Stanford AA274A Principles of Robotic Autonomy

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

스탠퍼드 AA274A의 EKF SLAM 강의는 로봇 위치와 특징점 지도의 추정을 관측값 대응, 불확실성, 공분산의 관점에서 살펴본다.

📌 핵심 요점

1. 관측값의 대응 관계가 주요 논점이다. 초반에는 관측값을 어디에 할당할지 결정하는 대응 변수(correspondence variable)가 등장한다. 다만 제공된 발췌만으로 구체적인 할당 절차를 복원하기는 어렵다.
2. 관측값의 예상치와 불확실성을 함께 다룬다. 로봇이 자신의 위치를 얼마나 불확실하게 추정하는지, 예상 관측값과 그 불확실성이 무엇인지가 언급된다.
3. 마할라노비스 거리가 별도 개념으로 등장한다. 22:39의 거리 개념과 25:33의 ‘1시그마’ 언급은 불확실성을 고려한 거리 해석을 확인할 학습 지점이다. 두 대목의 정확한 연결은 원문 확인이 필요하다.
4. 필터링과 다른 추정 접근을 함께 살펴본다. 상태 전이 모델, 몬테카를로 위치 추정, 가우시안 EKF의 하나의 피크와 관련된 문제가 언급된다. 비모수 SLAM 알고리즘도 등장하지만, 발췌만으로 비교 결과를 단정할 수는 없다.
5. 후반부는 지도와 행렬 표현을 다룬다. 전역 기준 좌표계, 특징점 기반 지도, 공분산의 영 원소와 상단 3×3 블록, 차원을 맞추기 위한 투영이 언급된다. 각 행렬의 정확한 정의와 계산식은 제공되지 않았다.

🧩 배경과 문제 정의

• 주어진 지도에서 로봇의 자세를 추정하려면 센서 측정이 어느 랜드마크에서 비롯되었는지 알아야 한다.
• 기존 위치추정은 측정과 랜드마크의 대응을 알고 있다고 가정했지만, 실제로는 대응관계도 추정해야 한다.
• EKF 위치추정에 데이터 연관을 추가하려면 로봇 자세의 불확실성과 측정 잡음을 함께 고려해 후보 대응관계를 비교해야 한다.

🕒 시간순 섹션별 상세정리

1. 측정과 랜드마크의 대응관계도 추정 대상이다

• 대응변수 c_ti=j는 시각 t의 i번째 측정이 지도상의 j번째 랜드마크에 대응한다는 뜻이다. [00:42]
• 대응변수는 일반적으로 알려져 있지 않으므로, 주어진 지도에서 로봇 자세를 추정하는 과정에 대응관계 추정을 포함해야 한다. [00:59]

2. 최대우도 대응 선택은 오류를 이후 추정에 남긴다

• 최대우도 방식은 관측 데이터를 가장 잘 설명하는 대응변수를 선택한 뒤 그 값을 확정된 것으로 취급한다. [01:16]
• 잘못 선택한 대응관계도 이후 시간 단계에 계속 반영되므로, 계산이 다루기 쉬워지는 대신 위치추정이 오류에 취약해진다. [01:48]

3. 전체 측정의 대응을 동시에 최적화하면 조합 수가 급증한다

• 최대우도 대응 추정은 주어진 지도와 제어·측정 이력, 이전에 결정한 대응관계를 조건으로 현재 측정의 우도를 최대화하는 할당을 찾는다. [02:48]
• 라이다 점군처럼 한 시각에 여러 측정이 들어오면 각 측정에 랜드마크를 할당해야 하므로, 가능한 조합 수가 측정 개수에 따라 지수적으로 증가한다. [05:44]

4. 측정별 최대우도 추정으로 대응 문제를 근사한다

• 계산 부담을 줄이기 위해 전체 측정 벡터의 대응을 한꺼번에 최적화하는 대신, 각 측정의 대응을 하나씩 추정한다. [06:31]
• 각 측정에 대해 후보 랜드마크별 관측 우도를 비교하고, 가장 높은 우도를 주는 랜드마크를 선택한다. [07:12]

