프로젝트의 목적
•
MLOps의 개념으로 부터 영감을 받아 SLAM의 전체 과정을 모듈화/자동화 하고 실제 서비스에 적용할수 있는 수준으로의 SLAMOps의 개념 설계
•
Phase 0: SLAM on Docker
◦
가상화된 환경내에서 SLAM 알고리즘을 구동 할수 있도록 Docker 컨테이너화
•
Phase 1: Hyper-parameter tunning
◦
Kubeflow의 Katib를 이용한 SLAM 맵핑 하이퍼 파라미터 튜닝 파이프라인 구성
•
Phase 2: Experiment Pipeline
◦
SLAM을 위한 많은 아이디어들을 개발해보고 격리된 도커 컨테이너 안에서 수행
◦
작업 수행시 출력되는 로그, 작업 완료시 저장되는 산출물을 기록하고
◦
결과의 재현성이 보장되며 재사용 가능한 형태로 모듈화
•
Phase 3: Continuous Mapping
◦
SLAM의 결과로 생성되는 맵이 하나의 딥러닝 모델로 고려
◦
우리가 사는 세계는 지속적으로 변화하므로 지도는 지속적으로 업데이트가 필요
◦
Map update, Fleet managemente등의 개념을 포함하는 Continuous mapping 개념을 구상
•
Phase 4: Localization Serving
◦
맵핑된 지도에서 자신의 위치를 파악하는 Localization은, 딥러닝에서 학습된 모델에 Inference를 수행하는 작업과 유사
◦
관리해야하는 로봇의 수가 증가함에 따라 Localization 서비스를 안정적으로 제공(Serving)할 수 있도록 대규모 분산처리의 개념 도입 필요
기여한 부분
•
SLAMOps의 초기 개념 설계
•
Phase 0: SLAM on Docker 컨텐츠 제작
•
Phase 1: Hyper-parameter tunning
◦
SLAM의 결과로 산출된 지도의 퀄리티를 평가할수 있는 메트릭 구현
