Cartographer를 활용한 Mapping 가이드

Posted Feb 3, 2026

By Hangyo Cho

8 min read

Cartographer

핵심 개념

Cartographer는 Google이 개발한 real-time SLAM (Simultaneous Localization and Mapping) 시스템입니다.

주요 특징

특징	설명
Real-time	온라인 맵핑, 즉시 사용 가능
Loop Closure	자동으로 같은 장소 인식 → drift 보정
Sensor Fusion	LiDAR + IMU + Odometry 통합
2D/3D 지원	2D (평면) 및 3D (공간) 맵핑
Submap 기반	큰 맵을 작은 submaps로 나눠 효율적 관리

기본 동작 원리

┌─────────────────────────────────────────────────────┐
│ Sensor Data Input                                   │
├─────────────────────────────────────────────────────┤
│  📡 LiDAR Scan  +  🧭 IMU  +  🚗 Wheel Odometry     │
└─────────────────────┬───────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────────┐
│ Local SLAM (Real-time Tracking)                     │
├─────────────────────────────────────────────────────┤
│  - Pose Extrapolation (IMU + Odom 예측)              │
│  - Scan Matching (현재 스캔을 submap과 매칭)            │
│  - Submap 생성 및 업데이트                             │
│  → 빠른 tracking (10-40 Hz)                          │
└─────────────────────┬───────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────────┐
│ Global SLAM (Pose Graph Optimization)               │
├─────────────────────────────────────────────────────┤
│  - Loop Closure Detection (같은 장소 인식)             │
│  - Constraint 생성 (submaps 간 관계)                  │
│  - Pose Graph Optimization (전체 최적화)              │
│  → Drift 보정, 일관된 맵 (주기적)                       │
└─────────────────────┬───────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────────┐
│ Output                                              │
├─────────────────────────────────────────────────────┤
│  🗺️ Occupancy Grid Map (.png + .yaml)               │
│  💾 State (.pbstream - submaps, poses, etc.)        │
└─────────────────────────────────────────────────────┘

논문 기반 알고리즘 이해

Cartographer의 핵심 알고리즘은 다음 논문에 기반합니다:

Real-Time Loop Closure in 2D LIDAR SLAM
Wolfgang Hess, Damon Kohler, Holger Rapp, and Daniel Andor
2016 IEEE International Conference on Robotics and Automation (ICRA)

핵심 기여

Submap-based Representation
- 맵을 작은 submaps로 분할
- 각 submap은 독립적으로 생성/최적화
- 메모리 효율적 + 빠른 매칭
Branch-and-Bound Scan Matching
- Multi-resolution grid pyramid
- 빠른 global search (넓은 search window)
- Robust to initial guess errors
Pose Graph Optimization
- Sparse pose graph (nodes = trajectory poses, edges = constraints)
- Ceres Solver로 효율적 최적화
- Loop closure constraints로 drift 보정
Real-time Performance
- Local SLAM: 독립적, 빠름 (고빈도)
- Global SLAM: 비동기, 느림 (저빈도)
- 두 단계 분리로 실시간성 확보

알고리즘 요약 (Pseudo Code)

Local SLAM:

  
def LocalSLAM(scan, imu, odom):
    # 1. Pose prediction
    predicted_pose = extrapolator.Predict(imu, odom)

    # 2. Scan matching (현재 active submap과)
    #    - Fast correlative scan matching (optional)
    #    - Ceres scan matching (continuous optimization)
    optimized_pose = ScanMatch(scan, active_submap, predicted_pose)

    # 3. Insert scan to submap
    active_submap.Insert(scan, optimized_pose)

    # 4. Submap 완료 시 Global SLAM으로 전달
    if active_submap.is_finished():
        GlobalSLAM.AddFinishedSubmap(active_submap)
        active_submap = CreateNewSubmap()

    return optimized_pose

Global SLAM:

  
def GlobalSLAM():
    # 주기적으로 실행 (백그라운드 스레드)

    # 1. Loop closure detection
    for new_submap in finished_submaps:
        for old_submap in all_submaps:
            if SpatiallyClose(new_submap, old_submap):
                # Fast correlative scan matching
                match_result = MatchSubmaps(new_submap, old_submap)
                if match_result.score > threshold:
                    # Constraint 생성
                    AddConstraint(new_submap, old_submap, match_result)

    # 2. Pose graph optimization
    #    모든 constraints를 만족하는 최적의 poses 계산
    optimized_poses = CeresOptimize(pose_graph, constraints)

    # 3. Submaps 및 trajectories 업데이트
    UpdateSubmapPoses(optimized_poses)

Pose Graph Optimization:

\[\mathbf{X}^* = \arg\min_\mathbf{X} \sum_{ij \in \mathcal{C}} \rho\left( \mathbf{e}_{ij}(\xi_i, \xi_j) \right)\]

where:

$\mathbf{X} = {\xi_1, \ldots, \xi_N}$: 모든 poses
$\mathcal{C}$: Constraints (intra-submap, inter-submap, loop closures)
$\mathbf{e}_{ij}$: Residual (측정값과 예측값의 차이)
$\rho$: Robust cost function (Huber loss)

Scan Matching Cost:

\[C(\xi) = \sum_{p_i \in \mathcal{P}} \left(1 - M(\xi \circ p_i)\right)^2 + w_t \|\Delta t\|^2 + w_r \|\Delta r\|^2\]

where:

$\xi$: 최적화할 pose
$\mathcal{P}$: Scan points
$M$: Occupancy probability grid (bilinear interpolation)
$w_t, w_r$: Regularization weights

Modified Cartographer

UNICORN racing 팀은 고속 주행 환경 및 트랙에 최적화하기 위해 Cartographer를 수정했습니다.

