ImageSlide<span style="color:#fff;"><b>자율주행 차량에서의 SLAM</b></span>
자율주행 차량에서의 SLAM
차량이 주행하면서 실시간으로 자신의 위치를 차선 단위로 정확하게 추론하거나, 자율주행 전용 지도인 HD-Map을 만들어 목적지까지 안전하게 운행할 수 있습니다.
ImageSlide<span style="color:#fff;"><b>로보틱스에서 활용되는 SLAM</b></span>
로보틱스에서 활용되는 SLAM
로봇이 주변 환경을 인식하여 장애물을 피하면서 걸어다니고, 물건을 집기 위해 인식하는 과정 속에서도 SLAM이 활용됩니다.
ImageSlide<span style="color:#fff;"><b>드론 주행에서 활용되는 SLAM</b></span>
드론 주행에서 활용되는 SLAM
좁고 어두운 배관, 뜨거운 증기가 가득한 발전소 등 처럼 사람이 접근하기 어려운 구조물을 실시간으로 3D 맵핑합니다.
ImageSlide<span style="color:#fff;"><b>3D 스캐닝에서 활용되는 SLAM</b></span>
3D 스캐닝에서 활용되는 SLAM
대상물의 3차원 형상을 스캔해 디지털 정보로 데이터화하여 디지털트윈 모니터링에 사용하거나, VR/AR 및 3D 게임에 들어가는 에셋으로서 활용 가능합니다.
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide
강사 소개

SLAM 외길 인생, 슬램슬램 입니다.

안녕하세요, 슬램슬램입니다!
8년 전 처음으로 SLAM을 접했을 때, 3D 공간이 눈앞에서 ‘촤르르륵’ 만들어지는
그 순간에 완전히 반해버렸습니다.
당시만 해도 한국어로 된 자료가 거의 없었고, 무엇을 어떻게 공부해야 할지도 잘 알려져 있지 않았습니다.

그래서 공부할 때는 늘 시행착오를 겪었고, 항상 이렇게 생각했습니다.

 “이런 걸 누가 나한테 알려줬다면 얼마나 좋았을까.”

기초 수학부터 센서 다루기, 로보틱스 알고리즘, 소프트웨어 최적화까지,

지난 8년간 직접 부딪히며 배우고 느꼈던 노하우들을 이제는 여러분과 나누고 싶습니다.
SLAM 커뮤니티를 운영하면서 수많은 대학생, 대학원생분들을 만났습니다.

그 중엔 SLAM에 관심은 많지만, 높은 진입장벽과 정보 부족으로 쉽게 시작하지 못하는 분들이 정말 많았습니다.
그래서 이번 강의는 공학의 기본기가 있는 분이라면 누구나 소프트웨어 기본기부터,
로보틱스의 기초, 다양한 SLAM 시스템,
마지막으로 최신 트렌드인 Physical AI에 SLAM을 녹여내는 방법까지
자연스럽게 이어갈 수 있도록 구성했습니다.

Threads Spatial AI KR
ImageSlide
ImageSlide
ImageSlide

SLAM 끝판왕 커리큘럼!

약 80시간 분량! 국내 최초 SLAM 기술을
끝장내기 위한 유일무이 로드맵

l 핵심 개념 01.

Physical AI 시대, SLAM을 반드시 이해해야 하는 3가지 이유 학습

l 핵심 개념 02.

SLAM을 구현하기 위해 반드시 알아야 할 3가지 기초 개념 학습

ImageSlide
ImageSlide
ImageSlide

l 프로젝트 실습 01.

2D 이미지에서 지도의 재료가 될 중요한 정보를 추출하는 영상 처리 구현 실습

학습 포인트
———————————————————————
· 지도 작성에 필요한 “특징점”의 개념을 학습
· “특징점” 을 수집하고 비교/추적하는 과정부터 이 “특징점” 이 어떻게 SLAM으로 
연결되는지 학습

실습 프로세스
———————————————————————
01. Classical local Feature 검출 실습
02. Deep Local Feature 검출 실습
03. Global Feature 검출 실습
04. Deep Global Feature 검출 실습
05. Feature Tracking 실습

l 프로젝트 실습 02.

여러 시점의 센서 데이터를 취합하여 3D 공간 재구성하기 위한 다중 시점 기하학 구현 실습

학습 포인트
———————————————————————
· “특징점”이 실제 3D 지도를 구성 해 나가는 방법 학습
· 각 센서 데이터 별 내포하고 있는 노이즈를 지우는 방법 학습

실습 프로세스
———————————————————————
01. Epipolar geometry 실습
02. Homography 실습
03. MonoVO 실습
04. Triangulation 실습
05. PnP 실습
06. RANSAC 실습
07. M-Estimator 실습
08. Bundle adjustment 실습

l 핵심 개념 01.

