용어 목록 > 그래프기반슬램 (Graph-based SLAM (Graph SLAM))

그래프기반슬램 (Graph-based SLAM (Graph SLAM))

쉽게 풀면

이동한 경로마다 점(노드)을 찍고 점들 사이의 관계(에지)를 표시한 뒤, 전체 그림이 가장 자연스럽게 맞아떨어지도록 점들의 위치를 한꺼번에 조정하는 방법입니다.

왜 중요한가

로봇 자세를 노드로, 오도메트리와 관측을 간선 제약으로 두고 전체를 비선형 최소제곱으로 푸는 방식으로, 대규모 환경에서 일관된 지도를 만드는 현대 SLAM의 표준 구조입니다. 포즈그래프 최적화 라이브러리들이 널리 쓰이며 라이다·비주얼 SLAM 모두 이 뼈대를 공유합니다.

어떤 절차인가

그래프기반 SLAM은 문제를 자세 그래프(pose graph)로 바꿔 푸는 방법입니다. 노드는 로봇의 시간별 자세(필요하면 랜드마크), 에지는 두 노드 사이의 상대 측정(오도메트리, 루프클로저)입니다(Lu & Milios, 1997; Thrun & Montemerlo, 2006).

1. 프런트엔드: 센서 데이터에서 제약을 만듭니다. 연속한 자세 사이의 상대 변환은 오도메트리나 스캔 정합으로, 먼 자세 사이의 제약은 SLAM의 루프클로저 검출로 얻습니다.
2. 백엔드: 모든 제약의 오차를 합친 목적함수를 최소화합니다. 각 에지의 오차를 정보행렬로 가중해 제곱합을 만들고(마할라노비스 거리), 이를 비선형 최소제곱으로 풉니다. 가우스-뉴턴이나 레벤버그-마쿼트로 반복하며, 선형화한 연립방정식이 희소하다는 점을 활용합니다(Grisetti et al., 2010).
3. 기준 고정: 전체를 평행이동해도 목적함수는 같으므로, 첫 자세를 고정해 해를 유일하게 만듭니다.
4. 이상치 처리: 잘못된 루프클로저 에지가 지도를 크게 왜곡할 수 있으므로 강건 비용함수나 이상치 거부를 씁니다.

언제 쓰고 무엇을 얻나

가상의 1차원 예(숫자는 설명용)로 ‘오차가 그래프 전체에 퍼진다’는 점을 봅니다. 자세 x0=0에서 출발해 세 번 이동했고 오도메트리는 매번 1.0을 가리킵니다. 그러나 루프클로저는 x3가 x0에서 2.7만큼 떨어져 있다고 말합니다. 모든 제약에 같은 가중치를 주고 최소제곱으로 풀면 결과는 다음과 같습니다.

세 오도메트리 에지와 루프클로저 에지가 각각 0.075만큼씩 어긋난 값을 나누어 떠안습니다. 한 에지에 모든 오차를 몰아주지 않고 전체에 분산하는 것이 최적화의 결과입니다. 정보행렬로 가중치를 다르게 주면 분배가 달라집니다.

• 쓰임: 대규모 환경에서 일관된 지도를 만드는 현대 SLAM의 표준 구조이며, 라이다 SLAM과 비주얼 SLAM이 이 뼈대를 공유합니다. 프런트엔드가 센서별로 제약을 만들고 백엔드는 그대로 재사용할 수 있습니다.
• 실시간성: 처음에는 후처리에 적합한 방식으로 보였지만, 증분식 해법(Kaess et al., 2012)으로 실시간 동작이 가능해졌습니다. g2o(Kümmerle et al., 2011) 같은 라이브러리가 널리 쓰입니다.
• 비교: 칼만 필터를 쓰는 EKF-SLAM은 과거를 요약해 현재 상태만 유지하지만, 그래프 방식은 전체 궤적을 유지해 재선형화가 가능합니다. 지도 표현은 점유격자지도와 병용되기도 합니다.

