자율주행 로봇이나 모바일 로봇이 미지의 환경에서 안정적으로 동작하기 위해서는 자신의 위치를 정확하게 추정하는 동시에 주변 환경에 대한 지도를 구축해야 한다. 그러나 이 두 문제는 서로 강하게 의존적이다. 정확한 위치를 알아야 지도를 만들 수 있고, 정확한 지도가 있어야 위치를 추정할 수 있기 때문이다. 이러한 상호 의존적인 문제를 동시에 해결하는 접근 방식이 바로 SLAM(Simultaneous Localization and Mapping)이다. SLAM은 로봇의 센서 데이터를 기반으로 확률적 상태 추정(probabilistic state estimation)을 수행하며, 동시에 환경의 구조를 모델링하는 복합적인 알고리즘이다. 초기에는 Kalman Filter 기반 접근이 주를 이루었으나, 최근에는 그래프 최적화(graph optimization) 기반 방법이 주류로 자리 잡고 있다. 본 글에서는 SLAM의 수학적 모델, 필터 기반 접근과 그래프 기반 접근의 차이, 데이터 연관(data association) 문제, 그리고 최신 연구 동향까지 포함하여 심층적으로 분석한다.
1. 상태 추정(State Estimation)과 베이즈 필터 구조
SLAM 문제는 본질적으로 확률적 상태 추정 문제로 정의된다. 로봇의 상태 x_t와 지도 m을 동시에 추정해야 하며, 이는 p(x_t, m | z_{1:t}, u_{1:t}) 형태의 posterior distribution으로 표현된다. 여기서 z는 센서 관측값, u는 제어 입력을 의미한다. 베이즈 필터는 이전 상태와 현재 관측을 기반으로 상태를 업데이트하는 재귀적 구조를 가지며, prediction 단계와 update 단계로 구성된다. Prediction 단계에서는 motion model을 통해 상태를 예측하고, update 단계에서는 sensor model을 통해 관측값을 반영한다. 이 과정에서 불확실성은 확률 분포 형태로 유지되며, 시스템의 노이즈 특성을 반영한다. 이러한 구조는 SLAM의 이론적 기반을 형성하며, 다양한 알고리즘의 공통적인 틀로 사용된다.
2. EKF-SLAM과 선형 근사 기반 접근
Extended Kalman Filter(EKF)는 비선형 시스템을 1차 Taylor expansion을 통해 선형화하여 상태를 추정하는 방법으로, 초기 SLAM 연구에서 널리 사용되었다. EKF-SLAM에서는 상태 벡터에 로봇의 위치와 지도 정보를 함께 포함시키며, 공분산 행렬을 통해 불확실성을 표현한다. 그러나 이 방식은 계산 복잡도가 상태 차원의 제곱에 비례하여 증가하기 때문에, 대규모 환경에서는 비효율적이다. 또한 선형 근사로 인해 비선형성이 강한 환경에서는 오차가 누적될 수 있다. 이러한 한계로 인해 EKF-SLAM은 이론적으로는 중요하지만, 실제 대규모 시스템에서는 점차 사용이 줄어들고 있다.
3. FastSLAM과 입자 필터 기반 분해
FastSLAM은 SLAM 문제를 로봇 경로와 지도 추정 문제로 분해하여 해결하는 접근 방식으로, particle filter를 사용한다. 각 particle은 로봇의 경로를 나타내며, 각 경로에 대해 독립적으로 지도를 추정한다. 이 방법은 EKF-SLAM의 계산 복잡도를 크게 줄일 수 있으며, 비선형성과 비가우시안 분포를 효과적으로 처리할 수 있다. 그러나 particle 수가 부족할 경우 샘플 빈곤(sample impoverishment) 문제가 발생할 수 있으며, 이는 추정 정확도를 저하시킨다. 따라서 효율적인 resampling 전략과 particle 수 설정이 중요한 요소로 작용한다.
4. 그래프 기반 SLAM(Graph-based SLAM)과 최적화 문제
최근 SLAM의 주류 접근 방식은 그래프 기반 방법이다. 이 방식에서는 로봇의 상태와 landmark를 노드(node)로 표현하고, 관측과 이동 정보를 엣지(edge)로 표현한다. SLAM 문제는 이 그래프에서 전체 오차를 최소화하는 최적화 문제로 정의된다. 일반적으로 least-squares optimization이 사용되며, Gauss-Newton이나 Levenberg-Marquardt 알고리즘을 통해 해결된다. 특히 loop closure detection은 그래프 기반 SLAM에서 중요한 역할을 하며, 이전에 방문한 위치를 다시 인식함으로써 누적 오차를 크게 줄일 수 있다. 이러한 접근은 대규모 환경에서도 높은 정확도를 유지할 수 있다는 장점을 가진다.
5. Visual SLAM과 멀티센서 융합
최근 SLAM은 카메라를 활용한 Visual SLAM(V-SLAM)과 LiDAR 기반 SLAM 등 다양한 센서와 결합되어 발전하고 있다. Visual SLAM은 특징점(feature) 추출과 매칭을 통해 위치를 추정하며, ORB-SLAM과 같은 알고리즘이 대표적이다. 또한 IMU와 결합한 Visual-Inertial SLAM은 보다 안정적인 추정을 가능하게 한다. 이러한 멀티센서 융합은 각 센서의 단점을 보완하고, 다양한 환경에서도 안정적인 성능을 제공할 수 있다. 최근에는 딥러닝을 활용한 feature extraction과 depth estimation이 SLAM 시스템에 통합되면서, 더욱 강력한 성능을 보이고 있다.
결론
SLAM은 로봇이 자율적으로 환경을 인식하고 이동하기 위한 핵심 기술로, 확률적 상태 추정과 최적화 이론이 결합된 복합적인 문제이다. 초기의 필터 기반 접근에서 시작하여, 현재는 그래프 최적화 기반 방법이 주류로 자리 잡고 있으며, 다양한 센서와 결합되어 더욱 정교한 시스템으로 발전하고 있다. 그러나 데이터 연관 문제, 계산 비용, 동적 환경 대응 등은 여전히 해결해야 할 과제로 남아 있다. 향후 SLAM 연구는 딥러닝과의 결합을 통해 더욱 강력한 인식 능력을 확보하는 방향으로 발전할 것으로 예상된다.