Exteroceptive sensor
로봇용 센서는 두 가지 계열로 나뉜다. 자기수용(proprioceptive) 센서는 로봇 자신의 내부 상태를 측정한다(휠 인코더, IMU). 외수용(exteroceptive) 센서는 외부 환경을 측정한다 — 바깥을 바라본다. SLAM은 근본적으로 외수용 감지 위에 세워진다. 맵을 만들려면 세계를 관측해야 하고, 드리프트를 보정하려면 그것을 다시 관측해야 하기 때문이다.
SLAM의 두 가지 주력 외수용 센서:
카메라. 수동적이고, 저렴하며, 가볍고, 전력 효율적이며, 정보가 풍부하다(질감, 색, 의미론). 변형들은 편의성을 위해 기하 정보를 희생한다.
- 단안(Monocular) — 가장 단순하지만, 절대적 스케일이 없다.
- 스테레오 — 알려진 기선 를 가진 두 카메라가 절대적 깊이를 제공한다. 초점 거리 가 주어지면, 깊이는 대략 까지 분해 가능하다(디스패리티가 측정 가능한 최솟값 까지 떨어지는 범위이며, 깊이 불확실성은 거리에 대해 제곱으로 증가한다).
- RGB-D — 색상과 함께 능동적 깊이. 조밀하지만 단거리이고 태양광에 민감하다.
- 어안/전방향(Fisheye/omnidirectional) — 매우 넓은 시야각. 자율주행의 서라운드 뷰에서 널리 쓰인다.
- 이벤트 카메라 — 마이크로초 해상도로 비동기적으로 발생하는 픽셀별 밝기 변화. 모션 블러가 없고 매우 높은 동적 범위를 가진다.
카메라의 약점은 그 수동성의 이면이다: 어둠, 텍스처 없는 장면, 심한 모션 블러에서 실패하며, 단일 카메라는 스케일을 관측할 수 없다.
LiDAR. 능동적: 레이저 펄스를 방출하고 반사파의 시간을 측정하여, 주변 조명과 거의 무관하게 센티미터 수준의 거리 정확도를 가진 3D 점 구름을 생성한다. 비용은 가격, 무게, 전력, 그리고 이미지에 비해 데이터가 희소하다는 점(질감이나 색 정보 없음)이다.
그 외 외수용 모달리티
- RADAR — 밀리미터파. 범위를 측정하고, 도플러 효과를 통해 방사 속도도 측정한다. LiDAR와 카메라가 성능이 저하되는 비, 안개, 먼지에 강건하며, 그 대가로 각도 해상도가 훨씬 거칠다. 자율주행 SLAM에서 날씨에 강한 보완재로 점점 더 많이 사용된다.
- 소나 / 초음파 — 음향 거리 측정. 빛이 빠르게 감쇄하는 수중에서 주된 외수용 센서이며, 지상 로봇에서는 저렴한 근거리 근접 센서다.
- GNSS/GPS — 위성에 대한 상대 위치를 측정한다. 특성상 외수용이며 드리프트가 없지만, 실내에서는 사용할 수 없고 도시 협곡에서는 성능이 저하된다. 그래서 SLAM에서는 핵심 센서가 아니라 선택적인 절대 위치 팩터로 등장한다.
추정 문제에서의 역할
SLAM 문제에서 외수용 측정값과 자기수용 측정값을 구분하는 핵심 속성은: 외수용 관측값이 드리프트를 보정한다는 점이다. IMU나 휠 인코더는 앞으로만 적분될 수 있으므로, 오차가 무한히 커진다. 카메라나 LiDAR는 이전에 본 랜드마크나 장소를 인식할 수 있으며, 이는 과거의 자세로 되돌아가는 제약을 만든다 — 이것이 루프 클로저, 재위치추정, 유한한 오차의 맵핑을 가능하게 하는 요소다.
추정 프레임워크에서 외수용 데이터는 관측 모델에 반영된다.
이는 로봇 상태 를 맵 과 연결한다 — 카메라의 경우 는 3D 맵 점을 카메라 모델을 통해 예측된 픽셀 위치로 투영한다 — 반면 자기수용 데이터는 운동 모델에 반영된다. 팩터 그래프의 모든 “루프 클로저 팩터”와 “재투영 팩터”는 드리프트를 보정하는 임무를 수행하는 외수용 측정값이다.
두 계열이 상호 보완적인 방식으로 실패하기 때문에, 실용 시스템은 이들을 융합한다: 시각-관성 오도메트리(카메라 + IMU), LiDAR-관성 오도메트리, 그리고 완전한 시각-LiDAR-관성 시스템. 융합에는 센서 간의 정확한 공간 및 시간 캘리브레이션이 필요하다.
외수용 센서 선택하기
모든 시스템 설계 논의에서 반복적으로 등장하는 간단한 체크리스트:
- 조명과 날씨 — 어둠은 수동 카메라를 제외시키고, 심한 비/안개/먼지는 RADAR 쪽으로 밀어내며, 직사광선은 많은 RGB-D 센서에 해를 끼친다.
- 필요한 정확도와 거리 — 수십 미터에서 센티미터급 기하 정보가 필요하면 LiDAR, 룸 스케일 AR이면 카메라(+IMU).
- 플랫폼 예산 — 드론이나 휴대폰의 무게, 전력, 비용 상한이 성능보다 먼저 결정을 내리는 경우가 많다.
- 환경의 기하와 텍스처 — 텍스처 없는 복도는 비전을 굶기고, 길고 특징 없는 터널이나 개방된 들판은 LiDAR를 굶긴다. 평균 사례가 아니라 실패 모드가 선택을 좌우한다.
SLAM에서의 의미
외수용 센서의 선택은 전체 SLAM 아키텍처를 좌우한다 — 특징 기반 대 조밀 대 점 구름 파이프라인, 여러분이 대응해야 할 실패 모드, 그리고 제품의 무게/비용 한계까지. 어떤 SLAM 논문을 읽든 그 센서 가정을 파악하는 것에서 시작하며, 이 로드맵의 이후 레벨들도 문자 그대로 이 선택(단안, RGB-D, 스테레오, LiDAR 융합, 이벤트 카메라)에 따라 구성되어 있다.