라이다, 카메라 등 센서로부터 얻은 3차원 데이터를 처리하기 위한 포인트 클라우드 처리 학습

ImageSlide<span style="color:#4668FF;"> <b>Step 1</span><br> <span style = "font-size:16px; "> PCL 라이브러리 학습 </b></span>
Step 1
PCL 라이브러리 학습
Filters, Features, Keypoints 등 여러 모듈을 활용하여 3D 센서에서 추출된 데이터를 정제 및 재구성하는 방법을 학습합니다.
ImageSlide<span style="color:#4668FF;"> <b>Step 2</span><br> <span style = "font-size:16px; "> 포인트 클라우드 전처리 실습    </b></span>
Step 2
포인트 클라우드 전처리 실습
노이즈를 제거하여 센서의 오차로 인해 발생한 잘못된 포인트를 제거하는 방법을 학습합니다.
ImageSlide<span style="color:#4668FF;"> <b>Step 3</span><br> <span style = "font-size:16px; "> ICP 실습    </b></span>
Step 3
ICP 실습
포인트 클라우드 간 매칭 기반 변환 추정의 작동 원리를 통해 포즈 추정과 맵 정합의 근간을 이해합니다.
ImageSlide<span style="color:#4668FF;"> <b>Step 4</span><br> <span style = "font-size:16px; "> Octree, OctoMap, Bonsai 실습    </b></span>
Step 4
Octree, OctoMap, Bonsai 실습
공간 구조 표현법을 학습하며 포인트 클라우드가 공간 점유 정보로 바뀌는 구조를 이해합니다.

l 핵심 개념 02.

측정된 위치/지도의 정확성을 높이기 위한 확률론적 그래프 추론 5가지 개념 학습

ImageSlide
ImageSlide
ImageSlide
ImageSlide
ImageSlide

l 핵심 개념 03.

위치 추정과 경로 계획에 활용되는 대표 9가지 지도 표현 방법 학습

ImageSlide<b>Sparse Map</b>
Sparse Map
로봇의 위치 추정을 위해 중요한 정보만을 담아 용량이 작은 지도를 만드는 방법을 학습합니다.
ImageSlide<b>Semi-Dense Map</b>
Semi-Dense Map
특징이 풍부한 정보만을 선별하여 하이브리드 형태의 지도를 만드는 방법을 학습합니다.
ImageSlide<b>Dense Map</b>
Dense Map
기하학적 특성을 활용하여 지도를 만드는 방법을 학습합니다.
ImageSlide<b>Mesh Map</b>
Mesh Map
벽의 위치를 보여주면서 용량이 작은 지도를 구성하는 방법을 학습합니다.
ImageSlide<b>Occupancy / Voxel Map</b>
Occupancy / Voxel Map
비어있는 곳과 벽이 있는 곳을 구분해서 경로 
계획이 가능한 지도를 만드는 방법을 학습합니다.
ImageSlide<b>Surfel Map</b>
Surfel Map
벽의 위치를 선별적으로 보이게 하는 하이브리드형 지도를 만드는 방법을 학습합니다.
ImageSlide<b>Implicit Field</b>
Implicit Field
공간에 대한 정보를 뉴럴네트워크에 담아 지도를 구성하는 방법을 학습합니다.
ImageSlide<b>Gaussian Splat</b>
Gaussian Splat
랜더링 기술을 활용하여 지도를 구성하는 방법을 학습합니다.
ImageSlide<b>Scene Graph / Topological Map</b>
Scene Graph / Topological Map
의미론적 공간을 활용하여 지도를 구성하는 방법을 학습합니다.

l 핵심 개념 01.

SLAM이 자율주행/로보틱스 시스템에서 동작하기 위한 기본 구조 학습

ImageSlide
ImageSlide

l 핵심 개념 02.

