Vision-based SLAM((Simultaneous Localization And Mapping))

1. 개요

영상 기반 항법 기술

  • 맵이 필요 없는 항법(mapless) : 비주얼 서보잉(VS; visual servoing), 비주얼 오도메트리(VO; visual odometry)

  • 맵을 기반으로 하는 항법(map-based)

    • 맵을 구성하는 항법(map-building) : 영상 기반 슬램(visual SLAM)

    • 맵을 이용하는 항법(map-using)

1.1 정의 (영상정보를 기반으로 자율 항법기술)

A. 비주얼 서보잉

  • 목표 이미지와 현재 이미지 사이의 피쳐 차이로부터 원하는 속도 입력을 계산하여 무인 로봇을 목표 자세로 유도하는 데 사용
  • 주어진 영상 정보를 바탕으로 무인 시스템을 원하는 위치로 이동시키는 기법
  • 획득한 영상정보를 바탕으로 현재 무인 시스템의 목표 속도를 계산하는 것

B. 비주얼 오도메트리

  • 무인 시스템이 영상정보를 바탕으로 자신의 이동 궤적을 추정하는 기술로, 기존의 dead-reckoning 방식보다 정확성을 향상시 킬 수 있다
  • 영상 정보를 바탕으로, 자기 자신의 이동 궤적을 추정하는 기술

C. 영상 기반 SLAM

  • 무인 시스템이 영상 정보를 활용하여 미지의 환경에 대한 지도를 구축함과 동시에 자신의 위치를 결정해 나가는 기술로, 정확히 알지 못하는 환경에서 무인차량이나 무인기를 운용하는데 필수적

SLAM : 이동 로봇이 자신의 위치를 인식하고 동시에 주변 환경에 대한 지도를 작성하는 것을 말한다.

  • 어떤 센서를 통해 주변 환경에 대한 정보를 얻느냐에 따라 다양한 종류의 SLAM이 존재
  • : 카메라를 이용하는 방법을 Visual SLAM이라고 함

1.2 역사

  • 1986년 국제 로봇공학 및 자동화 컨퍼런스에서 수학적 정의가 이루어졌다.

  • 1995년 국제 로봇공학 연구 심포지엄에서(International Symposium on Robotics Research) SLAM이란 용어가 처음 등장했다.

  • 1998년 Davison 등[3]이 유럽 컴퓨터 비전 컨퍼런스에 다른 센서 없이 카메라만을 사용한 방법을 제시함으로써, 카메라를 3차원 위치 탐지기로 한 비전 기반 SLAM이 본격적으로 발전하게 되었다.

  • 1999년 Thrun [4]에 의해 칼만 필터 방법론에 기반한 확률적 접근으로 이론이 정립되었고,

  • 뒤를 이어 계산 복잡도, 데이터 조합, 구현 등에 관한 연구가 활발히 진행되었다.

1.3 목적

A. Localization

  • 위치 인식은 로봇이 '내가 어디에 있는가?'를 파악하는 문제이다.

  • 이것이 기존의 위치 추적 (pose tracking)과 다른 것은 SLAM의 경우 로봇의 초기 위치를 알 수 없기 때문이다.

    • 낯선 곳에서 처음 눈을 뜬 사람과 마찬가지로 시야(이미지 프레임)에 들어오는 시각적 정보를 바탕으로 위치를 추정한다.

  • 사람은 거리나 방위에 대해 절대적인 감각을 가지고 있는 것이 아니라 상황에 따라 판단하므로 종종 착각을 하거나 길을 헤매기도 한다.

  • 로봇 역시 자신이 이동해 나가는 진행 방향과 경로를 주변 환경에 대해 상대적으로 계산한다. 그러므로 지도가 잘 만들어져야 자신의 위치를 정확히 파악할 수 있다. (그림 )

  • 카메라 내부의 렌즈 특성 등을 포함하여 카메라의 회전 정도와 이동 거리를 계산하는 카메라 캘리브레이션 (Camera Calibration 또는 Camera Re-sectioning)의 문제는 컴퓨터 비전의 핵심 주제 중 하나이다.

  • 2차원의 이미지 프레임 상의 특징점들을 실제의 3차원 좌표와 매칭시켜 동차 좌표 (Homogeneous coordinates)를 적용한 투영 행렬 (Projection matrix)을 구한다.

  • SLAM에서는 카메라의 위치와 방향이 그대로 로봇 자신의 것이 되므로 Ego-motion estimation 또는 Self-calibration이라고 부르기도 한다.

B. Mapping

  • 지도 작성은 '세상이 어떻게 보이는가?'하는 문제에 대해 로봇이 센서를 가지고 수집한 정보들을 분석하여 답을 그려 나가는 과정이다.

  • 카메라를 센서로 사용하는 비전 기반 SLAM에서는 영상 처리 (image processing)의 필수 과정인 특징점 검출 (feature detections)을 통해 실제 공간에서는 하나의 점이라고 생각되는 각 이미지 프레임 상의 점들을 매칭한다.

