DEV Community

Richard Minsoo Go
Richard Minsoo Go

Posted on

Mapping Localization and SLAM — Ch.09: Multi Robot Mapping [KR]

STATERA Library · Series 08 · Volume 13 · Chapter 09 · KR
Source: https://github.com/Statera-Library/08_Vol_13_Mapping_Localization_and_SLAM/blob/main/Chapter_09_Multi_Robot_Mapping/Chapter_09_Multi_Robot_Mapping_KR.md

Volume 13. Mapping Localization and SLAM

Chapter 09. Multi Robot Mapping

09.01. Multi Robot Mapping Architectures Central Decentralized

다중 로봇 매핑(Multi-Robot Mapping)은 기존의 동시적 위치추정 및 지도작성(SLAM)을 하나의 자율 플랫폼에서 여러 로봇이 동일한 환경의 표현을 공동으로 관측하고 추정하며 갱신하는 협력 시스템(Cooperative System)으로 확장한 것이다. 따라서 핵심적인 아키텍처 문제는 각 로봇이 지역적으로 일관된 지도(Local Map)를 구축하는 것뿐만 아니라, 로봇 팀 전체에서 관측 정보, 자세(Pose), 불확실성(Uncertainty), 지도 보정(Map Correction)을 어떻게 교환하고 조정할 것인가에 있다.

다중 로봇 매핑 시스템(Multi-Robot Mapping System)은 일반적으로 로컬 인지(Local Perception), 로컬 상태 추정(Local State Estimation), 지도 생성(Map Generation), 로봇 간 통신(Inter-Robot Communication), 데이터 연관(Data Association), 지도 정렬(Map Alignment), 전역 최적화(Global Optimization) 기능으로 구성된다. 각 로봇은 라이다(LiDAR), 카메라(Camera), 관성측정장치(IMU), 휠 인코더(Wheel Encoder), 위성항법시스템(GNSS) 등의 센서 측정값을 처리하며, 생성된 로컬 지도와 궤적(Trajectory)은 로봇 간 공간적 관계를 설정하는 상위 수준 메커니즘의 입력이 된다.

아키텍처(Architecture)는 확장성(Scalability), 통신 대역폭(Communication Bandwidth), 계산 부하(Computational Load), 장애 허용성(Fault Tolerance), 그리고 달성 가능한 전역 일관성(Global Consistency)에 직접적인 영향을 미친다. 대표적인 두 가지 접근 방식은 중앙집중형 매핑(Centralized Mapping)과 분산형 매핑(Decentralized Mapping)이며, 실제 시스템에서는 두 방식의 특성을 결합한 하이브리드 아키텍처(Hybrid Architecture)를 사용할 수도 있다. 이러한 구조를 선택할 때는 로봇 수, 네트워크 신뢰성, 운용 영역, 센서 데이터 규모, 계산 자원, 임무 요구사항을 함께 고려해야 한다.

중앙집중형 아키텍처(Centralized Architecture)에서는 개별 로봇이 센싱(Sensing)과 일정 수준의 로컬 전처리(Local Preprocessing)를 수행하고, 중앙 서버(Central Server)가 로봇 군집으로부터 매핑 정보를 수신한다. 서버는 자세, 키프레임(Keyframe), 포인트 클라우드(Point Cloud), 시각 특징(Visual Feature), 서브맵(Submap), 그래프 제약조건(Graph Constraint) 등을 수집하여 전역적으로 최적화된 환경 표현을 구축할 수 있다. 이를 통해 공통 기준 좌표계(Common Reference Frame)를 유지하고 로컬 지도 사이의 불일치를 해결하는 명확한 중심점을 확보할 수 있다.

고성능 계산 자원이 엣지 서버(Edge Server), 제어 센터(Control Center), 온프레미스 인프라(On-Premise Infrastructure)에 제공되는 환경에서는 중앙집중형 처리가 특히 유용하다. 전역 번들 조정(Global Bundle Adjustment), 포즈 그래프 최적화(Pose-Graph Optimization), 루프 폐쇄 검증(Loop-Closure Verification), 대규모 포인트 클라우드 정합(Point-Cloud Registration)과 같이 계산량이 큰 작업을 개별 로봇에서 분리할 수 있다. 이에 따라 로봇은 실시간 위치추정, 인지, 경로 계획(Planning), 안전 기능(Safety Function)에 더 많은 온보드 자원을 사용할 수 있다.

중앙집중화(Centralization)의 주요 장점은 광범위한 전역 문맥(Global Context)을 활용할 수 있다는 것이다. 여러 로봇의 관측값을 하나의 계산 영역에서 처리하면 로봇 간 루프 폐쇄(Inter-Robot Loop Closure)를 식별하고, 독립적으로 유지되었을 궤적을 공동으로 최적화할 수 있다. 다른 로봇이 이전에 매핑한 영역에 새로운 로봇이 진입하면 동일한 전역 그래프(Global Graph)에 제약조건을 추가하여 지도 일관성을 향상시키고 로봇 군집 전체에서 누적되는 드리프트(Drift)를 감소시킬 수 있다.

그러나 중앙집중형 모델(Centralized Model)은 중요한 의존성도 발생시킨다. 통신 링크는 로봇에서 중앙 매핑 시스템으로 충분한 정보를 전달해야 하며, 로봇 수 또는 센서 해상도가 증가하면 네트워크 혼잡(Network Congestion)이 심각해질 수 있다. 원시 카메라 스트림(Raw Camera Stream)이나 고밀도 라이다 포인트 클라우드를 그대로 전송하는 것은 현실적으로 어려운 경우가 많다. 따라서 실제 시스템에서는 선택된 키프레임, 디스크립터(Descriptor), 랜드마크(Landmark), 압축된 서브맵, 증분 그래프 갱신(Incremental Graph Update)과 같은 압축된 표현을 주로 전송한다.

중앙 서버는 아키텍처를 신중하게 설계하지 않을 경우 계산 병목(Computational Bottleneck) 또는 단일 장애점(Single Point of Failure)이 될 수도 있다. 로봇 수가 증가하면 입력되는 관측 정보와 최적화 제약조건이 사용 가능한 처리 능력보다 빠르게 증가할 수 있다. 따라서 중복 서버(Redundant Server), 분산 백엔드 서비스(Distributed Backend Service), 계층형 지도 분할(Hierarchical Map Partition), 비동기 처리(Asynchronous Processing), 지속적인 로컬 운용(Persistent Local Operation)은 복원력과 확장성을 향상시키는 중요한 수단이다.

분산형 아키텍처(Decentralized Architecture)에서는 하나의 노드가 전체 매핑 상태를 유지할 필요가 없다. 각 로봇은 자체 로컬 지도를 구축하고 선택된 정보를 인접 로봇이나 다른 군집 구성원과 직접 교환한다. 지도 융합(Map Fusion)은 피어투피어 통신(Peer-to-Peer Communication), 분산 데이터 연관(Distributed Data Association), 상대 자세 추정(Relative Pose Estimation), 협력 최적화(Cooperative Optimization)를 통해 이루어진다. 따라서 계산과 의사결정 권한이 여러 자율 플랫폼에 분산된다.

분산화(Decentralization)는 고정 인프라와의 통신이 불안정하거나 사용할 수 없는 환경에서 높은 강건성(Robustness)을 제공한다. 로봇은 다른 로봇과 연결이 끊어지더라도 온보드 센서를 이용하여 매핑을 계속 수행할 수 있다. 이후 연결이 복구되면 로컬에서 축적된 정보를 교환하고 다시 조정할 수 있다. 이러한 능력은 지하시설, 터널, 대규모 산업현장, 재난환경, 야외지역과 같이 네트워크 연결이 간헐적인 임무에서 특히 중요하다.

분산형 시스템의 어려움은 여러 로봇이 자동으로 공통 좌표계(Common Coordinate System)를 공유하지 않는다는 데 있다. 두 로봇이 각각 내부적으로 일관된 지도를 구축하더라도 원점과 방향은 서로 다를 수 있다. 따라서 시스템은 중첩되는 관측 영역을 발견하고 지도 사이의 상대 변환(Relative Transformation)을 추정하며, 잘못된 대응 관계(False Correspondence)를 제거하고 보정값을 전파해야 한다. 이 때문에 로봇 간 루프 폐쇄(Inter-Robot Loop Closure)는 분산형 다중 로봇 매핑의 핵심 기술 문제가 된다.

분산 최적화(Distributed Optimization)는 아키텍처를 더욱 복잡하게 만든다. 이상적인 전역 일관 지도는 전체 로봇 군집에서 수집된 제약조건을 반영해야 하지만 모든 측정값을 모든 로봇에 전달하면 분산 구조가 가지는 통신상의 이점이 사라진다. 따라서 알고리즘은 어떤 변수와 제약조건을 공유해야 하는지 결정하고, 전체 전역 상태(Global State)에 지속적으로 접근하지 않고도 인접 로봇들이 반복적인 계산을 통해 서로 호환되는 추정값으로 수렴하도록 해야 한다.

따라서 통신 토폴로지(Communication Topology)는 매핑 아키텍처 자체의 일부가 된다. 로봇은 완전한 피어투피어 메시(Full Peer-to-Peer Mesh), 동적으로 변화하는 이웃 관계(Dynamic Neighbor Relationship), 릴레이 노드(Relay Node), 애드혹 무선 네트워크(Ad Hoc Wireless Network) 등을 통해 통신할 수 있다. 로봇이 이동함에 따라 사용 가능한 대역폭과 지연시간(Latency)이 변할 수 있으므로, 매핑 소프트웨어는 안정적인 연결을 가정하기보다 지연되거나 중복되고 순서가 변경되거나 일시적으로 사용할 수 없는 정보를 처리할 수 있어야 한다.

중앙집중형과 분산형 설계는 절대적인 양자택일 관계로 이해해서는 안 된다. 산업용 배치(Industrial Deployment)에서는 하이브리드 아키텍처(Hybrid Architecture)가 더 적합한 경우가 많다. 로봇은 즉각적인 주행을 위해 독립적인 로컬 SLAM 파이프라인(Local SLAM Pipeline)을 유지하면서 압축된 서브맵 또는 그래프 정보를 주기적으로 군집 수준 서버(Fleet-Level Server)에 전송할 수 있다. 서버는 전역 조정(Global Reconciliation)을 수행한 후 보정된 변환, 공유 지도 영역, 위치추정 기준 정보를 다시 로봇에 배포한다.

로컬 운용 매핑(Local Operational Mapping)과 전역 협력 매핑(Global Cooperative Mapping)을 분리하는 구조는 자율이동로봇(AMR)에 특히 유용하다. 주행과 충돌 회피(Collision Avoidance)는 서버와의 지속적인 연결에 의존할 수 없기 때문에 각 AMR은 로컬에서 유효한 환경 표현을 유지해야 한다. 반면 군집 수준 최적화(Fleet-Level Optimization)는 여러 로봇이 장시간 축적한 관측 정보를 활용할 수 있다. 이러한 구조는 실시간 로컬 자율성(Local Autonomy)과 상대적으로 느리지만 포괄적인 전역 일관성을 결합한다.

서브맵 기반 표현(Submap-Based Representation)은 이러한 구조에 적합하다. 하나의 거대한 전역 지도를 지속적으로 수정하는 대신 각 로봇은 추정된 자세와 연결된 제한된 크기의 로컬 지도 영역을 생성한다. 다중 로봇 백엔드(Multi-Robot Backend)는 이러한 서브맵 사이의 변환을 결정하고 관계를 최적화한다. 이를 통해 통신 데이터량을 줄이고 로컬 갱신의 계산 영향을 제한하며, 서로 다른 궤적이나 운용 일정으로 생성된 지도들을 보다 쉽게 통합할 수 있다.

이기종 로봇 군집(Heterogeneous Robot Fleet)은 또 다른 아키텍처 요소를 제공한다. 바퀴형 AMR, 사족보행 로봇(Quadruped), 무인항공기(UAV), 특수 검사 로봇(Specialized Inspection Robot)은 동일한 환경을 서로 다른 시점과 센서 구성으로 관측할 수 있다. 각 플랫폼의 로컬 매핑 알고리즘이 동일할 필요는 없다. 대신 협력 아키텍처는 타임스탬프(Timestamp), 좌표 프레임(Coordinate Frame), 불확실성, 디스크립터, 랜드마크, 서브맵, 공간 제약조건에 대한 공통 인터페이스(Common Interface)를 정의하면서 플랫폼별 인지 파이프라인을 허용할 수 있다.

지도 일관성(Map Consistency)은 지도 소유권(Map Ownership)과 구분하여 고려해야 한다. 중앙집중형 시스템은 권위 있는 전역 지도(Authoritative Global Map)를 유지할 수 있지만, 분산형 시스템은 공유 제약조건으로 연결된 여러 개의 부분적으로 중첩된 환경 표현을 유지할 수 있다. 산업 시스템에서는 권위 있는 기준 지도(Baseline Map)와 동적 로컬 계층(Dynamic Local Layer)을 결합하는 방식이 유용하다. 영구적인 구조 정보는 통제된 상태로 유지하면서 로봇이 임시 장애물, 환경 변화, 의미론적 관측(Semantic Observation), 위치추정 보정 정보를 추가하도록 구성할 수 있다.

로봇 수가 증가할수록 시간 동기화(Time Synchronization)와 기준 좌표계 관리(Reference-Frame Management)의 중요성도 커진다. 서로 다른 플랫폼에서 생성된 측정값은 안정적으로 융합되기 전에 유효한 타임스탬프와 좌표 변환에 연결되어야 한다. 따라서 시계 동기화(Clock Synchronization), 변환 트리(Transformation Tree), 캘리브레이션 기록(Calibration Record), 프레임 식별자(Frame Identifier)는 단순한 구현 세부사항이 아니라 아키텍처 인프라로 취급해야 한다. 개별 센서의 정확도가 높더라도 시간 정렬이 부정확하면 공간적 오차가 발생할 수 있다.

공유되는 매핑 정보에는 불확실성(Uncertainty)도 함께 포함되어야 한다. 충분한 기하학적 중첩을 기반으로 추정된 상대 변환과 희소하거나 모호한 관측으로부터 얻어진 상대 변환을 동일한 신뢰도로 처리해서는 안 된다. 공분산(Covariance), 신뢰도 점수(Confidence Score), 강건 손실 함수(Robust Loss Function), 이상치 제거(Outlier Rejection) 메커니즘을 사용하면 매핑 백엔드가 신뢰할 수 있는 제약조건과 의심스러운 제약조건을 구분할 수 있다. 하나의 잘못된 로봇 간 루프 폐쇄가 공유 지도의 넓은 영역을 왜곡할 수 있기 때문에 이러한 기능은 매우 중요하다.

보안(Security)과 신뢰(Trust) 역시 실제 운용되는 로봇 군집에서는 중요한 요소다. 협력 매핑 메시지는 여러 자율 시스템이 사용하는 좌표계에 영향을 줄 수 있기 때문에 손상되거나 승인되지 않은 정보는 단일 로봇을 넘어 전체 시스템에 영향을 미칠 수 있다. 따라서 인증(Authentication), 무결성 검사(Integrity Checking), 접근 제어(Access Control), 버전 관리(Version Management), 입력 지도 제약조건 검증(Constraint Validation)이 매핑 프로토콜과 함께 적용되어야 하며, 공유 무선망이나 외부 네트워크를 사용하는 환경에서는 더욱 중요하다.

확장성(Scalability)은 궁극적으로 정보 흐름과 최적화 복잡도(Optimization Complexity)를 얼마나 효과적으로 제어하는가에 의해 결정된다. 세 대의 로봇에서는 효과적으로 동작하는 시스템도 모든 로봇이 모든 관측 정보를 서로 교환하도록 설계되어 있다면 수십 대 또는 수백 대 규모에서는 비효율적일 수 있다. 계층적 그룹화(Hierarchical Grouping), 관련성 기반 통신(Relevance-Based Communication), 지리적 분할(Geographic Partitioning), 키프레임 선택(Keyframe Selection), 디스크립터 인덱싱(Descriptor Indexing), 증분 최적화(Incremental Optimization)를 이용하면 계산량과 네트워크 요구량이 비현실적으로 증가하는 것을 방지할 수 있다.

따라서 아키텍처 선택은 특정 모델이 항상 우수하다는 가정이 아니라 실제 임무 특성(Mission Characteristics)에서 시작해야 한다. 중앙집중형 매핑은 신뢰성 높은 인프라, 강력한 백엔드 계산 능력, 높은 수준의 전역 조정이 가능한 환경에 적합하다. 분산형 매핑은 자율성, 복원력, 간헐적인 통신이 중요한 환경에서 장점을 가진다. 대규모 실제 운용 로봇 군집에서는 두 방식의 장점을 결합한 하이브리드 매핑(Hybrid Mapping)이 현실적인 균형점을 제공하는 경우가 많다.

결과적으로 다중 로봇 매핑 아키텍처(Multi-Robot Mapping Architecture)는 단순히 여러 개의 SLAM 알고리즘이 동시에 동작하는 시스템이 아니라 하나의 협력 정보 시스템(Coordinated Information System)으로 이해하는 것이 적절하다. 로컬 추정기(Local Estimator)는 즉각적인 공간 인식을 제공하고, 통신 메커니즘은 유용한 관측 정보를 공유하며, 로봇 간 데이터 연관은 공통 공간 기하 관계를 설정하고, 최적화 과정은 전체 공유 지도의 일관성을 유지한다. 결국 아키텍처는 계산 능력, 통신 대역폭, 지연시간, 신뢰성이라는 현실적 제약조건 아래에서 이러한 기능들이 어떻게 협력할 것인지를 결정한다.

09.02. Map Merging Algorithm Overlap Detection [w/Code]

지도 병합(Map Merging)은 독립적으로 생성된 로컬 지도(Local Map)를 하나의 공간적으로 일관된 공유 환경 표현으로 결합하는 과정이다. 다중 로봇 매핑(Multi-Robot Mapping)에서는 각 로봇이 서로 관련이 없는 좌표 프레임(Coordinate Frame)에서 출발하여 서로 다른 궤적(Trajectory)을 따라 이동할 수 있다. 따라서 핵심 과제는 두 지도가 동일한 물리적 영역을 포함하는지 판단하고, 동일 영역이 존재한다면 두 지도를 올바르게 정렬하는 변환(Transformation)을 추정하는 것이다.

중첩 검출(Overlap Detection)은 지도 병합의 첫 번째 핵심 단계이다. 계산 비용이 높은 정합(Registration)을 수행하기 전에 시스템은 서로 대응할 가능성이 높은 지도 영역을 식별해야 한다. 중첩은 기하학적 구조(Geometric Structure), 시각적 외형(Visual Appearance), 의미론적 랜드마크(Semantic Landmark), 장소 디스크립터(Place Descriptor), 또는 이들을 결합한 정보를 통해 검출할 수 있다. 효과적인 중첩 검출은 불필요한 비교를 줄이고 관련 없는 지도 영역이 잘못 정렬되는 것을 방지한다.

중첩 영역이 항상 동일한 조건에서 관측되는 것은 아니기 때문에 문제는 더욱 복잡해진다. 두 로봇이 동일한 복도에 서로 반대 방향에서 접근하거나 서로 다른 시간에 운용될 수 있으며, 센서 장착 높이도 다를 수 있다. 조명, 이동 가능한 물체, 보행자, 차량, 임시 장애물도 변화할 수 있다. 따라서 강건한 중첩 검출기(Robust Overlap Detector)는 시점(Viewpoint)과 일시적인 환경 변화에는 영향을 적게 받으면서 지속적으로 유지되는 환경 구조를 인식해야 한다.

라이다 기반 매핑(LiDAR-Based Mapping)에서 중첩 검출은 일반적으로 포인트 클라우드(Point Cloud) 또는 로컬 서브맵(Local Submap)으로부터 생성된 기하학적 디스크립터(Geometric Descriptor)를 활용한다. 평면, 모서리, 표면 분포, 스캔 컨텍스트(Scan Context), 학습 기반 디스크립터(Learned Descriptor)와 같은 구조적 패턴을 이용하여 특정 영역의 기하학적 특성을 요약할 수 있다. 모든 지도 조합에 대해 포인트 단위 정합을 수행하는 대신 이러한 압축 표현을 비교하여 후보 매칭(Candidate Match)을 검색한다.

비주얼 매핑 시스템(Visual Mapping System)은 영상 특징(Image Feature)과 장소 인식(Place Recognition) 기법을 이용하여 공통 영역을 식별할 수 있다. 특징적인 시각 요소 주변에서 추출한 로컬 디스크립터(Local Descriptor)를 사용하여 대응 관계를 설정할 수 있으며, 전역 영상 디스크립터(Global Image Descriptor)는 전체 장면을 요약하여 효율적인 검색을 가능하게 한다. 후보 위치가 검출되면 반복적인 환경에서 발생할 수 있는 잘못된 매칭을 제거하기 위해 특징 대응과 카메라 기하(Camera Geometry)를 이용한 기하학적 검증(Geometric Verification)이 필요하다.

의미론적 정보(Semantic Information)는 중첩 검출을 위한 추가적인 증거를 제공한다. 문, 기둥, 교차로, 기계, 표지판, 선반, 건축 구조물과 같은 객체와 구조적 요소를 상위 수준 랜드마크(High-Level Landmark)로 활용할 수 있다. 의미론적 디스크립터(Semantic Descriptor)는 원시 기하학적 외형이 변화하더라도 기능적 구조가 유지되는 환경에서 특히 유용하다. 그러나 이동 가능한 객체는 매핑 시점에 따라 위치가 달라질 수 있으므로 상대적으로 낮은 신뢰도를 부여해야 한다.

중첩 후보가 확인되면 시스템은 두 지도 사이의 상대 변환(Relative Transformation)을 추정한다. 2차원 매핑에서는 일반적으로 평면상의 병진(Translation)과 회전(Rotation)이 필요하며, 3차원 매핑에서는 완전한 강체 변환(Rigid-Body Transformation)이 요구된다. 추정된 변환은 하나의 로컬 지도 프레임에 있는 좌표를 다른 지도 프레임으로 변환하며, 이후 지도 정합과 최적화를 수행하기 위한 초기 공간 관계를 제공한다.

정합 알고리즘(Registration Algorithm)은 중첩된 관측 정보 사이의 불일치를 최소화하여 이러한 변환을 정밀하게 보정한다. 반복 최근접점(ICP, Iterative Closest Point)은 충분히 정확한 초기 추정값이 존재할 때 널리 사용되는 기하학적 정합 방법이다. 점-평면 거리(Point-to-Plane Distance), 일반화된 공분산 모델(Generalized Covariance Model), 강건한 대응점 선택(Robust Correspondence Selection)을 사용하는 변형 기법은 수렴 성능을 향상시킬 수 있다. 정규분포 변환(NDT, Normal Distributions Transform)은 공간 영역을 확률적으로 표현하는 또 다른 대표적인 방법이다.

정합 과정은 단순히 기하학적 오차를 최소화하는 것에만 의존해서는 안 된다. 수학적으로 타당해 보이는 결과도 실제 물리적 환경에서는 잘못된 매칭일 수 있기 때문이다. 반복되는 복도, 동일한 형태의 방, 창고 통로, 일정한 간격으로 배치된 기둥은 지각적 모호성(Perceptual Aliasing)을 발생시킬 수 있다. 따라서 신뢰성 높은 지도 병합 시스템은 대응점 수, 공간적 분포, 잔차 오차(Residual Error), 중첩 비율(Overlap Ratio), 변환의 타당성, 기존 궤적 제약조건과의 일관성을 이용하여 기하학적 검증을 수행한다.

중첩 비율(Overlap Ratio)은 후보 병합을 평가하는 데 특히 유용하다. 지도 정렬 이후 한 지도의 어느 정도 영역이 다른 지도의 관측 정보에 의해 기하학적으로 지지되는지를 평가한다. 낮은 중첩 비율은 실제 공유 영역이 아니라 우연한 디스크립터 유사성에 의해 후보가 생성되었음을 의미할 수 있다. 다만 유효한 초기 접촉 영역이 제한적일 수도 있으므로 임계값(Threshold)은 센서의 탐지 거리와 환경 특성을 고려하여 설정해야 한다.

후보 대응 관계에 이상치(Outlier)가 포함되어 있을 경우 강건 추정(Robust Estimation) 기법이 중요하다. 랜덤 샘플 합의(RANSAC, Random Sample Consensus)와 같은 방법은 대응점의 일부를 반복적으로 샘플링하여 일관된 관측 그룹이 지지하는 변환을 찾을 수 있다. 강건 손실 함수(Robust Loss Function)는 최적화 과정에서 남아 있는 이상치의 영향을 추가적으로 감소시킨다. 이를 통해 소수의 잘못된 특징점 또는 랜드마크 대응이 전체 지도 변환을 지배하는 것을 방지할 수 있다.

성공적인 정합 결과를 즉시 절대적으로 신뢰할 수 있는 지도 보정값으로 처리해서는 안 된다. 대신 상대 변환을 포즈 그래프(Pose Graph)에 지도 간 제약조건(Inter-Map Constraint)으로 추가할 수 있다. 각 로봇의 궤적, 키프레임(Keyframe), 서브맵(Submap)은 그래프의 일부를 구성하며, 오도메트리(Odometry), 로컬 루프 폐쇄(Local Loop Closure), 로봇 간 매칭(Inter-Robot Match)은 그래프의 엣지(Edge)를 형성한다. 이후 전역 최적화(Global Optimization)는 모든 제약조건의 불확실성을 고려하여 보정량을 분배한다.