6가지 형태의 센서를 활용한 SLAM 구조 학습

ImageSlide<b>VSLAM(Visual SLAM)</b>
VSLAM(Visual SLAM)
· 카메라를 사용하여 주변 환경을 2차원 이미지로 인식하고 지도를 작성하는 방법을 학습합니다.
· 주요 활용 분야 : 자율주행 차량, 고정밀 로봇, 인프라 매핑 등
ImageSlide<b>LiDAR SLAM</b>
LiDAR SLAM
· 2D/3D LiDAR 데이터로 포인트 클라우드 처리 방식을 통해 지도를 작성하는 방법을 학습합니다.
· 주요 활용 분야 : 자율주행 차량, 고정밀 로봇, 인프라 매핑 등
ImageSlide<b>RADAR SLAM</b>
RADAR SLAM
· 긴 작동거리를 가지고 있는 전파 기반 센서로 흐린 날이나 야간에도 지도를 작성하는 방법을 학습합니다.
· 주요 활용 분야 : 날씨나 야외에 영향을 받는 실외 자율주행 로봇/드론 등
ImageSlide<b>EVENT SLAM</b>
EVENT SLAM
· 픽셀 단위의 밝기 변화만 감지하여 이미지가 아니더라도 비동기/고속 데이터 처리를 통해 지도를 작성하는 방법을 학습합니다.
· 주요 활용 분야 : 초고속 드론, 로봇 팔, 야간/고속 환경
ImageSlide<b>Inertial Odometry</b>
Inertial Odometry
· 가속도계와 자이로스코프 두 센서로 시간적으로 누적하여 물체의 자세와 위치를\ 추정할 수 있는 지도를 작성하는 방법을 학습합니다.
· 주요 활용 분야 : AR/VR 디바이스(모션 트래킹), 드론 등
ImageSlide<b>Leg Odometry</b>
Leg Odometry
· 로봇의 관절 각도와 발 접촉 상태로부터의 위치를 추정하여 지도를 작성하는 방법을 학습합니다.
· 주요 활용 분야 : 사족 보행 로봇, 휴머노이드 로봇

l 핵심 개념

SLAM의 근본이라 할 수 있는 대표 5가지 형태의 Classical SLAM 유형 학습

ImageSlide<b>Feature-Based VSLAM</b>
Feature-Based VSLAM
영상 속 특징점을 추출하고 매칭하여 카메라의 움직임과 지도를 동시에 추정하는 방법을 학습합니다.
ImageSlide<b>Direct VSLAM</b>
Direct VSLAM
영상의 픽셀 밝기(Intensity) 값 만으로 움직임을 추정하여 특징점 없이
지도를 추정하는 방법을 학습합니다.
ImageSlide<b>Visual-Inertial Odometry(VIO)</b>
Visual-Inertial Odometry(VIO)
영상 속 특징점을 추출하고 매칭하여 카메라의 움직임과 지도를 동시에 추정하는 방법을 학습합니다.
ImageSlide<b>2D LiDAR SLAM</b>
2D LiDAR SLAM
1개의 레이저가 회전하면서 얻은 거리 정보를 이용해 2D 지도와 위치를 
동시에 추정하는 방법을 학습합니다.
ImageSlide<b>3D LiDAR SLAM</b>
3D LiDAR SLAM
3차원 데이터(포인트 클라우드)를 활용하여 3D 지도와 위치를 동시에 추정하는 방법을 학습합니다.
ImageSlide

l 프로젝트 실습

SLAM의 센서 처리와 모듈 설계를 고려한 대표 7가지 형태의 Classical SLAM 구현 실습

SLAM을 효과적으로 사용하기 위해서는
센서 특성과 그에 맞춘 모듈 구조 설계를 잘 이해해야 합니다.


다수의 모듈이 복잡하게 얽혀 동작하는 SLAM 시스템을 이해하기 위해서는
각각의 센서와 그에 맞는 모듈 설계 의도를 아는 것이 중요합니다.
그리고 나만의 SLAM 시스템을 만들 때에도 역시 이 역량을 반드시 알고 있어야 합니다.
이번 실습은 모듈 설계 역량을 가장 빠르게 기를 수 있는 7가지 유형의 SLAM 구현 실습을 준비하였습니다.

