초경량 시각 관성 오도메트리와 실시간 적응 기술

초록

UL‑VIO는 파라미터 1 백만 이하의 초경량 시각‑관성 오도메트리 네트워크를 제안한다. 모델 압축으로 기존 최첨단 대비 36배 작은 크기를 달성했으며, KITTI에서 오차는 1 %만 증가한다. 테스트 시점에 관성 데이터와의 일관성을 이용해 배치 정규화(BN) 파라미터만 업데이트함으로써 노이즈에 강인한 적응을 수행한다. KITTI‑C, EuRoC, Marulan 등 다양한 데이터셋과 날씨·조명 노이즈 환경에서 평균 18 %·최대 45 % 정도의 번역 RMSE 감소를 보인다.

상세 분석

본 논문은 경량화와 실시간 적응이라는 두 축을 동시에 만족시키는 VIO 시스템을 설계한다는 점에서 의미가 크다. 첫 번째 축인 모델 압축에서는 기존 NAS‑VIO 구조를 기반으로 시각 인코더의 마지막 컨볼루션 뒤에 평균 풀링을 삽입해 피처 맵 크기를 크게 줄이고, 채널 수를 축소함으로써 117배 압축을 달성한다. 또한 관성 인코더와 풀링된 시각 인코더의 채널을 동시에 축소해 8배 정도의 파라미터 감소를 얻는다. 디코더 부분에서는 LSTM 대신 완전 연결층을 사용해 161배 압축을 이루었으며, 이는 연산량 감소와 메모리 요구량 감소에 크게 기여한다. 압축 과정에서도 배치 정규화(BN) 파라미터는 그대로 보존한다는 설계 선택은 테스트‑타임 적응(TTA)의 핵심이다.

두 번째 축인 테스트‑타임 적응에서는 시각‑관성 일관성을 활용한다. 관성 센서는 날씨·조명 등 시각적 노이즈에 상대적으로 강인하므로, 관성 전용 디코더가 출력하는 포즈를 ‘의사 라벨’로 사용한다. 이 의사 라벨과 시각‑관성 융합 디코더가 출력하는 포즈 사이의 L2 손실을 최소화하도록 BN 파라미터만 업데이트한다. BN 파라미터는 평균·분산 통계만을 조정하므로 연산 비용이 매우 낮으며, 파라미터 오버헤드도 노이즈 유형당 0.18 %에 불과하다.

도메인 변화를 감지하기 위해 시각 인코더 초반 레이어에서 추출한 도메인 구별 피처(ddf)를 사전 구축된 딕셔너리와 매칭한다. 매칭 결과가 기존 도메인과 다르면 적응을 트리거하고, 해당 노이즈에 대응하는 BN 파라미터 집합을 로드한다. 이 방식은 ‘잊어버림’ 없이 연속적인 시퀀스에 대해 온라인 적응을 가능하게 한다.

실험 결과는 세 가지 데이터셋(KITTI, EuRoC, Marulan)과 다양한 시각 노이즈(C, 블러, 비, 눈, 그림자 등)에서 검증되었다. 특히 KITTI‑C에서 동적 노이즈 전환 상황에 대해 평균 18 %·최대 45 %의 번역 RMSE 감소를 기록했으며, 압축 전후 성능 차이는 1 % 수준에 머물렀다. 이는 경량화와 적응 효율성을 동시에 달성한 첫 VIO 모델임을 입증한다.

요약하면, UL‑VIO는 (1) 1 M 이하 파라미터로 36배 경량화, (2) BN 기반 저비용 테스트‑타임 적응, (3) 관성‑시각 일관성을 이용한 노이즈 강인성 확보라는 세 가지 핵심 기여를 통해 제한된 메모리·전력 환경에서도 실시간 로봇 내비게이션에 적용 가능한 VIO 솔루션을 제공한다.