이러한 그래프 기반 표현(Graph-Based Formulation)을 사용하면 지도 병합 과정에서 불확실성 정보를 유지할 수 있다. 기하학적으로 다양하고 많은 대응 관계를 포함하는 신뢰성 높은 중첩에는 강한 제약조건을 부여할 수 있으며, 모호한 매칭에는 상대적으로 약한 제약조건을 적용할 수 있다. 공분산 행렬(Covariance Matrix), 정보 행렬(Information Matrix), 신뢰도 지표(Confidence Measure), 학습 기반 품질 추정(Learned Quality Estimate) 등을 이용하여 이러한 차이를 표현할 수 있다. 여러 개의 독립 지도가 점진적으로 연결되는 환경에서는 불확실성을 유지하는 것이 특히 중요하다.

두 대를 초과하는 다수의 로봇이 참여하면 지도 병합은 더욱 복잡해진다. 쌍별 정렬(Pairwise Alignment)을 이용하면 여러 로컬 좌표계를 연결하는 변환 체인(Transformation Chain)을 생성할 수 있지만, 체인을 따라 누적된 오차로 인해 전역적인 불일치가 발생할 수 있다. 이미 연결된 지도 사이에서 추가적인 중첩이 발견되면 이러한 오차를 보정하는 루프 제약조건(Loop Constraint)을 제공할 수 있다. 따라서 다중 로봇 지도 병합은 독립적인 정합 작업의 연속이 아니라 그래프 일관성 문제(Graph-Consistency Problem)로 다루어야 한다.

대규모 지도를 서브맵(Submap)으로 분할하는 것은 효과적인 구현 전략이다. 각 로봇은 기하 정보, 특징, 디스크립터, 메타데이터(Metadata)를 포함하는 로컬 일관성을 가진 공간 단위를 주기적으로 생성한다. 이후 전체 지도 대신 서브맵 사이에서 중첩 검출을 수행한다. 이를 통해 검색 복잡도를 제한하고 네트워크를 통해 필요한 영역만 전송할 수 있다. 또한 전체 전역 지도를 반복적으로 전송하지 않고도 개별 서브맵 사이의 관계를 수정할 수 있다.

지도 데이터베이스가 커질수록 효율적인 후보 검색(Candidate Retrieval)이 필수적이다. 새로운 서브맵을 기존의 모든 서브맵과 비교하면 대규모 로봇 군집에서는 계산 복잡도가 현실적으로 감당하기 어려운 수준까지 증가할 수 있다. 디스크립터 데이터베이스(Descriptor Database), 근사 최근접 이웃 검색(Approximate Nearest-Neighbor Search), 공간 인덱싱(Spatial Indexing), 어휘 구조(Vocabulary Structure), 계층형 검색(Hierarchical Retrieval)을 이용하면 가능성이 높은 소수의 후보를 빠르게 생성할 수 있다. 이후 상세한 기하학적 검증은 이러한 후보에 대해서만 수행한다.

통신 제약조건(Communication Constraint)도 지도 병합 알고리즘의 설계에 영향을 준다. 무선 네트워크를 사용하는 로봇은 고밀도의 원시 센서 데이터를 지속적으로 교환하는 것을 피해야 한다. 먼저 압축된 장소 디스크립터 또는 메타데이터를 전송하고 잠재적인 중첩이 검출된 경우에만 상세 키프레임이나 포인트 클라우드를 요청할 수 있다. 이러한 단계적 데이터 교환(Staged Data Exchange)은 필요한 경우 정확한 기하학적 검증 능력을 유지하면서 통신 대역폭 사용량을 크게 줄일 수 있다.

로봇들이 반드시 동일한 시간에 공유 영역을 관측하는 것은 아니므로 비동기 운용(Asynchronous Operation)을 지원해야 한다. 수 시간 또는 수일 전에 생성된 지도가 이후 다른 로봇의 관측 정보와 중첩될 수 있다. 따라서 지도 병합 시스템에는 지속적으로 유지되는 식별자(Persistent Identifier), 타임스탬프(Timestamp), 지도 버전(Map Version), 캘리브레이션 정보(Calibration Information), 좌표 프레임 메타데이터(Coordinate-Frame Metadata)가 필요하다. 궤적과 전역 변환이 최적화된 이후에도 과거 정보를 올바르게 해석할 수 있어야 한다.

동적 환경(Dynamic Environment)은 추가적인 문제를 발생시킨다. 한 지도에 존재했던 객체가 다른 지도에서는 사라지거나 위치가 변경되어 잘못된 대응 관계와 정합 잔차를 만들 수 있다. 동적 객체 필터링(Dynamic Object Filtering), 정적 구조 특징(Static Structural Feature)의 우선 활용, 시간 기반 점유 통계(Temporal Occupancy Statistics), 의미론적 분류(Semantic Classification)를 사용하면 강건성을 향상시킬 수 있다. 핵심 목표는 일시적인 환경 요소가 장기적인 지도 공간 관계에 영향을 미치지 않도록 하면서 지속적인 기하 구조를 정렬하는 것이다.

이기종 로봇 군집(Heterogeneous Robot Fleet)에서는 교차 모달 지도 병합(Cross-Modal Map Merging)이 필요할 수 있다. 라이다를 장착한 지상 로봇은 고밀도 기하학적 서브맵을 생성할 수 있지만, 무인항공기(UAV)는 주로 영상 또는 깊이 기반 관측을 제공할 수 있다. 이러한 경우 센서 수준에서 직접 매칭하는 것은 어렵다. 공통 기하 프리미티브(Geometric Primitive), 의미론적 랜드마크, 학습 기반 교차 모달 디스크립터(Learned Cross-Modal Descriptor), 중간 표현(Intermediate Representation)을 이용하면 모든 플랫폼에 동일한 센서 구성을 요구하지 않고도 대응 관계를 설정할 수 있다.

지도 병합에서는 캘리브레이션(Calibration)과 위치추정 품질(Localization Quality)의 변화도 고려해야 한다. 센서 외부 파라미터 오차(Sensor Extrinsic Error), 부정확한 타임스탬프, 휠 슬립(Wheel Slip), GNSS 성능 저하, 불안정한 비주얼 트래킹(Visual Tracking)은 병합 이전에 개별 서브맵을 왜곡할 수 있다. 정합 과정이 이러한 오차를 일부 보상할 수 있지만 로컬 왜곡과 실제 공간 변환을 항상 구분할 수 있는 것은 아니다. 따라서 각 서브맵의 품질 지표(Quality Indicator)를 후보 선택과 최적화 가중치에 반영해야 한다.

잘못된 양성 중첩 검출(False-Positive Overlap Detection)은 일반적으로 중첩을 일시적으로 검출하지 못하는 것보다 더 위험하다. 누락된 매칭은 추가 관측 정보가 확보된 이후 다시 발견할 수 있지만, 잘못된 병합은 강한 오류 제약조건을 추가하여 전역 지도를 크게 왜곡할 수 있다. 따라서 실제 운용 매핑 시스템에는 보수적인 승인 기준(Conservative Acceptance Criteria), 다단계 검증(Multi-Stage Verification), 일관성 검사(Consistency Check), 잘못된 제약조건을 제거할 수 있는 기능이 중요하다.

지도 병합 결정에는 사용 가능한 경우 사전 정보(Prior Knowledge)를 활용할 수도 있다. 대략적인 GNSS 위치, 건물 층 식별자(Floor Identifier), 임무 구역(Mission Zone), 알려진 도킹 스테이션(Docking Station), 수동으로 정의된 기준 랜드마크(Reference Landmark)는 검색 범위를 축소하는 데 사용할 수 있다. 이러한 정보는 일반적으로 기하학적 검증을 대체하기보다 후보 생성 과정에 활용하는 것이 적절하다. 이를 통해 사전 위치 정보가 부정확해지는 상황에서도 강건성을 유지하면서 대규모 지도 검색의 계산 비용을 줄일 수 있다.

장기 운용(Long-Term Operation)에서 지도 병합은 일회성 이벤트가 아니라 지속적인 과정이다. 새로운 서브맵이 시스템에 추가되고, 이전까지 분리되어 있던 지도 구성요소가 연결되며, 기존 제약조건을 다시 평가하고, 전역 최적화가 좌표 관계를 지속적으로 갱신한다. 따라서 매핑 백엔드(Mapping Backend)는 새로운 중첩 정보가 추가될 때마다 전체 지도를 처음부터 재구성하지 않고 증분 변경(Incremental Change)을 지원해야 한다. 지속적으로 운용되는 로봇 군집에서는 증분 그래프 최적화(Incremental Graph Optimization)가 특히 중요하다.

산업용 자율이동로봇(AMR)에서 성공적인 지도 병합은 서로 다른 시점에 배치된 로봇들이 하나의 공통 운용 지도(Common Operational Map)에 기여할 수 있도록 한다. 한 로봇이 새롭게 개방된 영역을 매핑하는 동안 다른 로봇들은 기존 임무를 계속 수행할 수 있으며, 이후 새로운 서브맵을 정렬하여 공유 환경 표현에 통합할 수 있다. 이를 통해 별도의 전용 재매핑 임무를 줄이고 로봇 군집의 관측 정보를 지속적으로 환경 지식 유지에 활용할 수 있다.

최종 병합 지도(Merged Map)는 지도 생성에 기여한 관측 정보까지 추적할 수 있어야 한다. 각 제약조건을 어떤 로봇, 센서, 궤적, 서브맵이 생성했는지를 기록하면 잘못된 정렬을 진단하고 지도 품질을 평가할 수 있다. 버전 관리(Version Control)와 데이터 출처 정보(Provenance Information)를 이용하면 문제가 있는 갱신을 이전 상태로 되돌리거나 서로 다른 지도 가설(Map Hypothesis)을 비교할 수도 있으며, 이는 자율 로봇 군집의 장기 운용에서 더욱 중요해진다.

따라서 강건한 지도 병합 파이프라인(Robust Map-Merging Pipeline)은 효율적인 중첩 검출, 후보 검색, 기하학적 또는 시각적 정합, 의미론적 증거(Semantic Evidence), 불확실성 추정(Uncertainty Estimation), 이상치 제거, 전역 그래프 최적화를 결합해야 한다. 하나의 유사도 점수만으로는 신뢰성 높은 운용을 보장하기 어렵다. 여러 독립적인 증거를 종합하여 두 로컬 지도가 실제로 동일한 물리적 영역을 나타내는지 판단하고, 두 지도의 관계가 전역 지도에 어느 정도의 강도로 반영되어야 하는지를 결정해야 한다.

다중 로봇 매핑에서 중첩 검출과 지도 병합은 독립적인 로컬 자율성(Local Autonomy)과 집단 공간 지능(Collective Spatial Intelligence)을 연결하는 핵심 역할을 한다. 각 로봇은 자체적으로 일관된 로컬 지도를 이용하여 주행할 수 있지만, 공유 영역을 인식하면 서로 분리된 경험을 하나의 공통 공간 모델(Common Spatial Model)로 연결할 수 있다. 신뢰성 높은 지도 병합은 독립된 궤적과 서브맵을 지속적으로 개선되는 환경 표현으로 변환하여 위치추정, 경로 계획, 로봇 간 협력, 장기적인 군집 운용을 지원한다.

09.03. Distributed SLAM with Communication Constraints [w/Code]

분산형 SLAM(Distributed SLAM)은 중앙 매핑 서버(Central Mapping Server)에 지속적으로 접속하지 않고도 여러 로봇이 환경에 대한 일관된 표현을 구축할 수 있도록 한다. 각 로봇은 로컬 센싱(Local Sensing), 상태 추정(State Estimation), 지도 생성을 독립적으로 수행하면서 다른 로봇과 선택된 정보를 교환한다. 핵심 과제는 통신 대역폭, 연결성, 지연시간, 네트워크 토폴로지(Network Topology)가 제한된 상황에서도 유용한 전역 일관성(Global Consistency)을 달성하는 것이다.

통신 제약조건(Communication Constraint)은 분산형 SLAM을 이상적인 다중 로봇 추정 문제와 구분한다. 공장, 터널, 캠퍼스, 창고, 광산, 재난 지역에서 운용되는 로봇은 무선 통신 범위가 약하거나 일시적으로 연결이 끊길 수 있다. 로봇의 이동에 따라 네트워크 용량도 변할 수 있다. 따라서 실제 아키텍처는 협력 정보를 지속적 또는 즉각적으로 교환할 수 없는 상황에서도 로컬 자율성(Local Autonomy)을 유지해야 한다.

각 로봇은 일반적으로 통신 네트워크와 독립적으로 동작하는 로컬 SLAM 추정기(Local SLAM Estimator)를 유지한다. 라이다(LiDAR), 카메라(Camera), IMU, 휠 인코더(Wheel Encoder), GNSS 또는 기타 온보드 센서가 로봇 궤적과 로컬 지도를 추정하기 위한 측정값을 제공한다. 주행에 중요한 기능은 로컬에서 이용 가능한 상태 정보를 사용하여 계속 수행되어야 하며, 군집 통신이 끊겼다고 해서 위치추정 실패나 자율주행 중단으로 직접 이어져서는 안 된다.

협력 계층(Cooperative Layer)은 이러한 로컬 추정기 위에서 동작한다. 모든 원시 센서 측정값을 전송하는 대신 로봇은 서로의 지도 사이의 관계를 설정하는 데 유용한 정보를 교환한다. 여기에는 키프레임 자세(Keyframe Pose), 시각 또는 기하학적 디스크립터(Geometric Descriptor), 랜드마크(Landmark), 압축된 포인트 클라우드(Point Cloud), 서브맵(Submap), 루프 폐쇄 후보(Loop-Closure Candidate), 공분산(Covariance) 정보, 포즈 그래프 제약조건(Pose-Graph Constraint) 등이 포함될 수 있다. 어떤 표현을 선택하는가는 통신 비용과 달성 가능한 매핑 정확도를 동시에 결정한다.

원시 센서 데이터의 교환은 일반적으로 대역폭이 제한된 로봇 군집에는 적합하지 않다. 고해상도 카메라와 다채널 라이다는 무선 링크를 통해 여러 로봇 사이에서 안정적으로 전송할 수 있는 속도보다 훨씬 빠르게 데이터를 생성할 수 있다. 따라서 로컬 처리는 정보 필터(Information Filter) 역할을 한다. 센서 스트림은 압축된 공간 표현으로 변환되고, 충분한 매핑 가치를 가진 정보만을 선택하여 인접 로봇이나 분산 백엔드(Distributed Backend)로 전송한다.

키프레임 선택(Keyframe Selection)은 통신 데이터량을 제어하는 하나의 방법이다. 모든 추정 자세를 전송하는 대신 로봇은 이동량, 장면 변화, 불확실성 또는 정보 이득(Information Gain)이 특정 조건을 초과할 때만 프레임을 전송할 수 있다. 중복 관측은 로컬에 유지할 수 있다. 적응형 키프레임 정책(Adaptive Keyframe Policy)을 사용하면 반복적인 이동 중에는 통신량을 줄이고, 기하학적으로 복잡하거나 이전에 탐색되지 않은 영역에 진입했을 때는 추가 정보를 확보할 수 있다.

서브맵(Submap)은 또 다른 효율적인 통신 단위다. 로봇은 여러 개의 로컬 센서 측정값을 제한된 크기의 지도 영역으로 통합한 후 전체 측정 이력 대신 해당 서브맵을 전송할 수 있다. 수신 로봇은 먼저 디스크립터를 비교하고 중첩 가능성이 높을 경우에만 상세한 기하 정보를 요청할 수 있다. 이러한 계층적 교환(Hierarchical Exchange)은 저비용 후보 검색과 고비용 기하학적 검증 및 지도 정렬을 분리한다.

분산형 장소 인식(Distributed Place Recognition)은 독립적으로 생성된 지도들이 동일한 위치를 관측한 시점을 판단하는 데 필수적이다. 압축된 디스크립터는 브로드캐스트하거나 공유할 수 있으며 상세 데이터는 로컬에 저장할 수 있다. 디스크립터 유사성이 잠재적인 로봇 간 루프 폐쇄를 나타내면 관련 로봇들은 후보를 검증하고 서로의 좌표 프레임 사이의 상대 변환(Relative Transformation)을 추정하는 데 필요한 관측 정보만 교환한다.

따라서 통신은 단순히 주기적으로 수행하기보다 관련성 기반(Relevance-Aware)으로 설계해야 한다. 새롭게 발견된 영역, 높은 불확실성, 잠재적인 루프 폐쇄, 중요한 지도 변화, 주요 공유 랜드마크와 관련된 정보는 반복적인 관측보다 높은 전송 우선순위를 가질 수 있다. 이벤트 기반 통신(Event-Driven Communication)은 네트워크 사용량을 줄이면서도 공유 추정값을 크게 개선할 가능성이 있는 정보가 로봇 군집 전체로 전파되도록 할 수 있다.

간헐적인 연결(Intermittent Connectivity)을 처리하기 위해 저장 후 전달(Store-and-Forward) 전략이 필요하다. 연결이 끊어진 동안 각 로봇은 로컬 SLAM을 계속 수행하고 나중에 군집에 유용할 수 있는 정보를 저장한다. 통신이 다시 가능해지면 축적된 디스크립터, 지도 요약 정보, 제약조건 등을 동기화할 수 있다. 시스템은 로컬 궤적이 상당히 증가했을 수 있고 다른 로봇들도 연결이 끊긴 동안 자체 추정값을 이미 갱신했을 수 있다는 사실을 고려해야 한다.

비동기 통신(Asynchronous Communication)은 모든 로봇이 동일한 순간에 동일한 상태를 공유한다고 가정할 수 없음을 의미한다. 메시지는 늦게 도착하거나 순서가 바뀌거나 송신자의 궤적이 이미 보정된 이후 도착할 수 있다. 따라서 로봇, 키프레임, 서브맵, 제약조건에 대한 지속적인 식별자(Persistent Identifier)가 필요하다. 버전 정보와 타임스탬프를 사용하면 최적화에 의해 좌표 관계가 변경되더라도 수신된 데이터를 올바른 상태와 연결할 수 있다.

네트워크 토폴로지(Network Topology) 역시 추정 문제에 영향을 미친다. 일부 임무에서는 인접 로봇 간 직접 피어투피어 통신(Peer-to-Peer Communication)이 가능하지만, 다른 임무에서는 릴레이 로봇(Relay Robot), 메시 네트워크(Mesh Network), 액세스 포인트(Access Point), 또는 인프라와의 간헐적인 연결에 의존할 수 있다. 정보가 다른 로봇 그룹에 도달하기 위해 여러 로봇을 거쳐야 하는 경우도 있다. 따라서 분산 매핑 프로토콜은 영구적인 전방향 연결을 가정해서는 안 되며 동적으로 변화하는 통신 그래프를 지원해야 한다.

로봇 수가 증가할수록 대역폭 할당(Bandwidth Allocation)은 더욱 중요해진다. 모든 로봇이 모든 정보를 서로 전송하면 통신 요구량이 빠르게 증가하여 결국 시스템의 주요 병목이 될 수 있다. 이웃 기반 정보 교환(Neighbor-Based Exchange), 지리적 분할(Geographic Partitioning), 로봇 그룹화(Team Clustering), 릴레이 선택(Relay Selection), 계층형 통신(Hierarchical Communication)을 이용하면 정보 흐름을 제한할 수 있다. 로봇은 현재 매핑 작업과 공간적으로 또는 정보적으로 관련성이 높은 대상과 주로 데이터를 교환한다.

분산 포즈 그래프 최적화(Distributed Pose-Graph Optimization)는 독립적으로 추정된 여러 지도를 조정하기 위한 수학적 프레임워크를 제공한다. 각 로봇은 포즈 또는 서브맵의 일부를 소유하고 로컬 오도메트리(Local Odometry)와 루프 폐쇄 제약조건을 유지한다. 로봇 간 관측은 서로 다른 부분을 연결하는 제약조건을 생성한다. 전체 그래프를 하나의 서버로 전송하는 대신 로봇은 경계 변수(Boundary Variable) 또는 선택된 최적화 정보를 교환하면서 로컬 제약조건과 공유 제약조건을 동시에 만족하는 추정값을 반복적으로 탐색한다.

합의 기반 최적화(Consensus-Based Optimization)를 사용하면 인접 로봇들이 반복적인 정보 교환을 통해 서로 호환되는 추정값으로 수렴할 수 있다. 각 참여 로봇은 이용 가능한 측정값과 다른 로봇으로부터 전달받은 정보를 사용하여 로컬 변수를 갱신한다. 완전한 동기화가 항상 필요한 것은 아니며 비동기 알고리즘(Asynchronous Algorithm)은 통신 기회가 발생할 때마다 계산을 계속 진행할 수 있다. 이는 무선 연결이 불규칙하거나 로봇마다 계산 속도가 크게 다른 환경에서 중요하다.

통신 효율적인 최적화(Communication-Efficient Optimization)는 새로운 정보를 거의 제공하지 않는 변수를 반복적으로 전송하는 것을 방지해야 한다. 희소화(Sparsification)는 중복 제약조건을 제거하고, 주변화(Marginalization)는 오래된 상태를 요약하며, 압축 표현(Condensed Representation)은 많은 측정값의 영향을 적은 수의 변수로 표현할 수 있다. 목표는 단순히 전송 바이트 수를 최소화하는 것이 아니라 전역 일관성과 위치추정 정확도에 가장 큰 영향을 미치는 정보를 보존하는 것이다.

통신이 제한된 환경에서는 불확실성(Uncertainty)이 특히 중요하다. 한 로봇이 장시간 단독으로 운용되면 다른 로봇과 다시 연결되기 전에 상당한 궤적 드리프트(Trajectory Drift)가 누적될 수 있다. 이후 로봇 간 관측이 가능해지면 그 관측의 불확실성과 누적된 로컬 불확실성을 비교해야 한다. 공분산 추정(Covariance Estimation), 정보 행렬(Information Matrix), 신뢰도 지표(Confidence Measure), 강건 최적화(Robust Optimization)를 통해 각 정보원의 신뢰도에 따라 보정량을 분배할 수 있다.

잘못된 로봇 간 루프 폐쇄(False Inter-Robot Loop Closure)는 여러 독립적으로 유지되는 지도에 영향을 전파할 수 있기 때문에 특히 위험하다. 통신 제약조건으로 인해 전체 센서 이력에 즉시 접근할 수 없으면 검증이 더욱 어려워질 수 있다. 따라서 분산 시스템은 보수적인 승인 기준(Conservative Acceptance Rule)과 다단계 검증(Multi-Stage Verification)을 사용해야 하며, 후보 제약조건이 공유 추정값에 강하게 영향을 주기 전에 추가적인 기하학적 또는 시각적 증거를 요청할 수 있어야 한다.

패킷 손실(Packet Loss)과 중복 메시지(Duplicate Message)는 예외적인 상황이 아니라 예상되는 상황으로 취급해야 한다. 매핑 통신은 메시지 식별자(Message Identifier), 필요한 경우의 확인 응답(Acknowledgement), 중복 검출(Duplicate Detection), 체크섬(Checksum), 재개 가능한 전송(Resumable Transfer) 메커니즘 등을 사용할 수 있다. 그러나 실시간 주행은 모든 협력 메시지가 확실하게 전달될 때까지 기다려서는 안 된다. 매핑 아키텍처는 즉각적인 로컬 안전에 필요한 정보와 궁극적인 전역 일관성에 사용되는 정보를 구분해야 한다.

지연시간(Latency) 역시 공유 정보가 해석되는 방식에 영향을 준다. 원래 관측이 이루어진 후 수 초 또는 수 분이 지나서 수신된 지도 보정 정보도 전역 최적화에는 유용할 수 있지만, 이를 현재 로봇의 제어 상태에 무조건 적용해서는 안 된다. 좌표 변환과 지도 갱신은 제어된 상태 관리(State Management) 메커니즘을 통해 통합되어야 하며, 지연된 보정이 위치추정에 불연속성을 만들거나 주행을 불안정하게 만들지 않도록 해야 한다.

정보 우선순위(Prioritization)는 예상되는 정보 이득(Expected Information Gain)을 기반으로 결정할 수 있다. 로봇은 특정 서브맵, 디스크립터 또는 제약조건을 전송하면 다른 로봇이나 전역 지도의 불확실성이 얼마나 감소할 가능성이 있는지를 추정할 수 있다. 정보이론적 선택(Information-Theoretic Selection)은 통신 결정을 위한 체계적인 근거를 제공할 수 있지만, 실제 실시간 시스템에서는 이동 거리, 신규성(Novelty), 중첩 확률(Overlap Probability), 공분산 증가와 같은 단순한 휴리스틱(Heuristic)이 구현하기 더 쉬운 경우가 많다.

이기종 로봇 군집(Heterogeneous Fleet)은 서로 다른 통신 및 계산 능력을 갖는다. 대형 AMR은 강력한 온보드 GPU와 높은 대역폭의 무선 통신 장치를 탑재할 수 있지만, 소형 UAV 또는 사족보행 로봇(Quadruped)은 제한된 에너지와 네트워크 용량을 가질 수 있다. 분산형 SLAM은 각 로봇이 서로 다른 수준으로 기여할 수 있도록 설계되어야 한다. 자원이 풍부한 플랫폼은 더 무거운 정합 또는 릴레이 기능을 수행하고, 자원이 제한된 로봇은 압축된 관측 정보만 전송하면서 경량 로컬 추정기를 유지할 수 있다.

에너지 소비(Energy Consumption)도 통신 제약조건의 일부가 될 수 있다. 무선 전송, 지속적인 디스크립터 계산, 반복적인 지도 동기화는 배터리 기반 플랫폼에서 상당한 전력을 소비할 수 있다. 따라서 통신 정책은 잔여 에너지, 임무 우선순위, 예상되는 매핑 이득을 함께 고려할 수 있다. 충전 스테이션에 접근하고 있는 로봇과 인프라에서 멀리 떨어진 장시간 임무를 수행하는 로봇은 서로 다른 동기화 정책을 사용할 수 있다.

