docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,291 @@
|
||||
---
|
||||
id: wiki-2026-0508-automated-mapping
|
||||
title: Automated Mapping (SLAM / HD Map)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [자동 매핑, SLAM, HD map, point cloud, bundle adjustment, loop closure, 3D reconstruction, NeRF]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [slam, hd-map, lidar, point-cloud, bundle-adjustment, loop-closure, robotics, autonomous-vehicles, nerf, 3d-reconstruction]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: C++ / Python
|
||||
framework: ROS / Open3D / COLMAP / OpenVSLAM
|
||||
---
|
||||
|
||||
# Automated Mapping
|
||||
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 unknown 의 explore + 매 self-localize 의 simultaneous"**. 매 SLAM (Simultaneous Localization and Mapping). 매 sensor (LiDAR, camera, IMU) 의 fusion. 매 robotics / AV / AR / VR 의 spatial intelligence 의 base. 매 modern: 매 NeRF / Gaussian Splatting 의 photoreal map.
|
||||
|
||||
## 📖 핵심
|
||||
|
||||
### 매 SLAM 의 4 stage
|
||||
1. **Sensor data**: LiDAR / camera / IMU / GPS.
|
||||
2. **Feature extraction**: ORB, SIFT, SuperPoint, LoFTR.
|
||||
3. **Pose + map estimation**: 매 EKF / particle filter / graph.
|
||||
4. **Loop closure + global optimization**: 매 bundle adjustment.
|
||||
|
||||
### 매 SLAM type
|
||||
|
||||
#### Visual SLAM
|
||||
- 매 camera only.
|
||||
- 매 ORB-SLAM3 (state-of-the-art classic).
|
||||
- 매 DROID-SLAM (deep learning).
|
||||
|
||||
#### LiDAR SLAM
|
||||
- 매 point cloud.
|
||||
- 매 LOAM, LeGO-LOAM, FAST-LIO.
|
||||
- 매 sparse + accurate.
|
||||
|
||||
#### Visual-Inertial (VIO)
|
||||
- 매 camera + IMU.
|
||||
- 매 VINS-Fusion, OpenVINS.
|
||||
- 매 robotics, AR/VR.
|
||||
|
||||
#### LiDAR-Visual-Inertial
|
||||
- 매 multi-sensor fusion.
|
||||
- 매 LIO-SAM, FAST-LIVO.
|
||||
|
||||
### 매 핵심 component
|
||||
|
||||
#### Front-end
|
||||
- 매 feature extraction.
|
||||
- 매 matching (RANSAC).
|
||||
- 매 motion estimation.
|
||||
|
||||
#### Back-end
|
||||
- 매 graph optimization.
|
||||
- 매 g2o, Ceres, GTSAM.
|
||||
- 매 nonlinear least squares.
|
||||
|
||||
#### Loop closure
|
||||
- 매 same place revisit 의 detect.
|
||||
- 매 DBoW2, NetVLAD.
|
||||
- 매 drift 의 correct.
|
||||
|
||||
#### Mapping
|
||||
- 매 occupancy grid (2D).
|
||||
- 매 OctoMap (3D voxel).
|
||||
- 매 mesh / point cloud.
|
||||
|
||||
### Bundle Adjustment (BA)
|
||||
- 매 nonlinear optimization.
|
||||
- 매 reprojection error 의 minimize.
|
||||
- 매 camera pose + 3D point 의 동시 추정.
|
||||
- 매 SLAM 의 backbone.
|
||||
|
||||
### Modern / deep learning
|
||||
- **DROID-SLAM**: 매 differentiable.
|
||||
- **NeRF** (Neural Radiance Field): 매 photorealistic 3D.
|
||||
- **Gaussian Splatting** (3DGS, 2023): 매 fast NeRF alternative.
|
||||
- **NICE-SLAM**: 매 dense neural SLAM.
|
||||
- **Gaussian-SLAM**.
|
||||
|
||||
### HD Map (autonomous driving)
|
||||
- 매 lane geometry.
|
||||
- 매 traffic sign / signal.
|
||||
- 매 routing graph.
|
||||
- 매 cm-level accuracy.
|
||||
- 매 update mechanism.
|
||||
|
||||
### 매 응용
|
||||
1. **Autonomous vehicle**: HD map.
|
||||
2. **Drone**: indoor + outdoor.
|
||||
3. **AR / VR**: room understanding (ARKit, ARCore).