5. 상태를 주변화하고 선형화해 측정 우도를 계산한다

• 후보 대응관계의 우도를 실제로 비교하려면 측정 확률분포를 계산 가능한 형태로 표현해야 하며, EKF에서는 선형화를 사용한다. [08:08]
• 전체확률법칙에 따라 현재 상태에 대한 조건부 측정분포와 상태분포의 곱을 상태 전체에 걸쳐 적분한다. [08:39]

6. 측정 우도의 분산은 자세 불확실성과 센서 잡음을 합친다

• 측정 잡음을 가우시안으로 가정하고 EKF의 상태 믿음도 가우시안으로 취급하면, 선형화를 거친 측정 우도를 가우시안으로 표현할 수 있다. [09:42]
• 측정 우도의 분산은 센서 잡음의 분산과 로봇 자세의 불확실성이 측정에 미치는 분산을 더한 값이다. [11:08]

7. 관측값에서 가우시안 우도가 가장 큰 후보를 선택한다

• 각 후보 랜드마크에 대응하는 가우시안 측정분포를 구성하고, 실제 관측값에서 각 분포의 우도를 평가한다. [12:07]
• 두 후보를 비교하는 예에서는 관측값의 우도가 더 높은 두 번째 랜드마크를 선택한다. [13:24]

8. 여러 측정이 같은 랜드마크에 대응할 수 있다

• 라이다의 두 반환값이 같은 장애물에서 반사될 수 있으므로, 여러 측정을 같은 랜드마크에 연결하는 경우가 가능하다. [14:46]

9. 대응관계가 미지여도 EKF 예측 단계는 유지된다

• 예측 단계는 현재 측정을 사용하지 않으므로 대응변수에 의존하지 않으며, 이전 믿음의 평균에 상태전이모델을 적용해 예측 평균을 구한다. [15:25]
• 예측 공분산에는 이전 자세 추정의 불확실성과 운동 잡음의 공분산 R_t가 반영된다. [15:53]

10. 대응 선택을 마치면 기존 칼만 보정 절차를 적용한다

• 측정을 순차적으로 처리하면서 각 후보 랜드마크에 대한 예상 측정값과 불확실성을 계산한다. [16:13]
• 후보별 계산이 끝나면 현재 관측의 우도를 가장 높이는 랜드마크에 해당 측정을 할당한다. [18:00]

11. 랜드마크는 점뿐 아니라 선분으로도 표현할 수 있다

• 위치추정에 사용하는 랜드마크는 점에 한정되지 않으며, 선이나 선분 같은 다른 기하 요소도 사용할 수 있다. [21:41]
• 선은 r과 alpha라는 두 매개변수로 표현하며, 이 값들이 측정값을 구성한다. [22:07]

12. 마할라노비스 거리는 방향별 불확실성을 반영한다

• 마할라노비스 거리는 관측값이 평균에서 얼마나 떨어져 있는지를 표준편차 단위로 해석하는 통계적 거리다. [23:11]
• 방향마다 불확실성이 다르면 평균에서의 유클리드 거리가 달라도 통계적으로 같은 거리에 있을 수 있다. [24:01]

13. 공분산의 역으로 편차를 가중해 통계적 거리를 구한다

• 마할라노비스 거리는 관측값과 평균의 차이를 공분산 행렬의 역으로 가중해 계산한다. [25:38]
• 불확실성이 큰 방향에서는 같은 크기의 편차가 더 작은 통계적 거리로 환산되므로, 관측이 평균에 상대적으로 가깝다고 판단한다. [25:50]

14. 마할라노비스 거리가 가장 작은 대응관계를 선택한다

• 각 후보 대응관계에 대해 예상 측정값과 불확실성을 계산한 뒤, 실제 관측과 예상 측정 사이의 마할라노비스 거리를 비교한다. [26:26]
• 거리를 최소화하는 랜드마크를 선택하면 불확실성을 고려했을 때 관측을 가장 잘 설명하는 대응관계를 얻는다. [26:55]