분산형 SLAM에서는 여러 네트워크 참여자로부터 공간 제약조건을 수용하기 때문에 보안(Security)이 중요하다. 메시지는 인증(Authentication)되고 손상에 대한 보호가 이루어져야 하며, 로봇은 수신된 제약조건이 기하학적으로 타당한지를 검증해야 한다. 손상되거나 오작동하는 참여 로봇이 공유 좌표계를 임의로 변경하지 못하도록 해야 한다. 따라서 신뢰 관리(Trust Management)와 제약조건 검증(Constraint Validation)은 기존 네트워크 보안 메커니즘을 보완한다.

재연결 이후 복구(Recovery After Reconnection)는 실제 운용에서 중요한 상황이다. 이전에 분리되어 있던 로봇 그룹들이 다시 통신을 시작하면 각 그룹은 내부적으로는 일관되지만 서로 다른 기준을 사용하는 지도를 보유하고 있을 수 있다. 시스템은 그룹 간 중첩 영역을 발견하고 변환을 추정하며 관련 그래프 정보를 교환하고 새롭게 연결된 네트워크를 최적화해야 한다. 이 과정에서도 로봇이 기존 로컬 지도를 사용하여 현재 임무를 계속 수행할 수 있도록 해야 한다.

장기적인 군집 운용(Long-Term Fleet Operation)에서는 지도와 메시지 버전 관리(Map and Message Version Management)가 추가로 필요하다. 로봇이 네트워크를 이탈하거나 정비를 받거나 재시작하거나 공유 지도가 크게 변경된 이후 다시 복귀할 수 있다. 지속적인 지도 식별자와 동기화 프로토콜(Synchronization Protocol)을 사용하면 어떤 정보가 새로운 것인지, 어떤 정보가 이미 반영되었는지, 어떤 제약조건이 오래된 상태를 참조하는지를 판단할 수 있다. 이러한 메커니즘이 없다면 재연결 과정에서 중복되거나 서로 충돌하는 지도 갱신이 발생할 수 있다.

실제 분산형 SLAM 시스템은 분산된 로컬 운용과 선택적인 인프라 지원을 결합하는 경우가 많다. 로봇은 필요한 경우 직접 협력할 수 있으며, 동시에 엣지 서버(Edge Server), 플릿 매니저(Fleet Manager), 온프레미스 백엔드(On-Premise Backend)는 연결이 가능한 경우 추가적인 저장, 인덱싱(Indexing), 전역 최적화 기능을 제공할 수 있다. 핵심 요구사항은 인프라가 즉각적인 위치추정과 주행의 필수 의존성이 되는 것이 아니라 성능을 향상시키는 역할을 해야 한다는 것이다.

성능 평가(Performance Evaluation)는 궤적 정확도만을 고려해서는 안 된다. 통신량, 최대 대역폭 사용량, 동기화 지연시간, 재연결 이후 수렴 시간, 로봇당 계산량, 패킷 손실에 대한 복원력, 네트워크 분할(Network Partition) 상황에서의 동작 역시 중요하다. 무제한 통신 환경에서는 높은 정확도를 달성하는 매핑 알고리즘이라도 실제 무선 환경을 견디지 못한다면 실제 운용 군집에는 적합하지 않을 수 있다.

통신 제약조건하의 분산형 SLAM은 궁극적으로 어떤 정보를 누구에게 언제 공유할 것인가를 결정하는 문제이다. 로컬 추정기는 즉각적인 자율성을 유지하고, 압축 표현은 대역폭을 줄이며, 중첩 검출은 로봇 간 공간 관계를 형성하고, 분산 최적화는 이러한 관계를 시간에 따라 조정한다. 효과적인 아키텍처는 통신을 지속적으로 제공되는 자원으로 가정하지 않고 제한된 매핑 자원(Mapping Resource)으로 취급한다.

이러한 원칙을 기반으로 설계하면 다중 로봇 군집은 통신이 끊어진 상황에서도 계속 매핑을 수행하고, 연결이 확보되었을 때 가치가 높은 정보를 교환하며, 점진적으로 공유 공간 표현(Shared Spatial Representation)에 수렴할 수 있다. 이러한 시스템은 대규모 공장, 야외 캠퍼스, 지하시설, 물류 환경 및 네트워크 상태를 보장할 수 없지만 협력적인 공간 지능(Coordinated Spatial Intelligence)이 필수적인 다양한 임무에서 요구되는 복원력을 제공한다.

09.04. Multi Robot Loop Closure Cross Robot [w/Code]

다중 로봇 루프 폐쇄(Multi-Robot Loop Closure)는 하나의 로봇이 생성한 관측 정보 사이에서 수행되던 기존 루프 폐쇄 검출(Loop-Closure Detection)을 서로 다른 로봇이 독립적으로 수집한 관측 정보 사이로 확장한 것이다. 교차 로봇 루프 폐쇄(Cross-Robot Loop Closure)는 두 로봇이 동일한 물리적 위치 또는 구조를 관측했다는 사실을 인식할 때 발생한다. 이러한 관계는 이전까지 독립적이었던 궤적을 연결하고 로컬 좌표 프레임(Local Coordinate Frame)을 정렬할 수 있는 기하학적 제약조건을 제공한다.

교차 로봇 루프 폐쇄는 로봇들이 일반적으로 서로 관련이 없는 기준 좌표 프레임(Reference Frame)에서 시작하기 때문에 협력 매핑(Cooperative Mapping)의 핵심 요소가 된다. 각각의 로봇이 정확한 로컬 지도를 생성하더라도 지도 사이의 공간적 관계가 설정되지 않으면 하나의 공유 표현으로 결합할 수 없다. 공통 장소에 대한 검증된 관측은 서로 분리된 포즈 그래프(Pose Graph), 서브맵(Submap), 궤적(Trajectory)을 더 큰 매핑 시스템으로 연결하는 데 필요한 상대 변환(Relative Transformation)을 제공한다.

이 과정은 일반적으로 장소 인식(Place Recognition)으로 시작한다. 각 로봇은 영상, 라이다 스캔(LiDAR Scan), 키프레임(Keyframe), 서브맵 또는 의미론적 관측(Semantic Observation)에서 압축된 디스크립터(Descriptor)를 추출하고 이를 다른 로봇이 생성한 정보와 비교한다. 목적은 모든 센서 측정값을 전수 비교하지 않고도 동일한 장소일 가능성이 높은 후보를 식별하는 것이다. 임무 시간이 길어지고 참여 로봇 수가 증가할수록 효율적인 검색(Retrieval)의 중요성은 더욱 커진다.

시각적 장소 인식(Visual Place Recognition)은 로컬 특징 디스크립터(Local Feature Descriptor) 또는 전역 영상 표현(Global Image Representation)을 사용할 수 있다. 전역 디스크립터는 유사한 외형의 후보 영상을 효율적으로 검색하고, 로컬 특징은 기하학적 검증(Geometric Verification)에 필요한 세부 대응 관계를 제공한다. 교차 로봇 매칭은 카메라마다 시점, 방향, 노출 특성, 해상도, 캘리브레이션 파라미터가 다를 수 있고 서로 다른 조명 환경에서 같은 장소를 방문할 수 있기 때문에 단일 로봇 장소 인식보다 어렵다.

라이다 기반 루프 폐쇄(LiDAR-Based Loop Closure)는 주로 기하학적 유사성(Geometric Similarity)을 이용한다. 포인트 클라우드 디스크립터(Point-Cloud Descriptor), 스캔 컨텍스트(Scan Context), 구조적 특징(Structural Feature), 평면, 모서리, 학습 기반 기하 임베딩(Learned Geometric Embedding)을 사용하여 로컬 환경을 표현할 수 있다. 이러한 방법은 조명 변화에 강하지만 창고 통로, 터널, 주차장, 복도와 같이 반복되는 기하 구조에서는 여전히 오류가 발생할 수 있다. 따라서 후보 검색 이후 엄격한 기하학적 검증이 필요하다.

의미론적 랜드마크(Semantic Landmark)는 지속적으로 유지되는 객체나 구조적 요소를 상위 수준에서 표현하여 교차 로봇 인식의 신뢰성을 높일 수 있다. 문, 기둥, 교차로, 기계, 표지판, 선반, 도킹 스테이션(Docking Station) 또는 특징적인 객체들은 두 관측이 동일한 장소에 속한다는 추가적인 증거를 제공할 수 있다. 의미론적 정보는 특히 로봇들의 센서 시점이나 센서 모달리티(Sensor Modality)가 크게 다른 이기종 로봇 환경에서 유용하다.

후보 생성(Candidate Generation)과 후보 검증(Candidate Verification)은 서로 분리된 단계로 다루는 것이 적절하다. 검색 알고리즘은 일부 잘못된 후보가 포함되더라도 가능성이 높은 소수의 교차 로봇 매칭을 신속하게 찾아야 한다. 이후 검증 과정에서는 더 많은 계산이 필요한 기하학적 추론을 적용하여 후보가 실제 공유 위치를 나타내는지를 판단한다. 이러한 분리는 전역 최적화(Global Optimization)에 추가되는 제약조건에 엄격한 승인 기준을 적용하면서도 시스템의 확장성을 유지할 수 있도록 한다.

기하학적 검증은 두 로봇의 관측 사이에 존재하는 상대 변환을 추정한다. 비주얼 시스템에서는 매칭된 영상 특징을 이용하여 에피폴라 기하(Epipolar Geometry), 필수 행렬 추정(Essential-Matrix Estimation), PnP(Perspective-n-Point), 3차원 특징 정렬을 수행할 수 있다. 라이다 시스템은 초기 변환이 추정된 이후 ICP(Iterative Closest Point) 또는 NDT(Normal Distributions Transform)와 같은 포인트 클라우드 정합(Point-Cloud Registration)을 사용할 수 있다. RANSAC(Random Sample Consensus)과 같은 강건 추정기(Robust Estimator)는 일관성이 없는 대응점을 제거하는 데 활용된다.

유효한 상대 변환은 단순히 낮은 정합 잔차(Registration Residual)를 만족하는 것만으로 판단해서는 안 된다. 인라이어 대응점(Inlier Correspondence)의 수와 공간적 분포, 중첩 비율(Overlap Ratio), 추정 불확실성, 변환 크기, 로컬 궤적과의 일관성도 함께 평가해야 한다. 특징점이 관측 영역 전체에 분포한 매칭은 작은 영역에 집중된 매칭보다 일반적으로 신뢰성이 높으며, 수치적인 정합 오차가 비슷하더라도 실제 안정성에는 차이가 있을 수 있다.

지각적 모호성(Perceptual Aliasing)은 교차 로봇 루프 폐쇄에서 가장 심각한 문제 중 하나다. 산업 시설에는 반복되는 선반, 동일한 생산 셀, 유사한 문, 평행한 복도, 일정한 간격의 기둥 등이 많이 존재한다. 따라서 서로 다른 장소가 거의 동일한 디스크립터를 생성할 수 있다. 이러한 잘못된 매칭을 승인하면 하나의 로봇뿐 아니라 여러 로봇의 궤적을 동시에 왜곡할 수 있는 잘못된 로봇 간 제약조건이 생성된다.

다단계 검증(Multi-Stage Validation)은 이러한 위험을 줄인다. 후보는 먼저 디스크립터 유사도 검사를 통과하고, 이후 특징 대응 검사, 기하학적 정합, 중첩 평가, 최종적으로 그래프 일관성 검사(Graph-Consistency Check)를 수행할 수 있다. 의미론적 랜드마크, 대략적인 위치, 층 정보(Floor Information), 임무 구역(Mission Zone) 등의 독립적인 정보도 추가적인 근거를 제공할 수 있다. 여러 개의 상호 보완적인 검증 결과를 결합하면 하나의 검증 방법이 완벽하지 않더라도 신뢰할 수 있는 루프 폐쇄 여부를 판단할 수 있다.

교차 로봇 루프 폐쇄는 이전까지 분리되어 있던 포즈 그래프를 연결하는 엣지(Edge)가 된다. 연결되기 전에는 각 로봇의 궤적이 내부적으로 일관성을 유지하더라도 서로 다른 좌표 프레임으로 표현될 수 있다. 검증된 상대 변환이 추가되면 최적화를 통해 두 궤적 사이의 관계를 추정하고 공통 좌표 프레임(Common Coordinate Frame)에서 표현할 수 있다. 추가적인 교차 로봇 루프 폐쇄는 중복 제약조건을 형성하여 정확도를 향상시키고 하나의 관측에 대한 의존성을 감소시킨다.

서로 연결되지 않았던 두 로봇 지도를 최초로 연결하는 제약조건은 전체적인 공간 관계를 결정하기 때문에 특히 신중하게 처리해야 한다. 잘못된 최초 연결(False First Connection)은 하나의 지도 구성요소 전체를 잘못된 위치에 배치할 수 있다. 따라서 시스템은 이미 정렬된 지도 사이에 추가 제약조건을 생성할 때보다 분리된 그래프를 처음 연결할 때 더 강한 검증 근거를 요구할 수 있다. 영구적인 지도 병합을 수행하기 전에 여러 개의 독립적인 대응 관계를 축적하는 방법도 사용할 수 있다.

두 로봇 그룹이 연결된 이후에는 새로운 교차 로봇 관측을 기존에 예측된 상대 기하 관계와 비교할 수 있다. 최적화 결과에 따라 두 로봇이 특정 영역을 서로 호환되는 자세에서 관측해야 한다고 예측된다면, 해당 예측과 일치하는 새로운 후보는 더 높은 신뢰도를 가질 수 있다. 반대로 지나치게 큰 보정을 요구하는 후보는 거부하거나 낮은 신뢰도를 부여할 수 있다. 따라서 기존 그래프 자체가 새로운 루프 폐쇄를 검증하는 추가적인 정보원이 된다.

승인된 모든 교차 로봇 제약조건에는 불확실성(Uncertainty)이 함께 포함되어야 한다. 넓은 3차원 중첩 영역에서 추정된 상대 자세(Relative Pose)는 소수의 원거리 시각 특징만으로 계산된 결과보다 일반적으로 높은 신뢰도를 가져야 한다. 공분산 행렬(Covariance Matrix) 또는 정보 행렬(Information Matrix)을 이용하여 그래프 최적화 과정에서 이러한 차이를 표현할 수 있다. 강건 손실 함수(Robust Loss Function)는 이후 전체 측정 네트워크와 일관성이 낮아지는 제약조건의 영향을 추가적으로 감소시킨다.

전환 가능 또는 제거 가능한 제약조건(Switchable or Removable Constraint)은 추가적인 보호 기능을 제공한다. 승인된 모든 루프 폐쇄를 영구적으로 고정하는 대신 불확실한 엣지에 잠재 신뢰도(Latent Confidence) 또는 스위치 변수(Switch Variable)를 연결할 수 있다. 이후 새로운 관측 정보가 특정 제약조건과 강하게 충돌하면 해당 제약조건의 영향력을 감소시키거나 제거할 수 있다. 추가 관측을 통해 초기에는 발견하기 어려웠던 오류가 확인될 수 있는 장기간 다중 로봇 운용에서 특히 유용하다.

통신 아키텍처(Communication Architecture)는 교차 로봇 루프 폐쇄에 직접적인 영향을 준다. 모든 로봇에서 생성되는 원시 영상이나 포인트 클라우드를 지속적으로 전송하는 것은 일반적으로 비효율적이다. 로봇은 먼저 압축된 디스크립터와 식별자(Identifier)를 교환하고 잠재적인 매칭이 발견된 경우에만 상세 센서 정보를 요청할 수 있다. 이러한 질의 기반 전략(Query-Based Strategy)은 가치 있는 로봇 간 제약조건을 생성할 가능성이 높은 관측에 통신 대역폭을 집중할 수 있도록 한다.

분산형 시스템(Decentralized System)에서는 후보 검색이 인접 로봇 사이에서 직접 이루어지거나 분산 디스크립터 데이터베이스(Distributed Descriptor Database)를 통해 수행될 수 있다. 하나의 로봇이 군집 전체에서 생성된 모든 관측 정보에 접근할 필요는 없다. 디스크립터는 지리적 영역을 기준으로 전달하거나 로봇 그룹 내에서 공유하거나 통신 그래프를 통해 전파할 수 있다. 연결이 간헐적인 경우 후보 정보는 저장한 후 로봇이 다시 연결되었을 때 비교할 수 있다.

교차 로봇 루프 폐쇄를 위해 두 로봇이 물리적으로 동일한 시간에 만날 필요는 없다. 한 로봇이 수 시간 또는 수일 전에 다른 로봇이 매핑한 위치를 인식할 수도 있다. 따라서 디스크립터, 서브맵, 타임스탬프(Timestamp), 캘리브레이션 정보, 지도 식별자(Map Identifier)를 지속적으로 저장하면 비동기 루프 폐쇄(Asynchronous Loop Closure)가 가능하다. 이를 통해 로봇들의 운용 일정이 다르거나 직접 통신하는 경우가 적더라도 집단 지도를 지속적으로 개선할 수 있다.

시간 차이는 동적 환경(Dynamic Environment)에서 추가적인 문제를 발생시킨다. 차량, 팔레트, 사람, 장비, 가구, 임시 차단물은 방문 시점에 따라 달라질 수 있다. 루프 폐쇄 검출은 일시적인 객체보다 지속적인 기하 구조(Persistent Geometry)와 안정적인 의미론적 구조(Stable Semantic Structure)를 우선적으로 활용해야 한다. 동적 객체 필터링(Dynamic-Object Filtering)과 시간 기반 지도 계층(Temporal Map Layer)을 이용하면 일시적인 환경 요소가 교차 로봇 매칭과 정합을 지배하는 것을 방지할 수 있다.

이기종 로봇(Heterogeneous Robot)은 더 큰 시점 및 센서 모달리티 차이를 발생시킨다. AMR은 바닥에서 1미터 이하의 높이에서 복도를 관측할 수 있지만 사족보행 로봇(Quadruped)이나 UAV는 서로 다른 높이와 방향에서 동일한 영역을 관측할 수 있다. 교차 모달 디스크립터(Cross-Modal Descriptor), 의미론적 랜드마크, 3차원 구조 프리미티브(3D Structural Primitive), 공유 메트릭 표현(Shared Metric Representation)을 사용하면 이러한 차이를 연결할 수 있다. 협력 매핑을 위해 모든 로봇이 동일한 센서를 사용해야 할 필요는 없다.

GNSS 및 기타 외부 위치추정 정보(External Positioning Source)는 야외 환경에서 후보 생성을 지원할 수 있다. 대략적인 전역 위치를 이용하여 디스크립터 검색 범위를 지리적으로 가능한 영역으로 제한하고 잘못된 매칭을 감소시킬 수 있다. 그러나 다중경로(Multipath), 차폐, 수신 성능 저하가 발생할 수 있으므로 GNSS 정보만으로 루프 폐쇄를 확정해서는 안 된다. 외부 위치 정보는 독립적인 기하학적 검증과 결합되는 보조 사전 정보(Supporting Prior Information)로 사용하는 것이 적절하다.

모든 루프 폐쇄 관측에는 로봇 식별 정보와 데이터 출처 정보(Data Provenance)가 유지되어야 한다. 시스템은 각 제약조건을 어떤 로봇, 센서, 키프레임, 서브맵, 캘리브레이션 상태, 소프트웨어 버전이 생성했는지 확인할 수 있어야 한다. 이러한 출처 정보는 전역 지도가 불일치할 때 문제를 진단할 수 있도록 하며 특정 센서나 플랫폼에서 반복적으로 발생하는 오류를 군집 운용 과정에서 식별하는 데에도 도움이 된다.

교차 로봇 제약조건 하나가 여러 로봇의 추정 위치를 변경할 수 있기 때문에 보안(Security) 역시 중요하다. 디스크립터, 대응 관계, 상대 변환을 포함하는 메시지는 인증(Authentication)되고 무결성(Integrity)을 검증해야 한다. 인증된 정보라도 오작동하는 로봇에서 생성될 수 있기 때문에 기하학적 타당성 검사도 추가적인 방어 계층으로 작동한다. 따라서 협력 매핑에서는 통신 신뢰성(Communication Trust)과 측정 수준 검증(Measurement-Level Validation)이 모두 필요하다.

로봇 수와 저장된 관측 정보가 증가하면 확장성(Scalability)이 중요한 문제가 된다. 새로운 모든 키프레임을 다른 모든 로봇의 모든 키프레임과 직접 비교하는 방식은 과도한 계산량과 통신량을 발생시킨다. 디스크립터 인덱싱(Descriptor Indexing), 근사 최근접 이웃 검색(Approximate Nearest-Neighbor Retrieval), 시간 필터링(Temporal Filtering), 지리적 분할(Geographic Partitioning), 계층형 데이터베이스(Hierarchical Database), 서브맵 수준 인식(Submap-Level Recognition)을 사용하면 상세 검증 이전에 검색 공간을 크게 줄일 수 있다.

루프 폐쇄 스케줄링(Loop-Closure Scheduling)은 정보 가치(Information Value)를 기반으로 수행할 수도 있다. 이전까지 분리되어 있던 지도 구성요소를 연결하거나 큰 불확실성을 감소시키거나 긴 그래프 순환 구조를 닫을 가능성이 있는 후보는 이미 충분히 제약된 영역에서 생성되는 중복 매칭보다 높은 우선순위를 가질 수 있다. 이를 통해 제한된 계산 자원과 통신 자원을 집단 지도의 개선 효과가 가장 큰 제약조건에 집중할 수 있다.

교차 로봇 루프 폐쇄의 성능 평가는 재현율(Recall)과 정밀도(Precision)를 모두 고려해야 하지만 특히 높은 정밀도가 중요하다. 유효한 루프 폐쇄를 놓치면 다음 관측이 발생할 때까지 전역 정렬이 지연될 수 있지만 잘못된 루프 폐쇄를 승인하면 대규모 공유 지도를 손상시킬 수 있다. 따라서 반복 환경에서의 오검출, 시점 변화에 대한 강건성, 통신 비용, 검출 지연시간, 승인된 제약조건이 전역 일관성에 미치는 영향을 함께 평가해야 한다.

산업용 로봇 군집에서 교차 로봇 루프 폐쇄는 독립적으로 운용되는 AMR들이 서로의 공간 지식을 강화할 수 있도록 한다. 한 로봇이 다른 플랫폼이 이전에 매핑한 영역에 진입하면 해당 위치를 인식하고 로컬 지도를 정렬한 후 새로운 관측 정보를 즉시 추가할 수 있다. 서로 다른 로봇에서 반복적으로 발생하는 관측은 추가적인 제약조건을 형성하며, 모든 로봇이 동일한 경로를 주행하지 않더라도 군집 지도의 정확도와 복원력을 시간에 따라 향상시킬 수 있다.

따라서 다중 로봇 루프 폐쇄(Multi-Robot Loop Closure)는 단순한 장소 인식 기능 이상의 의미를 갖는다. 이는 독립적으로 위치추정을 수행하던 여러 로봇을 하나의 기하학적으로 연결된 매핑 시스템으로 전환하는 메커니즘이다. 신뢰성 높은 운용을 위해서는 효율적인 후보 검색, 강건한 교차 시점 인식(Cross-View Recognition), 정밀한 상대 자세 추정, 보수적인 검증, 불확실성을 고려한 최적화, 통신 효율적인 정보 교환이 함께 요구된다.

이러한 메커니즘들이 함께 동작하면 교차 로봇 루프 폐쇄는 서로 분리된 궤적과 서브맵을 점진적으로 하나의 일관된 공간 네트워크(Coherent Spatial Network)로 연결한다. 검증된 각각의 공유 관측은 서로 다른 로봇 경험을 연결하는 다리 역할을 하며, 로봇 군집 전체에서 축적된 정보를 활용하여 드리프트를 보정하고 좌표 프레임을 정렬하며 위치추정 정확도를 향상시키고 협력 자율 운용에 사용할 수 있는 공통 지도를 유지할 수 있도록 한다.

09.05. Pose Graph Optimization for Multi Robot Maps [w/Code]

포즈 그래프 최적화(Pose Graph Optimization)는 독립적으로 추정된 여러 로봇의 궤적을 전역적으로 일관된 다중 로봇 지도(Multi-Robot Map)로 변환하기 위한 수학적 기반을 제공한다. 모든 원시 센서 측정값을 직접 최적화하는 대신 중요한 로봇 자세(Pose), 키프레임(Keyframe), 서브맵(Submap)을 그래프 노드(Graph Node)로 표현하고 공간적 관계를 엣지(Edge)로 표현한다. 최적화는 전체 측정값이 상호 일관성을 갖도록 노드 상태를 조정한다.

단일 로봇 포즈 그래프(Single-Robot Pose Graph)에서는 연속된 자세가 일반적으로 오도메트리(Odometry) 또는 로컬 SLAM 제약조건으로 연결되고, 루프 폐쇄(Loop Closure)는 이전에 방문했던 위치의 관측을 연결한다. 다중 로봇 매핑은 이 구조를 확장하여 여러 로봇의 궤적을 동시에 유지하고 이들 사이에 로봇 간 제약조건(Inter-Robot Constraint)을 추가한다. 이러한 교차 로봇 엣지(Cross-Robot Edge)는 서로 분리된 로컬 그래프를 하나의 협력 추정 문제(Cooperative Estimation Problem)로 변환한다.

