Files
2nd/10_Wiki/Topics/Visual_Effects/Graphics & Performance/Simultaneous Localization and Mapping (SLAM).md
T
Antigravity Agent f8b21af4be Wiki cleanup: error-doc removal, dedup merge, link normalization
10_Wiki/Topics 대규모 정리:
- 오류 캡처/미완성 stub 문서 227개 제거
- 교차폴더 중복 43클러스터 병합 (63파일 → redirect)
- 링크명 정규화: 깨진 링크 수정·redirect 직결·개념 매핑 ~2,400건
- 카테고리 MOC 6개 신규 생성
- Graph 섹션 미해결 related-keyword 링크 10,058건 제거

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
2026-05-20 23:52:15 +09:00

3.4 KiB

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
id title category status canonical_id aliases duplicate_of source_trust_level confidence_score tags raw_sources last_reinforced github_commit inferred_by
wiki-2026-0508-simultaneous-localization-and-ma Simultaneous Localization and Mapping (SLAM) 10_Wiki/Topics/Visual_Effects/Graphics & Performance verified self
GFX-RES-2026-05-006
none A 0.98
slam
robotics
computer-vision
ar
autonomous-driving
mapping
2026-05-08 pending 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