|
||||
4. **Robot vacuum**: 매 home map.
|
||||
5. **Indoor robot**: 매 warehouse, 매 hospital.
|
||||
6. **Surveying**: 매 building, 매 mine.
|
||||
7. **Underwater**: 매 sonar + visual.
|
||||
8. **Photogrammetry**: 매 cultural heritage.
|
||||
|
||||
### 매 challenge
|
||||
1. **Dynamic objects**: 매 person, vehicle.
|
||||
2. **Featureless environment**: 매 white wall.
|
||||
3. **Lighting**: 매 dark / bright extremes.
|
||||
4. **Long-term map**: 매 changing environment.
|
||||
5. **Scale ambiguity** (monocular): 매 metric scale.
|
||||
6. **Computational cost**: 매 real-time.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### ORB-SLAM3 (C++)
|
||||
```bash
|
||||
# 매 build
|
||||
mkdir build && cd build && cmake .. && make -j8
|
||||
|
||||
# 매 run with EuRoC dataset (visual-inertial)
|
||||
./Examples/Stereo-Inertial/stereo_inertial_euroc \
|
||||
Vocabulary/ORBvoc.txt \
|
||||
Examples/Stereo-Inertial/EuRoC.yaml \
|
||||
/path/to/V1_01_easy \
|
||||
Examples/Stereo-Inertial/EuRoC_TimeStamps/V101.txt
|
||||
```
|
||||
|
||||
### Python visual SLAM (pyslam-style)
|
||||
```python
|
||||
import cv2
|
||||
import numpy as np
|
||||
|
||||
class SimpleVO:
|
||||
def __init__(self, K):
|
||||
self.K = K # 매 camera intrinsic
|
||||
self.orb = cv2.ORB_create(2000)
|
||||
self.matcher = cv2.BFMatcher(cv2.NORM_HAMMING)
|
||||
self.prev_kp, self.prev_des = None, None
|
||||
self.pose = np.eye(4)
|
||||
|
||||
def process(self, frame):
|
||||
kp, des = self.orb.detectAndCompute(frame, None)
|
||||
if self.prev_des is None:
|
||||
self.prev_kp, self.prev_des = kp, des
|
||||
return self.pose
|
||||
|
||||
matches = self.matcher.match(self.prev_des, des)
|
||||
matches = sorted(matches, key=lambda x: x.distance)[:200]
|
||||
|
||||
pts1 = np.array([self.prev_kp[m.queryIdx].pt for m in matches])
|
||||
pts2 = np.array([kp[m.trainIdx].pt for m in matches])
|
||||
|
||||
E, mask = cv2.findEssentialMat(pts1, pts2, self.K, cv2.RANSAC, 0.999, 1.0)
|
||||
_, R, t, _ = cv2.recoverPose(E, pts1, pts2, self.K, mask=mask)
|
||||
|
||||
T = np.eye(4)
|
||||
T[:3, :3] = R
|
||||
T[:3, 3:] = t
|
||||
self.pose = self.pose @ T
|
||||
|
||||
self.prev_kp, self.prev_des = kp, des
|
||||
return self.pose
|
||||
```
|
||||
|
||||
### Open3D (point cloud)
|
||||
```python
|
||||
import open3d as o3d
|
||||
|
||||
# 매 load + visualize
|
||||
pcd = o3d.io.read_point_cloud('scan.ply')
|
||||
o3d.visualization.draw_geometries([pcd])
|
||||
|
||||
# 매 ICP registration
|
||||
source = o3d.io.read_point_cloud('scan1.ply')
|
||||
target = o3d.io.read_point_cloud('scan2.ply')
|
||||
|
||||
result = o3d.pipelines.registration.registration_icp(
|
||||
source, target,
|
||||
max_correspondence_distance=0.5,
|
||||
estimation_method=o3d.pipelines.registration.TransformationEstimationPointToPoint(),
|
||||
)
|
||||
print(result.transformation)
|
||||
```
|
||||
|
||||
### COLMAP (photogrammetry)
|
||||
```bash
|
||||
# 매 image set → 매 3D reconstruction
|
||||
colmap automatic_reconstructor \
|
||||
--workspace_path /path/to/workspace \
|
||||
--image_path /path/to/images
|
||||
```
|
||||
|
||||
### NeRF (instant-NGP)
|
||||
```python
|
||||
import tinycudann as tcnn
|
||||
import torch
|
||||
|
||||
# 매 hash grid encoding (instant-NGP)
|