각 노드(Node)는 추정해야 하는 상태(State)를 나타낸다. 평면에서 운용되는 AMR의 상태는 일반적으로 2차원 위치와 헤딩(Heading)을 포함하며, 3차원 로봇에서는 SE(3) 공간상의 위치와 방향(Orientation)이 필요하다. 노드는 개별 자세, 선택된 키프레임 또는 더 큰 서브맵에 대응할 수 있다. 서브맵 수준 그래프(Submap-Level Graph)는 최적화 변수의 수를 크게 줄일 수 있기 때문에 대규모 로봇 군집에서 특히 유용하다.

엣지는 노드 사이의 상대적인 공간 측정값(Relative Spatial Measurement)을 표현한다. 휠 오도메트리(Wheel Odometry), 비주얼 오도메트리(Visual Odometry), 라이다 오도메트리(LiDAR Odometry), 관성 추정(Inertial Estimation), 스캔 매칭(Scan Matching), 로컬 루프 폐쇄(Local Loop Closure), GNSS 관련 관측, 교차 로봇 루프 폐쇄(Cross-Robot Loop Closure) 등이 모두 제약조건으로 사용될 수 있다. 각 측정값은 두 상태 사이의 상대 변환을 예측하며, 최적화는 예측된 변환과 실제 측정값이 최대한 일치하도록 노드 구성을 탐색한다.

그래프 제약조건(Graph Constraint)에는 측정된 변환뿐만 아니라 불확실성(Uncertainty)도 포함되어야 한다. 정보 행렬(Information Matrix) 또는 공분산 행렬(Covariance Matrix)은 각각의 측정값이 최적화 결과에 얼마나 강하게 영향을 미쳐야 하는지를 나타낸다. 넓은 기하학적 중첩을 가진 고품질 라이다 정합은 강한 제약조건을 제공할 수 있지만 시각적으로 모호한 로봇 간 관측에는 낮은 신뢰도를 부여해야 한다. 적절한 가중치는 신뢰도가 낮은 측정값이 신뢰성 높은 추정값을 지배하는 것을 방지한다.

최적화 문제는 일반적으로 비선형 최소제곱(Nonlinear Least Squares) 문제로 구성된다. 각 엣지에 대해 오차 항(Error Term)은 관측된 상대 변환과 현재 노드 추정값으로부터 예측된 변환 사이의 차이를 나타낸다. 목적 함수(Objective Function)는 이러한 잔차(Residual)를 각각의 불확실성에 따라 가중하여 결합하고 전체 그래프의 총 오차를 최소화하는 상태 구성을 탐색한다.

로봇의 방향은 비선형 다양체(Nonlinear Manifold)에 속하기 때문에 포즈 그래프 최적화를 일반적인 선형 최소제곱 문제로 해결할 수는 없다. 가우스-뉴턴(Gauss-Newton), 레벤버그-마쿼트(Levenberg-Marquardt)와 같은 반복적 수치해석 방법은 현재 추정값 주변에서 그래프를 반복적으로 선형화하고 보정량을 계산하여 자세를 갱신한다. 실제 매핑 그래프에는 수천 개에서 수백만 개의 변수와 제약조건이 포함될 수 있으므로 효율적인 희소 선형대수(Sparse Linear Algebra)가 중요하다.

유일한 해를 얻기 위해서는 게이지 자유도(Gauge Freedom)를 제거해야 한다. 그래프의 모든 자세를 동일한 크기만큼 이동하거나 회전하더라도 상대 측정값은 변하지 않는다. 따라서 최적화기는 하나의 기준 자세(Reference Pose)를 고정하거나 이에 해당하는 사전 제약조건(Prior)을 추가한다. 다중 로봇 시스템에서는 이 기준이 연결된 모든 로봇 궤적을 표현하는 공통 좌표 프레임(Common Coordinate Frame)을 설정한다.

초기에는 서로 다른 로봇이 분리된 그래프 구성요소(Disconnected Graph Component)에 속할 수 있다. 각 구성요소는 내부적으로 최적화할 수 있지만 다른 구성요소와의 공간적 관계는 정의되지 않는다. 검증된 교차 로봇 루프 폐쇄가 구성요소 사이에 엣지를 추가하면 상대 변환을 관측할 수 있게 된다. 연결 이후 최적화기는 두 궤적을 하나의 공통 프레임에 배치하고 각 로봇에 누적된 로컬 오차에 따라 보정량을 분배할 수 있다.

최초의 로봇 간 연결(First Inter-Robot Connection)은 이전까지 독립적이었던 두 지도가 서로 어떤 관계를 갖는지를 결정하기 때문에 큰 변화를 발생시킬 수 있다. 따라서 이 연결의 품질은 특히 중요하다. 잘못된 연결은 하나의 지도 구성요소 전체를 잘못 회전하거나 이동시킬 수 있다. 초기 정렬을 높은 신뢰도로 처리하기 전에 보수적인 검증(Conservative Verification), 불확실성을 고려한 가중치, 가능하다면 여러 개의 독립적인 로봇 간 제약조건을 확보하는 것이 바람직하다.

추가적인 교차 로봇 루프 폐쇄는 그래프의 관측 가능성(Observability)과 중복성(Redundancy)을 향상시킨다. 여러 로봇이 서로 다른 위치에서 중첩 영역을 관측하면 생성된 제약조건이 그래프 내부에 순환 구조(Cycle)를 만든다. 이러한 순환 구조에서는 서로 일치하지 않는 변환이 모든 엣지를 동시에 만족시킬 수 없기 때문에 누적된 드리프트(Drift)를 식별할 수 있다. 최적화는 관련 궤적 전체에 불일치를 분산시켜 독립적인 로컬 SLAM보다 전역적으로 더 일관된 추정값을 생성한다.

모든 루프 폐쇄가 정확한 것은 아니므로 강건 최적화(Robust Optimization)가 필요하다. 일반적인 최소제곱 최적화는 소수의 큰 이상치(Outlier)만으로도 심각하게 왜곡될 수 있다. 강건 손실 함수(Robust Loss Function)는 비정상적으로 큰 잔차를 가진 제약조건의 영향을 감소시키며, 전환 가능 제약조건(Switchable Constraint), 동적 공분산 스케일링(Dynamic Covariance Scaling), 점진적 비볼록 최적화(Graduated Non-Convex Optimization) 등의 방법은 잠재적인 잘못된 루프 폐쇄를 즉시 삭제하지 않고 억제할 수 있다.

잘못된 로봇 간 제약조건은 여러 로봇의 궤적에 영향을 줄 수 있기 때문에 특히 주의해서 처리해야 한다. 장소 인식(Place Recognition)에서 승인된 후보는 그래프에 추가되기 전에 기하학적 검증(Geometric Verification)을 거쳐야 한다. 승인된 이후에도 최적화 과정에서 해당 제약조건의 잔차를 지속적으로 감시할 수 있다. 여러 독립적인 측정값과 계속 불일치하는 제약조건은 가중치를 낮추거나 비활성화하거나 추가 검증 대상으로 지정할 수 있다.

지속적으로 운용되는 로봇에서는 증분 최적화(Incremental Optimization)가 중요하다. 새로운 키프레임이나 루프 폐쇄가 추가될 때마다 전체 포즈 그래프를 처음부터 다시 계산하면 상당한 계산 자원이 낭비된다. 증분 최적화기는 이전 계산 결과와 행렬 분해(Factorization)를 재사용하고 영향을 받는 그래프 영역만 갱신한다. 이를 통해 새로운 로봇 궤적, 서브맵, 교차 로봇 제약조건이 추가됨에 따라 전역 추정값을 지속적으로 발전시킬 수 있다.

하나의 중앙 컴퓨터가 전체 그래프를 관리하지 않는 경우에는 분산 포즈 그래프 최적화(Distributed Pose Graph Optimization)가 필요하다. 각 로봇은 자신의 궤적과 관련된 변수를 유지하면서 선택된 경계 상태(Boundary State) 또는 제약조건만 다른 로봇과 교환할 수 있다. 로컬 최적화와 로봇 간 합의(Inter-Robot Consensus)를 반복하여 공유 변수들이 서로 호환되는 상태로 수렴하도록 한다. 이러한 방식은 분산 운용을 유지할 수 있지만 통신과 수렴성(Convergence)을 함께 고려해야 한다.

신뢰성 높은 군집 인프라(Fleet Infrastructure)가 존재하는 경우 중앙집중형 최적화(Centralized Optimization)는 여전히 효과적이다. 로봇은 압축된 그래프 정보를 엣지 서버(Edge Server) 또는 온프레미스 백엔드(On-Premise Backend)에 전송하고, 서버는 전역 팩터 그래프(Global Factor Graph)를 관리할 수 있다. 강력한 계산 자원을 이용하여 대규모 최적화를 수행한 후 보정된 변환이나 지도 자세를 로봇에 반환할 수 있다. 그러나 최적화 서버와의 연결이 일시적으로 끊어져도 로컬 주행이 계속될 수 있도록 설계해야 한다.

하이브리드 아키텍처(Hybrid Architecture)는 이러한 접근 방식을 결합한다. 로봇은 온보드에서 로컬 궤적을 지속적으로 최적화하고 군집 수준 백엔드(Fleet-Level Backend)는 상대적으로 낮은 주기로 전역 최적화를 수행한다. 보정 결과는 로봇의 즉각적인 제어 자세를 갑자기 변경하는 대신 로컬 프레임과 전역 프레임 사이의 변환으로 반환할 수 있다. 이러한 분리는 전역 지도 보정으로 인해 실시간 주행 및 모션 제어 시스템에 불연속성이 발생하는 것을 방지한다.

따라서 자세 보정(Pose Correction)은 신중하게 관리해야 한다. 전역 최적화는 특히 중요한 루프 폐쇄 이후 과거 자세를 수 미터 이동시키거나 전체 서브맵을 회전시킬 수 있다. 이러한 보정을 제어 좌표 프레임(Control Coordinate Frame)에 직접 적용하면 로봇이 갑자기 이동한 것처럼 인식될 수 있다. 실제 시스템에서는 부드러운 로컬 오도메트리 프레임(Local Odometry Frame)을 유지하고 제어를 불안정하게 만들지 않으면서 갱신할 수 있는 별도의 지도-로컬 변환(Map-to-Local Transformation)을 관리하는 경우가 많다.

계층형 최적화(Hierarchical Optimization)는 대규모 로봇 군집과 넓은 환경에서 확장성을 향상시킨다. 로컬 자세는 먼저 제한된 서브맵 내부에서 최적화하고, 상위 수준 그래프에는 서브맵 원점(Submap Origin) 또는 대표 키프레임만 포함할 수 있다. 교차 로봇 제약조건은 이러한 상위 수준 요소를 연결한다. 이를 통해 각 로컬 지도 영역의 상세한 기하 정보를 유지하면서 전역 최적화의 복잡도를 크게 감소시킬 수 있다.

그래프 희소화(Graph Sparsification)는 또 다른 확장성 향상 방법이다. 특히 로봇이 동일한 경로를 반복적으로 주행하면 많은 제약조건이 중복 정보를 포함할 수 있다. 그래프의 핵심 정보 구조를 유지하면서 선택된 엣지를 제거하거나 요약할 수 있다. 주변화(Marginalization)를 이용하면 오래된 변수를 제거하면서 압축된 팩터(Condensed Factor)를 통해 해당 변수의 통계적 영향을 유지할 수 있어 메모리와 계산 요구량을 줄일 수 있다.

다중 로봇 그래프에는 절대 위치 또는 약한 절대 위치 측정값도 포함할 수 있다. GNSS 위치, 측량된 랜드마크(Surveyed Landmark), 기준 마커(Fiducial Marker), 도킹 스테이션(Docking Station), 건물 기준점(Building Reference Point), 알려진 층간 관계 등을 사용하여 그래프의 일부를 외부 좌표계에 고정할 수 있다. 이러한 측정값은 장기 드리프트를 감소시킬 수 있지만 성능이 저하된 GNSS나 부정확한 랜드마크가 일관된 상대 매핑을 왜곡하지 않도록 불확실성을 정확하게 모델링해야 한다.

이기종 로봇(Heterogeneous Robot)은 서로 다른 로컬 추정기를 사용하더라도 동일한 포즈 그래프에 참여할 수 있다. AMR은 라이다-관성 오도메트리(LiDAR-Inertial Odometry)를 사용하고, 사족보행 로봇(Quadruped)은 시각-관성 추정(Visual-Inertial Estimation)을 사용하며, UAV는 GNSS와 결합된 비주얼 SLAM을 사용할 수 있다. 그래프는 동일한 프런트엔드(Frontend)를 요구하지 않으며 호환 가능한 좌표 규약, 타임스탬프, 변환, 불확실성 모델로 표현된 공간 제약조건을 요구한다.

시간 동기화(Time Synchronization)와 캘리브레이션 오차(Calibration Error)는 서로 일치하지 않는 그래프 제약조건으로 나타날 수 있다. 두 로봇이 시간적으로 정렬되지 않은 상태에서 동일한 특징을 관측하거나 부정확한 센서 외부 파라미터(Sensor Extrinsic)를 사용하면 결과적인 상대 변환에 최적화만으로 설명하기 어려운 체계적 오차가 포함될 수 있다. 따라서 캘리브레이션 상태와 시간 품질을 감시하고 의심스러운 제약조건을 단순한 궤적 드리프트로 자동 해석하지 않아야 한다.

최적화 이후의 지도 갱신(Map Update)은 일관되게 전파되어야 한다. 노드 자세가 변경되면 관련 포인트 클라우드, 점유 격자(Occupancy Grid), 랜드마크, 의미론적 객체(Semantic Object), 주행 지도 계층도 그에 맞게 변환되어야 한다. 작은 보정이 발생할 때마다 모든 지도 데이터를 다시 생성하는 것은 비효율적이므로 서브맵 기반 시스템에서는 로컬 기하 정보를 고정하고 전역 좌표 프레임에서 서브맵의 최적화된 자세만 갱신하는 방식을 자주 사용한다.

최적화된 지도를 여러 로봇이 공유하는 환경에서는 버전 관리(Versioning)가 중요하다. 하나의 로봇은 특정 전역 그래프 해(Global Graph Solution)를 사용하고 있지만 다른 로봇은 이미 새로운 보정값을 수신했을 수 있다. 지도 버전(Map Version), 변환 타임스탬프(Transformation Timestamp), 지속적인 노드 식별자(Persistent Node Identifier)를 사용하면 관측 정보가 서로 호환되지 않는 상태와 잘못 연결되는 것을 방지할 수 있다. 이는 간헐적인 통신과 비동기 다중 로봇 운용에서 특히 중요하다.

그래프 최적화는 유용한 진단 정보(Diagnostic Information)도 제공한다. 큰 잔차는 문제가 있는 오도메트리 구간, 잘못된 루프 폐쇄, 캘리브레이션 오류 또는 위치추정 품질이 저하된 로봇을 식별하는 데 활용할 수 있다. 따라서 잔차 통계(Residual Statistics)와 제약조건 일관성(Constraint Consistency)은 지도 생성뿐만 아니라 시스템 상태 모니터링(Health Monitoring)에도 사용할 수 있다. 군집 관리 소프트웨어는 이를 기반으로 특정 플랫폼의 재매핑, 재캘리브레이션 또는 점검을 요청할 수 있다.

최적화된 지도의 품질은 그래프 토폴로지(Graph Topology)의 영향을 크게 받는다. 주로 연속적인 오도메트리만으로 연결된 긴 궤적은 제약이 약하기 때문에 상당한 드리프트가 누적될 수 있다. 루프 폐쇄와 교차 로봇 관측은 추가적인 연결을 생성하여 그래프의 강성을 증가시킨다. 따라서 여러 로봇이 상호 보완적인 경로를 탐색하는 군집은 여러 로봇이 거의 동일한 궤적만 반복하는 경우보다 더 좋은 조건의 그래프(Well-Conditioned Graph)를 형성할 수 있다.

최적화 주기(Optimization Frequency)는 실제 운용 요구사항과 사용 가능한 계산 자원을 고려하여 결정해야 한다. 로컬 추정은 센서 주기로 수행될 수 있지만 전역 그래프 최적화는 훨씬 낮은 주기로 수행하거나 새로운 로봇 간 루프 폐쇄와 같은 중요한 이벤트가 발생했을 때 실행할 수 있다. 이벤트 기반 최적화(Event-Driven Optimization)는 불필요한 계산을 줄이면서 새로운 정보가 전역 지도에 실질적인 변화를 발생시키는 경우 신속하게 보정할 수 있도록 한다.

산업용 AMR 군집에서 포즈 그래프 최적화는 서로 다른 로봇이 서로 다른 시점에 생성한 지도를 하나의 공통 공간 기준(Common Spatial Reference)으로 통합할 수 있도록 한다. 검증된 제약조건을 통해 새로운 영역을 추가하고 누적된 드리프트를 보정하며 여러 관측을 이용하여 중요한 지도 영역의 신뢰성을 높일 수 있다. 결과적으로 포즈 그래프는 군집의 위치추정 이력(Localization History)과 지속적으로 유지되는 운용 지도를 연결하는 영속적인 공간적 기반(Persistent Spatial Backbone)이 된다.

따라서 포즈 그래프 최적화는 다중 로봇 매핑의 일관성 엔진(Consistency Engine)으로 이해할 수 있다. 인지 프런트엔드(Perception Frontend)는 로컬 이동 추정값과 장소 인식 후보를 생성하고, 기하학적 검증은 유효한 매칭을 제약조건으로 변환하며, 그래프 최적화기는 모든 로봇의 궤적이 하나의 공간에서 어떻게 공존해야 하는지를 결정한다. 그 역할은 개별 자세의 정확도를 높이는 데 그치지 않고 전체 로봇 군집의 공간적 이력을 조정하는 것이다.

강건 추정(Robust Estimation), 불확실성 모델링(Uncertainty Modeling), 증분 계산(Incremental Computation), 확장 가능한 그래프 구조(Scalable Graph Structure), 신중한 좌표 프레임 관리(Frame Management)를 결합하면 포즈 그래프 최적화는 독립적으로 드리프트가 누적되는 여러 로컬 지도를 하나의 일관된 공유 표현(Coherent Shared Representation)으로 변환할 수 있다. 이는 교차 로봇 관측을 이용하여 누적 오차를 보정하는 수학적 메커니즘을 제공하며, 로봇 군집과 환경 및 지도가 지속적으로 확장되는 장기 다중 로봇 매핑에서도 공간적 일관성을 유지할 수 있도록 한다.

09.06. Map Server and Distribution to Fleet [w/Code]

지도 서버(Map Server)는 여러 로봇이 생성하고 최적화하며 유지관리하는 지도를 전체 로봇 군집(Fleet)이 운용 자원으로 활용할 수 있도록 하는 공유 인프라를 제공한다. 다중 로봇 매핑(Multi-Robot Mapping)에서 정확한 전역 지도(Global Map)를 생성하는 것은 문제의 일부에 불과하다. 시스템은 지도 자산을 저장하고 유효한 버전을 식별하며 적절한 데이터를 로봇에 배포하고, 각 로봇이 현재 어떤 지도와 좌표 프레임(Coordinate Frame)을 사용하고 있는지 확인할 수 있도록 해야 한다.

따라서 지도 서버는 협력 매핑(Collaborative Mapping)과 군집 운용(Fleet Operation)을 연결하는 역할을 한다. 상위 SLAM 프로세스는 로컬 지도(Local Map), 서브맵(Submap), 궤적(Trajectory), 루프 폐쇄(Loop Closure), 최적화된 자세(Optimized Pose)를 생성하고, 하위 주행 시스템은 위치추정(Localization)과 경로 계획(Planning)에 사용할 수 있는 안정적인 표현을 필요로 한다. 서버는 지속적으로 변화하는 매핑 데이터와 로봇이 임무 수행 중 안전하게 사용할 수 있도록 관리되는 운용 지도 릴리스(Operational Map Release)를 분리한다.

실제 지도 서버는 지도를 하나의 거대한 파일로 취급하기보다 여러 지도 표현(Map Representation)을 지원해야 한다. 로봇 군집에는 2차원 점유 격자(2D Occupancy Grid), 3차원 포인트 클라우드(3D Point Cloud), 복셀 지도(Voxel Map), 고도 계층(Elevation Layer), 의미론적 객체(Semantic Object), 랜드마크(Landmark), 주행 구역(Navigation Zone), 제한 구역(Restricted Area), 도킹 위치(Docking Location), 지리 참조 정보(Georeferencing Information) 등이 필요할 수 있다. 이러한 계층은 공통 공간 기준을 공유하면서 로봇 요구사항에 따라 독립적으로 저장하고 배포할 수 있다.

지도 메타데이터(Map Metadata)는 지도 기하 정보만큼 중요하다. 저장되는 모든 지도에는 지속적인 식별자(Persistent Identifier), 버전(Version), 생성 시간, 좌표 프레임 정의, 공간 범위(Spatial Extent), 해상도(Resolution), 데이터 출처 정보(Source Information), 호환성 정보(Compatibility Information)가 포함되어야 한다. 추가적인 메타데이터에는 지도를 생성하는 데 사용된 로봇, 센서, SLAM 설정, 캘리브레이션 상태(Calibration State), 소프트웨어 버전 등을 기록할 수 있으며, 이를 통해 해당 지도가 특정 플랫폼에 적합한지를 판단할 수 있다.

버전 관리(Version Management)는 제어되지 않은 지도 변경이 즉시 운영 중인 로봇에 영향을 주는 것을 방지한다. 새롭게 생성된 지도는 먼저 후보 버전(Candidate Version)으로 저장하고 검증을 통과한 이후 승인된 운용 릴리스(Approved Operational Release)로 전환할 수 있다. 서버는 상위 버전(Parent Version), 증분 업데이트(Incremental Update), 대체된 지도(Superseded Map) 사이의 관계를 유지할 수 있다. 새로운 지도에서 위치추정이나 주행 문제가 발생하면 로봇 군집을 이전에 검증된 버전으로 되돌릴 수 있다.

따라서 지도 수명주기(Map Lifecycle)는 작업 중(Working), 검증 완료(Validated), 릴리스(Released), 사용 중단(Deprecated), 보관(Archived) 상태를 구분할 수 있다. 매핑 로봇은 작업 지도에 지속적으로 업데이트를 제공하는 동안 임무 수행 로봇은 안정적인 릴리스 버전을 계속 사용할 수 있다. 검증 과정에서는 후보 지도를 승격하기 전에 기하학적 일관성, 위치추정 성능, 커버리지(Coverage), 의미론적 정확성, 호환성을 평가할 수 있다. 이러한 분리는 불안정한 중간 매핑 결과로부터 실제 군집 운용을 보호한다.

지도 배포(Map Distribution)는 전체 전역 지도를 모든 로봇에 자동으로 전송하기보다 선택적으로 수행해야 한다. 특정 창고 층에서 운용되는 소형 AMR은 해당 지역의 2차원 지도만 필요할 수 있지만 야외 로봇은 GNSS 앵커(GNSS Anchor)를 포함하는 대규모 3차원 지도가 필요할 수 있다. UAV 또는 사족보행 로봇(Quadruped)은 서로 다른 기하학적 지도 계층을 요구할 수 있다. 서버는 로봇 식별 정보, 플랫폼 성능, 임무 영역, 위치추정 방식을 기반으로 적절한 지도 패키지를 결정할 수 있다.

대규모 환경에서는 지도 타일링(Map Tiling)이 효과적이다. 매우 큰 점유 격자나 포인트 클라우드를 하나의 파일로 저장하고 전송하는 대신 환경을 공간 타일(Spatial Tile) 또는 서브맵으로 분할할 수 있다. 로봇은 현재 위치나 계획된 경로 주변의 영역만 다운로드하고 이동하면서 추가 타일을 요청한다. 이를 통해 훨씬 큰 전역 환경에 접근할 수 있으면서도 초기 로딩 시간, 메모리 사용량, 저장 공간 요구량, 네트워크 트래픽을 줄일 수 있다.

계층형 지도 배포(Hierarchical Map Distribution)는 이러한 개념을 여러 공간 해상도로 확장한다. 경량 개요 지도(Lightweight Overview)는 대략적인 전역 정보를 제공하고, 상세 기하 정보는 인접한 운용 영역에 대해서만 로딩할 수 있다. 전역 경로 계획을 수행하는 로봇은 먼저 저해상도 정보를 사용하고 목적지에 접근하면서 고해상도 위치추정 또는 장애물 지도 계층을 요청할 수 있다. 이러한 세부 수준 관리(Level-of-Detail Management)는 지도 규모가 증가할수록 더욱 중요해진다.

지도 패키지(Map Package)는 릴리스된 이후 불변(Immutable) 상태로 유지하는 것이 바람직하다. 운영 지도를 내부적으로 조용히 수정하는 대신 검증된 내용이 변경될 때마다 서버가 새로운 버전을 생성한다. 이를 통해 로봇은 자신의 정확한 지도 상태를 식별할 수 있고, 군집 소프트웨어는 사고 발생 당시의 위치추정 조건을 재현할 수 있다. 불변성(Immutability)은 롤백(Rollback), 감사(Auditing), 디버깅(Debugging), 지도 세대 간 비교의 신뢰성도 크게 향상시킨다.

지도 배포 과정에서는 무결성 검증(Integrity Verification)이 필요하다. 각 지도 패키지에는 암호학적 해시(Cryptographic Hash), 체크섬(Checksum), 파일 매니페스트(File Manifest), 예상 파일 크기, 버전 식별자를 포함할 수 있다. 로봇은 다운로드한 콘텐츠를 활성화하기 전에 이를 검증한다. 중단된 전송은 재개할 수 있어야 하며 부분적으로 다운로드된 데이터가 현재 활성화된 지도를 대체해서는 안 된다. 새로운 전체 패키지가 무결성 및 호환성 검사를 통과할 때까지 이전에 검증된 지도를 계속 사용할 수 있어야 한다.

