Kernel-SDF: An Open-Source Library for Real-Time Signed Distance Function Estimation using Kernel Regression

1. 문제 정의 (Problem Statement)

로봇의 운동 계획 (motion planning), 조작 (manipulation), 항법 (navigation) 등 자율 주행에 있어 환경 표현은 핵심 요소입니다. 특히 부호付き 거리 함수 (Signed Distance Function, SDF) 는 장애물까지의 거리를 인코딩하여 충돌 감지 및 궤적 최적화에 매우 유용합니다.

그러나 기존 SDF 추정 방법들은 다음과 같은 한계를 가지고 있습니다:

• 볼륨 기반 (Voxel-based) 방법: 고정된 해상도로 인해 정확도와 계산 효율성 간의 트레이드오프가 발생하며, 불확실성 정량화 (uncertainty quantification) 가 어렵고 미분 불가능합니다.
• 신경망 기반 (Neural Network) 방법: 연속적인 함수를 학습하지만, 실시간 온라인 학습을 위해선 수렴에 많은 시간이 소요되어 실시간 응용에 부적합합니다.
• 가우시안 프로세스 (GP) 기반 방법: 비모수적이며 정확한 SDF 를 추정할 수 있으나, 대규모 환경에서의 확장성 (scalability) 부족, 부호 (sign) 추정 실패, 그리고 실제 오차와 일치하지 않는 불확실성 추정 (uncertainty calibration) 문제가 있습니다.

이 논문은 스트리밍 센서 데이터로부터 대규모 환경에 대한 실시간, 불확실성 인식을 갖춘 SDF 추정을 가능하게 하는 오픈소스 라이브러리인 Kernel-SDF를 제안합니다.

2. 방법론 (Methodology)

Kernel-SDF 는 프론트엔드 (Surface Estimation) 와 백엔드 (SDF Prediction) 로 구성된 2 단계 아키텍처를 사용합니다. 전체 시스템은 옥트리 (Octree) 구조를 사용하여 환경을 작은 지역으로 분할하고, 각 지역 내에서 커널 회귀 (Kernel Regression) 를 적용하여 실시간 성능을 확보합니다.

A. 프론트엔드: 연속 점유율 필드 학습 (Bayesian Hilbert Map, BHM)

• 목적: 센서 데이터 (점군) 를 기반으로 장애물 점유 여부 (Occupancy) 와 표면의 부호 (Sign) 를 강건하게 추정합니다.
• BHM 적용: 힐베르트 공간에서의 커널 회귀를 사용하여 연속적인 로그-오즈 (log-odds) 필드를 학습합니다.
  • 옥트리 분할: 장면 크기에 비례하는 계산 비용을 줄이기 위해 옥트리 구조를 사용하여 점유된 볼륨이 있는 지역에만 국소적인 BHM 을 유지합니다.
  • 가중치 동기화: 인접한 BHM 간의 일관성을 유지하기 위해 가중치를 공유 및 동기화합니다.
  • 부호 예측: 로그-오즈 값과 임계값을 비교하여 SDF 의 부호 (+1 또는 -1) 를 예측합니다.
  • 표면 추출: 마칭 큐브스 (Marching Cubes) 알고리즘을 사용하여 로그-오즈 필드의 0 레벨 집합에서 표면 점과 법선을 추출합니다. 이때 추출된 점들의 불확실성 (Uncertainty) 을 1 차 테일러 급수 전개를 통해 계산하여 백엔드에 전달합니다.

B. 백엔드: SDF 예측 (Gaussian Process Regression)

• 목적: 프론트엔드에서 추출된 표면 점들을 기반으로 정확한 SDF 와 그 기울기 (Gradient) 를 예측합니다.
• Log-GP 확장: 부호 없는 거리 함수 (UDF) 를 학습하기 위해 로그-가우시안 프로세스 (Log-GP) 를 사용합니다.
  • 커널 최적화: 기존 Matérn 3/2 커널 외에도 RBF 커널을 사용하여 계산 효율성을 높였습니다.
  • Softmin 기반 융합: SDF 는 표면 점들의 거리 함수를 Softmin 함수로 근사할 수 있다는 아이디어를 활용합니다. 이를 통해 SDF 값과 기울기를 예측하면서도 불확실성을 정량화합니다.
  • 불확실성 전파: 표면 점의 위치 불확실성을 SDF 예측 불확실성으로 직접 전파하여, 실제 오차와 일치하는 신뢰구간을 제공합니다.