15. 다중 가설 추적과 다른 필터로 위치추정을 확장할 수 있다

• 대응관계를 하나로 확정하는 방식은 잘못된 연관 결정이 시간에 따라 남기 때문에 취약하다. [29:06]
• 다중 가설 추적 필터는 믿음을 가우시안 혼합으로 표현하고, 각 가우시안이 서로 다른 대응 결정의 이력을 추적하게 한다. [29:24]

16. 입자 필터를 위치 추정에 적용하는 몬테카를로 위치 추정

• 가우시안 근사는 믿음 분포를 함수 형태로 표현하고, 비모수적 근사는 구체적인 상태값을 나타내는 입자 집합으로 표현한다. [30:19]
• 입자 필터를 로봇 위치 추정에 적용한 알고리즘이 몬테카를로 위치 추정이다. 기존 필터의 상태 전이 모델과 측정 모델을 로봇에 맞게 대입하면 된다. [31:29]

17. 예측·중요도 가중치·복원추출로 입자 분포 갱신

• 믿음 분포는 보통 약 1,000개의 입자로 표현한다. 이전 입자 집합과 현재 제어·측정, 주어진 지도를 이용해 다음 입자 집합을 계산한다. [32:13]
• 상태 전이 모델로 각 입자를 전파한 뒤, 해당 입자의 상태를 가정했을 때 실제 측정이 관측될 가능성을 중요도 가중치로 계산한다. [32:42]

18. 독립적인 재표본화가 초래하는 입자 편중

• 입자를 서로 독립적으로 추출하면 우연히 같은 입자를 반복해서 선택할 수 있으며, 이러한 편중은 필터의 발산으로 이어질 수 있다. [35:08]
• 확률 과정을 이용한 개선된 표본추출 방식은 몬테카를로 위치 추정의 강건성을 높일 수 있다. [35:24]

19. 지도와 양립하는 상태에 맞춰 전이 분포 조정

• 지도 정보를 운동·측정 모델에 반영하는 방식은 EKF와 입자 필터에서 동일하다. [35:57]
• 장애물에 대한 지식은 운동 모델이 예측한 분포를 바꾼다. 지도 없이 계산한 상태 전이 모델에 해당 상태가 지도와 얼마나 양립하는지를 나타내는 항을 곱한다. [36:18]

20. MCL의 넓은 적용 범위와 실시간 계산 비용

• 몬테카를로 위치 추정은 전역 위치 추정, 위치 추적, 로봇이 갑자기 다른 위치로 옮겨지는 문제를 다룰 수 있으며, 이상 관측을 배제하는 방식으로 동적 환경에도 대응할 수 있다. [37:00]
• 입자마다 반복 계산하므로 입자 수가 많으면 실행 속도가 느려진다. 실시간 동작을 위해서는 구현 효율이 중요하며, 개선된 표본추출도 강건성에 영향을 준다. [37:16]

21. 관측에 따른 가설 제거와 입자 고갈의 복구

• 입자 군집은 로봇 위치에 대한 서로 다른 가설을 나타낸다. 새로운 탁자 관측이 일부 가설과 맞지 않으면 재표본화에서 해당 군집이 사라지고 올바른 위치 주변에 입자가 집중된다. [37:50]
• 초기 위치를 모르면 환경 전체에 입자를 분산한다. 그러나 재표본화에서 하나의 입자만 살아남아 1,000번 복제되면 믿음 분포를 충분히 표현하지 못하는 입자 고갈이 발생한다. [38:29]

22. 대칭 환경의 다중 가설과 EKF의 초기화 한계

• 대칭적인 환경에서는 측정만으로 두 위치를 구별하지 못할 수 있다. 구별 가능한 관측이 들어올 때까지 두 봉우리를 가진 믿음 분포를 유지해야 한다. [39:21]
• 입자 필터는 여러 모드를 동시에 유지하지만, 단일 가우시안 EKF는 서로 떨어진 가설을 평균내어 실제 위치가 아닌 곳에 평균을 둘 수 있다. EKF는 초기 위치를 비교적 잘 아는 국소 위치 추정에 적합하다. [40:05]