지도 활성화(Map Activation)는 단순한 파일 교체가 아니라 제어된 상태 전환(Controlled State Transition)으로 처리해야 한다. 로봇은 후보 패키지를 비활성 저장 영역(Inactive Storage Area)에 다운로드하고 검증한 후 새로운 지도를 기반으로 위치추정 스택(Localization Stack)을 초기화하며 필요한 좌표 변환과 의미론적 계층이 사용 가능한지 확인할 수 있다. 이러한 검사가 성공한 이후에만 임무 수행에 사용하는 활성 지도 참조(Active Map Reference)를 전환해야 한다.

지도 배포에서는 좌표 프레임 일관성(Coordinate-Frame Consistency)이 특히 중요하다. 지도 서버는 기하 정보뿐만 아니라 전역(Global), 지도(Map), 로컬(Local), 오도메트리(Odometry), 로봇(Robot) 프레임 사이의 관계도 전달해야 한다. 지리 참조 지도(Georeferenced Map)는 ENU, UTM 또는 기타 외부 좌표계와의 변환 정보를 추가로 포함할 수 있다. 잘못된 프레임 정의는 기하학적으로 정확한 지도도 사용할 수 없게 만들며 심각한 위치추정 또는 주행 오류를 발생시킬 수 있다.

포즈 그래프 최적화(Pose Graph Optimization)는 서브맵 내부의 기하 정보를 변경하지 않으면서 서브맵의 위치를 수정할 수 있다. 서버는 이러한 구조를 이용하여 로컬 서브맵 데이터와 최적화된 전역 변환(Optimized Global Transform)을 별도로 저장할 수 있다. 최적화로 전역 해(Global Solution)가 변경되었을 때 모든 포인트나 복셀을 다시 전송하는 대신 갱신된 서브맵 자세만 배포할 수 있다. 이를 통해 대규모 다중 로봇 지도에서 통신 비용을 줄일 수 있다.

증분 지도 업데이트(Incremental Map Update)도 유사한 장점을 제공한다. 시설의 작은 영역만 변경되었다면 로봇이 전체 지도를 다시 다운로드할 필요는 없다. 서버는 변경된 타일, 수정된 의미론적 계층, 갱신된 랜드마크 또는 변환 델타(Transformation Delta)만 배포할 수 있다. 각 업데이트는 알려진 기준 버전(Base Version)을 참조해야 하며, 로봇은 증분 데이터가 현재 지도 상태와 호환되는지 검증할 수 있어야 한다.

그러나 증분 업데이트에는 의존성 관리(Dependency Management)가 필요하다. 특정 지도 버전을 기준으로 생성된 패치(Patch)는 다른 버전에 올바르게 적용되지 않을 수 있다. 따라서 서버는 명시적인 버전 그래프(Version Graph) 또는 업데이트 체인(Update Chain)을 관리하고 호환되지 않는 조합을 거부해야 한다. 주기적인 전체 스냅샷(Full Snapshot)을 사용하면 업데이트 체인의 길이를 제한하고 증분 이력이 복잡해지거나 손상되었을 때 안정적인 복구 지점을 제공할 수 있다.

군집 지도 배포는 간헐적인 통신(Intermittent Communication)을 견딜 수 있어야 한다. 로봇은 터널, 야외 지역, 엘리베이터, 지하시설 또는 산업 현장과 같이 네트워크 연결이 일시적으로 끊기는 환경에서 운용될 수 있다. 따라서 임무 수행에 필수적인 지도는 로봇 내부에 캐시(Cache)해야 한다. 로봇이 이미 유효한 운용 지도를 보유하고 있다면 지도 서버와의 연결 손실이 즉각적인 위치추정 또는 주행 중단으로 이어져서는 안 된다.

저장 후 전달(Store-and-Forward) 메커니즘을 이용하면 연결이 복구된 이후 업데이트를 전달할 수 있다. 군집 관리자(Fleet Manager)는 각 로봇이 어떤 지도 버전을 확인했는지 기록하고 최신 릴리스보다 뒤처진 로봇을 식별할 수 있다. 다시 연결된 로봇은 누락된 버전이나 필요한 타일만 요청할 수 있다. 이를 통해 불필요한 재전송을 방지하고 서로 다른 통신 조건에서 운용되는 로봇 군집을 점진적으로 동기화할 수 있다.

많은 로봇이 동시에 업데이트를 수신하는 경우 대역폭 관리(Bandwidth Management)가 중요해진다. 수백 대의 로봇에 대규모 3차원 지도를 동시에 전송하면 무선 네트워크가 포화될 수 있다. 따라서 로봇 그룹, 임무 우선순위, 충전 상태, 네트워크 세그먼트(Network Segment), 지리적 영역을 기준으로 배포 단계를 나눌 수 있다. 전송률 제한(Rate Limiting)과 예약 배포(Scheduled Deployment)를 통해 지도 유지관리 트래픽이 안전 또는 임무 중요 통신을 방해하지 않도록 할 수 있다.

엣지 캐싱(Edge Caching)은 서버와 네트워크의 부하를 추가로 줄일 수 있다. 자주 사용되는 지도 패키지 또는 지역 타일을 운용 구역 가까이에 위치한 로컬 엣지 서버(Local Edge Server)에 복제할 수 있다. 로봇은 원격 중앙 서버에 반복적으로 접근하는 대신 가장 가까운 캐시에서 데이터를 가져온다. 중앙 서비스는 권위 있는 버전(Authoritative Version)을 계속 관리하고 엣지 노드는 배포 속도를 높이며 상위 네트워크 장애 상황에서 복원력을 제공한다.

지도 서버 아키텍처(Map Server Architecture)는 중앙집중형(Centralized), 분산형(Distributed), 계층형(Hierarchical)으로 구성할 수 있다. 중앙집중형 서버는 거버넌스(Governance)와 전역 버전 관리를 단순화하며 분산 스토리지는 복원력과 지역 확장성을 향상시킨다. 계층형 아키텍처는 두 방식의 장점을 결합할 수 있으며, 권위 있는 군집 수준 지도 저장소가 버전을 관리하고 사이트 수준 또는 엣지 서버가 승인된 데이터를 로컬 로봇 그룹에 캐싱하고 배포한다.

지도 서버는 업로드(Upload), 조회(Query), 다운로드(Download), 활성화(Activation), 상태 보고(Status Reporting), 롤백을 위한 명확한 인터페이스를 제공해야 한다. 매핑 시스템은 새로운 지도 후보를 게시하고, 군집 관리자는 사용 가능한 버전을 확인하며, 로봇은 호환되는 패키지를 요청할 수 있어야 한다. 이벤트 알림(Event Notification)을 사용하면 모든 로봇이 지속적으로 폴링(Polling)하지 않아도 새로운 릴리스를 알릴 수 있다. 명확한 인터페이스는 지도 관리 기능을 특정 SLAM 구현으로부터 분리하는 역할도 한다.

로봇 기능 협상(Robot Capability Negotiation)은 호환되지 않는 지도 배포를 방지하는 데 도움이 된다. 서버는 지도를 전달하기 전에 로봇의 위치추정 방식, 지원 지도 형식, 사용 가능한 저장 공간, 소프트웨어 버전, 센서 구성, 임무 영역을 평가할 수 있다. 동일한 물리적 시설을 표현하는 지도라 하더라도 2D 위치추정을 사용하는 로봇이 3D 위치추정 파이프라인만을 위한 패키지를 실수로 활성화해서는 안 된다.

보안(Security)은 지도 콘텐츠와 이를 배포하는 제어 영역(Control Plane)을 모두 보호해야 한다. 로봇은 서버를 인증하고 서버 역시 승인된 클라이언트를 인증해야 하며, 지도 패키지는 무단 변경으로부터 보호되어야 한다. 서명된 매니페스트(Signed Manifest)는 데이터 출처(Provenance)와 무결성을 확인하는 데 사용할 수 있다. 접근 정책(Access Policy)을 적용하면 인프라 배치도 또는 보안 구역과 같은 민감한 지도를 적절한 권한을 가진 로봇과 운영자에게만 제공할 수 있다.

지도 서비스가 핵심 군집 인프라가 될 수 있기 때문에 가용성(Availability) 역시 중요하다. 복제(Replication), 중복 스토리지(Redundant Storage), 상태 모니터링(Health Monitoring), 백업(Backup), 복구(Recovery) 메커니즘을 이용하면 하나의 서버 장애로 전체 지도 자산에 접근할 수 없게 되는 상황을 방지할 수 있다. 그럼에도 로봇 측 캐싱은 중요한 아키텍처 경계로 유지되어야 하며, 일시적인 서버 장애는 자율주행을 즉시 중단시키는 대신 지도 업데이트 기능만 제한하도록 설계해야 한다.

서버는 로봇 군집에서 지도 관련 텔레메트리(Map-Related Telemetry)를 수집할 수도 있다. 로봇은 활성 지도 버전, 위치추정 신뢰도(Localization Confidence), 재위치추정 실패(Failed Relocalization), 누락된 타일, 체크섬 오류 또는 관측된 환경 차이를 보고할 수 있다. 이러한 신호를 통합하면 운영자는 새롭게 릴리스된 지도가 정상적으로 작동하는지 판단하고 어떤 영역에 재매핑 또는 추가 검증이 필요한지를 확인할 수 있다.

제어된 단계적 배포(Controlled Rollout Strategy)는 배포 위험을 줄일 수 있다. 새로운 지도 버전을 먼저 소규모 검증 그룹에 할당하고 위치추정 및 주행 지표가 허용 가능한 수준을 유지하면 더 많은 로봇으로 확대할 수 있다. 오류가 증가하면 배포를 중단하고 영향을 받은 로봇을 이전 버전으로 되돌릴 수 있다. 이러한 접근 방식은 소프트웨어 릴리스 관리 원칙을 실제 운용 공간 데이터에 적용한 것이다.

지도 배포는 장기 지도 관리(Long-Term Map Management)와 밀접하게 관련되지만 서로 다른 역할을 수행한다. 장기 매핑은 환경 변화를 어떻게 검출하고 검증하며 반영하고 버전으로 관리할 것인지를 결정하고, 군집 배포는 승인된 표현을 실제 운용 로봇에 어떻게 전달할 것인지를 결정한다. 두 책임을 논리적으로 분리하면 환경에서 관측된 변화가 언제 실제 운용 주행 데이터가 되는지를 더욱 명확하게 제어할 수 있다.

이기종 로봇 군집(Heterogeneous Fleet)에서는 권위 있는 지도(Authoritative Map)를 하나의 범용 파일보다 구조화된 공간 데이터베이스(Structured Spatial Database)로 이해하는 것이 더 적절할 수 있다. 서로 다른 로봇은 동일한 기본 세계 모델(World Model)에서 생성된 서로 다른 표현을 제공받을 수 있다. AMR은 점유 격자와 의미론적 구역을 사용하고, 사족보행 로봇은 주행 가능성 정보(Traversability Information)를 사용하며, UAV는 3차원 구조와 고도 제약조건(Altitude Constraint)을 사용할 수 있다.

운용 모니터링(Operational Monitoring)은 군집 수준에서 지도 상태를 확인할 수 있도록 해야 한다. 운영자는 각 지도 버전을 어떤 로봇이 사용하고 있는지, 어떤 다운로드가 대기 중인지, 어떤 활성화가 실패했는지, 어떤 플랫폼이 사용 중단된 데이터를 이용하고 있는지를 파악할 수 있어야 한다. 지도 버전 상태(Map-Version State)는 소프트웨어 버전, 배터리 상태, 위치추정 품질, 임무 상태와 마찬가지로 군집 상태(Fleet Health)를 판단하는 중요한 운용 정보가 된다.

궁극적으로 지도 서버는 지도 생성(Map Creation)과 지도 사용(Map Consumption) 사이에 제어된 경계(Controlled Boundary)를 형성한다. 협력 SLAM은 공간 지식을 지속적으로 생성할 수 있지만 실제 운용 로봇에는 검증 가능하고 식별 가능하며 재현 가능하고 복구 가능한 지도 상태가 필요하다. 버전 관리, 무결성 검증, 선택적 배포, 로컬 캐싱, 호환성 검사, 롤백을 결합하면 매핑 결과를 관리 가능한 군집 인프라로 전환할 수 있다.

이러한 메커니즘이 통합되면 로봇 군집은 운용 안정성을 희생하지 않으면서 공유 공간 표현(Shared Spatial Representation)을 지속적으로 발전시킬 수 있다. 로봇은 상위 시스템으로 관측 정보와 지도 업데이트를 제공하고, 검증된 지도 버전은 중앙 또는 계층형 구조에서 관리되며, 각 플랫폼은 자신의 임무에 필요한 정보만 제공받는다. 그 결과 다중 로봇 매핑, 군집 위치추정(Fleet Localization), 주행(Navigation), 장기 자율 운용(Long-Term Autonomous Operation)을 하나의 확장 가능한 지도 수명주기로 연결할 수 있다.

09.07. Collaborative 3D Reconstruction Point Cloud Merging [w/Code]

협업형 3차원 재구성(Collaborative 3D Reconstruction)은 여러 로봇이 독립적으로 획득한 공간 관측 정보를 하나의 통합된 3차원 환경 표현으로 결합할 수 있도록 한다. 각 로봇은 자체 궤적을 따라 이동하면서 라이다 스캔(LiDAR Scan), 깊이 영상(Depth Image), 스테레오 측정(Stereo Measurement) 또는 기타 거리 데이터를 수집할 수 있다. 핵심 과제는 누적된 위치추정 오차가 재구성된 환경을 손상시키지 않도록 이러한 로컬 기준 관측 정보를 기하학적으로 일관된 공유 포인트 클라우드(Shared Point Cloud)로 변환하는 것이다.

단일 로봇은 자신의 이동 경로와 센서 시점에서 관측할 수 있는 영역만 재구성할 수 있다. 다중 로봇 운용(Multi-Robot Operation)은 서로 다른 플랫폼이 상호 보완적인 표면, 가려진 영역, 높은 위치의 구조물, 다른 로봇이 접근할 수 없는 영역을 관측할 수 있기 때문에 커버리지를 확장한다. AMR은 낮은 위치의 건물 기하 구조를 획득하고, 사족보행 로봇(Quadruped)이나 UAV는 서로 다른 높이에서 관측 정보를 제공할 수 있다. 따라서 협업형 재구성은 공간 커버리지와 시점 다양성(Viewpoint Diversity)을 동시에 향상시킨다.

각 로봇은 일반적으로 공유 재구성에 데이터를 제공하기 전에 로컬에서 일관된 포인트 클라우드(Point Cloud)를 생성한다. 원시 거리 측정값은 추정된 센서 자세를 이용하여 변환되고 키프레임(Keyframe) 또는 제한된 크기의 서브맵(Submap)으로 누적된다. 로컬 처리를 통해 유효하지 않은 측정값을 제거하고 센서 움직임을 보상하며 노이즈를 필터링하고 포인트 밀도를 감소시킬 수 있다. 이를 통해 협업 백엔드(Collaborative Backend)가 모든 참여 플랫폼에서 생성되는 모든 원시 측정값을 반복적으로 처리하는 것을 방지한다.

좌표 변환(Coordinate Transformation)은 포인트 클라우드 병합(Point-Cloud Merging)의 기본 요소다. 센서 프레임(Sensor Frame)에서 측정된 포인트는 먼저 보정된 센서 외부 파라미터(Sensor Extrinsic)를 이용하여 로봇 프레임(Robot Frame)으로 변환하고, 이후 추정된 자세를 이용하여 로컬 지도 프레임(Local Map Frame)으로 변환해야 한다. 로봇 지도 사이의 공간 관계가 결정되면 추가 변환을 통해 로컬 클라우드를 공유 전역 프레임(Shared Global Frame)에 배치한다. 어느 단계에서든 오차가 발생하면 표면 중복, 흐릿한 기하 구조 또는 구조적 정렬 오류로 직접 나타난다.

독립적으로 생성된 포인트 클라우드 사이의 초기 정렬(Initial Alignment)은 교차 로봇 루프 폐쇄(Cross-Robot Loop Closure), GNSS, 측량된 랜드마크(Surveyed Landmark), 기준 마커(Fiducial Marker), 의미론적 랜드마크(Semantic Landmark), 디스크립터 기반 장소 인식(Descriptor-Based Place Recognition)으로부터 얻을 수 있다. 초기 변환은 항상 밀리미터 수준의 정확도를 가질 필요는 없지만, 일반적으로 이후 정합 알고리즘(Registration Algorithm)의 수렴 범위 안에 중첩 기하 구조를 배치할 수 있어야 한다. 부정확한 초기화는 잘못된 로컬 해(Local Solution)로 수렴하게 만들 수 있다.

계산 비용이 높은 포인트 클라우드 정합을 수행하기 전에 중첩 검출(Overlap Detection)이 이루어져야 한다. 압축된 전역 디스크립터(Global Descriptor), 스캔 컨텍스트(Scan Context), 공간 메타데이터(Spatial Metadata), 대략적인 로봇 위치 또는 의미론적 정보를 이용하여 동일한 물리 공간을 공유할 가능성이 높은 서브맵을 식별할 수 있다. 이후 가능성이 높은 후보에 대해서만 상세한 기하학적 정합을 수행한다. 이러한 2단계 과정은 다수의 로봇이 장시간 임무 중 수천 개의 서브맵을 생성할 때 필수적이다.

포인트 클라우드 정합(Point-Cloud Registration)은 중첩된 관측 사이의 상대 변환(Relative Transformation)을 정밀하게 보정한다. 반복 최근접점(ICP, Iterative Closest Point)은 적절한 초기 추정값이 존재할 때 대응되는 포인트 또는 표면 사이의 기하학적 차이를 최소화하는 대표적인 방법이다. 점-평면 ICP(Point-to-Plane ICP)는 각각의 대응 관계를 독립적인 점-점 거리로 처리하는 대신 로컬 표면 법선(Local Surface Normal)에 대한 변위를 최소화하기 때문에 구조화된 환경에서 더욱 효율적으로 수렴할 수 있다.

일반화 ICP(Generalized ICP)는 로컬 표면 공분산(Local Surface Covariance)을 포함하여 구조화된 3차원 데이터의 기하학적 불확실성을 더욱 효과적으로 표현할 수 있다. 정규분포 변환(NDT, Normal Distributions Transform)은 공간 영역을 확률 분포로 표현하고 스캔을 이러한 연속적인 표현에 정렬한다. 적절한 정합 방법은 센서 밀도, 환경 기하 구조, 계산 자원, 초기 자세 정확도, 관측 사이의 중첩 정도에 따라 달라진다.

특징 기반 정합(Feature-Based Registration)은 직접적인 기하학적 정렬이 어려운 경우 더욱 강력한 초기값을 제공할 수 있다. 특징적인 3차원 키포인트(3D Keypoint)와 로컬 기하 디스크립터(Local Geometric Descriptor)를 이용하여 포인트 클라우드 사이의 후보 대응 관계를 생성할 수 있다. RANSAC(Random Sample Consensus)과 같은 강건 추정기(Robust Estimator)는 일관성이 없는 매칭을 제거하고 초기 강체 변환(Rigid Transformation)을 추정한다. 이후 조밀한 표면 기하 정보를 이용한 정밀 정합(Fine Registration)을 통해 초기 추정값을 더욱 정교하게 보정할 수 있다.

정합 알고리즘이 수렴했다는 이유만으로 결과를 승인해서는 안 되며 정합 품질(Registration Quality)을 평가해야 한다. 잔차 오차(Residual Error), 중첩 비율(Overlap Ratio), 인라이어 수(Inlier Count), 대응점 분포, 표면 법선 일관성(Surface-Normal Consistency), 변환 크기, 추정 불확실성 등을 이용하여 정렬의 신뢰성을 판단할 수 있다. 특히 복도, 기둥, 선반 또는 산업 구조물이 반복되는 환경에서는 수치적으로 작은 잔차를 갖더라도 잘못된 정합일 수 있다.

검증된 정합 결과는 하나의 클라우드를 영구적으로 변환하는 명령이 아니라 로봇 서브맵 사이의 공간 제약조건(Spatial Constraint)으로 처리하는 것이 적절하다. 이러한 관계를 포즈 그래프(Pose Graph)에 추가하면 전체 다중 로봇 궤적 네트워크를 일관되게 최적화할 수 있다. 이후 추가 관측으로 새로운 제약조건이 확보되면 누적된 위치추정 오차를 병합된 포인트 클라우드 기하 구조에 영구적으로 고정하는 대신 로봇 궤적 전체에 재분배할 수 있다.

로컬 기하 구조(Local Geometry)와 전역 자세(Global Pose)를 분리하는 것은 확장 가능한 재구성에서 중요하다. 각 서브맵은 내부적으로 일관된 포인트 클라우드를 자체 로컬 좌표계에 유지하고, 최적화기는 해당 서브맵의 전역 변환(Global Transformation)을 관리할 수 있다. 포즈 그래프 최적화로 지도 해(Map Solution)가 변경되면 원시 센서 스트림에서 모든 포인트를 다시 생성하지 않고 서브맵 변환만 갱신할 수 있다. 이를 통해 대규모 협업 지도를 효율적으로 보정할 수 있다.

변환된 포인트 클라우드를 단순히 연결하는 것만으로는 충분하지 않은 경우가 많다. 중첩된 관측에는 서로 다른 밀도의 중복 포인트, 측정 노이즈, 미세하게 다른 표면 위치 또는 센서별 아티팩트(Sensor-Specific Artifact)가 포함될 수 있다. 복셀 필터링(Voxel Filtering), 공간 평균화(Spatial Averaging), 확률적 융합(Probabilistic Fusion), 서펠 표현(Surfel Representation), 부호 거리 기반 방법(Signed-Distance Method)을 이용하면 지도 밀도를 제어하면서 중복 관측을 결합하고 유용한 기하 구조를 유지할 수 있다.

복셀화(Voxelization)는 공간을 제한된 크기의 셀로 분할하고 각 셀 내부에 존재하는 관측 정보를 요약한다. 이를 통해 여러 로봇이 동일한 영역을 반복적으로 스캔하더라도 메모리 증가를 제한할 수 있다. 응용 분야에 따라 하나의 복셀은 점유 상태(Occupancy), 대표 위치, 표면 법선, 관측 횟수, 신뢰도, 반사 강도(Intensity), 의미론적 라벨(Semantic Label), 시간 정보를 저장할 수 있다. 다중 해상도 복셀 구조(Multi-Resolution Voxel Structure)는 로컬의 세밀한 기하 정보를 유지하면서 먼 영역을 더욱 압축하여 표현할 수 있다.

서펠 기반 재구성(Surfel-Based Reconstruction)은 위치, 법선, 크기, 신뢰도를 포함하는 방향성을 가진 로컬 표면 요소로 환경을 표현한다. 서로 다른 로봇의 측정값은 단순히 새로운 포인트를 추가하는 대신 호환되는 서펠을 갱신할 수 있다. 이를 통해 반복적으로 관측된 영역에서 더욱 압축된 표면 표현을 생성하고 눈에 보이는 표면 중복을 줄일 수 있다. 신뢰도 가중치(Confidence Weighting)를 사용하면 고품질 측정값이 노이즈가 많거나 먼 거리에서 획득된 관측보다 재구성 표면에 더 강하게 영향을 줄 수 있다.

고밀도 표면 재구성(Dense Surface Reconstruction)이 필요한 경우 체적 융합(Volumetric Fusion)을 사용할 수 있다. 절단 부호 거리 함수(TSDF, Truncated Signed Distance Function)는 깊이 관측을 주변 표면까지의 거리를 표현하는 체적 필드(Volumetric Field)로 통합한다. 여러 로봇의 자세가 정렬된 이후 각각의 측정값을 동일한 볼륨에 반영할 수 있다. 이후 표면 기하 구조를 메시(Mesh) 형태로 추출하여 비정형 포인트 클라우드보다 연속적인 환경 표현을 생성할 수 있다.

센서 불확실성(Sensor Uncertainty)은 융합 과정에 반영되어야 한다. 라이다 거리 정확도는 측정 거리, 입사각(Incidence Angle), 표면 반사율, 환경 조건에 따라 달라질 수 있으며 스테레오 또는 깊이 카메라의 불확실성은 일반적으로 거리가 증가할수록 커진다. 모든 포인트를 동일한 신뢰도로 처리하면 재구성된 표면의 품질이 저하될 수 있다. 신뢰도 기반 융합(Confidence-Aware Fusion)은 추정된 측정 품질에 따라 가중치를 적용하고 반복적으로 확보된 고신뢰 관측을 이용하여 불확실한 기하 구조를 개선한다.

이기종 센서 융합(Heterogeneous Sensor Fusion)은 서로 다른 플랫폼이 매우 다른 특성의 포인트 클라우드를 생성할 수 있기 때문에 추가적인 주의가 필요하다. 회전형 라이다(Spinning LiDAR)는 희소하지만 정확한 장거리 기하 정보를 제공할 수 있고 RGB-D 카메라는 조밀한 단거리 측정값을 생성한다. UAV 사진측량(Photogrammetry)은 또 다른 밀도와 노이즈 특성을 가질 수 있다. 협업 재구성은 모든 측정값이 동일한 통계적 특성을 가진다고 가정하지 않고 센서 출처(Sensor Provenance)를 유지하며 적절한 불확실성 모델을 적용해야 한다.

