로봇 간 루프 클로저

로봇 간 루프 클로저란 서로 다른 두 로봇이 같은 장소를 관측했다는 탐지와, 그 관측값들 사이의 상대 포즈를 말한다. 이는 협업 SLAM에서 가장 근본적인 사건이다: 이것이 하나도 없으면 두 로봇의 맵은 서로 무관한 좌표 프레임일 뿐이고, 이것이 있으면 서브맵을 정렬, 병합, 공동 최적화할 수 있다.

단일 로봇 루프 클로저보다 어려운 이유

• 시점 및 이동 경로의 차이. 단일 로봇이 복도를 다시 지나갈 때는 비슷한 높이와 방향에서 보는 경향이 있다. 두 로봇은 같은 장소에 서로 다른 방향에서, 서로 다른 높이(공중 대 지상)에서, 서로 다른 시간대에, 또는 서로 다른 카메라로 접근할 수 있다 — 그래서 장소 인식은 강한 시점, 조명, 심지어 모달리티 변화에도 강인해야 한다. 이는 강인한 디스크립터의 사용을 이끈다: 고전적으로는 bag-of-words(DBoW2), 그리고 점점 더 학습된 전역 디스크립터(NetVLAD와 그 후속 연구들).
• 오도메트리 사전 정보의 부재. 하나의 로봇 안에서는 후보 루프를 현재 포즈 추정값으로 걸러낼 수 있다(“나는 예전에 가봤던 곳 근처에 있는가?”). 로봇 간에는 처음에 공통 프레임이 전혀 없으므로, 후보는 파트너 맵 전체에 대해 외관만으로 찾아야 하며, 이는 비용과 허위 후보의 비율을 모두 증가시킨다.
• 지각 앨리어싱이 더 치명적이다. 서로 다른 층에 있는 비슷하게 생긴 두 사무실이 허위 로봇 간 매칭을 생성할 수 있고, 단 하나의 잘못된 클로저가 받아들여지면 두 맵이 한꺼번에 왜곡된다.
• 분산 탐지. 분산형 시스템에서는 로봇들이 통신 범위 내에 있을 때 컴팩트 디스크립터를 교환하며, 어떤 후보가 전체 검증의 대역폭을 쓸 만한 가치가 있는지 결정해야 한다(Swarm-SLAM은 연결이 끊긴 맵 구성 요소를 연결할 후보에 우선순위를 둔다).

검증의 계단

허위 클로저는 파국적이므로, 수락은 계층화되어 있으며 각 단계는 이전 단계의 생존자를 걸러낸다:

1. 외관 후보: 디스크립터 유사도(BoW 점수, 임베딩 거리)가 로봇 간 키프레임 쌍을 표시한다.
2. 기하학적 검증: 두 키프레임의 로컬 특징을 매칭하고 RANSAC(파트너의 로컬 3D 포인트에 대한 PnP, 또는 2D-2D 매칭으로부터의 essential matrix)으로 상대 포즈를 추정한다. 충분한 인라이어가 있으면 → 공분산이 있는 후보 제약이 만들어진다.
3. 클로저 간 일관성: 기하학적으로 검증된 클로저조차 앨리어싱될 수 있다. 강인한 백엔드는 어떤 클로저도 신뢰되기 전에 클로저 집합들이 서로 일치하는지 확인한다.

3단계를 위해, Pairwise Consistency Maximization(PCM, DOOR-SLAM에서 사용)은 로봇 간 클로저 쌍마다 상호 일관성을 확인한다: 로봇 $a$와 $b$ 사이의 두 측정값 $\mathbf{z}_{ik}$와 $\mathbf{z}_{jl}$은, 로봇 자신의 오도메트리와 합성했을 때 루프가 대략 닫히면 일관적이다,

$$\left\|\,\mathrm{Log}\!\left(\mathbf{z}_{ik}^{-1}\;\hat{\mathbf{x}}^a_{ij}\;\mathbf{z}_{jl}\;\hat{\mathbf{x}}^b_{lk}\right)\right\|_{\Sigma} \le \gamma,$$

합성된 사이클에 대한 마할라노비스 검정이다. 노드가 후보 클로저이고 엣지가 일관된 쌍을 표시하는 그래프를 구성하면, 가장 큰 상호 일관 부분집합은 최대 클리크다 — 일관된 다수와 불일치하는 이상값은 클리크 밖에 놓인다. Graduated non-convexity(GNC, Kimera-Multi에서 사용)는 최적화기 내부에서 동일한 문제를 다룬다. 볼록한 대체 비용에서 시작해 점진적으로 이를 예리하게 만들어 이상값 엣지의 영향력을 잃게 한다.

검증되면 클로저는 로봇 $a$의 키프레임 $i$와 로봇 $b$의 키프레임 $j$ 사이의 상대 포즈 제약 $T_{a_i b_j}$를 산출하며, 이는 다른 엣지와 완전히 동일하게 맵 병합과 전역(경우에 따라 분산) 포즈 그래프 최적화에 들어간다.

흔한 함정

• 기하학적 검증만 신뢰하기: RANSAC은 진짜로 비슷하게 생긴 두 장소 사이의 앨리어싱된 매칭을 기꺼이 맞춘다 — 오직 클로저 간 일관성만이 이를 잡아낸다.
• 대칭적인 환경: 복도, 창고, 터널은 상호 일관된 허위 클로저의 가족을 통째로 만들어낸다 — PCM 방식의 검사조차 보수적인 임계값을 필요로 하는 병리적 사례이다.
• 첫 클로저를 탐욕적으로 받아들이기: 검증되지 않은 단 하나의 클로저로 맵을 병합하면 그 오차(혹은 허위성)가 양쪽 맵에 그대로 굳어버린다. 일관된 집합을 기다리는 것은 비용이 거의 들지 않으면서 모든 것을 구한다.

SLAM에서의 의미

로봇 간 루프 클로저는 공유된 맵을 사는 화폐이다 — 이것이 멀티로봇 SLAM의 존재 이유다. 그 희소성(로봇들은 드물게만 중첩할 수 있다)과 그 실패의 과대한 비용(하나의 잘못된 클로저가 모든 로봇의 맵을 손상시킨다)은, 현대의 협업 시스템이 왜 강인한 장소 인식과 이상값에 강인한 최적화에 그토록 많은 투자를 하는지 설명해준다.

관련 문서

• Visual Place Recognition (VPR)
• DOOR-SLAM
• 맵 병합
• NetVLAD
• Robust pose-graph optimization
• Kimera-Multi