Swarm-SLAM

Lajoie 2024 · 논문

한 줄 요약 — Swarm-SLAM은 오픈소스, 센서 무관, 분산형 협업 SLAM 프레임워크로, 스웜 로보틱스가 실제로 필요로 하는 속성들 — 확장성, 유연성, 분산화, 희소성 — 을 중심으로 설계되었으며, 고정된 예산을 가장 정보량이 큰 로봇 간 매칭에 지출하는 새로운 스펙트럴 루프 클로저 우선순위화 기법을 특징으로 한다.

문제

협업 SLAM은 외부 위치 시스템이 없는 환경 — 실내, 지하, 수중 — 에서 멀티로봇 운용을 위한 필수 구성 요소이다. 그러나 팀이 성장할수록 나이브한 C-SLAM 설계는 통신의 장벽에 부딫힌다: 모든 로봇 쌍 사이에서 매 루프 클로저 후보에 대해 디스크립터를 교환하고 기하학적으로 검증하는 것은 대역폭이 제한된 애드혹 링크에서 지속 불가능하다. Swarm-SLAM은 분산형 시스템을 — 저장, 전송, 검증되는 것 모두에서 — 희소하게 유지하면서도, 정확한 전역 추정에 가장 중요한 로봇 간 루프 클로저를 여전히 찾아낼 수 있는 방법을 묻는다.

방법 및 아키텍처

프론트엔드(전역 매칭). 각 로봇은 임의의 외부 오도메트리 입력과 동기화된 센서 데이터(LiDAR, 스테레오, RGB-D, IMU)를 소비한다. 키프레임마다 컴팩트한 전역 디스크립터를 추출한다 — LiDAR 스캔에는 ScanContext, 이미지에는 CNN 기반 CosPlace — 그리고 각 이웃에게 아직 알려지지 않은 디스크립터만 방송한다(이웃 관리자가 이 부기(bookkeeping)를 수행한다). 코사인 유사도에 대한 최근접 이웃 탐색이 로봇 간 루프 클로저 후보를 생성한다.

예산 제약 스펙트럴 우선순위화(핵심 참신성). 멀티로봇 포즈 그래프는 $\mathcal{G}=(V, \mathcal{E}^{\text{local}}, \mathcal{E}^{\text{global}})$이며, $\mathcal{E}^{\text{global}}$은 이미 검증된 고정 엣지와 검증되지 않은 후보로 나뉜다. 대수적 연결성 $\lambda_2$(회전 가중 그래프 라플라시안의 두 번째로 작은 고유값)가 SLAM 최대우도 추정값의 최악의 경우 오차를 제어하기 때문에, 후보들은 이를 최대화하도록 선택된다. 라플라시안은 다음의 원소를 갖는다

$$L_{ij}=\begin{cases}\sum_{(i,j')\in\delta(i)}\kappa_{ij'}, & i=j,\\ -\kappa_{ij}, & \{i,j\}\in\mathcal{E},\\ 0, & \{i,j\}\notin\mathcal{E},\end{cases}$$

고정/로컬 엣지에는 엣지 가중치 $\kappa_{ij}=1$, 후보에는 $\kappa_{ij}=s_e$(전역 매칭 유사도 점수)를 사용한다 — 그래서 추가적인 잡음 정보를 통신할 필요가 없다. 증강된 라플라시안을 다음처럼 쓰면

$$L(\omega) \triangleq L^{\mathcal{E}^{\text{local}}} + L^{\mathcal{E}^{\text{global}}_{\text{fixed}}} + \sum_{e\in\mathcal{E}^{\text{global}}_{\text{candidate}}} \omega_e L_e,$$

각 사이클은 (사용자가 설정한 검증/통신 예산인) 크기 $B$의 부분집합을 선택하여 다음을 푼다

$$\max_{\omega_e\in\{0,1\}} \lambda_2(L(\omega)) \quad \text{s.t.} \quad |\omega| = B,$$

이는 NP-난해이므로, 정수성 제약을 완화하여 저렴하게 풀고 반올림하며, 탐욕적(최고 유사도) 해로 웜스타트한다.

