도플러 기반 레이더·라이다 관성 SLAM

초록

본 논문은 4D 레이더와 FMCW 라이다의 도플러 속도 정보를 IMU와 결합한 통합 SLAM 프레임워크를 제안한다. 전면에서는 도플러 기반 스캔 매칭과 동적 물체 필터링을 수행하고, 후면에서는 그래프 최적화를 통해 자세와 외부 파라미터를 동시에 추정한다. 실험 결과, 기존 레이더‑SLAM·라이다‑SLAM 대비 정확도와 견고성이 크게 향상되었으며, 코드와 데이터셋을 공개한다.

상세 분석

Doppler‑SLAM은 레이더와 FMCW 라이다가 제공하는 3차원 위치와 도플러 속도 정보를 동일한 수식 체계로 재구성함으로써, 센서 간 데이터 융합의 복잡성을 크게 낮춘다. 특히 4D 레이더가 제공하는 각 포인트의 방사형 속도(vₛ)와 라이다가 제공하는 동일한 도플러 정보를 이용해, IMU 기반 전방향 전파와 결합한 ‘속도 필터’를 설계하였다. 이 필터는 예측된 도플러 속도와 실제 측정값의 차이가 사전 정의된 임계값(Υ) 이하인 포인트만을 정적 포인트로 간주함으로써, 동적 물체에 의한 외란을 효과적으로 억제한다. 기존의 최소제곱 기반 방법이 동적 환경에서 전체 포인트를 사용해 ego‑velocity를 추정하는 데 비해, 제안된 필터는 IMU의 회전·가속도 정보를 활용해 각 포인트의 예상 도플러를 사전에 계산하고, 이를 통해 동적 포인트를 실시간으로 배제한다.

전면의 ‘모션 보상’ 단계에서는 예측된 ego‑velocity를 이용해 스캔 왜곡을 보정하고, 도플러 기반 스캔 매칭(Doppler‑ICP)을 적용한다. 여기서는 점‑점 거리 최소화뿐 아니라 도플러 잔차(r·Δv)도 비용 함수에 포함시켜, 고속 주행이나 급격한 회전 상황에서도 매칭 정확도를 유지한다.

후면에서는 24차원 상태 벡터(x)와 레이더·라이다‑IMU 외부 파라미터(Rₛb, pₛb)를 포함한 팩터 그래프를 구성한다. IMU 프리인테그레이션 팩터, odometry 팩터, 그리고 도플러 잔차 팩터를 동시에 최적화함으로써, 전역 일관성을 확보한다. 루프 클로저가 감지되면 추가적인 외부 파라미터 정밀 보정이 수행되어, 센서 간 캘리브레이션 드리프트를 최소화한다.

실험에서는 공개된 Oxford Radar RobotCar, nuScenes, 그리고 저자 자체 수집한 ‘HeRCULES Sports Complex’ 데이터셋을 사용하였다. 레이더‑SLAM, 라이다‑SLAM, 그리고 최신 라이다‑관성 통합 방법(Fast‑LIO2, FMCW‑LIO)과 비교했을 때, 평균 위치 오차는 30% 이상 감소했으며, 동적 물체가 다수 존재하는 시나리오에서도 트래젝터리 드리프트가 현저히 낮았다. 또한, 실시간 처리량은 CPU 8코어 기준 15 Hz(레이더)·20 Hz(라이다)로, 실시간 적용에 충분한 성능을 보였다.

본 연구의 주요 기여는 (1) 도플러 정보를 이용한 동적 포인트 필터링 및 스캔 매칭, (2) 통합된 전면‑후면 아키텍처를 통한 관성‑도플러‑공간 데이터의 긴밀한 결합, (3) 루프 클로저 기반 온라인 외부 파라미터 캘리브레이션, (4) 공개 코드와 데이터셋 제공으로 재현성 확보이다. 이러한 요소들은 악천후·저조도·특징 부족 환경에서도 견고한 SLAM을 구현하려는 차세대 자율주행 시스템에 중요한 기반이 될 것으로 기대된다.