테크
SLAM이란, 맵핑과 포지셔닝
실내 공간을 이해하는 핵심 기술
로봇이나 자율주행 차량이 미지의 공간을 탐색하면서 동시에 자신의 위치를 파악할 수 있다면 어떨까요? 이것이 바로 실내 공간을 이해하는데 꼭 필요한 핵심 기술인 ‘SLAM’ 기술입니다. 현대 사회에서 점점 더 중요해지고 있는 SLAM 기술과 맵핑, 포지셔닝의 관계를 살펴보겠습니다.
SLAM의 정의
SLAM은 'Simultaneous Localization and Mapping'의 약자로, 위치 추정(Localization)과 지도 작성(Mapping)을 동시에 수행하는 기술입니다. 사전 정보가 없는 환경에서 센서 데이터를 활용해 주변 지도를 만들면서, 동시에 그 지도 상에서 자신의 위치를 추정합니다.
눈을 가린 채로 낯선 방에 들어가서 손으로 벽과 가구를 더듬으며 방의 구조를 파악하는 동시에 내가 어디쯤 있는지를 알아내는 과정과 비슷합니다.
맵핑(Mapping): 공간의 디지털 트윈
맵핑은 센서를 통해 수집한 데이터를 바탕으로 물리적 공간의 디지털 지도를 생성하는 과정입니다.
병원이나 스마트 팩토리 같은 복잡한 실내 공간에서는 정확한 맵핑이 특히 중요합니다. LiDAR, 카메라, IMU 등 다양한 센서가 수집한 데이터를 결합해 2D 또는 3D 환경 지도를 구축합니다. 이렇게 만들어진 맵은 자산 추적, 내비게이션, 공간 분석 등 다양한 서비스의 기반이 됩니다.
포지셔닝(Positioning): 실시간 위치 추정
포지셔닝은 맵핑을 통해 생성된 맵 위에서 실시간으로 자신의 위치를 추정하는 과정입니다.
SLAM 기반 포지셔닝의 장점은 인프라 구축 부담이 거의 없이도 작동한다는 점입니다. 로봇이나 디바이스가 움직이면서 수집한 센서 데이터를 맵과 비교해 위치를 계산합니다. 동적으로 변하는 환경이나 사전 인프라 설치가 어려운 공간에서 유용합니다.
SLAM의 순환 구조
SLAM에서 맵핑과 포지셔닝은 서로를 필요로 합니다. 정확한 맵을 만들려면 정확한 위치 정보가 필요하고, 정확한 위치를 알려면 정확한 맵이 필요합니다. 이 문제를 해결하기 위해 SLAM 알고리즘은 반복적으로 두 과정을 개선합니다.
최신 SLAM 기술은 확률적 접근법을 사용해 불확실성을 개선합니다. 파티클 필터, 칼만 필터, 그래프 최적화 등 여러 기법을 통해 센서 노이즈와 환경 변화에도 원활히 대응할 수 있게끔 발전하고 있습니다.
현재 SLAM 기술의 한계
실내측위 분야에서 SLAM은 로봇공학을 넘어 다양하게 활용되고 있습니다. 하지만 SLAM 기술이 보통 카메라 비전이나 LiDAR를 기반으로 한다는 점에서 여전히 극복해야 할 과제들도 있습니다.
높은 비용 :
산업용 LiDAR 센서의 경우 가격이 수천만 원대에 달하고, 고해상도 카메라와 깊이 센서를 결합한 비전 시스템도 상당한 초기 투자가 필요합니다. 이런 고비용 구조는 대규모 실내 공간에 SLAM을 도입하려는 기업들에게 현실적인 부담이 됩니다.높은 연산 복잡도 :
카메라나 LiDAR로부터 실시간으로 수집되는 대용량 데이터를 처리하는 일은 상당한 연산 자원을 요구합니다. 이는 배터리 수명이 제한적인 모바일 디바이스나 소형 로봇에서 큰 제약이 됩니다.센서 의존성 :
SLAM의 성능은 사용하는 센서의 품질과 종류에 크게 좌우됩니다. 조명이 어두운 환경에서는 비전 기반 SLAM이 어려움을 겪고, 반사가 많은 유리벽이나 긴 복도 같은 특징점이 부족한 환경에서는 정확도가 떨어집니다.누적 오차 :
시간이 지남에 따라 작은 측정 오차들이 누적되어 맵의 왜곡이나 위치 추정 오류로 이어질 수 있습니다. 이를 해결하기 위한 루프 클로저(Loop Closure) 기법이 있지만, 넓은 공간이나 복잡한 경로에서는 여전히 도전 과제입니다.초기 설정의 어려움 :
SLAM 시스템이 안정적으로 작동하기 위해서는 초기에 충분한 특징점을 확보하고 정확한 초기 맵을 구축해야 합니다. 이 과정이 실패하면 전체 시스템의 성능이 저하됩니다.
비용 문제를 해결하기 위한 RF-SLAM
SLAM을 통해 생성된 디지털 트윈은 실내 공간에 대한 깊은 이해를 가능하게 합니다. 고비용이나 복잡성 등 아직은 완벽하지 않지만, 앞으로의 산업에서는 SLAM 기술의 활용이 더욱 확대될 것입니다.
아이핀랩스는 기존 SLAM의 비용 문제를 해결하기 위해 딥러닝 기반의 RF-SLAM 기술을 개발했습니다. 고가의 LiDAR나 카메라 대신 이미 건물에 설치된 Wi-Fi나 BLE 같은 무선 신호(RF)를 활용해 투자와 유지 비용을 획기적으로 낮출 수 있는 방법입니다.
이처럼 아이핀랩스는 전통적인 SLAM의 장점은 유지하면서도, 비용 효율성과 실용성을 높인 새로운 접근법으로 더 많은 기업이 실내측위 기술의 혜택을 누릴 수 있도록 하고 있습니다.