ImageSlide<b>ORB-SLAM 2</b>
ORB-SLAM 2
계산과 매칭 속도가 매우 빠른 ORB 특징점을 활용하며 Drift 현상(오차 누적)
을 보정하면서 지도를 생성하는 방법을 학습합니다.
ImageSlide<b>Basalt-VIO</b>
Basalt-VIO
스테레오 카메라와 IMU 센서를 함께 활용하여 부드러운 궤적을 그리면서
지도를 생성하는 방법을 학습합니다.
ImageSlide<b>Cartographer</b>
Cartographer
구글이 개발한 2D/3D SLAM 라이브러리로 대규모 환경에 특화된 지도를 생성하는 방법을 학습합니다”
ImageSlide<b>KISS-SLAM</b>
KISS-SLAM
3D LiDAR만을 활용하고 픽셀 전반을 사용하는 포즈 추정 방식으로 지도를 생성하는 방법을 학습합니다.
ImageSlide<b>GLIM</b>
GLIM
LiDAR & IMU 기반으로 GPU 가속을 이용하여 지도를 생성하는 방법을 
학습합니다.
ImageSlide<b>FAST-LIO2</b>
FAST-LIO2
IMU 센서의 빠른 속도와 LiDAR 센서의 정밀성을 결합하여 정확도와
실시간성을 모두 고려하며 지도를 생성하는 방법을 학습합니다.
ImageSlide<b>GLIM</b>
GLIM
FAST-LIO2에 카메라 센서 데이터를 추가하여 위치 추정 정확도와 견고함을 더욱 향상시키면서 지도를 생성하는 방법을 학습합니다.
ImageSlide

l 핵심 개념

AI 기반으로 성능이 향상된 4가지 유형의 SLAM 학습

ImageSlide
ImageSlide
ImageSlide
ImageSlide

l 프로젝트 실습

7개 유형의 AI + SLAM 구현 실습

ImageSlide<b>DSP-SLAM</b>
DSP-SLAM
Instance Segmentation으로 Class와 Shape Prior를 추출하여 MVG 기반 Object Pose와 Robot Pose를 동시에 최적화하는 방법을 학습합니다.
ImageSlide<b>Kimera</b>
Kimera
3D Dynamic Scene Graph(3D GDS)를 활용하여 인간과 로봇의 상호작용을 위한 공간 인식 시스템을 개발하는 방법을 학습합니다.
ImageSlide<b>ConceptFusion</b>
ConceptFusion
로봇이 자연어, 이미지, 음성 또는 클릭을 통해 실시간으로 쿼리할 수 있는 다중 모드 3D 지도를 구축하는 방법을 학습합니다.
ImageSlide<b>Gaussian Splatting SLAM</b>
Gaussian Splatting SLAM
불연속적인 가우시안 ‘덩어리’(splats) 모음으로 지도를 표현하여 빠르게 렌더링 하면서 지도를 구축하는 방법을 학습합니다.
ImageSlide<b>MASt3r-SLAM</b>
MASt3r-SLAM
순방향(Feed-Forward) Transformer로 빠르게 Global Pose와 장면 
구조를 예측하여 지도를 구축하는 방법을 학습합니다.
ImageSlide<b>PIN-SLAM</b>
PIN-SLAM
포인트 기반의 암시적 신경망을 표현하는 방식으로 전역적으로 일관성 있게 LiDAR 기반 지도를 구축하는 방법을 학습합니다.
ImageSlide<b>Suma++</b>
Suma++
딥러닝 기반의 시멘틱 분할 기술을 결합하여 기하학적 정보만 활용하던 
Suma를 확장 후 의미 정보를 통합해 지도를 구축하는 방법을 학습합니다.
ImageSlide
ImageSlide
ImageSlide
ImageSlide
Point 01
이미지와 포인트 클라우드 처리 등 병렬성이 높은 연산을
실시간 처리하여 현업에서 가장 많이 활용

Point 02
ORB-SLAM 2, FAST-LIO2, SuMa ++ 등 기본 SLAM
알고리즘부터 최신 알고리즘까지 모두 호환되어 실행 가능

Point 03
Pytorch, cuDNN 등 다양한 딥러닝 플랫폼을 공식 지원하며
실시간 추론에 맞게 최적화

NVIDIA Jetson Orin

* 하드웨어 구매 가능한 링크는 하단 [장비 안내]를 확인해주세요.

파이널 프로젝트 01.
자율주행 차량을 위한 SLAM 구현

l 프로젝트 목표

자율주행 데이터를 이용해서 3D 차선 HD MAP을 만드는 과정을 이해하고
오토라벨링 파이프라인을 개발하기 위한 SLAM 기법을 학습합니다.

파이널 프로젝트 02.
드론 시스템 구동을 위한 SLAM 구현

l 프로젝트 목표

드론에서 사용하는 가볍고 매우 빠른 형태의 SLAM을 만드는 과정을 이해하며
임베디드 시스템에서 최적화할 수 있는 SLAM을 기법을 학습합니다.

