# Transformation & Translation Occupancy Grid Mapping: 2-Dimensional Deep Learning Refined SLAM

### 저자

Leon Davies, Baihua Li, Mohamad Saada, Simon S{\o}lvsten, Qinggang Meng

### 개요

본 논문은 2D LiDAR SLAM의 정확도 향상을 위한 새로운 방법인 Transformation and Translation Occupancy Grid Mapping (TT-OGM)을 제안한다. 기존 2D LiDAR SLAM은 누적 오차로 인해 복잡한 환경에서 정확한 매핑이 어려운데, 본 논문에서는 3D SLAM의 정확한 자세 추정 기법을 2D에 적용하고, GAN(Generative Adversarial Networks)을 이용하여 오차를 완화하여 매핑 정확도를 높인다.  또한, 강화 학습 기반의 새로운 데이터 생성 방법을 제시하여 GAN 학습에 필요한 대량의 데이터를 확보한다. Loughborough University에서 수집한 실제 데이터와 다양한 대규모 2D 점유 격자 맵에서 실시간 성능 및 일반화 성능을 검증하여 기존 SLAM 알고리즘보다 품질, 정확도, 신뢰성 면에서 우수한 결과를 보임을 보여준다.

### 시사점, 한계점

- **시사점:**

    - 2D LiDAR SLAM의 정확도와 신뢰성을 크게 향상시키는 새로운 방법 제시

    - 3D SLAM 기술을 2D에 적용하여 성능 개선

    - GAN과 강화 학습을 활용한 효과적인 오차 보정 및 데이터 증강 기법 제시

    - 복잡한 환경에서 고품질 점유 격자 맵 생성 가능성 입증

    - 다양한 환경에서의 일반화 성능 검증

- **한계점:**

    - 제안된 방법의 계산 비용 및 실시간 처리 성능에 대한 상세한 분석 부족

    - 다양한 센서 데이터와의 호환성 및 적용 가능성에 대한 추가 연구 필요

    - GAN 학습에 필요한 데이터의 양 및 품질에 대한 제약  

    - 특정 환경에 대한 과적합 가능성 및 일반화 성능의 한계 검토 필요

[PDF 보기](https://arxiv.org/pdf/2504.19654)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).