논문에는 이렇게 적는다

그래프기반 SLAM 논문은 방법을 다음처럼 서술하는 편입니다.

평가에서 가장 먼저 확인할 점은 루프클로저를 잘못 잡았을 때 결과가 어떻게 되는지를 보였는지입니다. 이를 보이지 않으면 방법이 실제 환경의 오검출에 얼마나 견디는지 알 수 없습니다. 이 분야의 개관은 Cadena 등(2016)에서 볼 수 있습니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

각 제약이 어긋난 정도를 오차로 보고, 이 오차 총합이 가장 작아지는 방향으로 그래프 전체의 노드 위치를 반복적으로 최적화한다는 뜻입니다.

그래프 기반 최적화는 강력하지만 입력이 되는 루프 클로저 자체가 틀리면 오차가 국지적으로 그치지 않고 지도 전반으로 퍼질 수 있다는 한계를 보여준다.

조금 더 깊게 보면

EKF-SLAM처럼 과거를 요약하지 않고 전체 궤적을 유지하므로 재선형화가 가능해 정확도가 높지만, 잘못된 루프 클로저 하나가 전체 그래프를 뒤틀어 버리므로 강건 커널이나 이상치 거부가 필수입니다.

최적화가 오프라인 배치처럼 보이지만 증분식 해법으로 실시간 동작이 가능하며, 프론트엔드(제약 생성)와 백엔드(최적화)의 분리가 이 구조의 장점입니다.

그래프의 노드는 로봇의 시간별 자세를, 에지는 오도메트리로 얻은 인접 자세 간 상대변환이나 루프클로저 로 얻은 먼 자세 간 상대변환을 나타내며, 전체 최적화는 각 에지 제약의 오차 제곱합(마할라노비스 거리)을 최소화하는 비선형 최소제곱 문제로 정식화된다.

프론트엔드(스캔매칭이나 특징 매칭으로 에지 생성)와 백엔드(그래프 최적화)를 분리하는 구조 덕분에 센서 종류가 달라져도 백엔드 최적화기는 그대로 재사용할 수 있다.

주의할 점

온라인 실시간 처리보다는 후처리(batch) 최적화에 강점이 있어, 실시간성이 중요하면 증분식 최적화 기법과 결합해야 합니다. 잘못된 루프클로저 에지 하나가 전체 그래프에 섞이면 강건 커널 없이는 최적화가 크게 왜곡된 지도로 수렴할 수 있어, 이상치 제거 절차가 실무에서 필수적이다.

헷갈리기 쉬운 용어

SLAM 관련 용어는 문제와 해법의 층위가 다릅니다.

참고 문헌

1. Lu, F., & Milios, E. (1997). Globally consistent range scan alignment for environment mapping. Autonomous Robots, 4(4), 333–349.
2. Thrun, S., & Montemerlo, M. (2006). The GraphSLAM algorithm with applications to large-scale mapping of urban structures. International Journal of Robotics Research, 25(5–6), 403–429.
3. Grisetti, G., Kümmerle, R., Stachniss, C., & Burgard, W. (2010). A tutorial on graph-based SLAM. IEEE Intelligent Transportation Systems Magazine, 2(4), 31–43.
4. Kümmerle, R., Grisetti, G., Strasdat, H., Konolige, K., & Burgard, W. (2011). g2o: A general framework for graph optimization. In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA).
5. Kaess, M., Johannsson, H., Roberts, R., Ila, V., Leonard, J. J., & Dellaert, F. (2012). iSAM2: Incremental smoothing and mapping using the Bayes tree. International Journal of Robotics Research, 31(2), 216–235.
6. Cadena, C., Carlone, L., Carrillo, H., Latif, Y., Scaramuzza, D., Neira, J., Reid, I., & Leonard, J. J. (2016). Past, present, and future of simultaneous localization and mapping: Toward the robust-perception age. IEEE Transactions on Robotics, 32(6), 1309–1332.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.

관련 용어