확률적 로봇공학 - 11.7~ 실증적 구현

11.7 실증적 구현 empirical implementation

그림 11.1 그라운드호그 로봇. 1500파운트 차량으로 온보드 컴퓨터와 레이저 샌서, 가스 센서, 비디오 저장 장치 등이 장착되어 있습니다. 이 로봇은 버려진 광산에 들어가 지도를 작성하였습니다.

 

 이번 장을 정리하면 EIF SLAM 구현에 있어서 경험적인 결과를 강조하였습니다. 그림 11.1은 실험에서 사용한 차량으로 버려진 광산에서 지도 작성을 수행하였습니다.

 

그림 11.2 광산에서 쌍 스캔 매칭으로 얻은 지도. 이 환경의 직경은 250미터 정도 되며, 여러개의 복도에서 불일치가 발생한것을 명확하게 볼수 있습니다.

 

 로봇이 수집한 지도 타입은 11.2에서 볼수 있는데, 이 지도는 점유 격자 지도로 로봇의 자세를 복원하여 쌍 스캔 매칭을 사용해 만들었습니다. 쌍 스캔 매칭은 EIF SLAM의 버전으로 대응관계는 연속적인 스캔들사이에서 즉시 만들어집니다. 이 방법의 결과는 그림 11.2의 지도에서 명확한 결함을 보여주고 있습니다.

 

그림 11.3 광산 지도 스캘래톤, 지역 지도를 시각화하였음.

 

 EIF SLAM 알고리즘을 적용하기 위해, 개발한 소프트웨어로 지도를 작은 하부 지도로 5m에 한개로 나누었습니다. 이 5미터 안에서는 충분히 작은데, 일반적으로 드리프트가 작기 때문이며, 그래서 스캔 매칭 데이터 연관 기술은 결함없이 수행되어 집니다. 각 하부 지도의 좌표계는 EIF SLAM의 자세 노드가 되고, 인접한 하부지도간에 이들 사이에 동작 제약조건으로 연결 됩니다. 이 구조의 결과는 그림 11.3과 같습니다.

 

그림 11.4 데이터 연관 탐색

 

 다음으로 재귀적인 데이터 연관 탐색을 적용하였습니다. 두 겹쳐진 지도 사이 상관관계 분석을 사용하여 대응관계 시험이 구현되었으며 가우시안 매칭 제약조건이 가우시안을 이용한 이 매치함수를 근사화하여 복원되었습니다. 그림 11.4는 이 데이터 연관 과정을 보여주고 있습니다. 각 원들은 새 재약조건에 대응하며, 이들은 EIF의 정보 형태를 계산할때 생기게 됩니다. 이 그림은 반복함으로서 탐색을 보여주고 있는데, 특정한 대응관계는 다른게 진행되고 다른것들은 탐색되지 않은 경우 발견되기도 합니다.

 

그림 11.5 데이터 연관에 대해 최적화 수행후 최종적인 지도

 

 마지막 모델이 안정적이므로 추가적인 데이터 연관이 수행되지 않습니다. 이를 그리드 맵상으로 표시하면 2차원 지도가 그림 11.5와 같이 나오게 됩니다. 이 지도는 (지역 지도 제약 조건 매칭을 기본적으로 구현했기 때문에) 완벽하지는 않지만 이전에 스캔 매칭을 사용한것보다는 나은 결과를 보여주고 있습니다.

 

11.8 정리

 이번 장에서는 완전 슬램 문제를 다루기위한 확장 정보 필터 EIF에 대해 살펴보았습니다.

 

- EIF SLAM 알고리즘은 완전 슬램 문제를 고려한 것으로, 지도와 함께 전체 로봇의 경로에 대한 사후확률들을 계산합니다. 그러므로 EIF SLAM은 배치 알고리즘으로 EKF SLAM과 같은 온라인 알고리즘이 아닙니다.

 

- EIF SLAM알고리즘의 핵심은 정보의 구조가 희소하다는 점인데

 -> 관측들은 측정 시간 당시에 로봇의 자세에 대해 상대적인 특징들의 정보를 전달합니다. 정보 공간상에서 이들은 변    수 쌍 간의 제약관계를 형성하게 됩니다.

 -> 비슷하게 동작은 연속적인 2 자세간의 정보를 제공하게 됩니다. 정보 공간 상에서 각 동작 명령은 연속적인 두 자세      변수간에 제약관계를 형성하게 됩니다.

  EIF SLAM은 모든 정보를 기록하고, 자세와 특징 그리고 이어지는 자세 쌍 사이의 연결이 정의 됩니다. 하지만 이 정보 표현법은 지도나 로봇 경로에 대한 근사치를 제공하지는 않습니다.

 

- EIF SLAM 알고리즘은 다음의 3단계를 반복하여 지도 복원을 수행합니다. 우선 태일러 전개를 통해 선형 정보 형태를 만듭니다. 다음으로 이 형태를 축소시키고, 최적화 문제를 해결을 수행합니다. 이 3단계는 정보를 효율적으로 다루게되는데, 경로와 지도에 대해 일관된 확률적 사후확률을 만들어 냅니다. EIF SLAM이 배치로 수행되므로 선형화 단계를 반복하여 더나은 결과를 점차 얻을수 있습니다.

 

- EIF SLAM에서 대이터 연관은 동일한 좌표계를 가지는 두 특징의 확률을 계산하여 수행됩니다. EIF SLAM은 배치 알고리즘으로 쌍 특징을 이용할수 있는데, 이는 모든 데이터 연관 변수에 대해 반복 탐용 탐색 알고리즘을 수행하고, 재귀적으로 특징의 쌍을 식별합니다.

 

- EIF SLAM을 현실적으로 구현에 있어서 계산량을 적게 유지하고, 잘못된 정보 연관을 피하기 위해 추가적인 트릭을 사용합니다. 특히 현실적인 구현에서 지역 지도를 추출하고 각 지도를 기본 개체로 사용하여 데이터 복잡도를 줄이는 경향이 있씁니다. 이들은 여러 특징들을 매치 시키고 부정적인 정보를 데이터 연관시에 고려합니다.

 

- 분해를 이용한 EIF SLAM의 변형으로 거리 스캔을 이용한 점유 격자 지도로 결과를 만들었습니다. 여기서 근사화에도 불구하고 EIF 데이터 연관과 추론이 넓은 범위의 맵핑 문제에서 좋은 결과를 구할수 있었습니다.