2026년 8월 1일
SLAM (Simultaneous Localization & Mapping)
1. 실시간 자율주행 지도 작성과 위치 추정, SLAM의 개요
- SLAM (Simultaneous Localization and Mapping): 동시적 위치 추정 및 지도 작성
| 개념 | 자율주행 차량 등 센서 데이터로 주변 지도를 작성(Mapping)하는 동시에, 현재 위치를 실시간으로 추정(Localization) 하는 기술 | |
|---|---|---|
| 특징 | 지도 작성과 위치 추정 상호 의존 문제 해결 | – 탐색 후 지도를 업데이트하고, 그 지도를 바탕으로 기기의 위치를 다시 보정하는 과정을 끊임없이 반복 |
| 센서 데이터 실시간 융합 | – 다양한 센서의 데이터를 칼만 필터, 그래프 최적화 등 수학적 기법으로 실시간 융합하여 오차 최소화 | |
| 루프 폐쇄 검출 | – 지도 작성 중 센서 오차로 인해 누적된 지형 차이를 정렬하여 전체 지도의 찌그러진 부분을 올바르게 교정 | |
- SLAM은 실시간 지도 작성과 동시에 위치를 추정하기 위한 상호 의존적인 문제를 수학적 확률 모델로 해결하기 위해 1986년 IEEE 로봇공학 및 자동화 컨퍼런스에서 이론적 기반이 마련되었으며, 1995년 국제 로봇 연구 심포지엄에서 휴 두런트-화이트 등이 독립적 학문 분야로 정립하여 발표
- 자율주행 차량, 로봇청소기, 자재 운반 로봇 등 미지의 환경에서 로봇이 자신의 위치를 파악하고 지도를 그리는 자율주행 핵심 기술로 활용
2. SLAM의 메커니즘 및 기술 요소
(1) SLAM의 데이터 처리 프로세스
 |
| 단계 | 핵심 활동 | 세부 설명 |
|---|---|---|
| 1단계 | 데이터 수집 및 전처리 (Sensor Data Input) | – 라이다(LiDAR), 카메라, IMU, 바퀴 오도메트리 등 다양한 센서로부터 데이터를 밀리초(ms) 단위로 받아오는 단계 |
| 2단계 | 위치 추정 (Odometry / Tracking) | – 수집된 데이터(직전 이동 거리 등) 기반 빠른 계산 – 로봇의 궤적(Trajectory)이 대략적으로 생성 |
| 3단계 | 로컬 매핑 및 최적화 (Local Mapping & Optimization) | – 계산한 위치 정보를 바탕으로 로봇 주변의 지도를 업데이트, 이동 경로와 주변 지도 오차를 수학적으로 최적화 처리 |
| 4단계 | 루프 폐쇄 검출 (Loop Closure) | – 3단계의 최적화로 감당 어려운 누적 오차에 대해 이미지 유사도 검사 및 이전 방문 위치로 현재 노드와 과거 노드를 강제로 연결하는 제약조건 생성 |
| 5단계 | 전역 최적화 및 지도 저장 (Global Optimization & Mapping) | – 루프 폐쇄 감지 시 전체 이동 경로 재계산하여 전체 지도의 오차를 제로에 가깝게 교정, 전역 지도(Global Map) 완성 |
(2) SLAM의 기술 요소
| 구분 | 기술 요소 | 역할 |
|---|---|---|
| 데이터 인식 및 전처리 | 센서 융합 (Sensor Fusion) | – 카메라, 라이다, IMU 등 서로 다른 특성을 가진 센서 데이터를 수학적으로 결합해 각 센서의 단점 보완, 신뢰도 확보 |
| 특징점 추출/매칭 | – 이미지나 포인트 클라우드에서 고유 신호(코너, 기하학적 형상 등)를 찾아내고, 로봇이 이동 후 동일한 위치를 연결 | |
| 기하학적 위치 추정 | 오도메트리 계산 (Odometry Estimation) | – 바퀴 회전수나 관성센서(IMU) 데이터 기반 로봇이 이전 위치 대비 이동 위치의 대략적인 궤적을 실시간 계산 |
