Evaluating and Improving the Robustness of LiDAR Odometry and Localization Under Real-World Corruptions

논문 요약: 실세계 왜곡 하의 LiDAR 오도메트리 및 로컬라이제이션의 견고성 평가 및 개선

1. 문제 정의 (Problem)

로봇 및 자율주행 시스템에서 LiDAR 기반 포즈 추정 (오도메트리 및 로컬라이제이션) 은 핵심 기술이지만, 실제 환경에서 발생하는 다양한 데이터 왜곡 (Corruptions) 에 대한 견고성 (Robustness) 이 크게 부족합니다.

• 현황: 최첨단 (SOTA) 시스템들은 깨끗한 점군 데이터 (Clean Point Clouds) 에서는 높은 정확도를 보이지만, 비가, 눈, 안개, 센서 노이즈, 먼지, 반사 표면, 가림 (Occlusion) 등 실제 환경에서 발생하는 18 가지 유형의 합성 왜곡에 노출되면 성능이 급격히 저하됩니다.
• 한계: 기존 연구들은 특정 왜곡 (예: 가림) 이나 적대적 공격에 국한되어 평가되었으며, 학습 기반 (Learning-based) 방법을 포함한 광범위한 LiDAR 포즈 추정 시스템에 대한 체계적인 벤치마크와 대응 방안이 부재했습니다. 특히 학습 기반 모델은 데이터 품질 변화에 매우 민감한 것으로 알려져 있습니다.

2. 방법론 (Methodology)

저자들은 RobustLOL이라는 새로운 체계적인 평가 프레임워크를 제안하고, 이를 통해 왜곡에 대한 견고성을 향상시키기 위한 두 가지 보완적 전략을 제시합니다.

A. RobustLOL: 견고성 평가 프레임워크

• 18 가지 왜곡 시뮬레이션: 날씨 (비, 눈, 안개, 젖은 바닥), 노이즈 (가우시안, 균일, 임펄스 노이즈 - 직교/구면 좌표계), 밀도 변화 (국부 밀도 증가/감소, 빔 삭제, 레이어 삭제, 컷아웃) 등 18 가지 실제 세계 시나리오를 합성하여 평가합니다.
• 평가 대상 시스템:
  • 클래식/비학습 기반: MULLS (특징 기반), KISS-ICP (직접 매칭).
  • 학습 기반: DeLORA (비지도 학습), NeRF-LOAM (NeRF 기반), LocNDF (학습 기반 로컬라이제이션).
• 평가 지표: KITTI 및 Apollo South-Bay 데이터셋을 사용하여 이동 상대 포즈 오차 (Translational Relative Pose Error, RPE_trans) 를 측정합니다.

B. 견고성 향상 전략 1: 탐지 및 필터링 파이프라인 (Detection-and-Filter Pipeline)

• 개념: 모든 LiDAR 시스템에 적용 가능한 알고리즘 무관 (Algorithm-agnostic) 접근법.
• 단계 1 (탐지): 3D LiDAR 스캔을 2D 범위 이미지 (Range Image) 로 변환한 후, 경량화된 CNN 을 사용하여 데이터의 왜곡 유형 (예: 비, 노이즈 등) 을 분류합니다.
• 단계 2 (필터링): 분류된 왜곡 유형에 따라 적합한 필터를 적용합니다. 본 논문에서는 노이즈 왜곡을 대상으로 **양측 필터 (Bilateral Filter)**를 사용하여 점군 품질을 복원합니다.

C. 견고성 향상 전략 2: 학습 기반 시스템의 파인튜닝 (Fine-tuning)

• 개념: 학습 기반 모델의 경우, 성능이 저하되는 주요 왜곡 유형으로 데이터셋을 증강 (Augmentation) 한 후, 사전 학습된 모델을 해당 데이터로 파인튜닝합니다.
• 효과: 신경망이 왜곡된 데이터 분포에서도 불변적인 특징 (Invariant Features) 을 학습하도록 유도하여 견고성을 높입니다.

3. 주요 결과 (Key Results)

• 견고성 평가 결과:

  • 비학습 시스템: 대부분의 왜곡에 비교적 견고하지만, 특정 왜곡에 취약합니다. 예를 들어, MULLS 는 국부 밀도 감소 시 오차가 0.3% 에서 18% 이상으로 급증했고, KISS-ICP 는 배경 노이즈 (Background Noise) 에 극도로 취약하여 오차가 0.6% 미만에서 80% 이상으로 치솟았습니다.
  • 학습 기반 시스템: DeLORA 와 NeRF-LOAM 은 대부분의 왜곡에 더 민감했습니다. 다만, DeLORA 는 2D 범위 이미지 투영 특성상 배경 노이즈나 구면 좌표계 노이즈에는 상대적으로 덜 민감했습니다.
  • 로컬라이제이션: LocNDF 는 실험된 모든 왜곡에서 높은 견고성을 보였습니다.

• 개선 전략 효과:

  • 탐지 및 필터링: 노이즈로 인한 왜곡에 대해 매우 효과적이었습니다. KISS-ICP 의 경우 필터링 후 오차가 깨끗한 데이터 수준으로 복원되었으며, MULLS 의 경우에도 성능 저하가 미미했습니다. 분류 모델의 평균 정확도는 **95.54%**였습니다.
  • 파인튜닝: 학습 기반 시스템 (DeLORA) 에 왜곡 데이터를 포함한 증강 데이터로 파인튜닝을 적용한 결과, 모든 왜곡 유형에서 오차가 최대 35.79% 감소하여 깨끗한 데이터 수준의 성능을 회복했습니다. 흥미롭게도, KITTI 09 시퀀스에서는 오히려 깨끗한 데이터에서의 성능도 2.7% 향상되었습니다.

4. 주요 기여 (Key Contributions)

1. RobustLOL 벤치마크 제안: LiDAR 오도메트리 및 로컬라이제이션 시스템의 견고성을 평가하기 위한 18 가지 실세계 왜곡을 포함한 최초의 포괄적인 벤치마크를 구축했습니다.
2. 경량 탐지 및 필터링 방법: 왜곡 유형을 정확하게 분류하고 이를 제거하여 점군 품질을 복원하는 효율적인 파이프라인을 제안했습니다.
3. 대응 전략 검증: 탐지/필터링 기법과 학습 기반 모델의 파인튜닝을 통해 LiDAR 시스템의 견고성을 크게 향상시킬 수 있음을 실증했습니다.
4. 오픈 소스: 코드와 데이터의 공개를 통해 연구의 재현성을 보장했습니다.

5. 의의 및 결론 (Significance)

이 연구는 LiDAR 기반 자율주행 시스템이 실제 환경의 불완전한 데이터에 얼마나 취약한지를 체계적으로 규명했습니다. 특히, 비학습 시스템에는 전처리 (필터링) 가, 학습 기반 시스템에는 데이터 증강을 통한 파인튜닝이 각각 효과적인 해결책임을 증명했습니다. 이는 향후 안전하고 신뢰할 수 있는 자율주행 시스템을 개발하기 위해 데이터 품질 관리와 모델 학습 전략의 중요성을 강조하며, 실제 배포 환경에서의 시스템 신뢰성 향상에 기여할 것으로 기대됩니다.