확장칼만필터기반슬램 (EKF-SLAM (Extended Kalman Filter SLAM))
쉽게 풀면
로봇 위치와 주변 표지물(랜드마크) 위치를 한 장의 표로 관리하면서, 새 관측이 들어올 때마다 표 전체를 조금씩 고쳐 나가는 방식입니다.
왜 중요한가
로봇 자세와 랜드마크 위치를 하나의 상태 벡터에 담아 확장칼만필터로 동시에 추정하는 최초의 실용 SLAM 방식으로, SLAM 문제의 확률적 정식화를 확립했습니다. 새 SLAM 방법의 이론적 비교 대상이며 랜드마크 수가 적은 응용에서는 여전히 쓰입니다. 실내 매핑에서 랜드마크가 수십 개 이하로 적은 소규모 환경에서는 여전히 구현이 간단하고 이해하기 쉬운 EKF-SLAM이 실용적으로 채택되기도 한다.
논문에서는 이렇게 쓰입니다
비선형 문제를 매 순간 1차 테일러 근사로 선형화해 칼만 필터를 적용한다는 의미이며, 상태와 함께 불확실성(공분산)도 같이 추적합니다.
이 서술은 EKF-SLAM이 지도 작성과 위치 추정을 별개로 처리하지 않고 하나의 재귀적 추정 문제로 통합한다는 점을 보여줍니다.
조금 더 깊게 보면
공분산 행렬이 랜드마크 수의 제곱으로 커져 수백 개 이상이면 실시간이 불가능하고, 선형화 오차가 누적되어 큰 환경에서는 비일관성을 보인다는 두 한계가 FastSLAM과 그래프 SLAM으로 넘어가게 한 이유입니다. 데이터 연관이 한 번 틀리면 상태 전체가 오염되고 복구되지 않는다는 점도 실무의 큰 약점입니다. EKF-SLAM의 상태 벡터는 로봇 자세 3개 변수에 랜드마크마다 2~3개 변수를 이어붙인 형태이며, 공분산 행렬은 이 상태 벡터 크기의 제곱에 비례해 커지므로 랜드마크 수가 늘어나면 갱신 계산이 급격히 무거워진다. 새 랜드마크를 처음 관측하면 상태 벡터에 새 항목을 추가하는 초기화 단계가 필요하고, 이때의 초기 불확실성 설정이 이후 전체 추정의 일관성에 영향을 준다.
주의할 점
랜드마크 수가 늘어날수록 공분산 행렬 크기가 제곱으로 커져 계산 비용이 급증하므로 대규모 환경에는 부적합합니다. 한 번 잘못 연관된 랜드마크 관측은 상태 벡터 전체에 영향을 주고 EKF 구조상 이후에 스스로 되돌릴 수 없으므로, 데이터 연관 단계의 신뢰도 검증이 매우 중요하다.