패스트캠퍼스 환급 챌린지 27일차 : Global Localization 전략

[ 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. ]

https://fastcampus.info/4oKQD6b

올해 마지막 보너스 혜택! 1+1+1 쿠폰 이벤트 (~12/09 23:59) | 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]

 

 

-필기 내용-

 

-low particle-

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

 

 

-high particle-

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

 

 

[강의 후기]

Global Localization 전략에 대한 실습을 진행했습니다.

 

-Global Localization-

: Localization을 수행해도 제대로 위치를 추정할 수 없을 때 지도 전체저으로 particle을 흩뿌려 보다 정확히 위치를 추정하는 알고리즘입니다.

 

-Global Localization을 사용하는 경우-

• 위치 추정이 크게 불일치할 때
• 초기 시작 or 위치가 변경된 후
• 장기간 동작으로 불확실성이 증가했을 때

-Global Localization 수행 방법-

1. 터미널에서 Global Localization을 실행시킬 수 있습니다.

ros2 service call /reinitialize_global_localization std_srvs/srv/Empty

 

프로그램 상에서 Global Localization 코드를 작성하고 실행시킬 수 있습니다.

ros2 run localizer_server global_localization 
# global_localizaion에 대한 코드는 직접 작성이 필요합니다.

 

 

 

-강의 후기-

이번 강의에서는 Global Localization에 대한 실습을 진행했습니다. Global Localization은 Localization과 다르게 전역에 particle을 흩뿌려 위치를 추정하는 알고리즘으로 particle의 개수가 많아질수록 정확도가 증가하는 특성을 가집니다. 이때 주의해야할 점은 paticle 개수가 적어질수록 정확도가 낮아진다는 점입니다. low particle 실습 영상을 보면 오른쪽 실제 로봇의 위치와 왼쪽 Rviz2 - Global Localization을 실행한 로봇의 위치가 다르다는 것을 확인할 수 있었습니다. 이는 전역에 흩뿌려진 particle의 개수가 적어 지도와 LiDAR scan 데이터를 맞추는 시행횟수가 부족하기 때문입니다. high particle 실습 영상은 low particle에서 particle 개수를 2배 늘려 시행했습니다. 개수를 늘렸음에도 불구하고 high particle도 마찬가지로 제대로 Localization이 되지 않은 것을 확인할 수 있습니다. Global Localization 자체가 지도 전체에 점을 흩뿌려 위치를 추정하는 알고리즘이다 보니 확률이 올라갈 뿐 여전히 오류가 생길 수 있다는 것을 알 수 있었습니다. 이전까지 배웠던 Cartographer를 이용한 SLAM, SLAM을 통해 학습된 지도를 이용한 Localization과 마찬가지로 Global Localization또한 실전에서 사용할 수 있는 중요한 메커니즘이었습니다. particle 수를 늘려도 완벽한 위치 추정이 항상 보장되지는 않지만, 알고리즘 내부를 적절히 조절하고 센서 데이터를 보다 적절히 조절한다면 실전에서도 안정적인 로봇 운영이 가능할 것 입니다. 앞으로 배운 내용들을 유기적으로 결합해 보다 안정적이고 정확한 초기 위치 추정 시스템을 구축해보고 싶습니다. 다양한 환경에서 시행하고 분석해 적용 가능한 파라미터를 찾고, 오차를 줄이는 방법도 공부할 것입니다.