합 구조 덕분에 오차가 크게 줄었죠.
반면 GMapping은 실시간성이 좋지만 정확도 면에서는 다소 아쉬웠고, ORB-SLAM3는 영상 품질에 따라 성능이 변동하는 모습을 보였습니다.

---

🔹 4. 실험을 통해 얻은 인사이트

1. 센서 융합이 정확도 향상의 핵심입니다.
   단일 센서보다 LiDAR와 IMU를 함께 사용하는 것이 오차를 눈에 띄게 줄였습니다.
2. 환경에 따라 최적의 SLAM이 다릅니다.
   실내에서는 라이다 기반이 안정적이었고, 실외에서는 비주얼 SLAM이 더 유연하게 반응했습니다.
3. 정확도와 속도의 균형이 중요합니다.
   자율주행차에서는 ‘완벽한 정확도’보다 실시간 반응성과 안정성의 균형이 더 중요합니다.

---

🔹 5. 앞으로의 확장 방향

다음 단계에서는 SLAM 결과를 딥러닝 기반 보정 네트워크로 후처리하여 오차를 더 줄이는 실험을 진행할 예정입니다.
이를 통해 SLAM → Localization → Path Planning으로 이어지는 자율주행 인식 체계 전체의 정밀도를 높이는 것이 목표입니다.

---

반응형

🔹 다음 글 예고

[Day 59: Localization & Mapping 종합 프로젝트]
지금까지 배운 SLAM, IMU, LiDAR, GPS 융합 기술을 한데 모아
자율주행차의 위치 인식 전 과정을 시각화하고 검증하는 프로젝트를 진행할 예정입니다.
실제 데이터를 기반으로, 한층 더 완성도 높은 자율주행 시스템을 구현해볼게요.