LiDAR 자세 추정의 실세계 손상에 대한 견고성 평가와 개선

초록

본 논문은 18가지 실세계 시뮬레이션 손상을 적용해 LiDAR odometry와 localization의 견고성을 최초로 체계적으로 벤치마크한다. 실험 결과 odometry는 손상에 따라 위치 오차가 0.5 %에서 80 % 이상으로 급증하지만, localization은 비교적 안정적인 성능을 유지한다. 이를 극복하기 위해 저비용의 손상 탐지‑필터 파이프라인과 학습 기반 시스템의 손상 데이터 미세조정을 제안한다. 탐지‑필터는 손상 유형을 정확히 분류하고 적절한 필터(예: 양방향 필터)로 복원해 odometry 정확도를 거의 원본 수준으로 회복한다. 또한, 손상된 데이터로 미세조정한 학습 모델은 모든 손상에 대해 강인성을 크게 향상시키고, 특정 시퀀스에서는 깨끗한 데이터에서도 성능이 개선된다.

상세 분석

본 연구는 LiDAR 기반 자세 추정 시스템이 실제 운용 환경에서 마주할 수 있는 다양한 물리적·센서적 손상을 정량화하고, 그 영향력을 체계적으로 분석한 점에서 의미가 크다. 18가지 손상은 날씨(비, 눈, 안개 등), 노이즈(가우시안·유니폼·임펄스, Cartesian 및 Spherical 좌표계), 밀도 변화(지역 밀도 증가·감소, 빔 삭제, 레이어 삭제, 컷아웃)로 구분되며, 각각의 시뮬레이션 파라미터는 SEV(Severity)라는 통일된 강도 지표로 조절된다. 이러한 손상들을 기존 SOTA odometry(LOAM, ICP 변형, 학습 기반 DeepICP 등)와 localization(Scan‑to‑Map, 전역 초기화 기반) 파이프라인에 적용해 평가한 결과, odometry는 특히 노이즈와 밀도 감소(빔·레이어 삭제)에서 급격히 성능이 저하된다. 반면, localization은 사전 구축된 맵과 전역 초기화 정보가 존재하기 때문에 손상에 대한 내성이 상대적으로 높았다.

핵심 기여는 두 가지 방어 전략이다. 첫 번째는 손상 탐지‑필터 파이프라인으로, 3D CNN 기반 분류기가 18가지 손상 중 하나를 실시간으로 식별하고, 손상 유형에 맞는 전처리 필터를 적용한다. 예를 들어, 가우시안 노이즈에는 양방향 필터를, 밀도 감소에는 보간 기반 보강을 사용한다. 실험에서는 이 파이프라인이 odometry의 평균 위치 오차를 0.5 % 수준으로 회복시켰으며, 연산 비용도 경량화돼 실시간 적용이 가능함을 보였다. 두 번째 전략은 학습 기반 모델에 대한 손상 데이터 미세조정이다. 손상된 데이터셋을 이용해 기존 모델을 추가 학습시킴으로써, 모든 손상 유형에 대해 평균 오차 감소율이 30 % 이상 향상되었다. 흥미롭게도, 특정 시퀀스(예: KITTI 순서 00)에서는 미세조정이 오히려 깨끗한 데이터에서도 성능을 끌어올렸다. 이는 모델이 손상에 대한 일반화 능력을 강화하면서도 원본 데이터의 특성을 보존한다는 점을 시사한다.

또한, 논문은 RobustLOL이라는 공개 벤치마크 프레임워크와 코드·데이터셋을 제공해 향후 연구자들이 손상에 대한 평가와 방어 기법을 재현·확장할 수 있도록 지원한다. 이와 같은 체계적인 접근은 자율주행 차량, 모바일 로봇 등 실시간 LiDAR 기반 시스템이 악천후·센서 결함 상황에서도 안전하게 동작하도록 하는 데 필수적인 기반을 제공한다.