패스트캠퍼스 환급챌린지 17일차 : Mapping

[ 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]

Mapping의 개념과 종류에 대해 학습했습니다. 

 

-Mapping-

: 주변 환경의 지도를 생성하는 과정입니다.

 

- 2D Occupancy Grid Mapping -

: 주변 환경의 지도를 생성하는 과정입니다. 맵의 각 셀에 장애물을 나타내는 특정 값이 있습니다.

• p(m) = 1 : 장애물
• p(m) = 0 : 비었음
• p(m) = 0.5 : 상태를 알 수 없음

 

 

- 2D LiDAR 기반의 대표 SLAM Package -

slam_toolbox

: 지도 저장, 수정 재사용, 오프라인 맵 최적화를 지원하는 2D SLAM 패키지입니다.

• 2D mapping에 초점을 맞춥니다.
• 리소스 사용이 상대적으로 적고, 저전력 하드웨어에서도 효율적으로 사용할 수 있습니다.
• 단일센서에 의존하므로, 센서의 한계나 오류가 직접적인 영향을 미칩니다.
• 설정이 간단해 교육,소형 프로젝트에 적합합니다.

cartographer_ros

: 2D, 3D SLAM을 실시간으로 수행하는 SLAM 패키지입니다.

• 멀티 스레드 처리를 지원하여 빠른 데이터 처리가 가능합니다.
• 고성능을 제공하지만 CPU 및 메모리 사용량이 높습니다.
• Loop Closure과 같은 기능이 잘 구현되어 지도의 정확도를 높일 수 있습니다.
• 여러 센서를 사용하거나 파라미터를 효과적으로 조정해야 할 때 설정이 복잡합니다.

 

 

-강의 후기-

이번 강의에서는 Mapping의 개념과 종류에 대해 학습했습니다. 이전 강의에서 함께 다뤘던 Mapping은 지도를 제작하는 과정을 말합니다. 2D LiDAR 기반 Mapping은 대표적으로 2D Occupancy Grid Maping을 사용합니다. 얻는 데이터를 셀로 지정하고 셀별로 장애물을 나타내는 특정 값을 설정합니다. 2D LiDAR 기반의 대표 SLAM Package에는 slam_toolbox, cartographer_ros가 있었습니다. slam_toolbox는 지도 저장, 수정, 재사용, 오프라인 맵 최적화를 지원하는 기능을 수행합니다. cartographer_ros는 2D, 3D SLAM을 실시간으로 수행합니다. Mapping은 로봇이 스스로 움직이기 위해 꼭 알아야 하는 기술입니다. 주변 환경을 이해할 수 있는 가장 기본적인 방법이 지도이기 때문입니다. 지도가 정확해야 로봇이 자신의 위치를 추정하고, 목적지까지 길을 찾고, 장애물을 피해 움직이는 기능들도 제대로 작동 할 수 있습니다. Mapping은 자율주행의 기초이자 전체 시스템의 기반이 되는 중요한 단계입니다. Mapping을 활용하면 개인 프로젝트에서도 할 수 있는 일이 많아집니다. 실내 공간을 직접 스캔하여 지도를 만들고(SLAM), 특정 지점까지 이동하는 로봇을 구현할 수 있습니다. 순찰 로봇이나 배달 로봇처럼 실제 환경에서 활용 가능한 로봇도 만들 수 있습니다. 실제로 물류 공장에서 이와같이 물건을 옮기는 로봇을 사용하고 있습니다. slam_toolbox나 cartographer_ros같은 패키지를 사용하면 지도 생성 뿐만 아니라 안정적인 주행까지 연결할 수 있어 완성도를 크게 높일 수 있습니다. 이번 강의까지 개념이 끝나고 이제 실습에 들어갑니다. 실습 강의에 들어가기 전까지 지금까지 배웠던 내용에 대해 정리하고 제대로 이해할 수 있도록 하겠습니다.