2007/01/30 16:19
[논문] FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem Robotics/SLAM2007/01/30 16:19
Abstract :
The ability to simultaneously localize a robot and accurately map its surroundings is
considered by many to be a key prerequisite of truly autonomous robots. However, few
approaches to this problem scale up to handle the very large number of landmarks
present in real environments. Kalman filter-based algorithms, for example, require time
quadratic in the number of landmarks to incorporate each sensor observation. This
paper presents FastSLAM, an algorithm that recursively estimates the full posterior
distribution over robot pose and landmark locations, yet scales logarithmically with the
number of landmarks in the map. This algorithm is based os an exact factorization of
the posterior into a product of conditional landmark distributions and a distribution over
robot paths. The algorithm has been run successfully on as many as 50000 landmarks,
environments far beyond the reach of previous approaches. Experimental results
demonstrate the advantages and limitation of the FastSLAM algorithm of both simulates
and realworld data.
이 논문은 FastSLAM 알고리즘을 제안한 논문이다. 현재 FastSLAM 2.0 까지 나와
있는 상태이며 SLAM문제를 이론적으로 이상적으로 해결한 알고리즘중 하나 이다.
위의 논문을 요약해논 문장에서 보면 진정으로 자유로운 로봇이란 로봇의 위치 측정
이 되는 동시에 주변을 고려한 정확한 맵을 생성하는 로봇이라 정의 하였다. 이말은
SLAM문제를 해결한 로봇을 의미한다. 칼만 필터 기반의 알고리즘은 실제 환경의 수
많은 지표에 대해서 2차 방적싱의 시간이 필요하며 이로 인해 지표가 많은 실제 환경
에서는 사용하기가 곤란하였다. 이에 기하 급수적으로 늘어나는 계산 시간을 줄이고
로봇의 위치와 지표의 위치를 완전한 경험적 확률 분포로 재귀적 평가가 가능한
FastSLAM 알고리즘을 제안한다. FastSLAM의 계산법은 조건부 지표분포와 로봇의
경로의 곱을 경험적 확률로 나누어 정확히 인수 분해 하는 방법을 사용한다. 이로 인
해 이전의 접근법을 넘어서는 50000개 정도의 많은 지표에서도 성공적으로 동작하였
으며 모의 실험과 실 세계에서의 극한의 한도 실험에서 모두 FastSLAM알고리즘이
유익함을 증명한 논문이다.
로봇 알고리즘과 이에 관해서 접해온지 어언 1년이 넘었다. 날로 발전해가는 기술과
알고리즘은 따라가기에도 벅찰 정도로 눈부시게 발전하고 있는 상황이다. 컴퓨터 학
도로써 여러가지를 배워야 하고 전자공학적 지식도 필요한 분야가 로봇 분야 인것 같
다. 나는 아직아직 멀었나 보다. ㅡ,.ㅡ;;;
The ability to simultaneously localize a robot and accurately map its surroundings is
considered by many to be a key prerequisite of truly autonomous robots. However, few
approaches to this problem scale up to handle the very large number of landmarks
present in real environments. Kalman filter-based algorithms, for example, require time
quadratic in the number of landmarks to incorporate each sensor observation. This
paper presents FastSLAM, an algorithm that recursively estimates the full posterior
distribution over robot pose and landmark locations, yet scales logarithmically with the
number of landmarks in the map. This algorithm is based os an exact factorization of
the posterior into a product of conditional landmark distributions and a distribution over
robot paths. The algorithm has been run successfully on as many as 50000 landmarks,
environments far beyond the reach of previous approaches. Experimental results
demonstrate the advantages and limitation of the FastSLAM algorithm of both simulates
and realworld data.
이 논문은 FastSLAM 알고리즘을 제안한 논문이다. 현재 FastSLAM 2.0 까지 나와
있는 상태이며 SLAM문제를 이론적으로 이상적으로 해결한 알고리즘중 하나 이다.
위의 논문을 요약해논 문장에서 보면 진정으로 자유로운 로봇이란 로봇의 위치 측정
이 되는 동시에 주변을 고려한 정확한 맵을 생성하는 로봇이라 정의 하였다. 이말은
SLAM문제를 해결한 로봇을 의미한다. 칼만 필터 기반의 알고리즘은 실제 환경의 수
많은 지표에 대해서 2차 방적싱의 시간이 필요하며 이로 인해 지표가 많은 실제 환경
에서는 사용하기가 곤란하였다. 이에 기하 급수적으로 늘어나는 계산 시간을 줄이고
로봇의 위치와 지표의 위치를 완전한 경험적 확률 분포로 재귀적 평가가 가능한
FastSLAM 알고리즘을 제안한다. FastSLAM의 계산법은 조건부 지표분포와 로봇의
경로의 곱을 경험적 확률로 나누어 정확히 인수 분해 하는 방법을 사용한다. 이로 인
해 이전의 접근법을 넘어서는 50000개 정도의 많은 지표에서도 성공적으로 동작하였
으며 모의 실험과 실 세계에서의 극한의 한도 실험에서 모두 FastSLAM알고리즘이
유익함을 증명한 논문이다.
로봇 알고리즘과 이에 관해서 접해온지 어언 1년이 넘었다. 날로 발전해가는 기술과
알고리즘은 따라가기에도 벅찰 정도로 눈부시게 발전하고 있는 상황이다. 컴퓨터 학
도로써 여러가지를 배워야 하고 전자공학적 지식도 필요한 분야가 로봇 분야 인것 같
다. 나는 아직아직 멀었나 보다. ㅡ,.ㅡ;;;