캘리브레이션 정확도(Calibration Accuracy)는 병합된 기하 구조에 큰 영향을 미친다. 라이다-로봇, 카메라-로봇 또는 IMU 외부 파라미터의 작은 오차도 여러 로봇이 동일한 구조를 관측하면 체계적인 표면 오프셋(Surface Offset)으로 명확하게 나타날 수 있다. 시간 동기화(Time Synchronization) 오차도 이동 중인 플랫폼에서 유사한 왜곡을 발생시킬 수 있다. 따라서 정상적으로 정렬된 서브맵 사이에서 지속적인 불일치가 발생한다면 일반적인 SLAM 드리프트가 아니라 캘리브레이션 또는 시간 동기 문제일 가능성도 고려해야 한다.

가능한 경우 동적 객체(Dynamic Object)는 지속적인 기하 구조(Persistent Geometry)와 분리해야 한다. 사람, 차량, 팔레트, 문, 기계, 임시 장애물은 서로 다른 로봇이 동일한 장소를 방문할 때 위치가 달라질 수 있다. 이러한 관측을 구분 없이 융합하면 공유 재구성에 고스트 구조(Ghost Structure)와 상충하는 표면이 생성된다. 의미론적 필터링(Semantic Filtering), 움직임 검출(Motion Detection), 시간 기반 점유 통계(Temporal Occupancy Statistics), 일관성 분석을 이용하여 정적 지도에 적합하지 않은 측정값을 식별할 수 있다.

모든 관측을 하나의 영구적인 표면에 강제로 결합하는 대신 시간 정보(Temporal Information)를 유지할 수도 있다. 재구성 시스템은 안정적인 구조 계층(Stable Structural Layer)과 별도의 단기 또는 동적 계층을 유지할 수 있다. 장기간 반복적으로 확인된 관측은 지속성 신뢰도(Persistence Confidence)를 높이고 짧은 기간 동안만 관측된 기하 구조는 임시 상태로 유지할 수 있다. 이는 영구 구조와 운용 배치가 모두 변화하는 산업 환경의 장기 운용을 지원한다.

통신 제약조건(Communication Constraint)은 협업 포인트 클라우드의 교환 방식에 영향을 준다. 전체 원시 스캔을 지속적으로 전송하는 것은 일반적으로 비효율적이다. 로봇은 로컬 서브맵을 생성하고 기하 정보를 다운샘플링(Downsampling)하며 포인트 클라우드를 압축하고 상세 데이터를 전송하기 전에 디스크립터를 교환할 수 있다. 고해상도 기하 정보는 정합, 지도 완성, 검사 또는 특정 영역의 재구성에 필요한 경우에만 전송하여 군집 네트워크 트래픽을 크게 줄일 수 있다.

공간 타일링(Spatial Tiling)을 이용하면 분산 저장과 선택적 동기화(Selective Synchronization)가 가능하다. 대규모 전역 재구성을 공간 인덱스(Spatial Index)로 식별되는 타일, 복셀 또는 서브맵 영역으로 분할할 수 있다. 로봇은 자신의 궤적이나 임무와 관련된 영역만 업로드하거나 다운로드한다. 특정 영역이 변경되면 전체 3차원 지도를 다시 전송하지 않고 해당 부분만 갱신할 수 있어 대규모 시설과 야외 환경에서 확장성을 향상시킨다.

비동기 협업(Asynchronous Collaboration)을 통해 로봇은 서로 다른 시간에 재구성 데이터를 제공할 수 있다. 로봇은 통신이 끊어진 상태에서도 영역을 매핑하고 네트워크 연결이 복구된 이후 서브맵을 업로드할 수 있다. 백엔드는 새로운 관측을 기존 공간 데이터와 비교하고 중첩 영역을 발견하며 정렬을 추정한 후 검증된 기하 정보를 통합한다. 따라서 협업 재구성을 위해 모든 로봇이 동시에 운용되거나 지속적인 통신 연결을 유지할 필요는 없다.

서로 충돌하는 기하 정보(Conflicting Geometry)는 명시적으로 처리해야 한다. 위치추정이 정확한 두 관측이 크게 불일치하는 경우 시스템은 이를 자동으로 평균화해서는 안 된다. 이러한 차이는 환경 변화, 캘리브레이션 오류, 잘못된 정합 또는 위치추정 실패를 의미할 수 있다. 신뢰도 값, 시간 메타데이터, 로봇 식별 정보, 센서 출처를 이용하여 해당 기하 정보를 융합할 것인지, 대체 관측으로 유지할 것인지 또는 점검 대상으로 표시할 것인지를 판단할 수 있다.

재구성 규모가 증가할수록 지도 출처 정보(Map Provenance)의 중요성도 커진다. 각 서브맵 또는 융합 영역에는 해당 영역에 기여한 로봇, 센서, 타임스탬프, 캘리브레이션 상태, 원본 지도 버전 정보를 유지해야 한다. 아티팩트가 발견되면 운영자는 문제가 있는 기하 구조를 원본 데이터까지 추적할 수 있다. 또한 특정 센서의 고장이나 잘못된 캘리브레이션 기간에 생성된 데이터를 나중에 제거해야 할 경우 출처 정보를 이용하여 선택적으로 지도를 다시 구성할 수 있다.

확장성(Scalability)을 확보하려면 포인트 수와 최적화 복잡도를 모두 제어해야 한다. 모든 로봇에서 생성된 모든 관측을 반복적으로 저장하면 메모리와 처리 요구량이 제한 없이 증가한다. 다운샘플링, 서브맵 생성, 계층형 공간 인덱싱(Hierarchical Spatial Indexing), 키프레임 선택(Keyframe Selection), 그래프 희소화(Graph Sparsification), 다중 해상도 표현(Multi-Resolution Representation)을 이용하면 위치추정, 경로 계획, 검사, 시각화에 필요한 충분한 기하 정보를 유지하면서 중복 데이터를 줄일 수 있다.

필요한 재구성 해상도(Reconstruction Resolution)는 응용 목적에 따라 결정되어야 한다. 군집 위치추정(Fleet Localization)은 극도로 조밀한 표면보다 안정적인 구조적 특징을 필요로 할 수 있지만 치수 검사(Dimensional Inspection) 또는 디지털 트윈(Digital Twin) 생성에는 훨씬 정밀한 기하 정보가 필요할 수 있다. 여러 세부 수준(Level of Detail)을 유지하면 모든 로봇이 최고 해상도의 표현을 처리하지 않더라도 동일한 협업 매핑 시스템이 서로 다른 사용자와 응용 분야를 지원할 수 있다.

품질 평가(Quality Assessment)는 시각적인 외형만으로 판단해서는 안 된다. 재구성 정확도는 정합 잔차, 표면 일관성(Surface Consistency), 지도 완전성(Map Completeness), 포인트 밀도, 불확실성, 루프 폐쇄 일관성, 가능한 경우 측량 기준(Surveyed Reference)과의 비교를 이용하여 평가할 수 있다. 커버리지 지표(Coverage Metric)는 충분히 관측되지 않은 영역을 식별하고, 불일치 지도(Disagreement Map)는 로봇 사이에서 서로 다른 기하 정보를 생성하는 영역과 추가 관측이 필요한 위치를 나타낼 수 있다.

협업 재구성은 향후 매핑 작업을 능동적으로 유도할 수도 있다. 공유 지도에서 누락된 표면, 높은 불확실성을 가진 영역 또는 충분히 관측되지 않은 구조를 식별하면 로봇 군집은 상호 보완적인 시점을 확보하도록 임무를 할당할 수 있다. AMR은 접근 가능한 지상 영역을 다시 관측하고 UAV는 높은 구조물을 관측할 수 있다. 이를 통해 현재 재구성 결과가 추가 센싱이 필요한 위치를 결정하는 반복적인 매핑 과정(Iterative Mapping Process)을 구성할 수 있다.

산업용 로봇 군집에서 병합된 3차원 지도(Merged 3D Map)는 위치추정, 주행, 장애물 이해, 검사, 시설 모니터링, 시뮬레이션, 디지털 트윈 응용을 지원할 수 있다. 서로 다른 로봇은 상호 보완적인 관측 정보를 제공하고 공유 최적화(Shared Optimization)는 공간적 일관성을 유지한다. 결과적인 재구성은 단순한 시각화 결과를 넘어 다양한 자율주행 및 운용 기능을 지원하는 지속적인 기하학적 자원(Persistent Geometric Resource)이 된다.

따라서 협업형 3차원 재구성(Collaborative 3D Reconstruction)은 단순히 여러 포인트 파일을 결합하는 것 이상의 과정을 필요로 한다. 신뢰성 높은 운용을 위해서는 정확한 캘리브레이션, 중첩 검출, 강건한 정합(Robust Registration), 포즈 그래프 최적화, 불확실성을 고려한 융합(Uncertainty-Aware Fusion), 동적 객체 처리, 확장 가능한 공간 저장, 통신 효율적인 동기화, 데이터 출처 관리가 필요하다. 각 단계는 로컬 측정 오차가 공유 표현의 영구적인 결함으로 변하는 것을 방지한다.

이러한 메커니즘이 통합되면 독립적으로 수집된 포인트 클라우드는 일관되고 지속적으로 유지관리할 수 있는 3차원 모델로 발전할 수 있다. 각 로봇은 환경의 일부만 관측하지만 검증된 공간 관계를 통해 서로의 관측 정보를 강화할 수 있다. 로봇 군집은 집단적으로 커버리지를 확장하고 드리프트를 보정하며 표면 신뢰도를 향상시키고, 시간이 지남에 따라 관측 정보가 축적될수록 더욱 유용해지는 공유 기하 표현(Shared Geometric Representation)을 유지할 수 있다.

09.08. Map Conflict Resolution Under Dynamic Changes [w/Code]

지도 충돌 해결(Map Conflict Resolution)은 여러 로봇이 하나의 정적인 지도(Static Map)로 일관되게 표현할 수 없는 공간 정보를 보고하는 상황을 처리한다. 하나의 로봇은 다른 로봇이 장애물이 있다고 보고한 위치를 자유 공간(Free Space)으로 관측할 수 있으며, 독립적으로 생성된 서브맵(Submap)은 서로 다른 위치에 구조물을 포함할 수도 있다. 이러한 충돌은 실제 환경 변화, 동적 객체(Dynamic Object), 위치추정 드리프트(Localization Drift), 정합 오류(Registration Error), 캘리브레이션 문제 또는 서로 다른 시점에 수집된 관측으로 인해 발생할 수 있다.

동적 환경(Dynamic Environment)은 충돌 해결을 일반적인 지도 병합(Map Merging)과 근본적으로 다른 문제로 만든다. 정적인 환경에서는 불일치를 일반적으로 최소화해야 하는 추정 오차(Estimation Error)로 취급한다. 그러나 변화하는 환경에서는 서로 모순되는 두 관측이 각각의 관측 시점에서는 모두 정확할 수 있다. 따라서 강건한 다중 로봇 매핑(Multi-Robot Mapping) 시스템은 불일치가 오류인지, 일시적인 움직임인지, 또는 물리적 환경의 지속적인 변화를 의미하는지 판단해야 한다.

따라서 시간(Time)은 지도 해석(Map Interpretation)의 필수적인 차원이 된다. 모든 관측, 서브맵, 의미론적 객체(Semantic Object), 점유 상태 업데이트(Occupancy Update)는 해당 정보가 언제 유효했는지를 나타내는 타임스탬프(Timestamp) 또는 시간 구간(Temporal Interval)을 유지해야 한다. 시간 메타데이터(Temporal Metadata)가 없으면 최근 설치된 구조물과 오래된 기하 정보를 구분하거나 서로 충돌하는 관측이 동시에 획득되었는지 수개월의 차이를 두고 획득되었는지를 판단할 수 없다. 시간적 맥락(Temporal Context)은 정적인 지도를 유지관리 가능한 공간 이력(Spatial History)으로 전환한다.

충돌은 해결하기 전에 먼저 검출되어야 한다. 점유 상태 불일치(Occupancy Disagreement), 표면 변위(Surface Displacement), 일관되지 않은 랜드마크(Landmark), 상충하는 의미론적 라벨(Semantic Label), 정합 잔차(Registration Residual), 예상하지 못한 주행 가능성(Traversability)의 변화는 두 지도 관측이 서로 호환되지 않음을 나타낼 수 있다. 검출 임계값(Detection Threshold)은 센서 정확도와 지도 해상도를 반영해야 하며, 일반적인 측정 노이즈가 의미 있는 환경 변화로 잘못 분류되지 않도록 해야 한다.

공간적 신뢰도(Spatial Confidence)는 충돌 검출과 함께 고려되어야 한다. 가까운 거리에서 반복적으로 관측된 라이다(LiDAR) 표면은 센서 측정 한계 부근에서 획득한 희소한 깊이 측정보다 신뢰성이 높을 수 있다. 마찬가지로 여러 로봇과 독립적인 시점으로 확인된 지도 영역은 하나의 불확실한 관측만을 기반으로 한 영역보다 높은 신뢰도를 가져야 한다. 따라서 충돌 해결은 단순한 다수결(Majority Voting)이 아니라 측정 품질, 관측 횟수, 기하 구조, 센서 불확실성을 함께 고려해야 한다.

데이터 출처(Data Provenance)는 또 다른 중요한 판단 근거를 제공한다. 매핑 시스템은 논쟁이 발생한 각 관측을 어떤 로봇, 센서, 소프트웨어 구성, 캘리브레이션 상태(Calibration State), 위치추정 결과가 생성했는지 확인할 수 있어야 한다. 특정 플랫폼에서 충돌이 반복적으로 발생한다면 원인은 환경 변화가 아니라 센서 오보정(Sensor Miscalibration)이나 위치추정 성능 저하일 수 있다. 출처 정보를 이용하면 군집 전체의 정상적인 관측을 폐기하지 않고 의심스러운 데이터만 격리할 수 있다.

환경이 변화했다고 판단하기 전에 시스템은 좌표 일관성(Coordinate Consistency)을 검증해야 한다. 이동된 벽이나 중복된 구조는 실제 물리적 변화가 아니라 잘못된 지도 간 변환(Map-to-Map Transformation)으로 인해 발생할 수 있다. 중첩 서브맵의 재정합(Re-Registration), 포즈 그래프 일관성 검사(Pose Graph Consistency Check), 루프 폐쇄 검증(Loop-Closure Verification), 주변 구조물 검사를 통해 공간 정렬을 보정한 이후 불일치가 사라지는지 확인할 수 있다.

위치추정 불확실성(Localization Uncertainty) 역시 고려해야 한다. 로봇이 특징이 부족한 복도, 넓은 야외 공간, 반사가 심한 환경 또는 GNSS 성능이 저하된 영역에서 운용되는 경우 상당한 자세 오차(Pose Error)가 누적될 수 있다. 이러한 로봇의 관측이 충분히 검증된 지도와 충돌한다면 공유 환경 표현을 즉시 변경하기보다 먼저 로봇의 궤적을 평가해야 한다. 따라서 지도 신뢰도(Map Confidence)와 위치추정 신뢰도(Localization Confidence)를 함께 평가해야 한다.

캘리브레이션 오류(Calibration Error)는 구조적 변화처럼 보이는 체계적인 지도 충돌을 생성할 수 있다. 잘못된 라이다 외부 파라미터(LiDAR Extrinsic), 카메라 캘리브레이션(Camera Calibration), 휠 파라미터(Wheel Parameter), 센서 시간 동기화(Sensor Timing)는 관측을 일관되게 이동시키거나 왜곡할 수 있다. 여러 위치에서 특정 로봇이나 센서와 연관된 불일치가 지속적으로 나타난다면 매핑 백엔드(Mapping Backend)는 환경 변화보다 캘리브레이션 또는 동기화 문제를 먼저 의심해야 한다. 이러한 오류를 진단하지 않고 전역 지도를 갱신하면 손상된 기하 정보가 로봇 군집 전체로 전파될 수 있다.

동적 객체(Dynamic Object)는 단기적인 지도 충돌의 가장 일반적인 원인이다. 사람, 지게차, 차량, 팔레트, 카트, 이동식 선반, 문, 장비 등은 특정 위치를 일시적으로 점유했다가 이후 사라질 수 있다. 이러한 관측이 지속적인 구조 지도(Persistent Structural Map)를 즉시 변경해서는 안 된다. 의미론적 분류(Semantic Classification), 움직임 추적(Motion Tracking), 반복 관측, 시간 기반 점유 통계(Temporal Occupancy Statistics)를 이용하여 일시적인 객체와 안정적인 환경 기하 구조를 구분할 수 있다.

효과적인 아키텍처는 지도 정보를 시간적 지속성(Temporal Persistence)에 따라 분리한다. 정적 또는 구조 계층(Static or Structural Layer)은 벽, 기둥, 영구 설비와 같은 장기적으로 유지되는 기하 정보를 포함한다. 동적 계층(Dynamic Layer)은 움직이는 객체와 빠르게 변화하는 점유 상태를 표현하고, 임시 또는 운용 계층(Temporary or Operational Layer)은 팔레트, 이동식 장비, 공사 차단물처럼 개별 동적 객체보다 오래 지속되지만 아직 영구 구조로 간주해서는 안 되는 요소를 표현할 수 있다.

이러한 계층형 표현(Layered Representation)은 검출되는 모든 변화가 전체 지도 개정을 발생시키는 것을 방지한다. 주행 시스템은 장기적인 위치추정을 위해 구조 지도를 사용할 수 있으며 장애물 인지(Obstacle Perception)는 즉각적인 동적 상황을 처리한다. 임시 지도 계층은 안정적인 위치추정 랜드마크(Localization Landmark)를 오염시키지 않으면서 경로 계획(Route Planning)에 영향을 줄 수 있다. 충분한 시간 동안 반복적으로 일관되게 관측된 변화만 지속 지도(Persistent Map)로 승격한다.

지속성 추정(Persistence Estimation)은 반복적인 증거를 기반으로 수행할 수 있다. 여러 로봇이 서로 다른 시간과 시점에서 동일한 새로운 구조물을 독립적으로 관측하면 해당 변화가 실제일 가능성이 높아진다. 반대로 한 번만 검출되고 이후 관측에서는 사라진 객체는 지속성 신뢰도(Persistence Confidence)가 감소해야 한다. 시간 감쇠 모델(Temporal Decay Model)은 오래된 관측의 영향력을 점진적으로 줄이고 반복적으로 확인되는 새로운 기하 정보의 신뢰도를 높일 수 있다.

그러나 지속적인 차이가 발견되었다고 해서 이를 자동으로 승인해서는 안 된다. 여러 로봇이 새로운 벽을 관측했더라도 모든 로봇이 동일하게 잘못된 기준 정보를 사용한다면 공통 위치추정 오류(Shared Localization Failure)일 수 있다. 따라서 독립적인 증거(Independent Evidence)가 중요하다. 서로 다른 센서, 궤적, 위치추정 방식 또는 외부 기준으로부터 얻은 관측은 동일한 오류 원인에서 발생한 반복 측정보다 더 강한 근거를 제공한다.

지도 충돌은 즉시 해결하지 않고 명시적으로 표현할 수도 있다. 충돌이 발생한 공간 영역은 서로 다른 기하 구조나 점유 상태를 나타내는 여러 가설(Multiple Hypotheses)을 유지할 수 있다. 각 가설에는 신뢰도, 타임스탬프, 출처 정보, 이를 지지하는 관측을 저장할 수 있다. 이후 추가적인 로봇 방문을 통해 어느 가설이 올바른지를 판단할 수 있다. 이를 통해 사용 가능한 정보가 충분하지 않은 상황에서 되돌릴 수 없는 결정을 내리는 것을 방지한다.

확률적 표현(Probabilistic Representation)은 불확실한 충돌을 자연스럽게 처리할 수 있다. 점유 확률(Occupancy Probability), 신뢰도 가중 복셀(Confidence-Weighted Voxel), 확률적 랜드마크(Probabilistic Landmark), 베이지안 상태 추정(Bayesian State Estimation)을 사용하면 새로운 측정값에 따라 신뢰도를 점진적으로 갱신할 수 있다. 하나의 상충하는 관측만으로 충분히 검증된 구조를 삭제할 필요가 없으며, 반복적으로 일관된 증거가 축적되면 확률을 새로운 상태 방향으로 점진적으로 이동시킬 수 있다.

의미론적 충돌(Semantic Conflict)도 유사한 방식으로 처리해야 한다. 두 로봇은 시점, 가림(Occlusion), 조명 또는 모델 불확실성으로 인해 동일한 영역을 서로 다르게 분류할 수 있다. 하나의 라벨을 다른 라벨로 즉시 덮어쓰는 대신 시스템은 클래스 확률(Class Probability)과 이를 지지하는 관측을 유지할 수 있다. 문과 출입 제한 장벽처럼 의미론적 식별이 운용상 중요한 경우 지속적인 불일치는 추가 센싱이나 사람의 검토를 요청하는 조건이 될 수 있다.

변화 검출(Change Detection)은 기하학적 변화(Geometric Change)와 접근 가능성 변화(Accessibility Change)를 구분해야 한다. 물리적 구조는 그대로 유지되더라도 운용 상태는 변할 수 있다. 문이 닫히거나 복도가 일시적으로 차단되거나 특정 구역이 군집 정책에 따라 제한될 수 있다. 이러한 상태는 기본 기하 지도를 변경하기보다 주행 계층(Navigation Layer) 또는 의미론적 계층(Semantic Layer)을 갱신하는 것이 적절한 경우가 많다. 물리적 기하 구조와 운용 상태를 분리하면 불필요한 지도 재구성을 줄일 수 있다.

따라서 충돌 해결은 서로 다른 시간 척도(Timescale)를 사용할 수 있다. 밀리초에서 수 초 동안 지속되는 변화는 주로 인지(Perception)와 충돌 회피(Collision Avoidance)에서 처리해야 한다. 수 분 또는 수 시간 지속되는 변화는 로컬 비용 지도(Local Cost Map)와 군집 경로 계획(Fleet Routing)에 영향을 줄 수 있다. 수일 이상 지속되는 변화는 유지관리되는 전역 지도(Global Map)의 갱신을 정당화할 수 있다. 구체적인 임계값은 응용 분야에 따라 달라지지만 이러한 아키텍처적 분리를 통해 단기적인 이벤트가 영구적인 지도 오류가 되는 것을 방지할 수 있다.

다중 로봇 증거(Multi-Robot Evidence)는 단일 플랫폼보다 강력한 변화 검증을 가능하게 한다. 하나의 로봇이 충돌을 보고하면 시스템은 인접한 로봇에 추가 관측을 요청하거나 검증 임무(Verification Mission)를 할당할 수 있다. 다른 시점에서 접근한 두 번째 플랫폼은 해당 차이가 가림, 센서 오류 또는 실제 환경 변화로 인한 것인지 판단하는 데 도움을 줄 수 있다. 협업 검증(Collaborative Verification)은 군집의 중복성을 지도 품질 보증(Map-Quality Assurance) 수단으로 전환한다.

능동 검증(Active Verification)은 영향도가 높은 충돌에서 특히 유용하다. 도킹 스테이션(Docking Station), 좁은 통로, 비상 경로(Emergency Route), 위치추정에 중요한 랜드마크 주변에서 의심되는 변화는 즉각적인 점검이 필요할 수 있다. 매핑 백엔드는 운용 위험도와 불확실성을 기준으로 이러한 영역의 우선순위를 결정할 수 있다. 해당 영역 근처에 있는 로봇에 추가 관측을 요청하면 별도의 수동 재매핑 작업 없이 검증 데이터를 확보할 수 있다.

변화가 승인되면 기존 정보를 조용히 덮어쓰는 대신 변경 이력(History)을 보존해야 한다. 새로운 지도 버전(Map Version)은 어떤 영역이 변경되었는지, 변경이 언제 검출되었는지, 어떤 관측이 이를 지지했는지, 어떤 이전 상태를 대체했는지를 기록할 수 있다. 버전 기반 업데이트(Versioned Update)를 통해 운영자는 과거 환경 상태를 재구성하고 이후의 증거에서 갱신이 잘못된 것으로 확인될 경우 변경 내용을 롤백(Rollback)할 수 있다.

변화가 특정 영역에 국한되는 경우 전체 지도를 다시 생성하는 것보다 영역 기반 업데이트(Regional Update)가 적합하다. 공간 타일링(Spatial Tiling) 또는 서브맵 기반 저장(Submap-Based Storage)을 사용하면 영향을 받은 영역만 독립적으로 교체하거나 재최적화하거나 재융합할 수 있다. 인접 영역의 경계는 기하학적으로 일관성을 유지해야 하지만 변경되지 않은 영역까지 다시 전송하거나 계산할 필요는 없다. 이러한 접근 방식은 장기간의 군집 운용에서 처리량, 저장 공간, 통신 요구량을 줄인다.

포즈 그래프 최적화(Pose Graph Optimization)는 지도 변화 관리(Map Change Management)와 연계되어야 한다. 기하학적 불일치는 궤적 최적화 이후 사라질 수 있지만 실제 구조 변화는 정렬을 보정한 이후에도 남아 있어야 한다. 따라서 시스템은 자세 불확실성(Pose Uncertainty)이 충분히 해소되기 전에 충돌하는 기하 정보를 영구적으로 융합하지 않아야 한다. 최적화와 변화 검출은 독립된 파이프라인으로 동작하기보다 신뢰도 정보를 서로 교환해야 한다.

