패스트캠퍼스 환급챌린지 16일차 : Odometry

[ 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. ]

 

https://fastcampus.info/4oKQD6b

(~11/30) UP TO 74% 블랙프라이데이 PACKAGE SALE🖤 | 패스트캠퍼스

 

 

https://fastcampus.co.kr/data_online_selfdriving

자율주행 로봇을 위한 ROS 2 & SLAM & Nav2 한번에 끝내기 | 패스트캠퍼스

본 글은 위 강의를 참고하여 작성되었습니다

 

 

 

[강의시작 | 강의종료]

 

 

 

[완강 인증]

 

 

 

 

 

[학습 내용]

 

 

 

[강의 후기]

Odometry의 개념을 학습했습니다.

 

-Odometry-

: 자신의 시작 위치로부터 현재 위치까지 얼마나 이동했는지 추적하는 알고리즘입니다.

• 복잡한 탐색 알고리즘에서 중요한 초석 역할을 합니다.
• Odometry는 자체 에러 확률이 높아 SLAM과 같은 기술과 함께 사용합니다.

 

-Wheel Odometry-

: 로봇이나 차량의 바퀴 회전수를 측정하여 이동 거리와 현재 위치 및 방향을 추정하는 계산 방식입니다.

• 측정값이 정확하지 않기 때문에, 시간이 지날수록 오차가 누적되는 문제가 있습니다.
• 바퀴가 미끌리거나 헛돌아도 거리에 그대로 반영되는 문제가 있습니다.
• 바퀴의 마모 정도에 따라 정확도가 떨어지는 문제가 있습니다.

 

-2D Lidar Odometry-

: 2차원 Lidar 데이터를 이용해 로봇의 이동을 계산하는 알고리즘입니다. 대표적으로 ICP가 있습니다.

• 연속된 스캔 간의 변화량을 비교하여 로봇의 이동과 회전을 계산합니다.
• 유사한 복도 형태의 환경에서는 관측이 중복되는 문제가 있습니다.
• 회전이 많거나 장애물이 적은 환경에서는 성능이 저하되는 문제가 있습니다.

 

-ICP-

: 두 개의 점 집합을 가장 잘 맞도록 정렬하는 알고리즘입니다. 

• 대응점 찾기, 변환 계산, 적용을 반복적으로 수행합니다.
• 대응점을 찾는 데 시간이 많이 걸리는 문제가 있습니다.
• 장애물이 적을 경우 오차가 발생할 수 있습니다.

 

-생각해 볼 점-

이번 강의에서는 Odometry의 개념을 학습했습니다. Odometry는 시작 위치로부터 이동 위치까지 얼마나 이동했는지를 추적하는 알고리즘입니다. Odometry를 단일로 사용했을 때 에러 확률이 높아 SLAM과 같은 알고리즘과 함께 사용합니다. 강의에서 다뤘던 odometry에는 Wheel Odometry, 2D Lidar Odometry가 있었습니다. Wheel Odometry는 바퀴를 사용하는 것이고 2D Lidar Odometry는 2차원 Lidar 데이터를 사용해 이동거리, 방향을 측정합니다. 2D Lidar Odometry에는 ICP라는 방법이 있었는데, 이는 연속적인 Laser Scan을 반복적으로 정렬하고 두 스캔 간의 차이를 최소화해 정확한 주행 거리를 측정했습니다. 여기서 필자에게 있어서 가장 필요한 방법은 ICL입니다. 자율주행 자동차를 만지며 '라인 트레이싱'이라는 간단한 기능을 구현해 봤습니다. 그 기능에는 카메라로 색과 모양을 인지해 선이라는 것을 알고, 이를 따라 주행하게 하는 기능입니다. 이때 필요한 것이 선의 진행 방향과 차량의 진행 방향을 일정하도록 설정하는 것입니다. 선이 구부러져 있다면 중심에서 얼마나 떨어져 있는지를 판별해 좌, 우로 회전시켜야 하는데 이때 사용할 수 있는 것이 ICL입니다. 연속적으로 들어오는 카메라 정보의 차이를 계산하고, 계산된 차이만큼 회전량을 변화시켜 선을 따라가는 것입니다. ICL을 모르고 프로젝트를 진행했을 때는 선이 왼쪽 오른쪽의 위치 유무로 좌 우 회전을 주었는데, ICL을 활용하면 보다 정확한 수치만큼 회전을 줄 수 있겠습니다. 다음 강의부터 실습이 진행됩니다. 이전보다 어렵고 복잡한 내용들이 나올 것이라 생각하니 막막합니다. 제대로 학습해서 깔끔하고 문제없는 코드를 짤 수 있게 될 때 까지 연습하겠습니다.