SLAM은 동시 위치 추정 및 지도 작성(Simultaneous Localization and Mapping)의 약자입니다. 이는 닭과 달걀의 문제와 같은 맥락을 해결합니다. 지도를 만들려면 로봇이 자신의 위치를 ​​알아야 하고, 로봇이 자신의 위치를 ​​알기 위해서는 지도가 필요합니다. SLAM은 이 두 가지를 동시에 수행합니다. 이는 이동 로봇 공학의 기초적인 문제 중 하나입니다.

로봇은 미지의 환경을 이동합니다. 라이다 스캔, 카메라 이미지, 바퀴 주행 거리 측정, IMU 판독값 등 다양한 센서 데이터를 수집합니다. 이를 통해 자신의 위치를 ​​추정하고 점진적으로 지도를 구축합니다. 이미 지나간 지역을 재방문할 때는 지도와 이동 경로의 오류를 수정합니다. 결과적으로 일관성 있는 지도와 정확한 경로를 얻게 됩니다.

SLAM 접근 방식

• EKF SLAM: 확장 칼만 필터, 조기 방식.
• FastSLAM: 파티클 필터, 랜드마크 처리 가능.
• 그래프 SLAM: 포즈와 랜드마크를 그래프의 노드로 표현합니다.
• 비주얼 SLAM: 카메라, ORB-SLAM, LSD-SLAM을 사용합니다.
• Lidar SLAM: 레이저 스캔, Gmapping, Cartographer를 사용합니다.

SLAM은 오류가 누적되기 때문에 어렵습니다. 주행 거리 측정의 작은 오류가 시간이 지남에 따라 커집니다. 루프 클로저는 이러한 오류를 수정합니다. 로봇이 이전에 본 적이 있는 장소를 인식하면 루프를 닫고 전체 궤적을 조정합니다. 따라서 SLAM 시스템은 견고한 장소 인식이 필수적입니다. 조명 변화나 의자 위치 변경과 같은 작은 변화도 인식 오류를 초래할 수 있습니다. 현대 SLAM 시스템은 상용 제품에 적용될 만큼 충분히 성숙했습니다. 로봇 청소기는 시각 SLAM을 사용하고, 자율주행차는 지도 작성을 위해 라이다 SLAM을 사용합니다. SLAM은 아직 완전히 해결된 문제는 아니지만, 많은 응용 분야에서 충분히 잘 작동합니다. 남은 과제는 동적 환경, 장기 지도 작성, 그리고 다중 로봇 SLAM입니다.