변화한 환경에서 발생하는 루프 폐쇄(Loop Closure)는 특별한 주의가 필요하다. 장소 인식(Place Recognition) 시스템은 장면 일부가 변경되었더라도 현재 관측을 오래된 지도와 매칭할 수 있다. 안정적인 랜드마크는 여전히 유효한 위치추정 제약조건을 제공할 수 있지만 변화된 기하 구조까지 강제로 일치시켜서는 안 된다. 강건 정합(Robust Registration)은 지속적인 구조물을 이용하면서 동적 또는 변화된 영역으로 식별된 부분을 제외할 수 있다.

장기 지도 유지관리(Long-Term Map Maintenance)에서는 관측 데이터 저장(Observation Storage)과 권위 있는 지도 상태(Authoritative Map State)를 분리하는 것이 유리하다. 운용 지도에서 하나의 해석을 선택한 이후에도 원시 또는 처리된 증거를 유지할 수 있다. 미래의 관측이 기존 해석에 의문을 제기하면 이전 증거를 다시 검토할 수 있다. 이러한 아키텍처는 과거의 의사결정 근거를 잃지 않으면서 유지관리 지도를 지속적으로 발전시킬 수 있도록 한다.

통신 제약조건(Communication Constraint)은 충돌 정보를 로봇 군집에 전파하는 방식에도 영향을 준다. 불일치가 검출될 때마다 로봇이 전체 지도를 교환할 필요는 없다. 충돌 메시지(Conflict Message)는 영향을 받은 공간 영역, 지도 버전, 신뢰도, 타임스탬프, 필요한 증거를 식별할 수 있다. 이후 관련 관측을 보유한 로봇에서만 상세 서브맵 또는 포인트 클라우드를 요청하여 불필요한 네트워크 트래픽을 줄일 수 있다.

군집 동기화(Fleet Synchronization)는 로봇들이 서로 호환되지 않는 지도 상태를 인식하지 못한 채 운용되는 상황을 방지해야 한다. 승인된 충돌 해결 결과로 새로운 지도 버전이 생성되면 지도 서버(Map Server)는 갱신된 타일이나 서브맵을 배포하면서 어떤 로봇이 이를 활성화했는지 추적할 수 있다. 이전 버전을 계속 사용하는 로봇에는 명확한 버전 식별자를 유지하여 관측과 경로 계획 결과를 올바른 공간 상태를 기준으로 해석할 수 있도록 해야 한다.

안전 중요 지도 정보(Safety-Critical Map Information)는 보수적인 갱신 정책(Conservative Update Policy)을 따라야 한다. 지속 지도에서 장애물을 제거하는 것은 주행 계층에 잠재적인 장애물을 임시로 추가하는 것보다 일반적으로 더 강한 증거를 요구한다. 불확실성이 존재하는 경우 추가 관측을 통해 변화가 확인될 때까지 경로 계획은 안전한 해석을 우선해야 한다. 따라서 지도 충돌 해결은 통계적 가능성뿐만 아니라 잘못된 판단이 초래할 운용상의 결과도 고려해야 한다.

드물거나 결과의 영향이 큰 충돌에서는 사람의 검토(Human Review)가 여전히 유용할 수 있다. 자율적인 방법으로 일반적인 동적 변화를 해결할 수 있지만 안전 구역, 도킹 인프라, 시설 경계 또는 임무 핵심 랜드마크에 영향을 주는 구조적 변경은 운영자의 승인이 필요할 수 있다. 시스템은 충돌 영역, 이를 지지하는 관측, 신뢰도, 제안된 업데이트를 제시하여 사람의 개입이 일반적인 지도 작업 절차가 아니라 필요한 경우에만 집중적으로 이루어지도록 해야 한다.

지도 충돌 해결은 진단 정보(Diagnostic Information)도 생성해야 한다. 특정 영역에서 반복적으로 발생하는 충돌은 환경 자체가 불안정하다는 것을 의미할 수 있으며, 특정 로봇과 지속적으로 연관되는 충돌은 하드웨어 또는 캘리브레이션 문제를 나타낼 수 있다. 따라서 충돌 발생 빈도, 공간적 분포, 해결 시간, 데이터 출처를 모니터링하면 지도 유지관리뿐만 아니라 군집 상태 관리(Fleet Health Management)에도 활용할 수 있다.

산업용 AMR 군집에서 동적 충돌 관리(Dynamic Conflict Management)는 공유 지도가 오래된 상태가 되지 않으면서도 안정성을 유지할 수 있도록 한다. 생산 설비 배치, 팔레트, 장비, 임시 차단물, 교통 패턴은 자주 변경될 수 있지만 구조적인 기하 정보는 상대적으로 천천히 변화한다. 이러한 시간 척도를 분리하면 지속적인 구조적 특징을 이용하여 안정적인 위치추정을 수행하면서 주행 및 경로 계획 계층은 운용 환경 변화에 빠르게 대응할 수 있다.

목표는 불일치를 즉시 제거하는 것이 아니라 올바르게 해석하는 것이다. 일부 충돌은 센서 노이즈이고 일부는 위치추정 오류이며, 일부는 일시적인 객체를 나타내고 또 다른 일부는 실제 장기적인 환경 변화를 의미한다. 강건한 시스템은 권위 있는 공유 지도를 변경하기 전에 이러한 경우를 구분할 수 있도록 충분한 공간적, 시간적, 확률적, 출처 정보를 유지해야 한다.

시간적 추론(Temporal Reasoning), 불확실성 모델링(Uncertainty Modeling), 데이터 출처 관리, 협업 검증, 계층형 매핑(Layered Mapping), 버전 관리(Version Control), 안전한 갱신 정책(Safe Update Policy)을 결합하면 전역 일관성을 손상시키지 않으면서 동적 변화를 지도에 반영할 수 있다. 공유 지도는 고정된 순간의 스냅샷(Frozen Snapshot)이 아니라 지속적으로 유지관리되는 표현으로 발전하며, 다중 로봇 군집이 변화하는 환경에 적응하면서도 신뢰성 높은 위치추정, 주행, 장기 공간 지식(Long-Term Spatial Knowledge)을 유지할 수 있도록 한다.

09.09. Multi Robot Mapping Communication Protocol Design

통신 프로토콜 설계(Communication Protocol Design)는 공유 지도(Shared Map)가 센싱과 SLAM 정확도뿐만 아니라 공간 정보가 로봇 사이에서 어떻게 전달되는지에 의존하기 때문에 다중 로봇 매핑(Multi-Robot Mapping)의 핵심 요소다. 실제적인 프로토콜은 제한된 대역폭(Bandwidth), 가변적인 지연시간(Latency), 패킷 손실(Packet Loss), 간헐적인 연결(Intermittent Connectivity) 환경에서도 자세(Pose), 디스크립터(Descriptor), 서브맵(Submap), 루프 폐쇄 후보(Loop-Closure Candidate), 지도 업데이트(Map Update), 신뢰도 정보를 교환할 수 있어야 한다.

프로토콜은 먼저 정보를 운용 목적(Operational Purpose)에 따라 구분해야 한다. 고주파 위치추정 데이터(High-Frequency Localization Data), 중간 주기의 지도 업데이트, 이벤트 기반 루프 폐쇄 메시지(Event-Driven Loop-Closure Message), 저주파 대용량 서브맵 전송은 서로 다른 시간 및 신뢰성 요구사항을 가진다. 모든 매핑 트래픽을 동일하게 처리하면 네트워크 자원을 낭비하고 대용량 포인트 클라우드(Point Cloud) 전송이 즉각적인 협업에 필요한 정보를 방해할 수 있다.

메시지 설계(Message Design)는 명확하고 안정적인 데이터 스키마(Data Schema)를 사용해야 한다. 모든 매핑 메시지는 메시지 유형, 로봇 식별자(Robot Identifier), 타임스탬프(Timestamp), 좌표 프레임(Coordinate Frame), 지도 버전(Map Version), 시퀀스 번호(Sequence Number), 페이로드 형식(Payload Format), 관련 신뢰도 또는 불확실성 정보를 식별할 수 있어야 한다. 이러한 필드를 통해 수신 로봇은 정보의 출처, 생성 시점, 해석 방법, 현재 지도 상태와의 호환성을 판단할 수 있다.

로봇 식별 정보(Robot Identity)는 매핑 시스템 전체에서 전역적으로 고유해야 한다. 자세 노드(Pose Node), 키프레임(Keyframe), 서브맵, 랜드마크(Landmark), 관측 정보는 여러 로봇이 연결되지 않은 상태에서 독립적으로 데이터를 생성하더라도 모호하지 않은 식별자를 사용해야 한다. 로봇 식별자와 로컬 시퀀스 식별자 또는 범용 고유 식별자(Universally Unique Identifier)를 결합하면 독립적으로 생성된 그래프 구성요소를 나중에 병합할 때 식별자 충돌을 방지할 수 있다.

공간 측정값은 시간적 관계가 명확할 때 의미가 있으므로 시간 동기화(Time Synchronization)가 필수적이다. 요구되는 정확도와 사용 가능한 인프라에 따라 로봇은 PTP(Precision Time Protocol), GNSS 시간, NTP(Network Time Protocol) 또는 로컬 동기화 시계를 사용할 수 있다. 네트워크 지연은 크게 달라질 수 있고 실제 센서 관측 시점을 나타내지 않으므로 프로토콜은 단순한 전송 시간이 아니라 데이터 획득 타임스탬프(Acquisition Timestamp)를 전달해야 한다.

공간 데이터에는 좌표 프레임 정보(Coordinate-Frame Information)가 함께 전달되어야 한다. 좌표 프레임이 명확하게 정의되지 않은 포인트 클라우드나 상대 자세(Relative Pose)는 기하학적으로 정확하더라도 실제 운용에 사용할 수 없다. 메시지는 데이터가 센서(Sensor), 베이스(Base), 오도메트리(Odometry), 로컬 지도(Local Map), 전역 지도(Global Map), 지리 참조(Georeferenced) 좌표 중 어느 좌표계로 표현되었는지를 식별해야 한다. 수신 시스템이 의도된 공간 관계를 재현할 수 있도록 변환 관계와 캘리브레이션 버전(Calibration Version)도 제공되어야 한다.

서로 다른 메시지 클래스(Message Class)에는 서로 다른 서비스 품질(QoS, Quality of Service) 정책이 필요하다. 지도 버전 공지(Map-Version Announcement)나 검증된 루프 폐쇄 제약조건은 신뢰성 높은 전달이 필요할 수 있지만 고주파 시각화 샘플은 일부 손실을 허용할 수 있다. 대용량 포인트 클라우드 조각은 지연시간보다 처리량(Throughput)을 우선할 수 있다. 각 데이터 유형의 의미에 맞게 신뢰성, 순서 보장(Ordering), 지속성(Durability), 마감시간(Deadline)을 설정하면 불필요한 재전송을 방지하고 네트워크 효율을 향상시킬 수 있다.

대역폭을 고려한 통신(Bandwidth-Aware Communication)은 상세한 기하 정보를 전송하기 전에 압축된 정보를 먼저 교환해야 한다. 로봇은 초기 단계에서 장소 디스크립터(Place Descriptor), 서브맵 요약(Submap Summary), 경계 영역(Bounding Region), 의미론적 시그니처(Semantic Signature), 공간 해시(Spatial Hash)를 전송할 수 있다. 다른 로봇이나 매핑 서버가 중첩 가능성을 발견하면 해당 키프레임, 포인트 클라우드 또는 상세 서브맵을 요청할 수 있다. 이러한 디스크립터 우선 전략(Descriptor-First Strategy)은 유용한 교차 로봇 제약조건을 제공하지 않는 대용량 데이터의 불필요한 배포를 방지한다.

따라서 발행-구독(Publish-Subscribe) 통신과 함께 요청-응답(Request-Response) 메커니즘을 사용하는 것이 효과적이다. 발행-구독 방식은 반복되는 상태 정보와 이벤트 알림을 효율적으로 배포하고, 요청-응답 방식은 전송 비용이 큰 데이터를 선택적으로 가져오는 데 적합하다. 로봇은 새로운 서브맵이 생성되었다는 사실만 발행하고 다른 참여자가 요청한 경우에만 전체 기하 정보를 전송할 수 있다. 두 가지 상호작용 방식을 결합하면 더욱 확장 가능한 매핑 프로토콜을 구성할 수 있다.

대용량 페이로드(Large Payload)는 분할(Fragmentation)과 재조립(Reassembly)을 지원해야 한다. 조밀한 포인트 클라우드, 영상, 메시(Mesh), 서브맵은 실제 네트워크 패킷 크기를 초과할 수 있으므로 청크 단위 전송(Chunked Transfer)이 필요할 수 있다. 각 조각은 상위 객체, 조각 인덱스(Fragment Index), 전체 조각 수, 버전, 무결성 정보를 식별할 수 있어야 한다. 이를 통해 누락된 조각만 선택적으로 재전송하고 전체 지도 객체를 처음부터 다시 전송하는 상황을 방지할 수 있다.

압축(Compression)은 통신 비용을 감소시키는 데 중요하다. 포인트 클라우드는 복셀화(Voxelization), 양자화(Quantization), 기하 압축(Geometry Compression)을 사용할 수 있으며 영상에는 적절한 압축 형식을 적용하고 점유 격자(Occupancy Grid)는 희소 표현(Sparse Representation) 또는 런 길이 표현(Run-Length Representation)을 사용할 수 있다. 지나친 손실 압축(Lossy Compression)은 정합이나 위치추정에 필요한 기하학적 세부 정보를 제거할 수 있으므로 압축 방법은 데이터를 사용하는 후속 작업에 맞게 선택해야 한다.

지도 통신은 전체 스냅샷(Full Snapshot)과 증분 업데이트(Incremental Update)를 구분해야 한다. 전체 스냅샷은 알려진 복구 상태(Recovery State)를 제공하고 증분 메시지는 변경된 자세, 타일(Tile), 랜드마크 또는 그래프 제약조건만 전달한다. 각 증분 업데이트는 호환 가능한 기준 버전(Base Version)을 참조해야 한다. 로봇이 필요한 업데이트를 놓쳤거나 장기간 연결이 끊긴 후 복귀한 경우 비현실적으로 긴 업데이트 이력을 재생하는 대신 최신 스냅샷을 요청할 수 있어야 한다.

따라서 버전 식별자(Version Identifier)는 통신 계약(Communication Contract)의 일부가 된다. 루프 폐쇄, 서브맵 변환(Submap Transformation), 의미론적 업데이트를 수신한 로봇은 해당 메시지가 어떤 지도 상태를 참조하는지 알아야 한다. 잘못된 기준 버전에 업데이트를 적용하면 진단하기 어려운 내부 데이터 손상이 발생할 수 있다. 메시지의 버전 의존성(Version Dependency)이 충족되지 않는 경우 해당 메시지를 거부하거나 보류하거나 명시적으로 변환해야 한다.

시퀀스 번호(Sequence Number)는 누락되거나 중복되거나 순서가 변경된 메시지를 검출하는 데 도움이 된다. 특히 로봇이 액세스 포인트(Access Point) 사이를 이동하거나 일시적으로 연결을 잃으면 무선 네트워크는 정보를 불규칙하게 전달할 수 있다. 수신기는 예상 시퀀스를 추적하고 누락된 정보에 재전송이 필요한지를 판단할 수 있다. 반복된 메시지를 처리하더라도 중복 그래프 노드, 랜드마크 또는 지도 업데이트가 생성되지 않도록 멱등성 메시지 처리(Idempotent Message Processing)를 지원하는 것이 바람직하다.

간헐적인 연결(Intermittent Connectivity)은 예외적인 장애가 아니라 정상적인 운용 조건으로 취급해야 한다. 로봇은 연결이 끊어진 상태에서도 로컬 매핑(Local Mapping)을 계속 수행하고 이후 동기화해야 할 정보를 큐(Queue)에 유지해야 한다. 저장 후 전달(Store-and-Forward) 메커니즘을 이용하면 모든 로봇이 지속적으로 연결되지 않아도 통신 복구 이후 관측, 디스크립터, 서브맵을 교환할 수 있다.

지연된 모든 정보가 동일한 가치를 유지하는 것은 아니다. 고주파 자세 텔레메트리(Pose Telemetry)는 수분이 지나면 가치가 없어질 수 있지만 새롭게 생성된 서브맵이나 검증된 루프 폐쇄는 훨씬 오랫동안 유용하다. 따라서 메시지에는 만료(Expiration) 또는 우선순위(Priority) 정책을 포함할 수 있다. 저장 공간이나 대역폭이 제한된 경우 오래된 일시적 데이터는 삭제하고 지속적인 매핑 정보는 이후 동기화를 위해 보존할 수 있다.

우선순위 관리(Priority Management)는 매핑 트래픽이 임무 중요 통신(Mission-Critical Communication)을 압도하는 것을 방지한다. 안전 명령(Safety Command), 비상 정지(Emergency Stop), 제어 트래픽(Control Traffic), 필수 군집 협업 정보는 대용량 재구성 데이터 전송으로부터 분리되어야 한다. 매핑 프로토콜은 별도의 논리 채널(Logical Channel), 트래픽 클래스(Traffic Class), 큐 또는 네트워크 우선순위를 사용하여 수 기가바이트 규모의 지도 다운로드가 안전한 로봇 운용에 필요한 통신을 저해하지 않도록 할 수 있다.

다중 로봇 매핑은 토폴로지 인지 통신(Topology-Aware Communication)을 통해 효율성을 높일 수 있다. 하나의 로봇이 모든 관측 정보를 중앙 서버나 다른 모든 로봇에 직접 전송할 필요는 없다. 인접한 로봇끼리 중첩 디스크립터를 직접 교환하고 대규모 서브맵은 엣지 서버(Edge Server)를 통해 동기화할 수 있다. 통신 경로는 물리적 근접성, 네트워크 품질, 임무 그룹, 공간 지도 파티션(Spatial Map Partition)을 반영하여 불필요한 트래픽을 줄일 수 있다.

중앙집중형 아키텍처(Centralized Architecture)는 로봇이 주로 매핑 서버와 정보를 교환하기 때문에 통신 구조를 단순화한다. 서버는 전역 디스크립터, 포즈 그래프(Pose Graph), 지도 버전, 공유 기하 정보를 관리한다. 이러한 구조는 일관된 거버넌스(Governance)와 강력한 백엔드 최적화를 지원하지만 서버 가용성과 업링크 용량(Uplink Capacity)이 중요해진다. 일시적인 연결 중단에서도 로컬 운용을 지속할 수 있도록 로봇 자체의 자율성은 유지되어야 한다.

분산형 아키텍처(Decentralized Architecture)는 매핑 통신을 로봇 사이에 분산한다. 각 참여 로봇은 선택된 그래프 변수, 디스크립터, 상대 제약조건(Relative Constraint), 지도 영역을 인접 플랫폼과 교환할 수 있다. 이를 통해 단일 중앙 서비스에 대한 의존성을 줄이고 인프라가 부족한 환경에서도 운용할 수 있다. 그러나 군집 규모가 증가하면 중복 데이터, 합의(Consensus), 동기화, 라우팅(Routing), 최종 일관성(Eventual Consistency) 관리가 더욱 어려워진다.

하이브리드 아키텍처(Hybrid Architecture)는 실제 운영되는 로봇 군집에 적합한 경우가 많다. 로봇은 로컬 SLAM과 필요한 경우 즉각적인 피어 간 교환(Peer Exchange)을 수행하고, 사이트 수준 엣지 시스템(Site-Level Edge System)은 지역 정보를 통합하며, 군집 수준 백엔드(Fleet-Level Backend)는 권위 있는 전역 지도 버전(Authoritative Global Map Version)을 관리한다. 따라서 통신 프로토콜은 각 연결마다 완전히 다른 데이터 의미 체계를 요구하지 않으면서 로봇-로봇, 로봇-엣지, 엣지-백엔드 통신을 지원해야 한다.

로봇이 동적으로 참여하거나 이탈하는 환경에서는 검색 메커니즘(Discovery Mechanism)이 필요하다. 참여 로봇은 자신의 식별 정보, 지원하는 매핑 기능, 센서 모달리티(Sensor Modality), 지도 형식, 좌표 규약(Coordinate Convention), 현재 지도 버전을 알릴 수 있어야 한다. 다른 구성요소는 이를 이용하여 어떤 정보를 교환할 수 있는지 판단할 수 있다. 기능 협상(Capability Negotiation)은 AMR, 사족보행 로봇(Quadruped), UAV, 특수 검사 로봇 등이 함께 운용되는 이기종 군집(Heterogeneous Fleet)에서 특히 중요하다.

교차 로봇 루프 폐쇄(Cross-Robot Loop Closure)는 특화된 통신을 요구한다. 로봇은 먼저 압축된 장소 인식 디스크립터(Place-Recognition Descriptor)를 교환하고 후보 유사도가 임계값을 초과하는 경우에만 상세 관측 정보를 요청할 수 있다. 검증된 매칭은 참여 노드 식별자, 상대 자세 변환, 불확실성, 검증 점수(Verification Score), 데이터 출처를 포함하는 상대 자세 제약조건(Relative-Pose Constraint)을 생성할 수 있다. 이러한 제약조건은 원본 센서 데이터와 독립적으로 전송할 수 있다.

포즈 그래프 동기화(Pose Graph Synchronization)는 전체 그래프를 반복적으로 전송하는 방식을 피해야 한다. 새로운 노드, 변경된 자세, 추가된 제약조건, 비활성화된 엣지, 최적화 수정사항을 그래프 델타(Graph Delta) 형태로 표현할 수 있다. 지속적인 식별자(Persistent Identifier)를 사용하면 각 참여자가 이러한 변경사항을 로컬 복제본(Local Replica)에 적용할 수 있다. 주기적인 체크포인트(Checkpoint)는 복구 상태를 제공하여 동기화가 모든 과거 그래프 메시지의 영구 보존에 의존하지 않도록 한다.

충돌 검출(Conflict Detection) 역시 프로토콜 지원이 필요하다. 로봇들이 서로 호환되지 않는 기하 정보를 보고하면 통신 시스템은 충돌이 해결될 때까지 두 관측을 모두 보존해야 한다. 충돌 메시지는 영향을 받는 공간 영역, 관련 지도 버전, 타임스탬프, 신뢰도, 출처 로봇을 식별할 수 있다. 이후 해당 영역에 대해서만 추가 관측을 요청하여 관련 없는 지도 데이터를 전송하는 것을 방지할 수 있다.

데이터 출처(Data Provenance)는 모든 통신 단계를 거친 이후에도 유지되어야 한다. 엣지 서버를 통해 서브맵을 중계하더라도 해당 데이터를 최초로 생성한 로봇, 센서, 타임스탬프, 캘리브레이션 버전, 소프트웨어 구성 정보가 사라져서는 안 된다. 데이터 출처는 디버깅, 충돌 해결, 품질 평가, 그리고 고장 난 센서나 잘못된 캘리브레이션으로 생성된 것으로 나중에 확인된 데이터를 제거하는 데 필수적이다.

무결성 검사(Integrity Checking)는 손상된 데이터 전송을 방지한다. 체크섬(Checksum)이나 암호학적 해시(Cryptographic Hash)를 사용하여 조각, 파일, 전체 지도 패키지를 승인하기 전에 검증할 수 있다. 대용량 객체는 필요한 모든 구성요소가 수신되고 검증된 이후에만 활성화해야 한다. 부분적으로 전송되거나 손상된 서브맵은 공유 재구성 또는 포즈 그래프에 조용히 추가되지 않도록 격리해야 한다.

매핑 메시지는 로봇 군집이 물리적 공간을 이해하는 방식을 변경할 수 있기 때문에 인증(Authentication)과 권한 부여(Authorization)도 필요하다. 로봇과 서버는 통신 상대를 인증해야 하며, 접근 정책(Access Policy)을 통해 어떤 주체가 지도 업데이트를 게시하고 버전을 승인하며 민감한 기하 정보를 요청할 수 있는지를 결정해야 한다. 신뢰할 수 없는 네트워크를 통과하는 경우 암호화(Encryption)를 통해 시설 지도와 운용 데이터를 보호할 수 있다.

프로토콜 보안(Protocol Security)이 기하학적 검증(Geometric Validation)을 대신해서는 안 된다. 인증된 로봇이라도 위치추정 실패, 센서 손상, 캘리브레이션 오류로 인해 잘못된 정보를 생성할 수 있다. 따라서 매핑 제약조건에는 통신 수준의 신뢰(Communication-Level Trust)와 측정 수준의 검증(Measurement-Level Verification)이 모두 필요하다. 보안은 누가 데이터를 전송했는지를 확인하고 SLAM 일관성 검사는 해당 공간 정보 자체가 신뢰할 수 있는지를 판단한다.

네트워크 모니터링(Network Monitoring)은 통신 품질을 매핑 시스템에 제공해야 한다. 대역폭, 지연시간, 패킷 손실, 큐 깊이(Queue Depth), 연결 상태, 재전송률(Retransmission Rate)은 로봇이 데이터를 얼마나 적극적으로 교환할 것인지에 영향을 줄 수 있다. 네트워크 품질이 저하되면 프로토콜은 디스크립터와 압축된 업데이트 중심으로 전환하고, 고용량 연결이 확보되면 지연되어 있던 상세 서브맵을 동기화할 수 있다.

적응형 통신(Adaptive Communication)은 이러한 동작을 명시적인 정책으로 구현한다. 동일한 로봇도 신뢰성 높은 Wi-Fi에 연결된 도킹 상태에서는 고해상도 데이터를 전송하고, 일반 운용 중에는 압축된 서브맵을 사용하며, 제한된 무선 연결에서는 디스크립터만 교환할 수 있다. 따라서 통신 정책은 사용 가능한 대역폭, 배터리 상태, 임무 긴급도, 중첩 가능성, 데이터의 예상 정보 가치(Expected Information Value)에 따라 변화할 수 있다.