  • 이때 각 이미지가 찍힌 위치, 즉 로봇의 위치 정보를 근거로 한다. 그러므로 위치 인식과 지도 작성의 문제는 상보적이다.

  • 다(多)시 점 기하학 (Multiple-view Geometry) [11]에 바탕을 두고 움직이는 물체의 구조를 알아내는 SfM (;Structure from Motion) 등 컴퓨터 비전의 3차원 복원 (3D Reconstruction) 기술은 보통 오프라인으로 진행되는 과정이었으나, SLAM에 적용되면서는 시시각각 변하는 위치 인식 정보와 더불어 결과가 나와야 하기 때문에 온라인으로 처리되어야 한다.

  • 그래서 컴퓨터의 계산 속도나 성능, 알고리즘의 복잡성, 정확도를 높이기 위한 최적화 등을 통해 효율을 높이는 것이 관건이다.

  • SLAM의 각 과정의 처리 속도는 현재 수 천 분의 일 초 (ms)로, 실시간을 지향한다.

2. 기술

2.1 기술 구성

  • SLAM 문제는
    • 로봇의 상태, 즉 현재 위치와 자세(방위)를 나타내는 모션 모델 (motion model)과
    • 카메라를 통해 들어온 이미지 상의 랜드마크들(landmarks)의 위치 정보를 나타내는 관측 모델 (observation model)로 구성된다.

2.2 동작과정

    1. Markov process와 conditional Bayes rule을 적용하여 랜드마크의 관찰 결과로부터 다음 프레임에서의 모션 모델을 확률적으로 예측하고 (time-update),
    1. 이렇게 계산된 모션 모델과 지금까지 누적된 관찰 결과를 조합하여 랜드마크들의 다음 위치를 추정하여 관측 모델을 수정하는 (measurement update) 단계를 반복적으로 수행한다. (그림 )

SLAM 문제는 무인 시스템에 가해진 입력과 주변 환경의 관측 값에 대한 확률 모델을 세우는 것에서부터 시작한다.

A. 대표적인 해법 : EKF(extended kalman filter)SLAM이다

  • 원리 : 무인 시스템의 운동방정식과 관측 모델 방정식을 현재 시점에서 선형화하여 시간 갱신(time update)와 측정치 갱신(measurement update)를 진행한다

  • 문제점 #1: 거리가 먼 특징들의 경우 EKF모델에 쓰이는 불확실성을 설정하기가 어려웠으나,

    • 해결법 : inverse-depth 개념이 도입되면서 모든 거리에 대한 불확실성을 가우시안 분포로 표현할 수 있게 되었다[28].
    • 해결법의 단점 : inverse-depth 표현법은 특징점의 좌표를 6개의변수로 나타내야하기 때문에 EKF 상태량 벡터의 크기를 2배로증가시키게 하였다.

  • 문제점 #2: EKF기반의 SLAM에서는 관측 지점이 추가됨에 따라 상태량 벡터의 크기가 계속 증가하기 때문에계산을 거듭할수록 맵 구성 속도가 현저히 떨어진다.

  • 문제점 #3: 또한 추가된 관측 지점이 기존의 관측 지점과 일치하는지를 판별하는data association 문제에 대해서도 취약하다는 단점이 있다[29].

B. 최근 해법(2015) : Fast SLAM

FastSLAM은 EKF-SLAM의 느린 계산 속도에 대한 해결책으로 등장한 SLAM이다[29].

  • 원리 :
    • Rao-blackwellization을 통해 무인시스템의 상태량을 샘플화한다.
    • 여기서 각 샘플이 무인 시스템의 실제 위치 정보를 가진다는 가정을 추가하면, 무인 시스템관련 상태량의 확률 분포와 맵에 관한 상태량의 확률분포가 서로 독립이 된다.
    • 결국 맵을 독립적인 가우시안들로 표현할 수있기 때문에 결합분포를 가졌던 이전에 비해 계산 속도가 비약적으로 증가하게 된다[30].

2.3 기술 구분

A. 기존 SLAM

Davison [7]와 Nistér [8]는 카메라에서 수신된 신호와 로봇 자세의 불확정성을 가우시안 노이즈 (Gaussian uncertainty)로 가정하고 확장 칼만 필터 (extended Kalman filter)를 사용하여 비선형 모델의 상태를 선형적인 조합으로 추정하는 전통적인 SLAM의 방식에 접근하였다.

B. 개선 SLMA (Vision based SLAM?)

Pupilli 등[9]은 입자 필터링 (Particle filter)을 사용하는 기존의 SLAM 방식에 3차원 모델을 마커로 한 컴퓨터 비전의 물체 추적 기술을 결합하여 성능을 향상시켰다.

Eade 등 [23]은 모션 모델에는 입자 필터를 관측 모델에는 칼만 필터를 각기 적용하여 다중 데이터 조합 (multiple data association)을 가능케 한 FastSLAM [24]의 방법을 단일 카메라로 구현하여 계산량을 대폭 감소시킬 수 있음을 보여 주었다.

results matching ""

    No results matching ""