SLAM(Simultaneous Localization and Mapping)에는 확장된 Kalman 필터를 사용하는 기존 SLAM부터 최신 그래프 기반 알고리즘에 이르기까지 몇 가지 잘 알려진 기법들이 있습니다. 저희 연구실은 3D 레이저 스캔을 입력으로 사용하는 고유한 SLAM 알고리즘을 성공적으로 개발했습니다. 이 알고리즘만의 차별화 요인은 베이지안 이론 대신 Dempster-Shafer 이론을 적용하여 맵의 셀 모델을 나타낸다는 것입니다. 기존 방법에서는 각 셀이 점유될 특정한 가능성을 가지고 있습니다. 하지만 Dempster-Shafer 이론은 단일 셀에 여러 질량이 놓이는 것을 허용하고 이러한 질량을 업데이트하기 위한 공식을 제공합니다. 이 프로젝트의 핵심 개념은 이러한 질량을 이용하여 맵에서 패턴을 식별하는 것입니다. 이러한 패턴은 환경 내의 전체 개체에 해당하는 독특한 개체 경계 또는 영역으로 나타날 수 있습니다.

포인트 클라우드 프로파일을 모니터링하면 최대 공분산 전개(Maximum Covariance Unfolding) 방법을 사용할 수 있습니다. 이 기법을 사용하면 설명 변수와의 관계를 유지하면서 결과 프로파일의 축소된 차원을 처리할 수 있습니다. 이러한 변수는 특정 요소가 참조 기준에서 벗어나는 양상을 바탕으로 획득한 패턴을 나타냅니다. 다른 인자 중에서도 설명 변수는 특정 축을 따라 패턴의 편차 각도를 나타낼 수 있습니다. 현재, 실내 환경에서 쉽게 볼 수 있는 90도 각도를 신속하게 식별하여 이러한 공간 내에서 로봇 위치를 원활하게 파악하는 데 최대 공분산 전개를 활용하는 방법을 모색하고 있습니다.