refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조
에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게 [공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류. 문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인). - Topic_Programming → Domain_Programming (내부 구조 보존) - Topic_Graphic → Domain_Design - Topic_Business → Domain_Product - Topic_General → Domain_General - _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning), Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing) - 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서) - 빈 폴더 정리 (memory/procedures) - 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트) Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
+69
@@ -0,0 +1,69 @@
|
||||
---
|
||||
id: wiki-2026-0508-simultaneous-localization-and-ma
|
||||
title: Simultaneous Localization and Mapping (SLAM)
|
||||
category: "10_Wiki/Topics/Visual_Effects/Graphics & Performance"
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [GFX-RES-2026-05-006]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [slam, robotics, computer-vision, ar, autonomous-driving, mapping]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# SLAM (Simultaneous Localization and Mapping)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "미지의 공간에서의 자아 인식: 사전 정보가 없는 환경에서 센서 데이터를 통해 주변 지도를 작성함과 동시에, 그 지도 안에서의 자신의 위치를 실시간으로 추정하는 재귀적 알고리즘 체계."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **프런트엔드 (Visual Odometry)**: 카메라(Visual), LiDAR, IMU 센서 데이터를 통해 인접한 프레임 간의 움직임을 계산한다. 특징점 추출(Feature Extraction)과 매칭을 통해 단기적인 궤적(Trajectory)을 추정한다.
|
||||
* **백엔드 (Optimization)**: 프런트엔드에서 누적된 드리프트(Drift) 오차를 보정한다. 그래프 기반 최적화(Graph-based Optimization)나 칼만 필터(Kalman Filter)를 사용하여 전체 경로와 지도 데이터의 일관성을 유지한다.
|
||||
* **루프 클로저 (Loop Closure)**: 로봇이 이전에 방문했던 장소를 재방문했을 때 이를 인식하는 과정이다. 인식 성공 시 누적된 위치 오차를 획기적으로 줄여 지도의 왜곡을 바로잡는다.
|
||||
|
||||
## ⚖️ 트레이드오프 및 고려사항
|
||||
* **컴퓨팅 자원 vs 정밀도**: 고해상도 지도는 정밀하지만 모바일 기기나 소형 드론에서 실시간 처리가 어렵다. 희소 지도(Sparse Map)와 조밀 지도(Dense Map) 사이의 선택이 아키텍처의 핵심이다.
|
||||
* **센서 퓨전 (Sensor Fusion)**: 단일 센서(예: 모노 카메라)는 거리 정보 부재나 조명 변화에 취약하다. LiDAR와 IMU를 결합하여 안정성을 높이지만 시스템 복잡도가 상승한다.
|
||||
* **동적 환경 대응**: 움직이는 사람이나 차량이 많은 환경에서는 정적인 지도를 작성하기 어렵다. 동적 객체를 식별하고 제거하는 필터링 기술이 필수적이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **상위 개념**: [[Computer Vision]]
|
||||
- **관련 기술**: [[ARKit/ARCore]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-08*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** verified
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
Reference in New Issue
Block a user