로컬 매칭 및 통신. 선택된 후보는 기하학적 검증을 거친다. 어떤 키프레임의 로컬 특징을 전송할지는 최소 정점 커버(minimum vertex cover) 문제로 표현되어, 공유되는 정점이 한 번만 전송되도록 한다. 임시 브로커(범위 내에서 가장 낮은 ID를 가진 로봇)가 매칭과 전송 요청을 조율한다.

백엔드(분산형이지만 분산 최적화는 아님). 각 조우마다 한 로봇이 협상을 통해 선출되어 이웃들의 포즈 그래프를 모아 강인한 Truncated Least Squares 손실을 사용하는 Graduated Non-Convexity(GNC) 솔버로 포즈 그래프 최적화를 실행한 다음, 갱신된 추정값을 반환한다. 앵커 선택 방식(가장 낮은 기준 프레임 ID의 첫 포즈를 고정)은 산발적인 조우를 거치며 로봇들의 부분집합이 중앙 권한 없이도 하나의 전역 프레임으로 수렴하게 한다.

실험 결과

• 데이터셋: 5개 데이터셋에서 나온 7개 시퀀스로, 센서를 혼합한다: 2대의 로봇으로 나눈 KITTI 00 스테레오, 5대의 로봇으로 나눈 약 10km의 KITTI-360 09 LiDAR 시퀀스, GrAco(LiDAR 3개 시퀀스), M2DGR Gate(LiDAR 3개), S3E(3개 시퀀스, 스테레오 카메라 로봇 간 루프 클로저 탐지를 갖춘 LiDAR-IMU 오도메트리).
• 우선순위화: 사이클당 예산 $B=1$일 때, 스펙트럴 우선순위화는 의도한 대로 대수적 연결성을 최대화하며 탐욕적 유사도 랭킹보다 ATE를 더 빨리 줄인다 — 모든 후보 루프 클로저의 일부만 계산해도 합리적인 정확도에 도달한다.
• 백엔드 비교: 동일한 프론트엔드에서 DGS+PCM과 분산형 GNC(D-GNC/RBCD)에 대해, GNC 기반 분산형 백엔드는 일관되게 최선의 ATE와 가장 낮은 통신 및 계산 시간을 달성했다. KITTI-360 09(로봇 5대)에서, 분산 최적화 베이스라인들은 정확도를 따라잡지도 못하면서 5배 이상의 데이터 전송을 필요로 했다.
• 실제 배치: 세 대의 이종 로봇(Boston Dynamics Spot, Agilex Scout, Scout Mini; 각각 Jetson AGX Xavier, RealSense D455, Ouster OS0-64, VectorNav VN100, 애드혹 Wi-Fi 탑재)이 실내 주차장에서: 475m 이동, 3103개의 키프레임, 67개의 로봇 간 루프 클로저 중 10개의 이상값이 GNC에 의해 제거되었으며, 총 94.95MB만 전송되었다.

SLAM에서의 의미

로봇 팀이 커질수록, 나이브한 디스크립터 방송과 전면적인 루프 클로저 검증은 통신과 계산을 폭발적으로 늘린다. Swarm-SLAM은 바로 이 병목을 공격하며, 어떤 루프 클로저를 먼저 검증할지가 그것을 어떻게 최적화하는지만큼 중요하다는 것과, 단순히 분산 선출된 백엔드가 더 화려한 분산 최적화 솔버를 정확도, 대역폭, 통신 실패에 대한 강인성 면에서 이길 수 있음을 보여준다. DOOR-SLAM과 같은 그룹에서 나온 것으로서, 이 시스템은 10년에 걸친 분산 SLAM의 교훈을 현대적인 ROS 2 프레임워크(MISTLab/Swarm-SLAM)로 패키징했으며, 그 센서 무관성은 이를 이종 멀티로봇 실험을 위한 흔한 베이스라인으로 만든다.

관련 문서

• DOOR-SLAM — 같은 연구실 출신의 앞선 분산형, 이상값에 강인한 시스템
• Kimera-Multi — 메트릭-시맨틱 분산형 대안(D-GNC 베이스라인의 출처)
• 통신 제약 — Swarm-SLAM이 절약하도록 설계된 자원
• Centralized vs Decentralized — 아키텍처적 맥락
• 로봇 간 루프 클로저 — 우선순위화되고 검증되는 대상
• 맵 병합 — 우선순위화된 클로저가 가능하게 하는 연산