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.

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