지도 없는 공간에서
스스로 길을 찾는 SLAM
SLAM(Simultaneous Localization and Mapping)은 사전 지도 정보가 없는 환경에서 이동체가 자신의 위치를 추정(Localization)함과 동시에 주변 환경의 2D 또는 3D 지도를 생성(Mapping)하는 자율지능 핵심 기술입니다.
내장 센서(IMU, 바퀴 오도메트리) 및 주변 인식 데이터를 통해 "내가 지금 어디에 있는가?"를 실시간 확률론적으로 추정
라이다(LiDAR), 카메라 등 거리 측정 센서로 주변 장애물의 좌표점(Point Cloud)을 연속적으로 배치하여 공간 재구성
SLAM의 닭과 계란 딜레마 (Chicken-and-Egg)
❓ 질문 1
"정확한 지도를 그리려면 이동체의 정확한 위치 정보를 먼저 알아야 합니다."
❓ 질문 2
"내 위치를 정확히 측정하려면 주위의 정확한 고정 지도가 먼저 필요합니다."
SLAM의 해결책
센서 노이즈(오차)가 존재하는 상태에서 베이즈 필터(Bayes filter)와 최적화 기법을 통해 '위치'와 '지도'를 동시에 확률적으로 갱신하며 수렴시킵니다.
2D LiDAR SLAM 실시간 시뮬레이션
제어 & 디스플레이 설정
SLAM 핵심 알고리즘 및 센서 비교
상황과 적용 플랫폼에 따라 다르게 선택되는 대표 알고리즘 및 센서 프레임워크입니다.
EKF-SLAM
Extended Kalman Filter SLAM
확장 칼만 필터를 기반으로 한 전통적 알고리즘입니다. 위치와 특징점(Landmark)의 상태 벡터 및 공분산 행렬을 반복적으로 예측하고 갱신합니다.
FastSLAM
Particle Filter based SLAM
파티클 필터(Particle Filter)를 활용하여 이동체의 가상 경로 후보군을 다수의 '입자'로 표현하고, 각 입자마다 독립적인 지도를 관리합니다.
Graph-based SLAM
Pose Graph Optimization
로봇의 위치 변화와 관측치를 노드(Node)와 제약조건 엣지(Edge) 그래프로 모델링한 후, 글로벌 최적화(Non-linear Least Squares)를 수행합니다.
센서 방식별 SLAM 비교: LiDAR SLAM vs Visual SLAM
| 구분 | LiDAR SLAM | Visual SLAM (카메라) |
|---|---|---|
| 주요 센서 | 3D / 2D LiDAR (레이저 광선) | 단안(Monocular) / 스테레오 / RGB-D 카메라 |
| 거리 측정 정밀도 | 일반적으로 높음 (1~3cm) | 중간 (깊이 추정 알고리즘 연산 필요) |
| 주간 / 야간 영향 | 조도 영향이 비교적 적음 (비·안개·눈에는 영향 가능) | 조도(역광, 야간) 및 역동적 환경에 취약 |
| 텍스처 / 색상 정보 | 없음 (반사도 정보 수준) | 풍부함 (표지판, 물체 인식 병행 가능) |
| 센서 단가 및 단점 | 상대적 고가, 악천후(비/눈) 시 산란 영향 | 저렴한 센서 단가, 복잡한 이미지 연산 부하 |
SLAM 기술의 실제 적용 분야
GPS를 사용할 수 없거나 높은 정밀도가 필요한 다양한 모빌리티 분야에서 활용됩니다.
자율주행 자동차
GPS 오차가 발생하는 도심 빌딩 숲이나 터널 내부에서 HD Map(고정밀 지도)과 LiDAR/카메라 SLAM을 결합해 차선 단위 정밀 위치 측정.
로봇청소기 & 물류 AMR
실내 가정집 및 대형 물류창고에서 2D LiDAR 또는 ToF 거리 센서와 접촉식 범퍼 센서로 실시간 평면도를 그리고 최적의 청소·이동 경로를 계산.
드론 & AR/VR 공간인식
실내/동굴 탐사 드론 및 Apple Vision Pro 등 헤드셋의 Visual-Inertial SLAM(VIO)을 통한 6자유도(6DoF) 실시간 공간 추적.
자율운항 선박 & 잠수정
항만 접안 시 안벽 정밀 센싱 및 수중 음향 소나(Sonar) 기반 Marine SLAM을 이용한 해저 지형 파악 및 자율 접안 보조.