A New Implementation of NeoSLAM and a Comparative Evaluation with RatSLAM

기술 요약: NeoSLAM의 새로운 구현 및 RatSLAM과의 비교 평가

문제 정의
자율 이동 로봇 공학은 지하, 숲, 또는 수중 환경과 같이 미지의 동적인 GPS 음영 지역에서 직면하는 상당한 과제에 처해 있다. 이러한 시나리오에서 로봇은 사전 지도 없이도 지각적 모호성(perceptual aliasing), 센서 노이즈, 그리고 환경 변화에 대응하며 위치 추정 및 지도 작성(SLAM)을 수행해야 한다. RatSLAM과 같은 생물학적 영감을 받은 접근 방식과 더 최근의 신경과학 기반 NeoSLAM은 확장 가능한 위상적 표현(topological representations)과 개선된 모호성 내성을 제공하지만, 이들의 실제 적용은 종종 소프트웨어적 한계로 인해 어려움을 겪는다. Python 2.7과 레거시 NuPIC 프레임워크를 사용하는 ROS 1 생태계 내에서 개발된 기존의 NeoSLAM 구현은 구조적 병목 현상을 겪고 있다. 구체적으로, 이 시스템의 동기식 요청/응답 통신 모델과 구식 기술에 대한 의존성은 시스템이 들어오는 감각 데이터를 전체 속도로 처리하는 것을 방방해하며, 이는 실시간 애플리케이션에서 심각한 데이터 손실로 이어진다.

방법론
본 연구는 NeoSLAM 알고리즘의 완전한 아키텍처 리팩토링 및 소프트웨어 스택 업그레이드를 제시한다. 방법론은 세 가지 주요 기술적 전환을 포함한다:

1. 아키텍처 리팩토링: 기존의 단일 구조인 neoslam_server 노드는 Visual Feature Extractor, Binary Projector, Neocortex, Spatial View Cells라는 네 개의 독립적이고 병렬적인 노드로 분해되었다. 동기식 요청/응답 패러다임에서 완전히 병렬적인 발행/구독(publish/subscribe) 파이프라인(ROS 2 사용)으로 전환함으로써, 시스템의 처리량은 더 이상 모든 단계의 총 처리 지연 시간에 의해 제한되지 않고, 가장 느린 개별 단계(병목 지점)에 의해 결정된다.
2. 소프트웨어 스택 현대화: 구현 방식은 ROS 1 및 Python 2.7에서 ROS 2 Rolling으로 마이그레이션되었다. 레거시 NuPIC 프레임워크는 C++17로 구현되고 Python 3 바인딩을 갖춘 현대적인 htm.core 라이브러리로 교체되었다. 또한, 무작위 행렬 파일은 바이너리 형식으로 변환되었으며, 행렬 연산 및 희소 바이너리 데이터 처리를 위해 효율적인 라이브러리인 Eigen과 CRoaring이 채택되었다.
3. 시스템 모듈: 새로운 구현은 7개의 ROS 2 노드로 구성된다:
   • Visual Feature Extractor: 프레임 스트라이딩(striding) 및 크로핑 옵션을 갖춘 사전 학습된 AlexNet(conv3)을 사용하여 특징을 추출한다.
   • Binary Projector: 무작위 가우시안 투영을 통한 차원 축소와 sLSBH(Sparse Locality Sensitive Binary Hashing)를 이용한 이진화를 수행하여 압축된 바이너리 기술자(descriptor)를 생성한다.
   • Neocortex: 계층적 시간 메모리(HTM) 원리, 특히 시간적 맥락을 인코딩하고 바이너리 입력을 고차원의 희소 분포 표현(SDR)으로 확장하는 Temporal Memory(TM)를 구현한다.
   • Spatial-View Cells: 유사도 임계값을 기준으로 SDR 관측치를 구간별로 그룹화하여 루프 폐쇄(loop closure)를 탐지하고 시각 템플릿 식별자를 할당한다.
   • Pose Cells, Experience Map, 및 Visual Odometry: 이 모듈들은 RatSLAM 아키텍처와 일관되게 유지된다.