23. 알려지지 않은 지도와 로봇 자세를 함께 추정하는 SLAM

• 위치 추정이 알려진 지도를 전제로 한다면, SLAM은 측정과 제어의 이력을 이용해 로봇의 자세 또는 경로와 지도를 함께 추정한다. [42:13]
• 소행성에서 도약하는 우주선의 SLAM 사례는 위치 추정과 표면 지도 작성을 결합한다. JPL의 모형 실험에서는 밝고 어두운 조명 차이와 불연속적인 도약 운동에도 궤적을 실시간으로 비교적 안정적으로 추정한다. [43:24]

24. 측정 대응 관계와 온라인·전체 SLAM의 구분

• SLAM은 측정이 어느 랜드마크에 해당하는지 연결해야 한다. 일반적으로 이 대응 관계를 모르므로 대응 변수도 추정해야 한다. [45:19]
• 온라인 SLAM은 현재 자세와 지도를 추정하고, 전체 SLAM은 과거를 포함한 로봇의 전체 궤적과 지도를 추정한다. [45:41]

25. 연속·조합 변수의 결합과 상태 차원의 급증

• 로봇 자세와 랜드마크 위치는 연속 변수지만, 측정과 랜드마크의 대응은 정수 변수를 사용하는 조합 문제다. SLAM은 두 종류의 변수를 함께 다루는 혼합 문제다. [46:36]
• 위치 추정에서는 x, y, 방향각의 세 변수에 대한 분포만 필요할 수 있다. SLAM에서는 많은 랜드마크를 함께 추정하므로 사후분포가 수천 또는 수만 변수로 커질 수 있다. [47:23]

26. 지도와 자세 오차의 상관관계가 만드는 부담과 기회

• 지도는 관측뿐 아니라 상태 전이에도 영향을 준다. 장애물을 통과할 수 없다는 제약처럼, 알려지지 않은 지도를 추정하면서도 그 지도가 운동에 미치는 영향을 함께 고려해야 한다. [48:49]
• 초기 자세에 불확실성이 없으면 랜드마크의 불확실성은 측정 잡음에서 비롯된다. 이동 후에는 로봇 자세도 불확실해지며, 자세 오차와 지도 오차가 서로 연결된다. [49:59]

27. EKF SLAM의 가우시안 잡음과 특징 기반 지도 가정

• SLAM도 필터링 문제로 구성할 수 있다. 믿음 분포를 가우시안 같은 함수로 근사하는 모수적 방법과 입자 집합으로 근사하는 비모수적 방법이 가능하다. [51:56]
• EKF SLAM은 운동 과정 잡음과 측정 잡음이 가우시안이며, 지도가 점 랜드마크 같은 특징을 기반으로 구성된다고 가정한다. [52:27]

28. 로봇 자세와 랜드마크를 결합한 확장 상태 벡터

• EKF SLAM은 로봇 자세와 모든 랜드마크의 좌표를 하나의 확장 상태 벡터에 넣는다. 점 랜드마크마다 x, y 좌표를 추가하고 이 벡터에 EKF를 적용한다. [53:35]
• 알려진 대응 관계를 가정한 구성에서는 랜드마크 수를 알고 위치만 모른다. 랜드마크 수를 모르는 경우에는 새로운 랜드마크를 포함하면서 확장 상태 벡터가 시간에 따라 커진다. [54:32]

29. 정적 랜드마크와 로봇 운동 잡음을 분리한 전이 모델

• 환경이 정적이라고 가정하면 확장 상태의 로봇 자세 부분은 운동 모델로 갱신하고, 랜드마크 좌표 부분은 이전 값을 그대로 유지한다. [56:31]
• 랜드마크의 위치는 모르더라도 실제 좌표가 움직이지 않는다고 가정한다. 따라서 과정 잡음은 로봇 자세에 해당하는 처음 세 성분에만 적용한다. [57:11]

30. 운동 모델의 선형화와 거리·방위각 측정 모델

• 운동 모델은 일반적으로 비선형이므로 EKF를 적용하기 위해 이전 자세 추정치 주변에서 선형화한다. 이때 G는 전이 모델의 야코비안을 나타낸다. [58:56]
• 측정 모델은 EKF 위치 추정과 같은 거리·방위각 센서를 사용한다. 측정 i가 랜드마크 j에 대응할 때, 거리는 현재 로봇 위치와 해당 랜드마크 위치 사이의 유클리드 거리다. [59:18]

