계층형 3D 장면 그래프 기반 자율 검사 미션 xFLIE

초록

본 논문은 계층형 3D 장면 그래프(3DLSG)를 실시간으로 구축·활용하여, 미지의 환경에서 분산된 검사 목표를 효율적으로 탐색·검사하는 프레임워크 xFLIE를 제안한다. 3DLSG는 Target‑Level‑Pose‑Feature 4개의 추상화 레이어로 구성돼 목표 선택, 경로 계획, 인간‑로봇 인터랙션을 지원한다. 시뮬레이션·현장 실험에서 기존 볼륨 기반 지도 대비 계획 시간은 수십 배에서 수백 배까지 단축되었으며, 사중보행 로봇이 도시·지하 환경에서 실시간으로 그래프를 확장하며 임무를 수행함을 보였다.

상세 분석

xFLIE는 기존 3D Scene Graph(3DSG) 연구의 두 가지 한계를 동시에 극복한다. 첫째, 대부분의 3DSG 기반 플래너는 사전에 완전한 그래프가 주어지거나, 미리 전체 맵을 구축한 뒤에만 계획을 수행한다. 둘째, 기존 검사·탐색 플래너는 주로 볼륨(occupancy) 맵에 의존해 기하학적 커버리지를 최적화하고, 의미적 정보를 부수적으로 활용한다. 논문은 이러한 격차를 메우기 위해 ‘3D Layered Semantic Graph(3DLSG)’라는 새로운 계층형 그래프 구조를 정의한다. 레이어는 Target(검사 대상), Level(검사 단계), Pose(관측 자세), Feature(검사 특징) 으로 구성되며, 각 레이어는 노드·엣지·속성 집합 (V, E, A) 로 명시된다. 이 설계는 검사 임무에 직접적인 의미적 추론을 가능하게 하며, 레이어 간 계층적 탐색을 통해 고수준 목표에서 저수준 경로까지 일관된 비용 함수로 연결한다.

구현 측면에서 xFLIE는 기존 FLIE(First‑Look Inspect‑Explore) 플래너에 3DLSG를 ‘온라인’ 모듈로 삽입한다. 로봇이 센서(RGB‑D, 라이다 등)로 관측을 얻을 때마다, 관측 zₖ 는 위치·자세·라벨·세그멘테이션 점수·마스크 면적·이미지 정보를 포함한다. 이 정보를 기반으로 새로운 Target 노드가 생성되고, 해당 노드에 연결된 Level, Pose, Feature 노드가 즉시 추가·업데이트된다. 그래프는 Eₖ 를 통해 공간적(인접, 거리) 및 의미적(‘위에 있다’, ‘연결된다’) 관계를 유지한다.

플래너는 Target 레벨에서 후보 목표를 우선순위화하고, Level 레벨에서 검사 단계(예: 외부·내부·세부)별 비용을 평가한다. 이후 Pose 레벨에서 로봇이 취해야 할 관측 자세를 샘플링하고, Feature 레벨에서 검출된 결함·손상 등 구체적 특성을 확인한다. 이때 각 레이어는 별도의 히스토리와 비용 모델을 갖고 있어, 전체 그래프 탐색은 다중‑레벨 A* 혹은 D* Lite와 같은 전통적 경로 탐색 알고리즘을 레이어‑별로 적용한 뒤, 결과를 통합하는 방식으로 수행된다. 결과적으로 전체 계획 복잡도는 O(|V_T| + |V_L| + |V_P| + |V_F|) 로, 동일한 공간을 볼륨 맵으로 표현할 경우 O(3^d) (여기서 d 는 해상도)보다 훨씬 낮다.

실험에서는 시뮬레이션 환경(도시 규모, 수천 개 목표)과 실제 현장(도시 거리, 지하 동굴)에서 사중보행 로봇이 3DLSG를 실시간으로 구축하며 목표를 순회한다. 계획 시간은 0.1 s 이하로 유지됐으며, 동일 조건의 볼륨 기반 플래너는 10 s~100 s 수준으로 차이가 났다. 또한 인간 연산자가 “남쪽 건물 앞면을 검사하라”와 같은 고수준 명령을 입력하면, 그래프 질의 엔진이 해당 Target‑Pose 경로를 즉시 반환해 의미 기반 내비게이션을 가능하게 했다.

한계점으로는 (1) 의미 분할 정확도에 크게 의존한다는 점, (2) 동적 객체(예: 이동 차량)와의 상호작용을 위한 그래프 업데이트 메커니즘이 미비함, (3) 현재 구현이 사중보행 로봇에 최적화돼 있어 다른 플랫폼(드론·수중 로봇)으로의 일반화가 필요하다는 점을 들 수 있다. 향후 연구에서는 확률적 그래프 업데이트, 동적 레이어(예: 시간‑스탬프 기반) 도입, 그리고 멀티‑로봇 협업을 위한 분산 그래프 동기화 방안을 제시할 수 있다.