주요 기여
본 논문은 세 가지 주요 기여를 설명한다:

• 아키텍처 리팩토링: 계산 효율성을 크게 향상시켜, 들어오는 감각 데이터의 손실을 최소화하면서 실시간에 가까운 전용 용량 작동을 가능하게 하는 모듈형 재설계.
• 소프트웨어 스택 업그레이드: 기존의 Python 2.7/ROS 1 스택이 가진 확장성 및 장기 지원 문제를 해결하는 현대적이고 유지보수가 용이한 기술(ROS 2, C++17, htm.core)로의 전환.
• 실험적 평가: 다양한 환경 조건 하에서 세 가지 데이터셋(Robotarium, iRat Australia, FIU MMC Lake)을 통해 새로운 NeoSLAM, 기존 NeoSLAM, 그리고 RatSLAM 간의 체계적인 비교 분석 수행.

실험 결과
평가는 Robotarium(지상, 실내), iRat Australia(지상, 실외), FIU MMC Lake(수중, 무인 수상정)의 세 가지 데이터셋을 활용하였다.

• 실시간 성능: 새로운 구현은 기존 버전 대비 데이터 손실을 획기적으로 줄였다. Robotarium 데이터셋에서 데이터 손실은 기존 91%에서 신규 구현 1%로 감소했다. iRat Australia 데이터셋에서는 90%에서 0%로 감소했다. 이러한 개선을 통해 새로운 시스템은 기존 시스템이 대부분의 프레임을 버려야 했던 것과 달리, 입력 속도에 맞춰 프레임을 처리할 수 있었다.
• 매핑 일관성: Robotarium 및 iRat Australia 데이터셋에서 기존 NeoSLAM은 데이터 손실로 인해 루프 폐쇄를 효과적으로 수행하지 못해 일관성 없는 위상 지도를 생성했다. 반면, 새로운 구현은 RatSLAM과 대등한 수준의 일관된 지도를 생성했다.
• 궤적 정확도:
  • iRat Australia: RatSLAM은 NeoSLAM(0.29 m)보다 약간 낮은 평균 오차(0.24 m)를 보였으나, 두 모델 모두 위상적으로 일관된 지도를 생성했다.
  • FIU MMC Lake: 순수 관성 오도메트리만을 사용하는 이 도전적인 수중 환경에서, NeoSLAM은 RatSLAM(6.10 m)보다 약간 낮은 평균 오차(5.92 m)를 달로 달성했다. 저자들은 잘못된 재지역화(re-localization)를 방지하기 위해 exclude_recent_intervals 파라미터를 조정하는 것이 필요하다고 언급했다.

의의 및 주장
본 논문은 제안된 ROS 2 기반의 NeoSLAM 구현이 기존 버전의 처리 처리량 제한을 성공적으로 극복하여 실시간 애플리케 Anwendungen에 적합함을 입증한다고 주장한다. 결과는 새로운 NeoSLAM이 다양한 환경에서 RatSLAM과 대등한 지도 재구성 성능을 달성함을 보여준다. 특히, 저자들은 본 연구가 USV 데이터셋에서 NeoSLAM을 평가한 첫 번째 연구임을 강조하며, 상당한 시각적 모호성과 관성 항법만 존재하는 조건에서도 퇴화된 순수 오도메트리 궤적을 개선하여 위상 지도를 구축할 수 있는 능력을 보여주었다고 밝혔다. 본 연구는 새로운 NeoSLAM이 RatSLAM과 동일한 수준의 재구성 품질을 제공하면서도, 그 현대화된 아키텍처가 현재의 로보틱스 도구들과의 통합을 위한 우수한 유지보수성 및 확장성을 제공한다는 점을 강조한다.