기술 요약: TACO – 궤적 정렬 교차 뷰 최적화

문제 정의

자율 이동 로봇 공학은 절대 위치 측정을 위해 글로벌 내비게이션 위성 시스템 (GNSS) 에 크게 의존합니다. 그러나 GNSS 신호는 도시 캐년 및 분쟁 공역과 같은 중요한 환경에서 자주 가려지거나 반사되거나 방해받습니다. 시각 - 관성 오도메트리 (VIO) 와 시각 SLAM 은 고빈도 상대 운동을 제공하지만, 시간이 지남에 따라 무제한의 드리프트가 누적되며 오류를 보정하기 위해 사전 구축된 지도 또는 이전에 매핑된 지역으로의 재방문이 필요합니다. 두 방법 모두 외부 통신 없이 미지도 지형에서의 첫 번째 통과 임무에는 적합하지 않습니다.

최근 교차 뷰 지리 국지화 (CVGL) 방법은 coarse tile-level 검색에서 세밀한 메트릭 포즈 회귀로 발전하여 서브-타일 정확도를 달성했습니다. 그러나 이러한 방법들은 역사적으로 "원샷" 로컬라이저 (단일 지상 이미지를 단일 위성 컷과 매칭) 로만 평가되었으며, 실시간으로 지속적으로 실행되는 파이프라인에서 주요 절대 보정 수단으로 통합된 적은 없습니다. 과제는 실시간 외부 통신이나 고가의 센서 세트 없이 온보드 센서 (IMU 및 단안 카메라) 와 단일 초기 GNSS 판독값만으로 무한히 작동하는 드리프트가 제한된 맵 없는 로컬라이저를 만드는 것입니다.

방법론

TACO(궤적 정렬 교차 뷰 최적화) 는 IMU 사선 추정과 세밀한 CVGL 을 강하게 결합한 파이프라인을 제안합니다. 이 시스템은 단일 소비자용 GPU 에서 작동하며 단안 카메라와 IMU 를 활용하고, 초기 UTM 원점을 설정하기 위해 GNSS 를 시작 시에만 사용합니다.

핵심 구성 요소

1. IMU 사전 적분 및 오차 모델링:
   시스템은 위치와 헤딩에 대한 사선 추정치를 유지합니다. 폐쇄형 오차 모델은 마지막 승인된 보정 이후 누적된 불확실성을 추적합니다. 이는 자이로 랜덤 워크에 의해 주도되는 크로스-트랙 오차와 가속도계 바이어스 드리프트에 의해 주도되는 알론-트랙 오차를 계산합니다. 이 모델은 이동 거리와 경과 시간에 따라 스케일링되는 스칼라 트리거 값 $\epsilon_{IMU}$를 생성합니다.

2. 트리거링 및 멀티-크롭 검색:
   추정된 IMU 오차가 임계값 (1.0 m) 을 초과하거나 시간 제한 (2.0 초) 에 도달하면 CVGL 추론이 트리거됩니다. IMU 드리프트에도 불구하고 쿼리가 CVGL 매처의 캡처 반경 내에 있도록 보장하기 위해 TACO 는 전방 편향 검색을 사용합니다:

   • 전방 편향: 검색 중심은 마지막 앵커와 트리거 사이의 차량 이동을 고려하여 현재 헤딩을 따라 추정된 오차 ($\delta_{fwd}$) 의 일부만큼 전방으로 이동됩니다.
   • 5 점 교차: 단일 쿼리 대신 시스템은 편향된 중심 (전방, 후방, 좌측, 우측, 중앙) 주변의 5 개의 후보 위성 컷을 평가합니다. 가장 높은 매칭 가중치를 가진 후보가 선택됩니다. 이로써 추론 비용은 트리거당 5 회 고정 전방 통과로 유지됩니다.

3. CVGL 모듈 (FG2):
   TACO 는 위성 타일 내에서 메트릭 포즈를 회귀하는 세밀한 매처인 FG2 를 활용합니다. 이는 지상 특징을 조망 (Bird's-Eye-View, BEV) 그리드로 들어 올리고 공유 DINOv2 백본과 프로크루스테스 정렬을 사용하여 위성 셀과 매칭합니다. 출력은 2D 병진, 회전 및 신뢰도 가중치입니다.

4. 요-잔류 게이트:
   CVGL 보정을 융합하기 전에 시스템은 헤딩 일관성을 확인합니다. 위성 타일은 온보드 나침반과 정렬되도록 회전되므로, 네트워크가 반환하는 회전 행렬은 잔류 헤딩 오차를 인코딩합니다. 잔류가 약 $20^\circ$를 초과하는 보정은 필터가 높은 매칭 가중치를 제공하지만 기하학적으로 잘못된 포즈를 제공하는 대칭 구조 (예: 평행 주차 구역) 에 잠기는 것을 방지하기 위해 거부됩니다.

