FastSLAM - 2.5 조절하는 SLAM 알고리즘

2.5 조절하는 SLAM 알고리즘 scaling slam algorithms

2.5.1 하부지도 방법 submap methods

 칼만 필터는 선형 가우시안 슬램 문제에서 최적의 해를 찾을수 있으나 큰 지도의 경우 계산하기 어렵습니다. 그래서 SLAM 연구에서는 더 큰 환경에서 EKF를 사용가능한 SLAM 알고리즘을 개발하기 위한 연구가 진행되었습니다. EKF의 계산 복잡도는 상태 변수들 사이 쌍 상관간계를 나타내는 공분산 행렬로 부터 비롯되었는데, 하나의 랜드마크 관측을 반영하기 위해서 다른 모든 상태 변수들까지 영향을 주게 되었습니다.

 일반적으로 하나의 랜드마크 관측은 다른 거리가 먼 랜드마크의 위치에 별 영향을 주지 않습니다. 이런 이유로 많은 연구자들이 전역 지도를 작은 하부지도로 분해하는 EKF 기반 SLAM 알고리즘을 개발하였습니다. 이러한 방법들 중 하나는 로봇이 전역 지도의 일부 공간에 특징 시간 간격동안 남아있다는 사실을 이용하였는데, 연기와 압축 확장 칼만 필터 둘다 로봇이 득정 하부지도에 존재하는 동안에 지역정보를 전역 지도에 반영하는것을 미루는 기술입니다. 이러한 기술들은 완전 EKF로서 동일한 최적의 결과를 구할수 있습니다. 하지만 두 알고리즘 다 계산이 상수로 줄어들었는데, 전체 지도 갱신 수행이 덜 자주 수행되기 때문입니다.

 전역 지도를 여러개의 하부지도로 나누는 것은 지도 요소들 사이에 상과노간계를 더 희소하게 만드는데, 희소성의 증가로 센서 갱신을 효율적으로 계산할수 있게 되었습니다. 네트워크 동조 특징 지도나 ATLAS, 지역 지도작성 알고리즘, 그리고 비동조화 확률적 지도작성 프레임워크 등 모두 하부지도의 희소 네트워크 사이의 관계들을 고려한것이 됩니다.

 

 로봇이 하나의 하부지도 밖으로 나갈때 새로운 하부지도를 만들거나 이전에 정의한 하부지도로 이동하는것이 됩니다. 이러한 벙법들은 데이터 연관이 주어지는 경우에 상수 시간을 필요로 하는 관측 반영 요구 계산량을 줄입니다. 하지만 이런 계산적인 이득은 전반적인 속도를 다소 늦출수 있습니다. 각 하부지도는 전체 지도의것보다 더 적은 특징들을 가지고, 멀리 있는 랜드마크의 관측의 영향으로 여러 상관관계 링크에 반영됤 ㅜ있겠습니다.

 귀반트와 네봇은 하부최적 SLAM이라고 하는 비슷한 방법을 소개하였는데, 지역 지도들은 적은 수의 기반 랜드마크으로 계산됩니다. 서로 다른 랜드마크들의 무리들이 다른 좌표계상에서 유지되기 띠문에, 이들은 모든 랜드마크가 단일 좌표계에 있을때 보다 더 쉽게 분해될수 있습니다. 이 알고리즘의 결과로 실제에 가까운 추정치를 구할 수 있으나 선형 시관과 메모리만을 필요로 합니다.

 

2.5.2 희소 확정 정보 필터 sparse extended information filters

 SLAM 문제를 분해하는 다른 필터 방법으로 지도를 마르코브 랜덤 필드와 비슷한 이웃한 랜드마크 끼리 사이의 잠재 함수를 사용하여 지도를 나타내는 방법이 있습니다. 그러한 방법 중 하나로 희소 확장 정보 필터 Sparse Extended Information Filter SEIF가 제안되었는데, SEIF는 칼만 필터의 다른 파리미터 표현법인 정보 필터를 구현한 것입니다. 공분산 행렬 $\Sigma$로 계산하는 데신 SEIF는 정밀 행렬인 $\Sigma^{-1}$을 갱신시킵니다. 이 파라미터화는 가까운 랜드마크 끼리 상관관계를 유지시킨다면 정밀 행렬이 희소하기 때문에 유용합니다. 적절한 추정을 통해 이 기술들은 데이터 연관이 주어지는 경우 선형 메모리 공간으로 효율적으로 갱신이 가능합니다.

 

 

2.5.5 그래프 최적화 방법

 오프라인 슬램 알고리즘 군 중에 SLAM 문제를 최적화 문제로 다루는 방법이 있습니다. 이러한 기술은 이전 쳅터에서 살펴본 독립을 사용하는데, 모든 이전의 자세들을 유지함으로서, 희소 링크의 집합으로 SLAM 사후확률에서 다른 변수들 사이 제약의 집합을 표현할 수 있습니다. 기존의 최적화 기술을 사용하는 이러한 링크들은 가장 가능성있는 지도와 최적의 로봇 경로를 찾을수 있도록 해줍니다. 이 파라다임을 가장 먼저 사용한 사람은 루와 밀리오스로, 구트만이 처음 구현하였습니다. Golfarelli et al은 SLAM 문제와 질량 스프링 모델사이 관계를 정리하였고, Duckett el at은 그러한 문제를 효율적으로 푸는 기술들을 제시하였습니다. folkesson과 christensen은 관련된 그래프 완화 방법들과 함꼐 그래프 SLAM이란 용어를 처음 소개하였습니다. 그래프 기반 최적화 방법들은 오프라인에서 주로 사용됩니다.