31. 측정 모델의 선형화와 희소한 야코비안 계산

• 거리 관측은 로봇과 랜드마크 사이의 거리에 해당하며, 방위각 관측은 랜드마크를 향한 절대 각도에서 로봇의 방향각을 뺀 값에 측정 잡음을 더한다. [1:00:09]
• 대응 관계가 알려져 있으면 측정 모델은 전체 3+2n개 상태 성분 중 로봇의 x·y·방향각과 해당 랜드마크의 x·y라는 다섯 변수에만 의존한다. [1:01:06]

32. 초기 자세를 기준으로 좌표계와 불확실성 설정

• 초기 로봇 자세를 전역 좌표계의 원점으로 정하고 그 좌표계에 대한 지도를 구성한다. 로봇이 이동하면 현재 로봇 좌표계와 초기 전역 좌표계 사이의 변환을 추적한다. [1:03:54]
• 초기 로봇 자세와 그 불확실성은 0으로 설정한다. 아직 위치를 모르는 랜드마크는 위치 기댓값을 0으로 두고 불확실성을 무한대로 설정한다. [1:04:44]

33. 거리·방위각으로 새 랜드마크 위치 초기화

• 처음 관측한 랜드마크는 현재 로봇 자세의 추정 기댓값과 거리·방위각 측정을 이용해 초기화한다. 로봇 위치를 중심으로 측정 거리만큼 떨어진 원 위에서 방향각과 방위각에 맞는 위치를 선택한다. [1:05:55]
• 이 초기화는 로봇의 실제 상태가 추정 기댓값과 같다고 간주하는 근사이며, 일반적으로 두 값이 일치한다는 보장은 없다. [1:07:15]

34. 확장 상태의 예측과 정적인 랜드마크

• 확장 상태에 대한 믿음에 제어 입력과 현재 측정을 반영해 사후분포를 계산한다. 이 단계에서는 관측과 랜드마크의 대응 관계가 주어진다고 가정한다. [1:07:48]
• 예측 단계는 상태 전이 모델로 로봇의 이동을 예측한다. 마지막 2n개 랜드마크 좌표는 변하지 않으며, 불확실성에는 기존 상태의 불확실성과 운동 잡음이 반영된다. [1:08:15]

35. 관측을 이용한 확장 상태의 갱신

• 관측에 대응하는 랜드마크가 처음 등장하면 먼저 위치를 초기화한다. 이후 예상 측정값과 측정 불확실성을 계산하고, 기존 추정과 관측 정보를 결합해 상태와 불확실성을 갱신한다. [1:09:17]
• 갱신 대상은 3+2n차원의 확장 상태이므로, 한 랜드마크에 대한 관측도 다른 모든 랜드마크의 위치 추정을 개선할 수 있다. [1:10:05]

36. 이동 중 누적되는 오차와 기존 랜드마크의 재관측

• 이동 잡음으로 로봇 자세의 불확실성이 커지면 새로 관측하는 랜드마크의 위치도 더 불확실해진다. 랜드마크 추정에는 측정 잡음뿐 아니라 관측 당시 로봇 위치의 불확실성도 영향을 준다. [1:11:40]
• 처음 보았던 랜드마크를 다시 관측하면 현재 로봇이 있을 수 있는 위치가 제한되어 자세 불확실성이 즉시 줄어든다. [1:12:19]

37. 상태 간 상관관계가 지도 전체로 보정을 전달

• 로봇 자세의 불확실성이 줄면 모든 랜드마크의 위치 불확실성도 함께 줄어든다. 로봇이 어디에 있었는지가 명확해지면 그 위치에서 관측한 랜드마크의 가능한 위치도 좁아진다. [1:13:33]
• 공분산 행렬의 크기는 (3+2n)×(3+2n)이며 비대각 성분도 일반적으로 0이 아니다. 이 성분들이 상태 변수 사이의 상관관계를 담기 때문에, 하나의 관측으로 얻은 위치 제약이 다른 랜드마크의 추정까지 전달된다. [1:14:25]

