gazebo/SLAM

SLAM 종류

정지홍 2025. 2. 24. 10:30

1. 센서 기반 분류

  • 1-1. Visual SLAM ( V-SLAM )
    • 카메라를 이용해서 환경을 인식하고 위치를 추정하는 방법
    • 장점
      • 비용 효율적 , 고해상도 데이터 수집 가능
    • 단점
      • 조명 변화, 텍스처 부족 환경에 취약 
    • 종류
      • Mono SLAM : 단일 카메라 사용. 저렴하지만 깊이 정보를 알수없어 복잡한 알고리즘 필요 
      • Stereo SLAM : 2개의 카메라로 깊이 정보 획등 가능. 정확도는 높으나 비용 증가 
      • RGB-D SLAM : RGD와 depth정보를 동시에 활용
    • 대표 알고리즘: ORB-SLAM , LSD-SLAM , DSO ( direct sparse odometry )

 

  • 1-2. LiDAR SLAM ( Light Detection and Ranging SLAM )
    • 레이저 센서를 이용해서 거리 데이터를 수집하고 3d map생성
    • 장점 : 넢은 정확도와 정밀도 , 실외 환경에서 강인함.
    • 단점 : 높은 비용 , 복잡한 데이터 처리
    • 대표 알고리즘 : LOAM ( LiDAR Odometry and Mapping) , Cartographer ( google에서 만듬 ) , LIO-SLAM , SuMa

 

  • 1-3. Radar SLAM
    • 레이더 센서로 물체의 거리와 속도를 측정해서 지도 작성 및 위치 추정
    • 장점 : 안좋은 기상에서도 안정적인 성능, 도로 표면이나 가드레일 같은 고정된 물체 인식이 강점
    • 단점 : 해상도가 낮아서 상세한 지도 작성에 한계 

 

 

  • 1-4. visual-Inertial SLAM ( VI-SLAM )
    • 카메라와 IMU를 결합해서 위치와 자세를 추정
    • 장점 : 센서 융합으로 데이터 보완 가능 , 빠른 움직임과 환경 변화에 대한 견고성 향상
    • 대표 알고리즘 : VINS-Mono , OKVIS

 

  • 1-5. Multi-sensor Fusion SLAM  
    • 카메라 , gps , imu , lidar등을 동시에 활용해서 정확도를 높이는 방법
    • 장점 : 각 센선의 약점을 보완해서 강한 시스템 구축 가능

 

 

 

 

2. 알고리즘 기반 분류

 

  • 2-1. EKF-SLAM (Extended Kalman Filter SLAM)
    • 확장 칼만 필터를 사용해서 로봇의 상태와 지도의 불확실성을 동시에 추정
    • 장점 : 수학적으로 잘 정의 되었으며 작은 규모의 환경에서는 효과적
    • 단점 복잡도가 n^2라서 환경이 클수록 계산량이 급증

 

  • 2-2. FastSLAM
    • 입자 필터 기반의 SLAM으로, 로봇의 위치 추정과 지도 작성 과정을 분리해서 처리
    • 장점 : 대규모 환경에서도 효율적. 로봇의 불확실성이 클 때 유리

 

 

  • 2-3. Graph-Based SLAM (Pose Graph SLAM)
    • 로봇의 위치를 노드(node), 위치 간의 상대적 관계를 엣지(edge)로 표현한 그래프를 최적화
    • 장점 : 대규모 환경에서 높은 정확도. loop closure 탐지에 용이
    • 대표 알고리즘 : GTSAM , g2o( General Graph Optimization )

 

 

  • 2-4. ORB-SLAM (Oriented FAST and Rotated BRIEF SLAM)
    • 특징점 기반의 Visual SLAM으로, ORB 특징을 사용하여 빠르고 정확한 위치 추정 가능

 

  • 2-5. Direct SLAM
    • 특징점 대신 이미지의 픽셀 집약 정보를 직접 사용해서 위치 추정
    • 대표 알고리즘 : LSD-SLAM, DSO
    • 장점 : 저텍스처 환경에서도 강인

 

 

3. 데이터 처리 방식에 따른 분류

  • 3.1 Feature-Based SLAM
    • SIFT, SURF, ORB와 같은 이미지 특징점을 추출하여 SLAM 수행.
    • 장점: 효율적이며 다양한 환경에서 안정적인 성능.
    • 단점: 텍스처가 부족한 환경에서는 한계.
  • 3.2 Direct SLAM (Intensity-Based)
    • 픽셀 강도(intensity) 값을 직접 사용하여 위치 추정.
    • 텍스퍼가 적은 환경에서 유리 
  • 3.3 Dense SLAM : 환경의 모든 픽셀 데이터를 사용해서 자세한 3D맵 생성
  • 3.4 Sparse SLAM : 일부 중요한 특징점만 사용해서 가벼운 지도 생성

 

 

4. 딥러닝 기반

  • DROID-SLAM , DeepV2D , DeepVO , D3VO
  • 딥러닝 기반은 현재 실시간성이 떨어짐