GTSAM

수많은 현대 SLAM 백엔드를 움직이는 팩터 그래프 최적화 라이브러리

라이선스

BSD-2-Clause

개요

Georgia Tech Smoothing and Mapping — 팩터 그래프 기반 상태 추정과 센서 융합을 위한 Python 바인딩을 갖춘 C++ 라이브러리. 증분 스무더 iSAM2, IMU 사전적분·GPS·비전·거리 측정을 위한 풍부한 기성 팩터, 그리고 기반이 되는 리 군 연산을 제공합니다. GTSAM은 LIO-SAM, Kimera, GLIM 등 수많은 현대 SLAM 시스템의 최적화 백엔드입니다.

GTSAM은 추정 문제를 팩터 그래프로 모델링합니다. 변수(자세, 랜드마크, 속도, 바이어스)가 측정을 인코딩하는 팩터로 연결됩니다. 배치 최적화기(Levenberg-Marquardt, 가우스-뉴턴, dogleg)와 증분 스무더 iSAM2, Forster 등의 방식을 따르는 IMU 사전적분, 비전용 스마트 팩터, SO(3)/SE(3)에 대한 완전한 리 군 지원을 갖췄습니다. Python 바인딩이 전체 API를 노출하며, 활발한 커뮤니티가 BSD 라이선스로 유지합니다.

중요한 이유

팩터 그래프는 SLAM과 다중 센서 융합의 공통 언어가 되었고, GTSAM은 이 분야가 기반으로 삼는 참조 구현입니다. 널리 인용되며, 가장 많이 쓰이는 오픈 SLAM 시스템 여러 곳에 내장되어 있습니다.

해결하는 문제

IMU·라이다·카메라·GPS 측정을 일관된 상태 추정으로 융합하는 것은 거대한 희소 최적화 문제입니다. GTSAM은 이를 팩터 그래프로 표현해 희소성을 활용하며, iSAM2가 새 측정이 도착할 때마다 처음부터 다시 풀지 않고 해를 증분 갱신합니다.

핵심 요점

• 팩터 그래프는 다중 센서 융합을 재사용 가능한 구조의 희소 최적화 문제로 바꾼다
• iSAM2는 반복적인 배치 풀이 대신 증분 실시간 스무딩을 제공한다
• 기성 IMU·GPS·비전·거리 팩터가 로보틱스 추정 문제 대부분을 커버한다
• LIO-SAM, Kimera, GLIM과 수많은 연구 시스템이 선택한 백엔드
• Python 바인딩 덕에 C++ 코드베이스 밖에서도 접근 가능

대상

• 검증된 최적화 백엔드가 필요한 SLAM 시스템 개발자
• 새 팩터를 프로토타이핑하는 상태 추정 연구자
• 상용 로봇에서 IMU/GPS/비전을 융합하는 엔지니어
• 추정 이론을 실습으로 배우는 대학원생

한계

• 가파른 학습 곡선 — 팩터 그래프 모델링과 리 군 개념이 생산적 사용의 전제 조건
• 일부 플랫폼에서는 Python 래퍼와 TBB를 포함한 소스 빌드가 번거로울 수 있음