패스트캠퍼스 환급챌린지 22일차 : Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

공부 시작 시각 / 공부 종료 시각

 

 수강 인증 사진

학습 인증샷 (필기)

챌린지 대상 강의 완강률 

22일차, 강의 후기

오늘 Graph SLAM 강의는 정말 머리가 아팠다. 지금까지 배운 front-end 부분들이 어떻게 back-end에서 하나로 합쳐지는지 보니까 "아, 이래서 SLAM이 어려운 거구나" 싶었음.
---
Ch.04-01. Graph SLAM 개념

처음에 "그래프로 SLAM을 푼다"고 했을 때는 단순하게 생각했는데, 막상 노드와 엣지로 표현된 그래프를 보니까 복잡하더라. 로봇 포즈를 노드로, 관측과 움직임을 엣지로 표현한다는 건 직관적이었지만, 이걸 수학적으로 최적화 문제로 바꾸는 과정이 정말 깔끔했음. 특히 "모든 측정값을 동시에 고려해서 전역적으로 최적화한다"는 개념이 인상깊었다. EKF처럼 순차적으로 업데이트하는 것과는 완전히 다른 접근이구나. 싶었음

비선형 최적화의 현실

목적 함수 E(x,l)을 보는 순간 "이거 어떻게 풀지?"라는 생각이 들었다. f_ij와 h_ik 함수들이 모두 비선형이라서 해석적으로 풀 수 없다는 게 당연하면서도 아쉬웠음. Gauss-Newton 방법으로 반복적으로 선형화해서 푼다는 건 이해했는데, "과연 수렴할까?"라는 의문이 계속 들었다. 야코비안 계산하는 부분에서 chain rule 지옥을 맛볼 것 같아서 벌써 걱정됨.

희소성의 힘

진짜 놀라운 건 희소성이었다. 로봇이 전체 랜드마크를 다 볼 수 없다는 물리적 제약이 오히려 계산상의 이점이 되다니. 대부분의 엣지가 0이라서 행렬이 sparse하게 된다는 설명을 듣고 "와, 자연스럽게 최적화되는구나" 싶었음. Marginalization으로 랜드마크를 먼저 제거하고 포즈만의 시스템을 만든다는 아이디어도 영리했다. Schur complement라는 용어는 처음 들었는데, 선형대수가 이런 곳에서 빛을 발하는구나.

루프 클로저의 마법

루프 클로저 개념이 제일 신기했다. "아, 여기 전에 왔던 곳이네!"라고 인식하는 순간 그래프에 새로운 제약이 추가되면서 전체 지도가 보정된다니. 사람도 길을 잃었다가 아는 장소를 발견하면 위치를 재조정하는 것과 똑같구나 싶었음. 다만 place recognition이 얼마나 어려운 문제인지도 동시에 깨달았다. 조명, 계절, 시점이 바뀌면 같은 장소도 못 알아볼 텐데...

개인적인 소감

Graph SLAM을 배우면서 SLAM의 "big picture"가 보이기 시작했다. Front-end에서 열심히 feature를 뽑고 matching 하는 이유가, 결국 이 그래프를 만들기 위함이었구나. 다만 이론과 실제 구현 사이의 간극이 정말 클 것 같다는 생각이 든다. 비선형 최적화 라이브러리(g2o, Ceres 등)를 써야겠지만, 그 안에서 일어나는 일들을 이해하고 쓰는 것과 모르고 쓰는 건 천지차이일 듯.

 URL: https://fastcampus.info/4n8ztzq