대조적 불확실성 매핑으로 로봇 환경 표현 강화

본 논문은 로봇이 실시간으로 환경을 인식하고, 관측이 부족하거나 결측된 영역에 대해 신뢰할 수 없는 예측을 자동으로 식별할 수 있는 연속 매핑 프레임워크인 ContraMap을 제안한다. 기존의 연속 매핑 기법은 크게 두 갈래로 나뉜다. 첫 번째는 그리드 기반 점유 맵처럼 공간을 고정된 셀로 이산화하는 방식으로, 해상도와 확장성에 한계가 있다. 두 번째는 Gaussian Process나 Hilbert Maps와 같은 커널 기반 연속 모델로, 고해상도 매핑과 효율적인 공간 질의를 가능하게 하지만, 불확실성 추정을 위해서는 베이지안 후방 분포 추정이 필요하고 이는 H×H 공분산 행렬의 역연산(O(H³)) 때문에 실시간 적용이 어렵다. ContraMap은 이러한 문제점을 해결하기 위해 “불확실” 클래스를 명시적으로 추가한다. 구체적으로, 관측된 점(예: LiDAR 스캔 혹은 세그멘테이션된 포인트 클라우드)과 함께, 환경 전체에 균일하게 샘플링한 합성 노이즈 포인트를 생성한다. 이 노이즈 포인트는 (C+1)번째 클래스, 즉 “불확실” 클래스로 라벨링된다. 모든 샘플은 커널 함수를 이용해 H개의 레퍼런스 포인트와의 유사도로 변환된 특징 벡터 ϕ(x) 로 매핑되고, (C+1)×H 차원의 가중치 행렬 W 로 소프트맥스 분류기를 학습한다. 학습 목표는 일반적인 교차 엔트로피 손실이며, 별도의 베이지안 추정이나 변분 방법이 필요하지 않다. 이론적으로 저자는 Noise Contrastive Estimation(NCE) 관점을 차용한다. NCE는 데이터 분포와 노이즈 분포를 구분하는 이진 분류기를 학습함으로써 밀도 추정을 수행한다는 점에서, “불확실” 클래스를 노이즈로 보는 것이 자연스럽다. 논문은 간단한 혼합 모델 p(x,y)=α_in p_in(x,y)+α_noise p_noise(x,y=C+1) 를 가정하고, 충분히 학습된 소프트맥스가 노이즈 클래스의 베이즈 사후 확률을 근사한다는 식을 전개한다. 여기서 p_in(x) 는 데이터 밀도가 거리 d(x)=E_{x'∈p_in}