Hi-LOAM: Hierarchical Implicit Neural Fields for LiDAR Odometry and Mapping

Hi-LOAM: 계층적 암시적 신경 장을 활용한 LiDAR 오도메트리 및 매핑

1. 문제 정의 (Problem Statement)

기존의 LiDAR 오도메트리 및 매핑 (LOAM) 기술은 다음과 같은 한계점을 가지고 있습니다:

• 지도 표현의 한계: 전통적인 포인트 클라우드, 볼륨 그리드, 서피스 (Surfels) 기반의 지도는 연결성이 부족하고 희소 (Sparse) 하여 대규모 복잡한 장면의 세부 사항을 정밀하게 재현하기 어렵습니다.
• 학습 기반 방법의 의존성: 기존 학습 기반 방법들은 대부분 정답 (Ground Truth) 포즈를 필요로 하는 지도 학습 (Supervised Learning) 방식을 사용하여, 실제 환경에서 정답 데이터를 구하기 어려운 경우 적용에 제약이 있습니다.
• 재구성 정밀도 부족: 단일 스케일의 특징을 사용하는 신경망 기반 방법들은 환경의 미세한 변화나 동적 객체의 영향을 받아 위치 추정 (Pose Estimation) 오차가 발생할 수 있습니다.

이러한 문제들을 해결하기 위해, 자기 지도 학습 (Self-supervised) 방식으로 작동하며 고정밀 재구성과 강건한 위치 추정을 동시에 달성하는 새로운 프레임워크가 필요합니다.

2. 제안 방법론 (Methodology)

저자들은 Hi-LOAM이라는 새로운 계층적 암시적 신경 (Hierarchical Implicit Neural) 프레임워크를 제안했습니다. 주요 구성 요소는 다음과 같습니다.

• 계층적 암시적 신경 표현 (Hierarchical Implicit Neural Representation):

  • 옥트리 (Octree) 기반 특징: 3D 공간을 옥트리 구조로 분할하고, 각 노드의 모서리에 잠재 특징 (Latent Features) 을 저장하는 해시 테이블을 사용합니다.
  • 멀티스케일 특징 (Multi-scale Features): 단일 스케일 특징 대신, 옥트리의 여러 레벨 (특히 마지막 3 개 레벨) 에서 추출한 계층적 특징을 결합합니다. 이를 통해 환경의 거시적 구조와 미시적 세부 사항을 모두 포착하여 재구성 품질을 높입니다.
  • SDF (Signed Distance Field) 복원: 학습된 잠재 특징을 얕은 MLP(다층 퍼셉트론) 를 통해 통과시켜 임의의 3D 점에 대한 부호 거리 값 (SDF) 을 예측합니다.

• 스캔 - 대 - 암시적 매핑 (Scan-to-Implicit Matching):

  • 위치 추정 (Odometry): 현재 스캔 포인트 클라우드와 서브맵 (Submap) 의 암시적 SDF 장 사이의 매칭을 통해 최적의 포즈를 추정합니다.
  • 대응점 불필요 (Correspondence-free): 기존 ICP(Iterative Closest Point) 와 달리 명시적인 점 - 점 또는 점 - 평면 대응점을 찾지 않고, SDF 값의 최소 제곱 오차를 최소화하는 방식으로 (Levenberg-Marquardt 알고리즘) 포즈를 최적화합니다.
  • 서브맵 전략: 글로벌 맵 전체가 아닌 국소적인 서브맵을 사용하여 매칭함으로써, 환경의 유사성으로 인한 노이즈를 줄이고 매칭 정확도를 높입니다.

• 자기 지도 학습 (Self-supervised Training):

  • LiDAR 센서에서 얻은 정확한 거리 정보를 활용하여, 레이 샘플링된 점들과 레이 끝단 사이의 거리를 'Ground Truth SDF'로 간주하여 모델을 학습시킵니다.
  • 외부의 정답 포즈 데이터 없이도 학습이 가능하므로 다양한 환경에 대한 일반화 능력이 뛰어납니다.