정보 가치(Information Value)는 우선순위 설정에 유용한 기준을 제공한다. 큰 루프를 폐쇄하거나 서로 연결되지 않은 두 로봇 그룹을 연결하거나 미탐색 영역을 포함하거나 지도 충돌을 해결하는 서브맵은 이미 충분히 매핑된 복도의 중복 관측보다 높은 전송 우선순위를 가질 수 있다. 정보 인지 스케줄링(Information-Aware Scheduling)은 공유 지도 개선 효과가 가장 큰 데이터에 통신 자원을 우선적으로 사용한다.

확장성(Scalability)을 확보하려면 군집 규모가 증가할 때 모든 로봇 사이의 전대전 통신(All-to-All Communication)을 피해야 한다. 모든 로봇이 다른 모든 로봇과 매핑 데이터를 지속적으로 교환하면 네트워크 트래픽이 급격하게 증가한다. 공간 분할(Spatial Partitioning), 디스크립터 인덱싱(Descriptor Indexing), 지역 브로커(Regional Broker), 멀티캐스트 그룹(Multicast Group), 계층형 서버(Hierarchical Server), 임무 기반 통신 그룹을 이용하여 해당 정보로부터 실제 이점을 얻을 가능성이 높은 참여자로 교환 범위를 제한할 수 있다.

가능한 경우 통신 프로토콜은 특정 SLAM 알고리즘으로부터 독립적으로 설계되어야 한다. 자세, 변환, 공분산(Covariance), 타임스탬프, 지도 식별자, 서브맵 메타데이터, 데이터 요청에 대한 표준화된 표현을 사용하면 서로 다른 매핑 프런트엔드(Mapping Frontend)가 협력할 수 있다. 알고리즘별 페이로드도 지원할 수 있지만 핵심 군집 통신이 모든 로봇에서 동일한 인지 및 SLAM 소프트웨어를 실행하는 것을 전제로 해서는 안 된다.

ROS 2와 DDS(Data Distribution Service)는 형식화된 메시지(Typed Message), 검색(Discovery), 발행-구독 통신, 서비스(Service), 설정 가능한 서비스 품질 정책을 통해 로봇 시스템에 유용한 통신 메커니즘을 제공한다. 그러나 실제 다중 로봇 매핑 아키텍처에서는 지도 식별, 버전 관리, 데이터 출처, 동기화, 충돌 처리, 대용량 데이터 전송에 대한 애플리케이션 수준 정의(Application-Level Definition)가 추가로 필요하다. 미들웨어(Middleware) 자체만으로 완전한 매핑 프로토콜이 정의되는 것은 아니다.

운용 진단(Operational Diagnostics)은 매핑 이벤트와 함께 통신 이벤트를 기록해야 한다. 루프 폐쇄가 나타나지 않는 경우 운영자는 후보 자체가 검출되지 않았는지, 메시지가 손실되었는지, 버전 의존성이 충족되지 않았는지 또는 기하학적 검증에서 거부되었는지를 확인할 수 있어야 한다. 네트워크 로그(Network Log)를 지도 및 그래프 상태와 연계하면 분산 매핑 시스템의 장애 원인을 훨씬 쉽게 진단할 수 있다.

산업용 로봇 군집에서 통신 프로토콜 설계는 최대한 많은 원시 데이터를 교환하는 것보다 예측 가능한 동작(Predictable Behavior)을 우선해야 한다. 로봇은 협업에 충분한 정보를 필요로 하지만 모든 데이터를 전송하면 불필요한 부하가 발생하고 장애 복잡성이 증가한다. 압축된 요약 정보, 선택적 검색, 명시적인 버전, 신뢰성 높은 중요 이벤트, 로컬 캐싱(Local Caching), 비동기 동기화(Asynchronous Synchronization)는 지속적인 운용을 위한 더욱 강건한 기반을 제공한다.

잘 설계된 프로토콜은 궁극적으로 독립적인 매핑 에이전트(Mapping Agent)를 하나의 협력적인 공간 정보 시스템(Coordinated Spatial Information System)으로 전환한다. 센서와 SLAM 알고리즘은 로컬 지식을 생성하고, 통신은 해당 지식이 로봇 군집 전체에서 어떻게 공유되고 검증되며 동기화되고 지속적으로 유지되는지를 결정한다. 따라서 프로토콜은 로봇 관측, 교차 로봇 제약조건, 지도 최적화, 지도 서버, 실제 운용 주행을 연결하는 정보 백본(Information Backbone)을 형성한다.

안정적인 스키마(Stable Schema), 동기화된 시간, 명확한 좌표 프레임, 차등화된 서비스 품질(Differentiated Quality of Service), 선택적 데이터 교환, 버전 관리, 보안, 데이터 출처, 적응형 대역폭 관리(Adaptive Bandwidth Management)를 결합하면 불완전한 네트워크 환경에서도 다중 로봇 매핑을 효과적으로 유지할 수 있다. 로봇 군집은 통신 장애 중에도 로컬 매핑을 계속하고 연결 복구 이후 효율적으로 동기화하며, 무제한의 통신 자원을 요구하지 않으면서도 일관된 공유 지도(Coherent Shared Map)를 유지할 수 있다.

09.10. Warehouse Fleet Collaborative Mapping Case

창고 로봇 군집(Warehouse Fleet)은 여러 자율이동로봇(AMR, Autonomous Mobile Robot)이 동일한 구조화된 공간에서 동시에 운용되면서 서로 다른 경로, 시점, 로컬 환경 변화를 경험하기 때문에 협업 매핑(Collaborative Mapping)을 적용하기에 대표적인 실제 운용 환경이다. 하나의 전용 매핑 로봇이 전체 시설 지도를 유지하도록 하는 대신, 로봇 군집은 일상적인 운송 임무 중 획득한 관측 정보를 지속적으로 제공하고 공동으로 공유 운용 지도(Shared Operational Map)를 유지할 수 있다.

창고에는 보관 랙(Storage Rack), 좁은 통로, 교차로, 도킹 스테이션(Docking Station), 충전 구역, 컨베이어 인터페이스(Conveyor Interface), 안전 구역, 엘리베이터, 출입문, 개방형 적재 구역 등이 존재할 수 있다. 이러한 기하 구조의 상당 부분은 구조적으로 안정적이지만 팔레트, 카트, 임시 재고, 작업자, 지게차, 이동식 장비는 빈번하게 변화한다. 따라서 협업 매핑은 안정적인 위치추정 기하 구조(Localization Geometry)를 유지하면서 일시적인 운용 객체가 장기 지도(Long-Term Map)를 오염시키지 않도록 해야 한다.

각 AMR은 라이다(LiDAR), 카메라, 휠 오도메트리(Wheel Odometry), 관성측정장치(IMU, Inertial Measurement Unit) 등의 온보드 센서(Onboard Sensor)를 이용하여 로컬 SLAM(Local SLAM)을 수행한다. 로봇은 일반적인 임무를 수행하면서 자신의 궤적을 추정하고 로컬 키프레임(Keyframe) 또는 서브맵(Submap)을 생성한다. 로컬 자율성(Local Autonomy)은 지속적인 네트워크 연결과 독립적으로 유지되어 통신 상태가 일시적으로 저하되더라도 로봇은 위치추정, 주행, 매핑 관측 축적을 계속할 수 있다.

각 로봇은 원시 센서 스트림(Raw Sensor Stream)을 지속적으로 전송하는 대신 압축된 매핑 데이터(Compact Mapping Product)를 생성한다. 여기에는 로컬 점유 격자(Local Occupancy Grid), 포인트 클라우드 서브맵(Point-Cloud Submap), 키프레임 디스크립터(Keyframe Descriptor), 의미론적 랜드마크(Semantic Landmark), 포즈 그래프 노드(Pose Graph Node), 신뢰도 추정값 등이 포함될 수 있다. 로컬 필터링은 통신 전에 잘못된 측정값과 중복된 기하 정보를 제거하여 협업 정렬과 지도 유지관리에 필요한 정보를 보존하면서 네트워크 부하를 줄인다.

모든 매핑 기여 데이터에는 고유한 로봇 식별자(Robot Identifier), 타임스탬프(Timestamp), 좌표 프레임(Coordinate Frame), 지도 버전(Map Version), 캘리브레이션 상태(Calibration State), 공간 범위(Spatial Extent)가 포함된다. 이러한 메타데이터를 통해 백엔드(Backend)는 관측이 언제 어디에서 획득되었으며 어떤 시스템 구성에서 생성되었는지를 판단할 수 있다. 수백 대의 로봇이 정보를 제공하는 환경에서는 잘못된 관측을 특정 센서, 플랫폼 또는 소프트웨어 상태까지 추적할 수 있어야 하므로 데이터 출처(Provenance)가 특히 중요하다.

군집 통신 계층(Fleet Communication Layer)은 상세 기하 정보를 전송하기 전에 경량 디스크립터(Lightweight Descriptor)를 교환한다. AMR이 특정 통로에 진입하면 최근 생성된 서브맵의 압축된 표현을 게시할 수 있다. 매핑 백엔드는 이러한 디스크립터를 기존에 인덱싱된 영역 및 다른 로봇의 관측과 비교한다. 상세 포인트 클라우드나 키프레임은 잠재적인 공간 중첩, 지도 변화 또는 교차 로봇 루프 폐쇄(Cross-Robot Loop Closure) 가능성이 있어 실제로 필요한 경우에만 요청한다.

교차 로봇 루프 폐쇄는 창고 전체의 지도 일관성을 유지하는 핵심 요소다. 두 로봇이 동일한 통로에 서로 반대 방향으로 진입하거나 서로 다른 시간에 동일한 적재 구역을 다시 방문할 수 있다. 장소 인식(Place Recognition)은 두 관측이 동일한 물리적 위치에 해당한다는 후보를 제안하고, 기하학적 검증(Geometric Verification)은 상대 변환(Relative Transformation)을 추정한다. 승인된 매칭은 서로 독립적이었던 로봇 궤적을 공유 포즈 그래프(Shared Pose Graph) 안에서 연결하는 제약조건이 된다.

창고 환경에는 강한 지각적 반복성(Perceptual Repetition)이 존재하므로 기하학적 검증은 보수적으로 수행해야 한다. 긴 통로, 동일한 형태의 랙 구조, 반복되는 기둥, 유사한 도킹 구역은 잘못된 장소 매칭(False Place Match)을 발생시킬 수 있다. 따라서 디스크립터 유사도만으로는 충분하지 않다. 상대 자세 일관성(Relative-Pose Consistency), 포인트 클라우드 정합(Point-Cloud Registration), 주변 기하 구조, 의미론적 랜드마크, 기존 그래프 제약조건을 이용하여 후보가 전역 지도에 영향을 주기 전에 검증해야 한다.

군집 수준 포즈 그래프(Fleet-Level Pose Graph)는 로봇 궤적, 서브맵, 오도메트리 제약조건(Odometry Constraint), 검증된 교차 로봇 관계를 표현한다. 최적화(Optimization)는 강한 측정값을 유지하면서 네트워크 전체에 누적된 드리프트(Drift)를 분산시킨다. 로컬 서브맵은 자체 좌표계에 유지되고 최적화기는 해당 서브맵의 전역 변환(Global Transformation)을 갱신한다. 이를 통해 원시 센서 측정값에서 모든 포인트를 반복적으로 재구성하지 않고도 대규모 지도 보정이 가능하다.

창고 지도 서버(Map Server)는 실제 운용 로봇이 사용하는 권위 있는 지도 표현(Authoritative Representation)을 관리한다. 새롭게 제공된 관측은 운용 지도를 즉시 변경하지 않는다. 먼저 작업 매핑 상태(Working Mapping State)에 저장되어 정렬, 신뢰도, 일관성, 환경 지속성(Environmental Persistence)을 평가한다. 검증된 변화는 후보 버전(Candidate Version)에 반영되고 위치추정과 주행 검증에서 허용 가능한 성능이 확인된 이후에만 실제 운용 지도 버전으로 릴리스된다.

공유 창고 지도(Shared Warehouse Map)는 여러 계층으로 구성할 수 있다. 구조 계층(Structural Layer)은 벽, 기둥, 고정식 랙, 영구 설비, 위치추정 랜드마크를 저장한다. 주행 계층(Navigation Layer)은 주행 가능 영역, 제한 구역, 속도 제한, 선호 이동 방향, 도킹 접근 경로 등을 포함한다. 임시 계층(Temporary Layer)은 운용상 중요하지만 영구적인 기하 구조로 취급해서는 안 되는 팔레트, 공사 차단물, 막힌 통로, 이동식 장비 등을 표현한다.

동적 객체(Dynamic Object)는 장기 매핑보다 주로 실시간 인지(Real-Time Perception)를 통해 처리한다. 작업자, 지게차, 이동 중인 카트, 운행 중인 AMR은 반복적인 스캔에 나타날 수 있지만 구조 지도에 융합해서는 안 된다. 의미론적 필터링(Semantic Filtering), 시간적 일관성(Temporal Consistency), 점유 이력(Occupancy History), 다중 로봇 확인(Multi-Robot Confirmation)을 통해 관측된 객체가 지속적인 인프라인지 일시적인 창고 활동인지 판단할 수 있다.

그러나 일시적인 변화라도 군집 경로 계획(Fleet Routing)에 즉각적인 영향을 줄 수 있다. 여러 로봇이 팔레트로 인해 특정 통로가 막혀 있다고 관측하면 영구 구조 지도를 변경하지 않고도 군집 관리자(Fleet Manager)가 해당 영역을 일시적인 주행 불가 영역으로 지정할 수 있다. 이후 로봇들이 장애물이 제거되었다고 확인하면 운용 제한을 해제할 수 있다. 따라서 기하 구조(Geometry)와 접근 가능성(Accessibility)은 서로 연관되어 있지만 별도의 상태로 관리한다.

협업 관측(Collaborative Observation)은 환경 변화에 대한 신뢰도를 향상시킨다. 하나의 로봇이 랙의 위치가 이동했다고 보고한 경우 위치추정 드리프트나 센서 오류일 가능성이 있다. 여러 로봇이 서로 다른 궤적에서 동일한 변위를 독립적으로 관측한다면 실제 물리 환경이 변경되었을 가능성이 높아진다. 영향도가 높은 변화는 주변 로봇에 해당 영역을 점검하도록 요청하는 능동 검증 임무(Active Verification Mission)를 발생시킬 수 있다.

지도 충돌 해결(Map Conflict Resolution)은 구조적 변화를 승인하기 전에 위치추정 신뢰도(Localization Confidence)를 고려한다. 하나의 로봇이 군집의 다른 관측과 일치하지 않는 기하 정보를 보고하면 백엔드는 해당 로봇의 궤적, 루프 폐쇄, 센서 캘리브레이션, 시간 동기화(Time Synchronization)를 확인한다. 특정 플랫폼에서 충돌이 지속적으로 발생한다면 유지보수 문제를 의미할 수 있다. 따라서 협업 매핑은 지도 정보뿐만 아니라 군집 진단(Fleet Diagnostics)을 위한 추가적인 정보원이 된다.

대규모 창고에서는 공간적으로 분할된 지도(Spatially Partitioned Map)가 효과적이다. 시설을 층, 구역, 타일(Tile), 서브맵 단위로 분할하여 로봇이 자신의 운용 영역과 계획 경로에 필요한 정보만 받을 수 있다. 하나의 피킹 구역(Picking Zone)에서 작업하는 AMR이 전체 창고의 모든 고해상도 기하 정보를 보유할 필요는 없다. 공간 분할을 통해 메모리 사용량, 전송 시간, 동기화 트래픽을 줄일 수 있다.

지역 엣지 서버(Regional Edge Server)는 확장성을 더욱 향상시킬 수 있다. 로봇은 자주 사용되는 지도 타일과 디스크립터를 인접한 사이트 수준 서버(Site-Level Server)와 교환하고, 군집 백엔드는 권위 있는 버전과 전역 일관성(Global Consistency)을 관리한다. 이러한 계층형 아키텍처(Hierarchical Architecture)는 반복적인 장거리 데이터 전송을 줄이고 상위 네트워크에 일시적인 장애가 발생하더라도 로컬 운용을 지속할 수 있도록 한다. 연결이 복구되면 엣지 캐시(Edge Cache)는 중앙 지도 저장소와 동기화된다.

로봇이 통로, 액세스 포인트(Access Point), 엘리베이터, 적재 구역 사이를 이동하면 통신 품질이 변화할 수 있다. 프로토콜은 대역폭이 제한될 때 압축된 디스크립터, 그래프 제약조건, 필수 업데이트를 우선하여 적응한다. 상세 포인트 클라우드는 충전 스테이션과 같이 신뢰성 높은 고대역폭 연결을 사용할 수 있는 위치에 도달할 때까지 큐에 유지할 수 있다. 저장 후 전달(Store-and-Forward) 동기화를 이용하면 일시적인 통신 장애가 매핑 자체를 중단시키는 것을 방지할 수 있다.

매핑 트래픽(Mapping Traffic)은 항상 안전 및 제어 통신보다 낮은 우선순위를 가져야 한다. 비상 정지(Emergency Stop), 충돌 회피(Collision Avoidance), 임무 제어(Mission Control), 필수 군집 협업 정보는 포인트 클라우드 전송이나 지도 재구성보다 높은 네트워크 우선순위를 가진다. 별도의 트래픽 클래스(Traffic Class)와 대역폭 정책을 사용하면 다수의 로봇이 동시에 데이터를 동기화하더라도 협업 매핑이 운용 안전성을 저해하는 것을 방지할 수 있다.

증분 업데이트(Incremental Update)는 대규모 창고 지도를 유지하는 비용을 줄인다. 최적화로 일부 서브맵의 자세만 변경된 경우 서버는 전체 기하 정보를 다시 전송하는 대신 갱신된 변환 정보만 배포할 수 있다. 하나의 통로에서 구조적 변화가 발생하면 영향을 받은 타일과 메타데이터만 교체하면 된다. 주기적인 전체 스냅샷(Full Snapshot)은 복구 지점을 제공하고 증분 업데이트는 일상적인 동기화를 효율적으로 지원한다.

지도 버전(Map Version)은 모든 로봇이 식별 가능한 공간 상태를 기준으로 운용되도록 한다. 새롭게 검증된 창고 지도에는 고유한 버전이 부여되고 로봇은 자신이 다운로드하고 활성화한 버전을 보고한다. 업데이트는 전체 군집에 배포하기 전에 소규모 검증 그룹(Validation Group)에 먼저 적용할 수 있다. 이후 위치추정 성공률, 경로 완료, 복구 이벤트(Recovery Event), 주행 이상 현상을 모니터링하고 문제가 없을 경우 배포 범위를 확대할 수 있다.

롤백(Rollback)은 새로운 지도의 성능이 좋지 않은 경우 실제 생산 운용을 보호한다. 로봇은 새로운 패키지를 완전히 다운로드하고 검증하며 성공적으로 활성화할 때까지 이전에 검증된 지도를 유지한다. 새로운 지도 배포 이후 위치추정 실패나 주행 이상이 증가하면 군집 관리자는 영향을 받은 로봇을 이전 버전으로 되돌리고 후보 지도를 조사할 수 있다. 따라서 지도 배포(Map Deployment)는 생산 소프트웨어와 유사한 제어된 릴리스(Controlled Release) 원칙을 따른다.

이기종 창고 로봇 군집(Heterogeneous Warehouse Fleet)은 동일한 환경에 대해 서로 다른 지도 표현을 요구할 수 있다. 소형 AMR은 2차원 점유 격자(2D Occupancy Grid)를 사용할 수 있고, 대형 자율 지게차(Autonomous Forklift)는 더욱 상세한 장애물 및 여유 공간 정보(Clearance Information)가 필요할 수 있으며, 검사 로봇은 3차원 기하 정보 또는 의미론적 랜드마크를 사용할 수 있다. 지도 서버는 일관된 좌표 기준을 유지하면서 하나의 공통 권위 공간 모델(Common Authoritative Spatial Model)로부터 플랫폼별 지도 데이터를 생성할 수 있다.

엘리베이터와 다층 시설(Multi-Floor Facility)은 추가적인 매핑 요구사항을 발생시킨다. 각 층은 독립적으로 최적화된 로컬 지도를 가질 수 있으며 엘리베이터 전환 구역이나 측량 기준(Surveyed Reference)을 이용하여 이러한 지도들을 시설 수준 좌표 구조(Facility-Level Coordinate Structure)로 연결할 수 있다. 로봇은 위치추정을 시작하기 전에 어떤 지도 영역과 프레임이 활성화되어 있는지를 알아야 한다. 전환 구역에서 여러 로봇이 제공하는 협업 관측은 서로 분리된 운용 구역 사이의 공간 관계를 강화할 수 있다.

도킹 스테이션은 위치추정 오류가 충전과 물류 이송 작업에 직접 영향을 미치므로 특히 높은 지도 신뢰도(Map Confidence)가 필요하다. 다수의 로봇이 반복적으로 제공하는 관측을 이용하여 도킹 랜드마크를 정교화하고 스테이션 주변의 기계적 이동이나 환경 변화를 검출할 수 있다. 그러나 잘못된 변경이 군집의 많은 로봇에 동시에 영향을 줄 수 있으므로 도킹 기하 정보의 업데이트에는 더욱 엄격한 검증 정책이 필요하다.

협업 매핑은 지도 완전성(Map Completeness) 향상에도 기여한다. 로봇은 서로 다른 임무를 자연스럽게 수행하기 때문에 일부 플랫폼은 통행량이 많은 복도를 반복적으로 방문하고 다른 플랫폼은 거의 사용되지 않는 보관 구역이나 유지보수 영역에 진입한다. 이러한 궤적을 통합하면 전용 매핑 작업 없이도 지도 커버리지를 확장할 수 있다. 백엔드는 충분히 관측되지 않은 영역을 식별하고 지도 신뢰도가 운용 요구 수준 이하로 떨어지면 추가 관측을 요청할 수 있다.

정보 인지 통신(Information-Aware Communication)은 매핑 효과가 가장 큰 관측의 우선순위를 높일 수 있다. 미탐색 영역을 포함하거나 대규모 루프를 폐쇄하거나 분리된 지도 영역을 연결하거나 구조적 충돌을 해결하는 데이터는 이미 충분히 관측된 통로의 반복적인 스캔보다 높은 전송 우선순위를 갖는다. 이를 통해 군집 규모가 증가하더라도 네트워크와 저장 공간 요구량이 동일한 비율로 증가하는 것을 방지할 수 있다.

운용 텔레메트리(Operational Telemetry)는 지도 유지관리의 피드백 루프(Feedback Loop)를 완성한다. 로봇은 위치추정 신뢰도, 재위치추정 실패(Relocalization Failure), 예상하지 못한 장애물, 지도 불일치(Map Mismatch), 누락된 타일, 활성 지도 버전을 보고한다. 백엔드는 이러한 신호를 공간적·시간적으로 통합한다. 특정 통로에서 위치추정 문제가 집중적으로 발생한다면 환경 변화, 부족한 지도 특징, 센서 간섭 또는 잘못된 지도 업데이트를 조사해야 할 가능성이 있다.

따라서 협업 매핑은 실제 운용 지도를 지속적으로 다시 작성하지 않으면서도 계속 수행할 수 있다. 로봇의 관측은 증거 계층(Evidence Layer)에 저장되고, 검증된 공간 관계는 공유 포즈 그래프를 개선하며, 지속적인 변화는 후보 업데이트(Candidate Update)가 되고, 검증된 버전만 실제 운용 주행 시스템에 전달된다. 이러한 분리는 로봇 군집이 일상적인 임무를 통해 지속적으로 학습하면서도 불안정한 중간 매핑 결과로부터 실제 생산 로봇을 보호할 수 있도록 한다.

이러한 접근 방식은 각 AMR을 독립적인 매핑 시스템으로 취급하는 것보다 효과적으로 확장할 수 있다. 개별 로봇은 부분적인 관측만 제공하지만 로봇 군집 전체는 반복적인 시점, 시간적 커버리지(Temporal Coverage), 중복성(Redundancy), 교차 검증(Cross-Validation)을 제공한다. 특정 영역을 거의 다시 방문하지 않는 로봇도 다른 플랫폼이 관측한 환경 변화의 혜택을 받을 수 있으며, 자신의 측정값은 다른 로봇의 커버리지가 부족한 영역을 보완할 수 있다.

따라서 실제 생산 창고에서 협업 매핑의 가치는 단순히 더 큰 지도를 생성하는 데 있지 않다. 핵심 목적은 시설과 로봇 군집이 계속 운용되는 동안 신뢰할 수 있는 공간 기준(Reliable Spatial Reference)을 유지하는 것이다. 매핑, 위치추정, 통신, 버전 관리, 충돌 해결, 군집 진단은 서로 독립적인 기능이 아니라 하나의 지속적인 공간 정보 수명주기(Spatial-Information Lifecycle)를 구성한다.

로컬 SLAM, 교차 로봇 루프 폐쇄, 공유 포즈 그래프 최적화(Shared Pose Graph Optimization), 계층형 지도(Layered Map), 선택적 통신(Selective Communication), 동적 변화 처리(Dynamic-Change Handling), 제어된 버전 관리(Controlled Versioning), 운용 텔레메트리를 통합하면 창고 로봇 군집은 일상적인 운용 과정 자체를 통해 환경 모델을 지속적으로 유지할 수 있다. 그 결과 지도는 실제 생산 위치추정에 필요한 안정성을 유지하면서도 전체 로봇 군집이 제공하는 검증된 공간 지식을 지속적으로 반영할 수 있다.


저자: Richard Minsoo Go

LinkedIn: Richard Minsoo Go

Top comments (0)