로봇은 종종 알려지지 않은 객체 클래스와 의미적 모호성이 공존하는 환경에서 위치를 파악해야 한다. 그러나 의미적 객체를 이용한 전역(local) 위치추정(global localization)을 수행할 때, 높은 의미적 모호성은 객체의 오분류를 심화시키고 잘못된 연관(association)이 성립할 가능성을 증가시키며, 이는 결국 추정된 자세(pose)에 중대한 오류를 유발할 수 있다. 따라서 본 서신(letter)에서는 객체 수준의 전역 위치추정을 위한 다중 라벨 확률 기반 의미 그래프 매칭(matching) 프레임워크를 제안한다. 핵심 아이디어는 단일 라벨 대안이 아니라 다중 라벨 그래프 표현을 활용하여 객체 관측에 내재한 의미적 맥락을 포착하고 이를 활용하는 것이다. 이러한 표현을 바탕으로, 각 노드의 가능도(likelihood)와 맥락을 인지하는 가능도 전파(context-aware likelihood propagation)를 통해 이웃 노드들의 최대 가능도를 결합함으로써 그래프 간 의미적 대응(semantic correspondence)을 강화한다. 엄밀한 검증을 위해 데이터 연관(data association)과 자세 추정 성능을 폐쇄 집합(closed-set) 및 개방 집합(open-set) 탐지 구성 모두에서 평가한다. 또한 실제 환경의 실내 장면과 합성 환경 모두에서 대규모 어휘(vocabulary)를 갖는 객체 범주에 대한 본 접근법의 확장성(scalability)을 시연한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.