Antigravity Agent
2.5 KiB
2.5 KiB
id, title, category, status, confidence_score, tags, created_at, updated_at
| id | title | category | status | confidence_score | tags | created_at | updated_at | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| GFX-RES-2026-05-006 | SLAM (Simultaneous Localization and Mapping) | 10_Wiki/Topics/Visual_Effects/Graphics & Performance | verified | 0.98 |
|
2026-05-08 | 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, Robotics Engineering
- 유사 개념: Structure from Motion (SfM), Odometry, Lidar Mapping
- 관련 기술: ORB-SLAM, LSD-SLAM, Google Cartographer, ARKit/ARCore
Last updated: 2026-05-08