경량형 강건 포인트 클라우드 정합 프레임워크 GMOR

초록

GMOR은 Chasles 정리를 이용해 6자유도 강체 변환을 회전 축과 2차원 변환으로 분해하고, 회전 축 탐색을 BnB로 수행한다. 첫 단계에서는 큐브 매핑을 이용해 반구 상의 회전 축을 후보로 선정하고, 축 방향 평행 이동을 구간 스태빙으로 추정한다. 두 번째 단계에서는 남은 회전 각을 1차원 탐색하고, 축에 대한 2차원 겹침을 축 정렬 사각형의 최대 겹침 문제로 변환해 스위프 라인과 세그먼트 트리를 이용해 O(N log N) 시간에 해결한다. 실험 결과 3DMatch, 3DLoMatch, KITTI 데이터셋에서 기존 그래프 기반·BnB 기반 방법보다 정확도와 효율성이 모두 우수함을 보이며, 메모리 사용량은 입력 포인트 수에 선형적으로 증가한다.

상세 분석

본 논문은 기존의 고아웃라이어 비율에 강인한 전역 정합 방법이 그래프 구축 시 O(N²) 메모리·시간 복잡도와 다단계 BnB에서 지역 최적에 빠지는 문제를 안고 있다는 점을 정확히 지적한다. 이를 해결하기 위해 저자들은 Chasles 정리를 활용해 6DoF 강체 변환을 “축을 따라 이동 + 2D 평면 변환” 형태로 분해한다. 이때 회전 축은 단위 구면 위의 점으로 표현되며, 반구를 큐브 매핑으로 파라미터화해 균등하게 탐색 영역을 나눈다. BnB는 회전 축 후보를 상하한 바운딩 박스로 좁히면서, 각 후보에 대해 대응점들을 축에 투영해 1D 구간 스태빙(interval stabbing)으로 최적의 축 방향 이동량을 구한다. 구간 스태빙은 기존의 단순 인라이어 카운트가 아니라 가중치 기반 겹침(overlap) 최대화 문제로 확장되어, 신뢰도가 높은 대응점에 더 큰 영향력을 부여한다.

두 번째 단계에서는 남은 회전 각을 1차원으로 제한하고, 각 후보 회전 축에 대해 2D 평면상의 회전 중심을 축 정렬 사각형(bounding box)으로 근사한다. 이 사각형들의 최대 겹침을 구하는 문제는 Klee의 사각형 문제와 동일하며, 스위프 라인 알고리즘에 세그먼트 트리를 결합해 O(N log N) 시간에 정확히 해결한다. 이렇게 2단계 BnB가 서로 독립적으로 최적화를 수행하면서도, 첫 단계에서 상위 k개의 축 후보만을 전달함으로써 지역 최적에 빠질 위험을 크게 감소시킨다.

알고리즘 복잡도 측면에서, 회전 축 탐색은 구면 상의 큐브 셀 수에 비례하는 다항 시간이며, 각 셀마다 구간 스태빙은 O(N)이다. 2D RMQ 단계는 O(N log N)이며, 전체 메모리 사용량은 대응점 집합을 저장하는 정도인 O(N)이다. 따라서 최악의 경우에도 선형 메모리와 다항 시간 복잡도를 유지한다는 점이 큰 강점이다. 실험에서는 실내 3DMatch/3DLoMatch와 실외 KITTI LiDAR 데이터셋에서 아웃라이어 비율이 90%에 달하는 상황에서도 기존 최고 성능 방법들(TEASER++, GO-ICP, TR-DE 등)보다 높은 성공률과 평균 회전·번역 오류 감소를 기록한다. 특히, 그래프 기반 방법이 메모리 초과로 실패하는 대규모 포인트 클라우드에서도 안정적으로 동작한다.

이 논문은 회전 축을 직접 탐색하는 새로운 BnB 설계와, 구간 스태빙·스위프 라인 기반 RMQ를 결합한 통합 프레임워크를 제시함으로써, 고아웃라이어 환경에서도 메모리·시간 효율성을 유지하면서 전역 최적성을 보장하는 실용적인 정합 솔루션을 제공한다.