SLAM 알고리즘 변천사 : 확률적 SLAM부터 딥러닝 기반 SLAM 까지

SLAM 알고리즘 변천사: 확률적 SLAM부터 딥러닝 기반 SLAM까지

 

로봇의 자율주행 기술을 이야기할 때 빠질 수 없는 것이 바로

SLAM(Simultaneous Localization and Mapping, 동시적 위치추정 및 지도작성) 입니다.

SLAM 알고리즘은 지난 40년간 꾸준히 발전하면서,

확률적 방법에서 시작해 최적화, 비주얼, 그리고 딥러닝 기반 접근으로 진화해왔습니다.

 

이번 글에서는 SLAM 알고리즘의 흐름과 주요 특징을 시대별로 간단히 정리해보겠습니다.

 

---

1. 확률적 SLAM (1980년대 후반 ~ 2000년대 초반)

초기 SLAM은 로봇의 위치와 지도를 확률적으로 동시에 추정하려는 시도로 시작했습니다.

• 대표 알고리즘: EKF-SLAM (Extended Kalman Filter SLAM), Fast-SLAM
• 특징: 센서 잡음과 오차를 수학적 확률로 모델링, 필터 기반 기법 사용
• 한계: 대규모 환경에서는 계산량이 급격히 증가

➡️ 말 그대로 “지도와 위치를 동시에 확률적으로 그려보자”는 첫 시도였습니다.

---

2. 최적화 기반 SLAM (2000년대 중반 ~ 2010년대 중반)

점차 로봇 센서와 계산 자원이 발전하면서, 문제를 **최적화 문제(Optimization Problem)**로 접근하기 시작했습니다.

• 대표 개념: Graph-based SLAM
• 핵심 기법: Loop Closure(루프 클로징), 비선형 최소자승법(Non-Linear Least Squares)
• 사용 라이브러리: g2o, Ceres Solver, iSAM2

➡️ “전체 지도를 그래프로 표현하고, 이를 최적화하여 오류를 줄인다”는 방식입니다.

---

3. 비주얼 SLAM (2000년대 후반 ~ 현재)

카메라 가격이 급격히 낮아지면서, 영상 기반 SLAM(Visual SLAM)이 주류로 떠올랐습니다.

• 대표 알고리즘:
  • MonoSLAM (단안 카메라 SLAM)
  • PTAM (Parallel Tracking and Mapping)
  • ORB-SLAM (1~3 세대, 현재 V-SLAM의 표준)
  • LSD-SLAM, DSO (Direct Method 기반)
• 특징: 카메라 영상을 이용해 풍부한 정보 확보, 실시간성 향상

➡️ 로봇뿐 아니라 증강현실(AR), 가상현실(VR) 기술에도 핵심적으로 활용되고 있습니다.

---

4. 딥러닝 및 시멘틱 SLAM (2010년대 후반 ~ 현재)

최근에는 딥러닝과 시멘틱 정보가 SLAM에 적극적으로 도입되고 있습니다.

• DeepVO: 딥러닝 기반 비주얼 오도메트리
• Semantic SLAM: 객체 인식과 의미 정보를 활용한 지도 구축
• iMAP, NICE-SLAM: 신경망을 이용해 3차원 공간을 고해상도로 표현
• NeRF 기반 SLAM: Neural Radiance Fields로 장면을 사실적으로 복원

➡️ 단순히 “지도 그리기”를 넘어서, 환경을 이해하고 해석하는 SLAM으로 발전하고 있습니다.

---

SLAM의 미래

SLAM 알고리즘은 이제 로봇 자율주행을 넘어, 드론, 자율주행차, AR/VR, 메타버스, 산업용 로봇 등 다양한 분야로 확장되고 있습니다.

특히 NeRF나 대규모 AI 모델과의 융합이 활발히 연구되고 있어 앞으로 더 정교하고 인간과 유사한 공간 이해 능력을 보여줄 것입니다.