||||
encoder = tcnn.Encoding(n_input_dims=3, encoding_config={
|
||||
'otype': 'HashGrid',
|
||||
'n_levels': 16,
|
||||
'n_features_per_level': 2,
|
||||
'log2_hashmap_size': 19,
|
||||
'base_resolution': 16,
|
||||
'per_level_scale': 1.5,
|
||||
})
|
||||
mlp = tcnn.Network(n_input_dims=encoder.n_output_dims, n_output_dims=4, network_config={
|
||||
'otype': 'FullyFusedMLP', 'activation': 'ReLU',
|
||||
'output_activation': 'None', 'n_neurons': 64, 'n_hidden_layers': 2,
|
||||
})
|
||||
|
||||
def render(rays_o, rays_d):
|
||||
samples = sample_along_rays(rays_o, rays_d)
|
||||
encoded = encoder(samples)
|
||||
rgb_sigma = mlp(encoded)
|
||||
return volume_render(rgb_sigma, samples)
|
||||
```
|
||||
|
||||
### Gaussian Splatting (3DGS, 2023)
|
||||
```bash
|
||||
# 매 SfM 의 result 의 import
|
||||
python train.py -s /path/to/colmap-output -m /path/to/output
|
||||
|
||||
# 매 view interactive
|
||||
./SIBR_remoteGaussian_app -m /path/to/output
|
||||
```
|
||||
|
||||
### Loop closure (DBoW3)
|
||||
```cpp
|
||||
#include <DBoW3/DBoW3.h>
|
||||
|
||||
DBoW3::Vocabulary vocab("ORBvoc.bin");
|
||||
DBoW3::Database db(vocab, false, 0);
|
||||
|
||||
// 매 keyframe 마다 add
|
||||
DBoW3::BowVector bow;
|
||||
vocab.transform(descriptors, bow);
|
||||
db.add(bow);
|
||||
|
||||
// 매 query: 매 매 frame 의 lookup
|
||||
DBoW3::QueryResults ret;
|
||||
db.query(bow, ret, 5);
|
||||
if (ret[0].Score > 0.7) {
|
||||
// 매 loop closure detected!
|
||||
}
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Indoor robot | Visual-Inertial (ORB-SLAM3) |
|
||||
| Outdoor AV | LiDAR + camera + IMU + GPS |
|
||||
| AR (mobile) | ARKit / ARCore |
|
||||
| Photoreal 3D | Gaussian Splatting |
|
||||
| Photogrammetry | COLMAP |
|
||||
| Drone outdoor | VIO + GPS |
|
||||
| Robot vacuum | LiDAR 2D SLAM |
|
||||
| Photoreal AR | NeRF / 3DGS |
|
||||
|
||||
**기본값**: Visual SLAM = ORB-SLAM3. LiDAR = LIO-SAM. Photoreal = Gaussian Splatting.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Robotics]] · [[Computer Vision|Computer-Vision]] · [[Spatial Computing]]
|
||||
- 응용: [[Autonomous Vehicles]] · [[HD-Map]]
|
||||
- Modern: [[NeRF]] · [[Gaussian-Splatting]]
|
||||
- Adjacent: [[Bundle-Adjustment]] · [[Loop-Closure]] · [[Bayesian-Brain-Hypothesis]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 robot navigation. 매 AR/VR system. 매 3D reconstruction. 매 AV mapping.
|
||||
**언제 X**: 매 2D image processing only. 매 single static image (use SfM).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Pure visual outdoor (no IMU)**: 매 fast motion 의 lose.
|
||||
- **No loop closure**: 매 drift 폭발.
|
||||
- **Static map assumption** (urban): 매 dynamic obj 의 noise.
|
||||
- **Featureless environment**: 매 SLAM fail (LiDAR 의 fall back).
|
||||
- **Offline only**: 매 real-time latency 의 ignore.
|
||||
- **No relocalization**: 매 lost 시 의 recovery X.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (ORB-SLAM3, FAST-LIO, NeRF, 3DGS papers).
|
||||
- 신뢰도 A.
|
||||
- Related: [[Autonomous Vehicles]] · [[Computer Vision|Computer-Vision]] · [[Robotics]] · [[NeRF]] · [[Gaussian-Splatting]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — SLAM type + ORB-SLAM3 + Open3D + NeRF + 3DGS code |
|
||||
Reference in New Issue
Block a user