SLAM

왜 배우는가: SLAM은 GNSS 신호가 약하거나 사전 지도가 없는 환경에서 이동체의 위치를 구하는 핵심 기술이다. 이동형 측량과 자율주행, 실내 공간정보 구축에서 반복적으로 쓰이므로 시험에서 자주 출제된다. 기존 정적 측량과 비교하는 문제에서도 개념의 차이를 정확히 설명해야 한다.

출제 이력: 제137회 1교시 4번, 제135회 1교시 12번, 제129회 1교시 12번, 제128회 1교시 13번, 제122회 1교시 9번, 제116회 4교시 6번

1. 한 줄 정의와 핵심 키워드

SLAM은 미지의 환경에서 이동체가 자신의 위치를 추정함과 동시에 주변 환경의 지도를 작성하는 기법이다.

답안 첫 줄에는 위 정의를 그대로 쓰고, 아래 키워드를 함께 제시한다.

• 동시적 위치추정: 지도가 없는 상태에서 이동체의 위치와 자세를 추정하는 과정이다.
• 지도작성: 센서 측정값으로 주변 공간의 구조를 기록하는 과정이다.
• 주행거리 측정(Odometry): 이동 체계의 상대 변위를 누적 계산하는 과정이다.
• 특징점: 영상이나 점군에서 반복 식별이 가능한 점으로, 시각 SLAM의 기본 단위이다.
• 루프 폐쇄: 이전에 지나온 지점을 다시 인식해 누적 오차를 보정하는 과정이다.
• 그래프 최적화: 위치와 관측 관계를 그래프로 놓고 전체 오차를 줄이는 방법이다.
• 센서 융합: 라이다, 카메라, IMU, GNSS 자료를 함께 사용하는 방식이다.

2. 개념 풀이

SLAM은 동시적 위치추정과 지도작성을 하나의 문제로 푸는 기법이다. 이동체의 위치를 알아야 지도를 만들 수 있고, 지도가 있어야 위치를 추정할 수 있으므로 두 값은 서로 의존한다. 이 때문에 SLAM은 두 값을 따로 구하지 않고 확률적으로 함께 추정하는 방식으로 정식화된다.

원리는 운동 모델과 관측 모델의 결합으로 설명한다. 운동 모델은 제어 입력이나 주행거리 자료로 다음 시점의 위치를 예측하고, 관측 모델은 센서가 측정한 특징이나 점군과 지도상의 대상을 비교해 위치를 보정한다. 예측과 보정을 반복하는 과정이 상태 추정이며, 이 상태 추정을 구현하는 대표적 방법이 파티클 필터, 확장 칼만 필터, 공분산 교차, GraphSLAM이다. 파티클 필터는 다수의 가설로 위치 분포를 표현하고, 확장 칼만 필터는 비선형 모델을 선형 근사해 가우시안으로 추정한다.

실제 시스템에서 SLAM은 완벽한 해를 구하기보다 가용 자원에 맞는 근사 해를 구한다. 계산량과 메모리의 한계 안에서 운영상 적합한 정확도를 확보하는 것이 목표이다. 따라서 답안에서는 SLAM을 '정확한 지도 제작'이 아니라 '실시간 위치추정과 지도작성의 동시 수행'으로 설명해야 한다. 센서는 라이다의 점군, 카메라의 영상 특징, IMU의 관성 자료, GNSS의 절대 위치 등 여러 종류를 쓰며, 센서 특성에 따라 알고리즘의 구조가 달라진다.

3. 등장 배경과 필요성

SLAM은 로봇 공학에서 출발한 기법이다. 로봇이 사전에 준비된 지도 없이 낯선 공간을 이동해야 하는 문제가 먼저 제기되었고, 이를 해결하기 위해 위치와 지도를 동시에 추정하는 방법이 연구되었다. 이후 무인 항공기, 자율주행 자동차, 자율 무인 잠수정, 행성 탐사 로봇 등으로 응용 범위가 넓어졌다.

측량 분야에서 SLAM이 주목받는 이유는 GNSS 음영 지역의 공간 자료 취득 문제 때문이다. 터널, 지하 주차장, 건물 내부, 도심 협곡에서는 위성 신호가 차단되거나 다중경로 오차가 커져 절대 위치 확보가 어렵다. 이때 라이다나 카메라로 주변 특징을 연속 관측하면 상대 위치를 누적 추정할 수 있으므로 SLAM이 보완 수단이 된다.

카메라와 라이다의 성능 향상도 배경이다. 척도 불변 특징 변환(SIFT) 같은 지역 특징이 개발된 뒤 모바일 기기에 카메라가 보급되면서 시각 SLAM(VSLAM) 연구가 활발해졌다. 또한 3D 라이다의 보급으로 점군 기반 SLAM이 정밀도로지도 구축과 이동형 측량의 실무 도구로 자리 잡았다. 이러한 흐름에서 SLAM은 측량 자료 취득 방식을 정지형 측량에서 이동형 측량으로 바꾸는 근거가 된다.

4. 구성요소·원리·절차

SLAM은 센서부, 특징 추출·추적부, 위치 추정부, 지도 작성부, 최적화·루프 검출부로 구성된다. 전체 구조는 프런트엔드와 백엔드로 나누어 이해하는 것이 일반적이다. 프런트엔드는 센서 데이터에서 특징을 뽑아 연속된 프레임 사이의 상대 운동을 추정하고, 백엔드는 누적된 상대 운동과 관측 오차를 함께 최적화하여 전체 궤적과 지도를 보정한다.