수정 사항 #1: Wheel Odometry PGO 제외

배경 문제

고속 레이싱 환경:
- 급격한 가속/감속이 빈번
- Wheel slip 발생 (특히 저마찰 노면)
- Wheel odometry의 정확도가 traction에 따라 크게 변동
원래 Cartographer:
- Wheel odometry를 두 가지 용도로 사용:
  1. Pose extrapolation (velocity reference)
  2. Pose graph optimization (constraint)
문제:
- 부정확한 wheel odometry가 PGO에 들어가면
  - 오히려 최적화 결과를 악화시킴
  - Localization drift 증가

해결 방법

Wheel odometry를 PGO에서 제외, velocity reference로만 사용

  
// Modified: trajectory_builder.lua
options.use_odometry = false  // ← PGO에서 제외

// Launch file에서는 여전히 remap
<remap from="odom" to="/vesc/odom" />  // ← Velocity reference로 사용

효과:

Before (Original Cartographer):
- Wheel slip 발생
  - 잘못된 odometry constraint
  - PGO가 잘못된 방향으로 최적화
  - Localization drift ⬆️
After (UNICORN Modified):
- Wheel slip 발생
  - Odometry는 velocity reference로만 사용 (extrapolation)
  - PGO는 LiDAR + IMU만 사용
  - Robust optimization
  - 맵 품질 ⬆️

수정 사항 #2: Adaptive Wheel Odometry

저마찰 조건 (예: 타이어 마모, 대리석, 흙먼지)에서:

Wheel slip ⬆️
Wheel odometry ≠ Actual velocity
Pose extrapolation 부정확
Scan matching Initial guess 나빠짐

해결 방법

자세한 내용은 Adaptive Wheel Odometry 가이드를 참고하세요.

맵핑 가이드

실행

Method 1: Full Mapping Pipeline

UNICORN의 mapping.launch는 맵핑 + raceline optimization을 함께 수행합니다.

  
# 센서 및 조이스틱 노드 Launch
roslaunch stack_master low_level.launch

roslaunch stack_master mapping.launch \
  map:=map_name \
  create_map:=True \
  create_global_path:=False

# 맵핑이 완료 되었다고 하면 y를 누르고 enter >> 이후 ctrl + C를 통해 나오면 됩니다.

Method 2: Rosbag 재생 (오프라인 맵핑)

  
# 사전에 rosbag을 녹화한 경우:
rosbag play ~~~.bag --clock

roslaunch stack_master bag_mapping.launch \
  map:=map_name

# 맵핑이 완료 되었다고 하면 y를 누르고 enter >> 이후 ctrl + C를 통해 나오면 됩니다.

주행 전략 및 팁

트랙 전체를 최소 2번 주행하세요.

주행 팁:

최대한 트랙의 Centerline을 따라서 주행하세요.
급격한 스티어가 없도록 주의하여 주행하세요.
맵핑 시 드리프트가 많이 발생한다면, 조금 구불구불하거나 복잡한 곳에서 부터 맵핑을 시작해 보세요.

마무리

Cartographer는 Google이 개발한 실시간 SLAM 시스템으로, Local SLAM과 Global SLAM의 2단계 구조로 효율적인 맵핑을 수행합니다.

주요 포인트를 요약하면:

Submap 기반: 큰 맵을 작은 submaps로 나눠 효율적으로 관리합니다
Loop Closure: 자동으로 같은 장소를 인식하여 drift를 보정합니다
Modified Cartographer: UNICORN 팀은 고속 주행 환경에 맞게 Wheel Odometry를 PGO에서 제외하여 맵 품질을 향상시켰습니다

고품질 맵을 만들기 위해서는 트랙 전체를 최소 2번 주행하고, Centerline을 따라 안정적으로 주행하는 것이 중요합니다.

racing stack, mapping

This post is licensed under CC BY 4.0 by the author.

Cartographer

핵심 개념

주요 특징

기본 동작 원리

논문 기반 알고리즘 이해

핵심 기여

알고리즘 요약 (Pseudo Code)

Modified Cartographer

수정 사항 #1: Wheel Odometry PGO 제외

배경 문제

해결 방법

수정 사항 #2: Adaptive Wheel Odometry

해결 방법

맵핑 가이드

실행

Method 1: Full Mapping Pipeline

Method 2: Rosbag 재생 (오프라인 맵핑)

주행 전략 및 팁

마무리

Trending Tags