• 메쉬 생성: 학습된 암시적 SDF 장을 Marching Cubes 알고리즘을 통해 삼각 메쉬 (Triangular Mesh) 로 변환하여 가시화합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 LOAM 프레임워크 제안: LiDAR 데이터 전용으로 설계된 계층적 암시적 신경 표현을 활용한 LOAM 프레임워크 (Hi-LOAM) 를 제안했습니다.
2. 향상된 매핑 품질: 옥트리 기반의 계층적 특징 임베딩을 통해 기존 최첨단 (SOTA) LiDAR SLAM 방법들보다 더 높은 재구성 정밀도와 완성도를 달성했습니다.
3. 우수한 위치 추정 정확도: 학습 기반 LiDAR 오도메트리 방법들보다 높은 정확도를 보이며, 전통적인 ICP 기반 방법들과도 견줄 만한 성능을 입증했습니다.
4. 광범위한 검증: KITTI, SemanticPOSS, Newer College, Hilti-21/23, MulRAN, Mai City 등 7 개 이상의 실외/실내/합성 데이터셋에서 실험을 수행하여 방법론의 강건성과 일반화 능력을 입증했습니다.
5. 오픈 소스: 연구의 투명성과 재현성을 위해 소스 코드를 공개했습니다.

4. 실험 결과 (Results)

• 위치 추정 (Odometry):
  • KITTI 데이터셋: 평균 상대적 이동 오차 (Average Relative Translational Error) 에서 기존 학습 기반 방법 (NeRF-LOAM, PIN-LO 등) 과 전통적인 ICP 기반 방법 (KISS-ICP 등) 을 모두 능가하거나 견줄 만한 성능을 보였습니다.
  • 동적 환경 (SemanticPOSS): 많은 동적 객체가 포함된 환경에서도 다중 스케일 특징의 융합을 통해 성능 저하가 적어 강건함을 입증했습니다.
  • 휴대용 LiDAR (Hilti/Newer College): 손으로 들고 이동하는 진동이 심한 환경에서도 성공적인 위치 추정을 수행했습니다.
• 매핑 품질 (Mapping Quality):
  • 정량적 평가: Mai City 및 Newer College 데이터셋에서 완성도 (Completion), 정밀도 (Accuracy), Chamfer-L1, F-score 등 모든 지표에서 SOTA 방법들 (PIN-SLAM, NeRF-LOAM 등) 보다 우수한 결과를 기록했습니다.
  • 정성적 평가: 재구성된 3D 메쉬가 구멍 (Holes) 이나 아티팩트 (Artifacts) 가 적고, 복잡한 구조물과 반복적인 패턴을 가진 환경 (건설 현장 등) 에서도 정확한 지도를 생성했습니다.
• 효율성:
  • 메모리 사용량은 단일 레벨 특징을 사용하는 PIN-SLAM 보다 다소 많지만 (계층적 특징 사용으로 인한 트레이드오프), 재구성 품질 대비 효율적인 편입니다.
  • 프레임당 처리 시간은 PIN-SLAM 보다 느리지만 (0.6 초 vs 0.034 초), 이는 더 높은 정확도를 위한 계산 비용의 증가로 해석됩니다.

5. 의의 및 결론 (Significance)

Hi-LOAM 은 자기 지도 학습 방식을 통해 정답 데이터 없이도 대규모 환경에서 고정밀 3D 지도 재구성과 정확한 위치 추정을 동시에 수행할 수 있음을 입증했습니다. 특히, **계층적 특징 (Hierarchical Features)**을 도입하여 환경의 스케일에 적응적으로 대응함으로써, 기존 단일 스케일 방법들의 한계를 극복했습니다.

이 연구는 자율 주행, 로봇 내비게이션 등 embodied AI 응용 분야에서 센서 의존도를 낮추고 (GNSS 불능 구역 대응), 복잡한 환경에서도 신뢰할 수 있는 SLAM 시스템을 구축하는 데 중요한 기여를 합니다. 향후 루프 클로저 (Loop Closure) 검출 기능 추가 및 다양한 센서 모달리티 통합을 통해 더 발전할 것으로 기대됩니다.