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..

자율주행차의 뇌를 정교하게 만드는 기술🧠 1. 포즈 그래프 최적화란?포즈 그래프 최적화(Pose Graph Optimization)는 로봇이나 자율주행차가 이동하면서 얻은 위치 정보를 정리해, 가장 일관성 있는 지도와 이동 경로를 계산하는 과정입니다.쉽게 말해, 여러 번의 관측과 이동 정보를 하나의 “가장 그럴듯한 결과”로 정리하는 기술이죠.🧩 2. 그래프 구조의 기본 개념Graph-SLAM에서 환경은 **그래프(graph)**로 표현됩니다.노드(Node): 로봇이 지나간 위치나 자세엣지(Edge): 두 위치 사이의 상대적인 거리나 방향 정보포즈 그래프 최적화는 이 노드들과 엣지들의 관계를 고려해모든 위치가 실제 환경과 가장 잘 맞도록 조정하는 과정을 의미합니다.⚙️ 3. g2o 라이브러리란?**g2..

자율주행의 핵심 — 세계를 그래프로 표현하다!🔍 1. Graph-SLAM이란 무엇인가?SLAM(Simultaneous Localization and Mapping, 동시적 위치추정 및 지도작성)은로봇이나 자율주행차가 “자신의 위치를 추정하면서 환경의 지도를 동시에 작성” 하는 기술입니다.이 중 Graph-SLAM(Graph-based SLAM)은 이를 그래프(graph) 형태로 모델링하여보다 효율적이고 정밀하게 최적화하는 방법입니다.🧩 2. 그래프로 표현되는 SLAM의 구조Graph-SLAM은 로봇의 움직임과 관측을 노드(node)와 엣지(edge)로 표현합니다.노드(Node): 로봇의 위치(포즈, Pose)를 의미엣지(Edge): 센서로 측정된 상대 위치 제약(Relative constraint)즉..