저랭크 표현 기반 밀집 시각 SLAM과 지도 인지 3D 지각 연구

Low-rank representation for dense visual SLAM and map-aware 3D perception

연구 내용

저랭크 텐서 분해와 효율적 장면 표현을 활용해 밀집 시각 SLAM의 계산·메모리 부담을 줄이고, 지도 정보를 결합한 3D 지각을 개선하는 연구

본 분야는 시각 SLAM과 3D 지각에서 대규모 장면을 대상으로 한 실시간성과 확장성을 확보하기 위한 표현 설계를 수행합니다. 밀집 시각 SLAM에서는 RGB-D 입력 기반 장면 표현이 갖는 연산·메모리 부담을 줄이기 위해 저랭크 텐서 분해 및 CP 계열 분해를 활용하여 수렴 특성과 재구성·국소화 품질을 동시에 고려합니다. Signed distance field 계열 표현을 저랭크 구조로 변환하는 방향도 병행하여 표현 효율을 높입니다. 아울러 지도 정보를 활용해 카메라 기반 BEV 특징을 기하·의미 관점에서 보강하여 분할과 검출 성능을 개선하는 지도 인지 기반 지각 연구를 수행합니다. 영상 품질 향상을 위해 프레임 정렬 기반 디모아레 제거도 함께 다룹니다.

관련 프로젝트

1건

연구 흐름

초기에는 Signed distance field와 장면 표현을 SLAM 파이프라인에 적용하는 기반 연구를 진행하며, 밀집 시각 SLAM의 정확도와 안정성을 확보했습니다. 이후에는 장면 표현의 계산 비용을 줄이기 위해 저랭크 텐서 분해를 도입하고, 수렴 및 메모리 효율을 개선하는 방향으로 모델을 확장했습니다. 동시에 지도 정보를 BEV 특징 생성 과정에 결합해 원근 시점의 깊이 불확실성을 보정하고 다운스트림 성능을 높이는 연구로 확장했습니다. 최근에는 재구성·국소화 품질과 처리 효율을 동시에 평가하는 실험 설계를 통해 대표 결과를 정리하고, 영상 복원 관점의 프레임 정렬 기반 방법도 보강합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

Dense visual SLAM 실시간화
대규모 실내·실외 장면 재구성
저랭크 기반 장면 표현
Signed distance field 압축 표현
지도 인지 BEV 지각
카메라-지도 융합 특징 생성
깊이 불확실성 보정
분할·검출용 BEV 입력 향상
비전 기반 로봇 자율항법
디모아레 제거 기반 시각 품질 개선