C. 실시간 최적화 전략

• 우선순위 큐 (Priority Queue): 빈번한 센서 데이터 업데이트 시 매번 전체 계산을 수행하는 대신, 자주 쿼리되는 영역이나 오래된 업데이트가 필요한 영역을 우선순위로 처리하여 계산 자원을 효율적으로 분배합니다.

3. 주요 기여 (Key Contributions)

1. 오픈소스 라이브러리: 2D/3D SDF 학습을 위한 C++ 구현체와 Python, ROS1/ROS2 인터페이스를 제공합니다.
2. 고도로 최적화된 커널 회귀 프레임워크:
   • BHM 프론트엔드: 강건한 부호 예측과 불확실성 인식 표면 추출.
   • GP 백엔드: 불확실성을 포함한 SDF 및 기울기 예측.
3. 효율성과 강건성을 위한 5 가지 전략:
   • 옥트리 기반 지역 분할, 최적화된 데이터 처리, 가중치 동기화, 적응형 스케일링, 우선순위 큐 기반 업데이트.
4. 실시간 성능과 정확도: 기존 방법들보다 우수한 정확도를 유지하면서도 실시간 처리가 가능합니다.

4. 실험 결과 (Results)

Replica, Cow and Lady, Newer College 등 다양한 데이터셋에서 Voxblox, FIESTA, iSDF, VDB-GPDF 와 비교 평가되었습니다.

• 재구성 정확도 (Reconstruction Accuracy):
  • 메쉬 재구성 품질 (F1 Score, Recall, Precision) 에서 모든 데이터셋에서 SOTA(State-of-the-Art) 수준의 성능을 보였습니다.
  • 특히 노이즈가 많은 실세계 데이터셋 (Cow and Lady 등) 에서 기존 볼륨 기반 방법들의 블록 아티팩트나 신경망 방법들의 과평활화 (over-smoothing) 문제를 극복하고 미세한 기하학적 디테일을 잘 복원했습니다.
• SDF 정확도:
  • 표면 근처 (Near) 와 먼 거리 (Far) 모두에서 평균 절대 오차 (MAE) 가 가장 낮았습니다.
  • 기울기 (Gradient) 추정 오차도 타 방법들에 비해 현저히 낮아, 경로 계획 및 제어에 유리합니다.
• 계산 효율성:
  • 프레임당 평균 처리 시간 (약 150ms) 을 통해 실시간 성능을 입증했습니다.
  • Voxblox 는 TSDF 생성은 빠르지만 SDF 통합에 시간이 많이 걸리며, iSDF 는 수렴 시간이 길어 느린 반면, Kernel-SDF 는 속도와 정확도의 균형을 잘 잡았습니다.
• 불확실성 정합성 (Uncertainty Consistency):
  • 추정된 SDF 분산 (Variance) 이 실제 오차와 높은 상관관계를 보였습니다. 즉, 오차가 큰 영역에서 불확실성도 높게 추정되어 신뢰할 수 있는 위험 인식 (risk-aware) 의사결정을 지원합니다.
• 노이즈 강건성:
  • 센서 노이즈가 증가하는 상황에서도 성능이 점진적으로만 저하되어, BHM 프론트엔드가 노이즈를 효과적으로 완화함을 보여주었습니다.
• 자율 항법 사례:
  • Kernel-SDF 를 기반으로 안전 버블 (Safe Bubble) 을 생성하고 이를 이용한 경로 계획이 성공적으로 수행되어, 실제 로봇 항법 적용 가능성을 입증했습니다.

5. 의의 및 결론 (Significance)

Kernel-SDF 는 기존 SDF 추정 방법들이 가진 확장성, 실시간성, 불확실성 정량화의 문제를 동시에 해결했습니다.

• 실시간성: 옥트리 분할과 커널 회귀 최적화를 통해 대규모 환경에서도 실시간으로 SDF 를 업데이트할 수 있습니다.
• 신뢰성: 불확실성을 정량화하여 로봇이 위험한 영역을 식별하고 안전한 결정을 내릴 수 있게 합니다.
• 적용 가능성: 미분 가능한 SDF 와 정확한 기울기 정보를 제공하므로, 최적화 기반의 제어 및 경로 계획 알고리즘에 직접 통합하기 용이합니다.

결론적으로, Kernel-SDF 는 로봇이 동적이고 노이즈가 많은 환경에서도 신뢰할 수 있는 기하학적 정보를 바탕으로 안전하고 효율적으로 작동할 수 있도록 하는 강력한 도구입니다.