파이널 프로젝트 03.
모바일 스캐너 시스템을 위한 SLAM 구현

l 프로젝트 목표

실제 라이다와 카메라, 임베디드 보드를 이용해서 3D 스캐닝 & 캡처
시스템을 직접 제작하는 SLAM을 기법을 학습합니다.

파이널 프로젝트 04.
사족보행 로봇 개발을 위한 SLAM 구현

l 프로젝트 목표

4족보행 로봇이 격한 움직임 가운데서도 위치 추정을 하며 지도를 만들 수 있는 SLAM 기법을 학습합니다.

파이널 프로젝트 05.
휴머노이드 로봇 개발을 위한 SLAM 구현

l 프로젝트 목표

휴머노이드 로봇이 실내/실외 공간을 돌아다니며 정확하게 위치를 추정하는 SLAM 기법을 학습합니다.

파이널 프로젝트 06.
VR/AR 헤드셋 개발을 위한 SLAM 구현

l 프로젝트 목표

VR/AR 헤드셋이 다수의 카메라를 이용해 사용자가 멀미를 느끼지 않을 정도로 빠르고 정확하게 위치를 추정하는 SLAM 기법을 학습합니다.

패키지 상품

로봇의 3D 공간 인지를 위한 SLAM부터, 국내 유일 자율주행 Full Cover (CV, 라이다, 센서퓨전) 기술까지! 로보틱스 및 자율주행의 핵심 기술을 마스터!
가격2,000,000
할인 판매가69% 할인616,800
12개월 할부월 51,400원
판매 기간이 종료된 상품입니다.
Question.1
어떤 분들이 수강하시면 좋을까요?
· Physical AI 시대, 물리 환경에서 SLAM을 활용하여 로봇과 3D 컴퓨터 비전 시스템 
구현을 하고 싶어하는 엔지니어
· Vision & SLAM 분야를 연구하고 있는 대학원생

Question.2
강의를 수강하고 나서
어떤 지식을 학습할 수 있나요?
· SLAM 시스템 구현 

· 실제 SLAM이 응용되는 자율주행/로보틱스 분야에서 자주 활용되는 라이브러리를
활용하여 SLAM 시스템을 구현할 수 있는 역량을 학습할 수 있습니다.
· 오픈소스 프레임워크 활용 역량 

· SLAM을 먼저 논문을 통해 이론을 익히며 구조를 이해한 후, 코드를 돌려보고 
각 개별 SLAM 시스템 구성에 맞춰 필요한 부분을 수정하며 커스텀하게 SLAM을
개발할 수 있습니다.

Question.3
필요한
선수지식이 있을까요?
· 고등학교 수준의 미적분, 확률과 통계, 선형대수 지식
· Ubuntu Linux의 기본기
· C++과 Python 언어의 기초 이해 (선택)

Question.4
개발 환경
· Ubuntu Linux OS(직접 설치하거나, WSL/VM 등을 이용해 환경 설정)

 · C++ / Python

 · OpenCV, Eigen

 · Ceres-solver, g2o, GTSAM, SymForce

 · Pytorch
본 강의에서 사용될 장비 안내드립니다.
하드웨어 없이도 강의 수강이 충분히 가능합니다.

NVIDIA Jetson AGX Orin (Click)
· 유료 (장비는 강의에서 제공되지 않습니다.)
· 3,450,000원

NVIDIA Jetson Orin Nano(Click)
· 유료 (장비는 강의에서 제공되지 않습니다.)
· 499,000원

대체 가능한 하드웨어
Raspberry Pi 16GM RAM(Click)
· 유료 (장비는 강의에서 제공되지 않습니다.)
· 197,000원

대체 가능한 하드웨어
Texas Instruments TDA4VM(Click)
· 유료 (장비는 강의에서 제공되지 않습니다.)
· 약 355,400원($249)

대체 가능한 하드웨어
Qualcom RB5 Development Kit(Click)
· 유료 (장비는 강의에서 제공되지 않습니다.)
· 약 1,130,000원($795)
[1+1 이벤트 : 6월 26일 쿠폰 자동발급]로보틱스 & 3D 컴퓨터 비전 개발을 위한 SLAM 바이블 with 슬램슬램
정가900,000
할인 금액(-59%) 536,000
현재 판매가364,000

월 30,334원

* 12개월 무이자 할부 시
[특별 구성] 자율주행을 위한 로봇 올인원 패키지 (SLAM&컴퓨터비전&라이다&센서퓨전)
정가2,000,000
할인 금액(-69%) 1,383,200
현재 판매가616,800

월 51,400원

* 12개월 무이자 할부 시