A
약 90초
Pose graph optimization과 bundle adjustment의 목적·입력 데이터·계산 구조의 차이를 설명하는 방식
Pose graph optimization과 bundle adjustment는 누적된 추정 오차를 줄이기 위한 최적화 방법이라는 공통점이 있지만 접근 방식이 다릅니다. Pose graph optimization은 로봇의 포즈(위치+방향) 간의 상대적 관계를 그래프로 표현하고 전체 그래프 일관성을 최적화합니다. 루프 클로저가 감지되면 기존 포즈 추정에 누적된 오차를 전체 경로에 분산시킵니다. 수업 SLAM 파트에서 g2o나 GTSAM 같은 라이브러리가 이 최적화를 수행한다는 걸 배웠습니다. Bundle adjustment는 원래 컴퓨터 비전에서 나온 방법으로, 카메라 포즈와 3D 랜드마크 위치를 동시에 최적화합니다. 재투영 오차를 줄이는 방향으로 수렴합니다. 계산 구조에서 차이가 나는데, Pose graph는 포즈 간 관계만 다루어 상대적으로 빠르고, Bundle adjustment는 랜드마크 수에 따라 연산량이 크게 증가합니다. 실시간 시스템에서는 두 방법을 상황에 맞게 조합합니다.
이 결의 특징
로봇의 포즈(위치+방향) 간의 상대적 관계를 그래프로 표현하고 전체 그래프 일관성을 최적화라는 구체적 변화를 2와 함께 제시하여 객관성이 드러납니다.
이 결이 통하는 자리
수치 기반의 최적화를을 설명할 때 특히 통합니다. 특히 정량 지표가 뒷받침될 때 효과적입니다.