Antigravity Agent
9148c358d0
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.
69 lines
3.4 KiB
Markdown
69 lines
3.4 KiB
Markdown
---
|
|
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 | |