38. 마할라노비스 거리로 대응 관계와 새 랜드마크 판정

• 대응 관계가 알려져 있지 않으면 대응 변수의 추정 단계를 추가한다. 새 관측마다 우선 새 랜드마크라는 가설을 만들고, 기존 랜드마크들과 함께 후보로 고려한다. [1:15:22]
• 각 후보에 대해 예상 측정값과 측정 불확실성을 계산하고, 실제 관측이 예상값에 얼마나 가까운지 마할라노비스 거리로 평가한다. [1:16:08]

39. 오인식에 대한 강건성과 후속 학습 범위

• 대응 관계를 모르면 기존 랜드마크를 새로운 것으로 오인해 불필요한 랜드마크를 만들 수 있다. 강건성을 높이려면 필터에 이상치 제거를 추가하고, 영상에서는 구별하기 쉬운 특징을 랜드마크로 선택해야 한다. [1:17:43]
• 후속 수업은 센서 융합과 Autoware를 통한 자율주행 오픈소스 활용을 다루며, 대응 관계를 모르는 EKF SLAM도 다시 검토한다. 입자 필터 기반 SLAM은 별도의 보충 강의로 계속된다. [1:18:15]

🧾 결론

• 이 강의의 핵심 학습 축은 EKF SLAM, 관측값 대응, 추정 불확실성, 특징점 기반 지도다.
• 거리나 위치의 추정값뿐 아니라 예상 관측값과 공분산을 함께 읽는 것이 주요 학습 과제로 드러난다.
• 현재 자료는 짧고 불연속적인 자막 발췌이므로, 알고리즘의 전체 유도나 구현 순서를 설명하는 완결된 자료로 사용하기에는 부족하다.

📈 투자·시사 포인트

• 로봇 자율성을 기술적으로 검토할 때 관측값 대응과 위치 불확실성을 확인 항목으로 삼을 수 있다.
• 가우시안 EKF와 몬테카를로 위치 추정이 함께 언급된다는 점은 추정 방식별 표현과 한계를 비교할 학습 출발점이 된다. 이 자료만으로 어느 방식의 성능이 우월한지는 판단할 수 없다.
• 기업 실적, 시장 규모, 제품 성능이나 비용 자료는 포함되어 있지 않다. 투자 판단보다는 로봇 추정 기술을 이해하기 위한 기초 자료로 활용하는 편이 적절하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 자막이 문장 중간에서 끊기는 구간이 많아 대응 변수의 선택 기준, 관측값 할당 대상, 업데이트 수식을 확정할 수 없다.
• ‘이전 UKF’와 ‘가우시안 EKF의 하나의 피크’가 언급되지만, 비교 조건과 구체적인 한계는 제시된 발췌에 충분히 담겨 있지 않다.
• 공분산의 영 원소와 상단 3×3 블록에 관한 설명은 해당 행렬의 정의가 생략되어 있다. 이를 전체 공분산의 일반적인 성질로 확대 해석하면 안 된다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 02:53~03:08과 14:08~14:23의 원문을 확인해 대응 변수의 정의와 관측값 할당 대상을 정리한다.
• 16:47~17:02와 22:39~25:33을 확인해 예상 관측값, 불확실성, 마할라노비스 거리의 연결을 기록한다.
• 35:35~40:28을 확인해 몬테카를로 위치 추정의 설명과 가우시안 EKF에서 지적하는 문제를 구분한다.
• 50:31~1:03:35의 자료에서 좌표계, 지도 표현, 공분산 및 투영 행렬의 정의와 차원을 확인한다.

❓ 열린 질문

• 강의에서는 관측값과 지도 특징점의 대응 관계를 어떤 기준으로 선택하며, 모호한 대응을 어떻게 처리하는가?
• 마할라노비스 거리는 이 강의의 어떤 판단 단계에 사용되며, 해당 계산에 들어가는 불확실성은 어떻게 정의되는가?
• 가우시안 EKF의 하나의 피크와 관련해 제시된 구체적인 사례와 문제는 무엇인가?