| 데이터 연계 (Data Association) | – 센서에 수집된 특징점이 기존 인지된 사물인지, 아니면 신규로 인지해야할 사물인지 올바르게 판단하고 매핑 | |
| 확률 기반 최적화 | 상태 추정 필터 (State Estimation) | – 칼만 필터(EKF), 파티클 필터 등 확률 분포 기반 현재 위치와 주변 환경의 불확실성 계산, 최적 상태 실시간 추정 |
| 그래프 최적화 (Graph Optimization) | – 로봇 경로를 노드(Node), 센서 측정값을 에지(Edge)로 구성하여 기하학적 모순과 오차 최소화로 전체 경로 교정 | |
| 구조적 결함 교정 및 지도화 | 루프 폐쇄 검출 (Loop Closure Detection) | – 로봇이 이전에 방문했던 장소에 다시 도달한 위치 감지, 그래프 최적화와 결합하여 대량의 누적 오차 교정 |
| 지도 표현 및 갱신 (Map Representation & Update) | – 최적 위치 데이터 기반 격자 지도, 포인트 클라우드, 복셀(Voxel) 형태로 주변 환경을 실제 디지털 지도로 변환, 메모리에 효율적으로 적재/갱신 |
- 과거 연산 성능의 한계로 확장 칼만 필터 SLAM 방식을 사용했지만, 최근 하드웨어 성능 증가로 그래프 기반 SLAM 사용이 확대
- 드론, 모바일 기기 또는 증강 현실 등에서는 Visual SLAM을 주로 사용하고, 자율주행 자동차에서는 LiDAR SLAM을 주로 사용
3. SLAM 세부 기술 비교
(1) Visual SLAM과 LiDAR SLAM 비교
| 비교 항목 | Visual SLAM | LiDAR SLAM |
|---|---|---|
| 정보 취득 | 단안, 겹눈 카메라 | 레이저 센서 |
| 위치 추정 | AR 마커, GNSS, IMU 융합 | 포인트 클라우드 매칭 순차 추정 |
| 알고리즘 | PTAM, ORB-SLAM, DTAM | ICP, NDT |
| 특징 | 카메라 및 영상 활용 | 레이저 센서 또는 거리 센서 활용 |
| 장점 | 저가 구현 가능 | 시각적 SLAM 보다 정밀 |
| 단점 | 필요 데이터 양 방대 | 장애물이 없으면 위치 매핑 어려움 |
(2) 확장 칼만 필터 SLAM과 그래프 기반 SLAM 비교
| 비교 항목 | EKF (확장 칼만 필터) SLAM | Graph-based (그래프 기반) SLAM |
|---|---|---|
| 메커니즘 | 현재 상태의 실시간 추정 (Filtering) | 과거 경로를 포함한 전체 제약조건 최적화 (Smoothing) |
| 데이터 처리 | 과거 데이터 삭제, 가우시안 확률 분포 유지 | 노드(위치)와 에지(관계)를 메모리에 유지 |
| 루프 폐쇄 대응 | 구조적으로 누적 오차 수정이 매우 어려움 | 루프가 닫히는 순간 전체 맵 완벽 교정 |
| 확장성 (Scale) | 소규모 환경에 유리 (맵 증가시 연산 폭발) | 대규모 환경 및 실외 자율주행에 필수적 |
| 활용 | 컴퓨팅파워가 극도로 제한된 임베디드 장비 | 자율주행 자동차, 고성능 서비스 로봇 |
- AI의 발전으로 동적 환경 인식이 고도화되고, 하드웨어 최적화를 통해 초경량/저전력 임베디드 SLAM 기술이 발전할 것으로 예상되며, 레벨4 이상의 완전 자율주행차, 스마트 팩토리의 물류 로봇(AGV/AMR), 공간 컴퓨팅 기반 AR/VR 기기 산업을 이끌 핵심 동력이 될 것으로 전망
[참고]
- IEEE Transactions on Robotics, Cesar Cadena 외, Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age, 2016.12
- LG 디스커버리랩, 스스로 만드는 위치 지도 SLAM 기술의 원리
- MathWorks, SLAM (동시적 위치추정 및 지도작성)
About The Author
