SLAM (Simultaneous Localization and Mapping) algorithm is to build and update a map with measurement and control signal when the robot navigates an unknown environment. The solution to the SLAM problem is considered a key prerequisite for making a robot fully autonomous.
The environment map consists of a map feature. And to update the map, the measurement feature from sensor mounted on a robot should correspond to the map feature. So data association problem in SLAM finds the correspondence between measurement features and map features. Obtaining a correct solution is crucial, because a misassignment causes location estimation methods such as the extended Kalman filter to diverge.
Past work mostly focused on using LRF (Laser Range Finder) to map unknown environments. But the majority part of the feature-based map is represented by a geometric primitive like point or line. So to find the data association with one current measurement is difficult. So most SLAM systems update the map with the data association obtained by a target tracking.
But it is possible to find the correct data association if we use the appearance information of the feature addition to location information. So stereo vision systems are a natural choice for such an application.
However the past work updates the map with a correspondence by visual tracking, and it represents the map densely without considering the feature uncertainty.
When the map feature is occluded, tracking can be missed and it is not possible to find correct correspondence. And if we don’t consider the feature uncertainty, the possibility of false correspondence increases. So our purpose is to update the map at tracking miss. And when the feature uncertainty is large, we also find the correct correspondence. And we propose the data fusion model to select the correct data association robustly while considering the feature uncertainty.
로봇이 미지의 환경을 주행할 때 필요한 기본 능력인 SLAM(Simultaneous Localization and Mapping) 은 로봇이 주행하는 동안 얻은 관찰(observation)과 제어(control) 신호를 가지고 주행한 환경을 지도화(mapping) 하며 동시에 자신의 위치를 추정하는 것이다.
로봇이 주행하며 생성한 실내의 환경 지도는 특징량으로 이뤄져 있다. 그리고 로봇에 달린 센서로부터 얻은 관측 특징량과의 대응관계를 알아야 지도 특징량을 갱신할 수 있다. 따라서 SLAM에 있어서 data association 문제는 관측 특징량과 지도 특징량의 대응관계를 찾는 것이다.
SLAM을 할 때 잘못 구한 대응관계로 갱신한 지도는 실제 환경과 다르다. 그리고 잘못 갱신된 지도를 바탕으로 추정한 로봇의 자기 위치 또한 실제와 다르게 된다.
잘못된 위치에서 관찰한 관측 특징량과 잘못 갱신된 지도 특징량의 대응관계를구하는 것은 바로 이전 단계에서 대응 관계를 구할 때 보다 더 잘못된 대응 관계를 구하게 된다. 그렇게 되면 SLAM 알고리즘으로 얻은 지도와 로봇의 자기 위치는 발산한다. 그렇기 때문에 대응관계를 찾는 문제는 SLAM 알고리즘에서 중요한 위치를 차지한다.
기존의 많은 SLAM 알고리즘은 센서로 LRF(Laser Range Finder)를 쓴다. 하지만 대부분의 특징량 기반의 환경 지도는 점이나 선 같은 간단한 기하적인 원소로 표현된다. 그래서 지도는 위치만 다르고 거의 비슷한 특징량으로 이뤄져 있다.
이러한 성질 때문에 한번의 관찰로 대응 관계를 찾는 것은 어렵다. 그래서 객체 추적(target tracking) 형태로 대응관계를 찾아 지도를 갱신한다.
하지만 특징량의 위치 정보 외에 특징량의 외양 정보를 추가로 사용한 경우 한번의 관찰로 더 정확한 대응 관계를 구할 수 있다. 그래서 비전 기반 센서를 이용해 대응 관계를 찾고 SLAM 알고리즘을 수행하는 연구가 나오게 되었다.
하지만 비전 기반의 추적 형태로 대응관계를 구해 지도를 갱신하고 특징량의 불확실성을 고려하지 않고 지도를 밀집되게 표현한다.
그러면 가려짐 같이 추적을 잃은 수 있는 상황에서 대응관계를 찾을 수 없다. 그리고 불확실성(uncertainty)를 고려하지 않고 구한 대응 관계는 클러터나 로봇의 위치 에러가 커짐에 따라 잘못될 확률은 증가한다.
따라서 추적을 잃은 경우에도 관측 특징량과 지도 특징량의 대응관계를 바르게 찾아 지도를 갱신할 수 있고, 클러터나 로봇의 위치 오차가 커서 특징량의 불확실성이 큰 상황에서도 올바른 대응관계를 찾을 수 있어야 한다. 그리고 특징량의 불확실성을 고려한 위치 정보와 특징량 주변의 외양 정보의 통합모델로 강인하게 대응 관계를 얻는 것이 필요하다.
