Tech Knowledge Note

SLAM 기술의 근본을 세운 연구들을 읽다🧠 1. Graph-SLAM 논문을 읽는 이유Graph-SLAM은 로봇이 환경을 인식하고 스스로 위치를 추정하는 기술의 핵심입니다.하지만 이 기술의 기초는 단순한 코드나 라이브러리가 아니라,수많은 연구자들의 논문 연구와 수학적 사고에서 비롯되었습니다.이번 글에서는 Graph-SLAM의 발전에 큰 영향을 준 주요 논문들을 살펴보며,이 기술이 어떻게 자율주행의 두뇌로 성장했는지를 이해해봅니다.📘 2. 대표 논문 1 — “Graph-Based SLAM” (Thrun & Montemerlo, 2006)이 논문은 그래프 기반 접근법을 SLAM에 처음 체계적으로 도입한 연구입니다.로봇의 위치와 관측 데이터를 그래프 형태로 표현하고,전체적인 오차를 최소화하는 최적화 문제로..

로봇이 ‘이미 왔던 길’을 알아차리는 순간🧠 1. Loop Closing이란?자율주행이나 SLAM 시스템에서 **Loop Closing(루프 클로징)**은로봇이 이동 중 “예전에 방문했던 장소”를 다시 인식해,누적된 오차를 보정하는 핵심 기술입니다.쉽게 말해,“로봇이 길을 돌고 나서, 이곳이 처음 출발한 곳임을 깨닫는 과정”이라고 할 수 있습니다.이 과정이 없다면, 로봇의 경로는 점점 왜곡되어지도 전체가 휘어지거나 겹치지 않게 됩니다.🧩 2. Loop Closing의 필요성SLAM 시스템은 센서 데이터를 통해 위치를 추정하지만,센서 오차와 누적된 계산 편차 때문에시간이 지날수록 지도 정확도가 떨어지는 문제가 발생합니다.Loop Closing은 이러한 누적 오차를 바로잡아지도의 일관성을 회복시켜 줍니다..

이론에서 실제로 — 로봇이 세상을 그리는 방법🧭 1. 오늘의 목표지난 글에서 우리는 Graph-SLAM의 구조와, 포즈 그래프 최적화를 수행하는g2o 라이브러리의 개념을 학습했습니다.오늘은 이론을 넘어, 실제 데이터를 활용하여Graph-SLAM이 어떻게 동작하는지 체험하는 시간입니다.즉, “지도와 경로가 만들어지는 순간”을 직접 눈으로 확인하는 것이죠.🧩 2. 구현 실습의 큰 그림Graph-SLAM 구현은 데이터 수집 → 그래프 구성 → 최적화 → 결과 시각화이 네 단계로 진행됩니다.1️⃣ 데이터 수집 (Sensor Input)LiDAR, IMU, GPS 등 다양한 센서에서 데이터를 수집합니다.로봇은 각 지점에서 주변 환경의 거리나 형태를 관측합니다.2️⃣ 그래프 구성 (Graph Building)로..