실내 배달 로봇을 위한 대규모 SLAM·장소인식 벤치마크

초록

Segway DRIVE 벤치마크는 사무실·쇼핑몰 등 실내 환경에서 배달 로봇이 수집한 1년 간의 데이터를 기반으로, 저가 IMU·피시아이 카메라·휠 인코더·고정밀 라이다를 결합한 100여 개 시퀀스(총 50 km 이상)를 제공한다. 평면 이동, 동적 보행자, 조명·구조 변화 등 실제 운용에서 발생하는 어려움을 그대로 담아, SLAM·시각적 장소인식 알고리즘의 정확도·견고성을 평가할 수 있는 새로운 정량 지표도 제시한다.

상세 분석

이 논문은 기존 SLAM·장소인식 데이터셋이 대부분 야외 주행이나 제한된 실험실 환경에 국한돼 있다는 점을 지적하고, 실제 상업용 배달 로봇이 마주치는 복합적인 문제들을 그대로 재현한 벤치마크를 제안한다. 주요 센서 구성은 전역 셔터를 갖는 피시아이 어안 카메라(30 fps, 10 fps 저장), 250 Hz 가속도·200 Hz 자이로를 제공하는 저가 IMU, 두 개의 휠 인코더, 그리고 필요 시 부착하는 2D 라이다이다. 카메라와 IMU는 하드웨어 동기화가 이루어져 시계열 정합이 용이하고, 라이다는 고정밀 레퍼런스 트랙을 생성해 전역 좌표계의 ground‑truth를 제공한다.

데이터는 5개~8개 실내 장소에서 1년 동안 반복 수집되었으며, 동일 경로를 여러 차례 촬영함으로써 시간에 따른 조명·인테리어 변화를 포함한다. 특히 로봇이 평면 위에서 이동하기 때문에 VINS(Visual‑Inertial Navigation System)의 관측 가능성 문제가 발생한다. 전역 위치와 요(yaw) 각이 관측되지 않는 구조적 한계를 보완하기 위해 휠 오도메트리를 제공하고, 이를 이용해 상대 이동을 정밀히 추정한다.

평가 지표는 두 가지로 나뉜다. 첫째, 기존 RPE·ATE와 같은 odometry·mapping 정확도 지표를 그대로 사용한다. 둘째, metric place recognition을 위한 새로운 지표를 도입해, 로컬라이제이션 성공 횟수(Np)와 false‑positive 비율을 휠 오도메트리 기반 상대 이동과 비교해 정량화한다. 이 방식은 재현 가능한 실시간 재위치 추정 성능을 평가하는 데 유용하다.

벤치마크에 적용된 실험에서는 대표적인 VIO(ORB‑SLAM3, VINS‑Mono 등)와 라이다‑기반 SLAM(LOAM, Cartographer) 그리고 최신 metric place recognition(SeqSLAM, NetVLAD 기반) 알고리즘을 테스트했으며, 동적 보행자·조명 변화·급격한 회전 등에서 성능 급락을 확인했다. 이는 저가 센서와 평면 이동이라는 제약이 실제 서비스 환경에서 알고리즘 설계에 얼마나 큰 영향을 미치는지를 보여준다.

전체적으로 이 데이터셋은 실내 로봇 내비게이션 연구에 필요한 ‘현장성’을 제공함과 동시에, 센서 퓨전·관측 가능성·동적 장면 처리 등 핵심 과제를 명확히 제시한다. 앞으로 라이다를 제외한 순수 비전·IMU 기반 솔루션, 혹은 학습 기반 장소인식 모델의 일반화 능력을 검증하는 표준 테스트베드로 활용될 가능성이 크다.