라이다슬램 (LiDAR SLAM)
쉽게 풀면
레이저를 사방으로 쏴서 주변까지의 거리를 재고, 그 점들의 모양이 이전 스캔과 어떻게 겹치는지를 비교해 위치와 지도를 함께 만드는 방식입니다.
왜 중요한가
라이다 점군으로 지도를 만들고 위치를 추정하는 방식으로, 조명에 무관하고 거리 정밀도가 높아 자율주행차·창고 로봇·측량 로봇의 주력 SLAM입니다. 2D 라이다 기반 실내 SLAM은 상용 이동로봇의 표준 구성이 되었습니다. 물류창고의 자율주행 지게차 대부분이 2D 라이다 SLAM으로 사전에 지도를 만들고, 이후에는 그 지도 위에서 AMCL 로 위치만 추정하는 구조를 표준으로 채택하고 있다.
논문에서는 이렇게 쓰입니다
두 시점의 점군을 가장 잘 겹치게 만드는 회전·이동값을 찾고, 이 값들을 누적하면서도 전체적으로 어긋나지 않도록 보정한다는 뜻입니다.
라이다 슬램의 위치추정 정밀도를 다른 알고리즘과 비교 평가한 로봇공학 연구를 소개하는 문장이다.
조금 더 깊게 보면
긴 복도나 넓은 광장처럼 기하 특징이 없는 환경에서는 스캔 매칭이 방향을 구속하지 못해 미끄러지며, 이때 관성 센서나 휠 오도메트리 융합이 필수입니다. 비나 눈, 유리벽과 거울에서 잘못된 반사가 생기고, 3D 라이다는 고가여서 저비용 응용에서는 비주얼 SLAM과의 선택이 비용 대 강건성의 문제가 됩니다. 2D 라이다 SLAM은 스캔매칭 으로 얻은 상대 변환을 그래프기반슬램 이나 필터 기반 프레임워크에 넣어 전역 지도를 만드는데, 구조가 반복되는 긴 복도에서는 여러 정렬 후보가 비슷하게 잘 맞아 보이는 모호함이 생겨 방향 추정이 불안정해질 수 있다. 3D 라이다 SLAM은 점군을 복셀 격자나 특징(모서리·평면)으로 압축해 계산량을 줄이는 것이 실시간 처리의 관건이다.
주의할 점
구조가 반복되는 긴 복도나 대칭적인 환경에서는 스캔 매칭이 잘못된 대응점을 찾아 위치 추정이 발산할 위험이 있습니다. 유리벽이나 거울처럼 레이저를 그대로 반사하지 않는 표면에서는 실제 위치와 다른 곳에 벽이 있는 것처럼 잘못 측정될 수 있어 지도에 허상이 남을 수 있다.