5. 이방성 노이즈를 통한 UKF 융합:
   승인된 보정은 Unscented Kalman Filter(UKF) 를 업데이트합니다. 측정 노이즈 모델은 이방성이며 매칭 가중치의 역수로 스케일링됩니다. 이는 헤딩 방향의 위치를 헤딩과 수직인 위치보다 일반적으로 더 정확하게 해결하는 BEV 매처의 기하학을 반영합니다. 필터는 위치 상태만 업데이트하고 나침반에서 유도된 헤딩과 IMU 속도 추정치는 보존합니다.

6. 오프라인 스무딩:
   팩터 그래프 (GTSAM) 가 사후 처리를 위해 오프라인에서 실행됩니다. 이는 동일한 IMU 오도메트리와 CVGL 보정을 포함하며, 기하학적으로 검증된 루프 클로저로 보강됩니다. 루프 클로저는 공간적 근접성, 시간적 간격, 그리고 실제 재방문과 평행 도로 구분을 구분하기 위한 경로 - 현 (chord) 비율 테스트를 기반으로 감지됩니다.

주요 기여

• 최초의 실시간 세밀한 CVGL 로컬라이저: TACO 는 실시간 무한 런타임 로컬라이저에서 단일 시작 보정으로 실시간 GNSS 를 대체하는 유일한 절대 앵커로 세밀한 CVGL 을 사용하는 최초의 시스템입니다.
• 오차 트리거 전방 편향 검색: IMU 오차 트리거 메커니즘과 전방 편향 5 점 검색을 결합하여 매처가 고정된 낮은 추론 비용으로 캡처 반경 내에서 작동하도록 보장합니다.
• 기하학적 일관성 게이팅: 요-잔류 게이트와 보정별 이방성 노이즈 모델을 통해 기하학적으로 일관되고 신뢰도 가중치가 부여된 보정만 상태 추정기에 허용됩니다.

결과

시스템은 단일 소비자용 GPU(RTX 3090) 를 사용하여 KITTI 오도메트리 벤치마크 (8 개 시퀀스) 에서 평가되었습니다.

• 정확도: 대표 시퀀스 그룹 (회전이 있는 도시 주행) 에서 TACO 는 중앙값 절대 궤적 오차 (ATE) 를 97.0 m(IMU 전용) 에서 16.3 m로 줄여 5.9 배 감소시켰습니다. 이는 모든 대표 시퀀스에서 다른 최소 센서 베이스라인 (DROID-SLAM, DPVO) 보다 우수한 성능을 보였습니다.
• 드리프트 제한: IMU 전용 오차는 거리에 따라 초선형적으로 증가하는 반면, TACO 는 수 킬로미터에 달하는 궤적에서 약 30m 의 제한된 오차 봉투를 유지했습니다.
• 효율성: 시스템은 CVGL 듀티 사이클이 **5–10%**에 불과합니다 (트리거 중에만 카메라 활성화). 프레임당 융합 비용은 < 0.1 ms이며, 총 GPU 비용은 100m 당 2.0–4.1 GPU-초로, 모든 프레임에서 CVGL 을 실행하는 유사한 맵 지원 로컬라이저보다 한 자릿수 낮습니다.
• 하드웨어: 시스템은 약 1.5 GB VRAM 사용량으로 단일 RTX 3090 에서 실시간으로 실행되며, Jetson Orin 과 같은 임베디드 모듈에 배포 가능한 가능성을 시사합니다.

중요성 및 주장

이 논문은 TACO 가 일회성 검색 도구가 아닌 이동 지상 차량을 위한 센서 융합 루프에서 주요 절대 보정 신호로 세밀한 CVGL 의 타당성을 입증한다고 주장합니다. IMU 사선 추정과 희소하고 트리거된 CVGL 업데이트를 강하게 결합함으로써 TACO 는 대부분의 야외 자율 플랫폼에 표준으로 탑재된 센서만을 사용하여 드리프트가 제한되고, 맵이 없으며, GNSS 가 없는 국지화를 달성합니다.

저자들은 이 접근 방식이 고가의 LiDAR, 사전 구축된 지도, 또는 지속적인 외부 통신 없이 미지도 지형에서의 "첫 번째 통과" 문제를 해결한다고 강조합니다. 단일 시작 GNSS 보정을 사용하여 무한 런타임 동안 제한된 오차를 유지하는 시스템의 능력은 GNSS 가 부재한 환경에서의 견고한 자율성 toward 중요한 진전을 나타냅니다. 논문은 추가 정확도 향상이 융합 아키텍처 자체보다는 근본적인 CVGL 백본 (FG2) 에 의해 제한된다고 겸손하게 언급합니다.