장기 라이다 매핑을 위한 변동 환경 변화 감지와 지도 유지

초록

본 논문은 건설 현장이나 자주 재배치되는 실내와 같이 변동이 잦은 환경에서 로봇이 실시간으로 구조적 변화를 감지하고, 기존 라이다 지도에 신뢰성 있게 업데이트할 수 있도록 설계된 듀얼‑헤드 네트워크 ‘Chamelion’을 제안한다. 핵심 기여는 (1) 단일 스캔만으로도 장기 변화 데이터를 인위적으로 생성하는 합성 데이터 증강 기법, (2) 4D 스파스 컨볼루션 백본과 변화 분류·시야 신뢰도 두 헤드를 결합한 아키텍처, (3) 시야 신뢰도를 활용한 확률적 지도 업데이트 전략이다. 실제 건설 현장 및 사무실 실험에서 기존 방법 대비 높은 정확도와 실시간 성능을 입증하였다.

상세 분석

Chamelion은 장기 라이다 매핑에서 발생하는 두 가지 핵심 문제, 즉 (① 대규모 장기 변화 데이터 확보의 어려움)와 (② 고동적 객체와 구조적 변화(저동적 변화)를 구분하는 복잡성)을 동시에 해결한다. 데이터 측면에서는 단일 세션 스캔에서 정적인 객체를 추적·분리한 뒤, 이를 임의 위치에 삽입·제거함으로써 ‘가짜’ 변화 라벨을 자동 생성한다. 이 과정은 다중 세션 수집 없이도 양성(새로운 구조물)·음성(소멸된 구조물) 변화를 균형 있게 만들 수 있어, 라벨링 비용을 실질적으로 0에 가깝게 만든다.

네트워크 구조는 MinkowskiEngine 기반의 4D 스파스 컨볼루션을 활용한다. 입력은 지도와 현재 스캔을 각각 가시성 플래그와 함께 4차원 텐서로 결합한 뒤, 공간·시간(스캔 순서) 정보를 동시에 학습한다. 듀얼‑헤드 설계는 두 개의 별도 출력층을 두어 (i) 변화 클래스(정적, 양성, 음성)를 예측하고, (ii) 교차 가시성(confidence) 점수를 추정한다. 가시성 점수는 지도와 스캔 간 최근접 거리 기반의 지수 감쇠 함수로 정의되며, 이는 occlusion에 의해 발생하는 오탐을 억제한다. 학습 손실은 클래스 교차 엔트로피와 MSE 기반 가시성 손실을 가중합한 형태이며, 두 헤드가 서로 보완하도록 서로 다른 특징 맵을 입력한다.

지도 업데이트 단계에서는 클래스 예측이 ‘변화’로 판단된 포인트 중 가시성 점수가 높은 영역만을 선택해 확률적 베이지안 방식으로 지도에 반영한다. 이렇게 하면 실제 occlusion으로 인한 일시적 누락을 지도에 잘못 기록하는 위험을 최소화한다.

실험에서는 실제 건설 현장 데이터와 실내 사무실 데이터 두 가지 도메인에서 기존 3D 변화 감지 방법(기하학 기반, 2D 변환 기반, 최신 딥러닝 기반)과 비교하였다. 정량적 지표(F1-score, IoU)에서 평균 12%18% 향상을 보였으며, 프레임당 3045ms의 추론 시간으로 실시간 적용이 가능함을 증명했다. 또한, 합성 데이터 증강 없이도 단일 세션만으로 학습된 모델이 다른 현장에 일반화되는 모습을 보여, 데이터 효율성 측면에서도 큰 장점을 가진다.

한계점으로는 현재 정적인 객체만을 대상으로 합성 변화를 만든다는 점과, 매우 복잡한 다중 레벨 occlusion 상황에서 가시성 점수의 정확도가 떨어질 수 있다는 점을 언급한다. 향후 연구에서는 동적 객체를 포함한 시뮬레이션 기반 데이터와 멀티‑센서(카메라·라이다) 융합을 통해 가시성 추정을 강화하고, 온라인 지도 유지 과정에서의 장기 누적 오류를 최소화하는 방법을 탐구할 예정이다.