최근 신경 표현(neural representations)의 발전은 로봇에서 고충실도 밀집 매핑(high-fidelity dense mapping)을 가능하게 할 수 있다는 점에서 큰 가능성을 보여주었다. 그러나 실제 환경은 본질적으로 동적이기 때문에, 많은 연구가 동적 관측으로부터 정적 장면 표현을 학습하려고 시도해 왔다. 그럼에도 기존 방법들은 미세하게 움직이는 물체를 제거하는 데 자주 실패하며, 가려진(static) 정적 배경을 정확하게 복원하는 데에도 어려움을 겪어 실제 적용에서의 핵심 한계로 이어진다. 또한 정적 신경 맵(static neural maps)을 사용하여 위치추정을 수행할 때에는, 질의 이미지(query images)에 포함된 동적 콘텐츠를 효과적으로 처리해야 한다. 이러한 문제를 해결하기 위해, 우리는 다양한 동적 환경에 강건하며 위치추정 과정에서 동적 콘텐츠를 처리할 수 있는 정적 신경 매핑 프레임워크를 제안한다. 우리는 공개 데이터셋과 자체(in-house) 데이터셋 모두에 대해 광범위한 실험을 통해 우리의 접근법을 평가하였다. 본 방법은 동적 조건에서 동적 물체 제거와 위치추정 견고성(localization robustness) 모두를 향상시키며, 실제 환경에서의 회복탄력적인 로봇 내비게이션(resilient robot navigation)을 향한 중요한 진전을 이룬다.

서로 다른 지도들의 통합은 여러 세션과 협력적 다중 로봇 시나리오 전반에서 확장 가능한 로봇 운용을 가능하게 하기 위해 필수적이다. 그러나 센서 양식과 동적 환경에 강인한 단일 지도를 달성하는 일은 여전히 어려운 문제로 남아 있다. LiDAR 유형의 차이와 동적 요소의 존재는 점군 분포와 장면 일관성의 차이를 초래하여, 정확한 지도 정렬에 필수적인 신뢰할 수 있는 디스크립터 생성 및 루프 클로저 탐지를 방해한다. 이러한 과제를 해결하기 위해 본 논문은 다중 양식 LiDAR 시스템을 위한 동적 인지형 3D 점군 지도 병합 프레임워크인 Uni-Mapper를 제시한다. 이는 동적 객체 제거, 동적 인지형 루프 클로저, 그리고 다중 양식 LiDAR 지도 병합 모듈로 구성된다. 시간적 점유(occupancy) 불일치를 통해 동적 객체를 식별하고 거부하기 위해, 거친-단계부터 정밀-단계(coarse-to-fine) 방식으로 복셀 단위 자유 공간 해시 맵(voxel-wise free space hash map)을 구축한다. 제거 모듈은 보존된 정적 점들로부터 국소 특징을 추출하는 지도 중심(descriptor) 디스크립터와 통합되어, 동적 환경에서 다중 양식 LiDAR의 견고성을 보장한다. 최종 단계에서는 세션 내(intrasession) 및 지도 간(inter-map) 루프 클로저 모두에 대해 여러 포즈 그래프 최적화를 수행한다. 지도 병합 과정에서 세션 내 드리프트(intra-session drift) 오류를 완화하기 위해 중앙 집중형 앵커 노드(centralized anchor-node) 전략을 채택한다. 제안 프레임워크는 동적 객체와 이질적 LiDAR가 포함된 다양한 실세계 데이터셋에서 평가되었으며, 센서 양식 전반에서의 루프 탐지 성능, 동적 환경에서의 견고한 맵핑, 그리고 기존 방법 대비 정확한 다중 지도 정렬에서 우수한 성능을 보인다. 프로젝트 페이지: https://sparolab.github.io/research/uni_mapper.