무선 수신 신호 세기(RSS) 기반 위치추정 시스템에서 가장 어려운 쟁점 중 하나는 대규모 실내 공간의 공간 정보에 연동된 좌표계를 갖는 무선 지도(radio map)를 생성하고 배포하는 것이다. 본 연구는 LiDAR와 모바일 폰의 이질적 특성을 효과적으로 결합하여 공간 매핑과 무선 매핑을 동시에 수행하는 새로운 공간 태그 기반 무선 매핑 시스템(SRS)을 제안한다. SRS는 동기화, 위치추정, 지도 구축의 과정으로 구성되며 실시간 공간 및 무선 매핑이 가능하다. 동기화 과정에서는 LiDAR와 모바일 폰을 통해 획득한 거리 범위, 모션 데이터, 무선 신호를 감지 시간에 따라 노드 단위로 수집한다. 위치추정 과정에서는 특징 분산 필터(feature variance filter)를 사용하여 LiDAR에서 생성되는 특징의 수를 제어하고, 모션 데이터와 무선 신호에 근거하여 노드가 생성되는 위치를 실시간으로 추정한다. 지도 구축 과정에서는 노드의 추정 위치를 이용하여 통합 위치 좌표계를 사용함으로써 공간 지도와 무선 지도를 추출한다. 이동성을 보장하기 위해 SRS는 LiDAR와 모바일 폰을 지지하는 백팩 형태로 제작되었으며, 시스템의 유용성은 실험적으로 검증되었다. 실험은 복잡한 구조를 갖는 대형 실내 쇼핑몰에서 수행되었다. 실험 결과는 공통 좌표계를 사용하여 공간 지도와 무선 지도를 높은 정확도와 효율로 실시간 구축할 수 있음을 보여주었다. 또한 이질적인 모바일 폰을 사용한 잘 알려진 핑거프린팅(fingerprinting) 알고리즘에 구성된 무선 지도를 적용함으로써, 위치 기반 서비스에 대한 SRS의 현장 적용 가능성도 실험적으로 검증하였다.

무선 수신 신호 세기(RSS) 기반 위치추정 시스템에서 가장 어려운 쟁점 중 하나는 대규모 실내 공간의 공간 정보에 연동된 좌표계를 갖는 무선 지도(radio map)를 생성하고 배포하는 것이다. 본 연구는 LiDAR와 모바일 폰의 이질적 특성을 효과적으로 결합하여 공간 매핑과 무선 매핑을 동시에 수행하는 새로운 공간 태그 기반 무선 매핑 시스템(SRS)을 제안한다. SRS는 동기화, 위치추정, 지도 구축의 과정으로 구성되며 실시간 공간 및 무선 매핑이 가능하다. 동기화 과정에서는 LiDAR와 모바일 폰을 통해 획득한 거리 범위, 모션 데이터, 무선 신호를 감지 시간에 따라 노드 단위로 수집한다. 위치추정 과정에서는 특징 분산 필터(feature variance filter)를 사용하여 LiDAR에서 생성되는 특징의 수를 제어하고, 모션 데이터와 무선 신호에 근거하여 노드가 생성되는 위치를 실시간으로 추정한다. 지도 구축 과정에서는 노드의 추정 위치를 이용하여 통합 위치 좌표계를 사용함으로써 공간 지도와 무선 지도를 추출한다. 이동성을 보장하기 위해 SRS는 LiDAR와 모바일 폰을 지지하는 백팩 형태로 제작되었으며, 시스템의 유용성은 실험적으로 검증되었다. 실험은 복잡한 구조를 갖는 대형 실내 쇼핑몰에서 수행되었다. 실험 결과는 공통 좌표계를 사용하여 공간 지도와 무선 지도를 높은 정확도와 효율로 실시간 구축할 수 있음을 보여주었다. 또한 이질적인 모바일 폰을 사용한 잘 알려진 핑거프린팅(fingerprinting) 알고리즘에 구성된 무선 지도를 적용함으로써, 위치 기반 서비스에 대한 SRS의 현장 적용 가능성도 실험적으로 검증하였다.

우리는 정박(berthing) 환경에서 저밀도 LiDAR 센서로부터 얻은 점군(point cloud)을 사용하여 자율 도킹을 위한 LiDAR 점 기반 도킹 스팟(docking spot) 생성 시스템을 제안한다. 이 시스템은 스캔 매칭(scan matching), 3D 객체 탐지(3D object detection), 장기 객체 인지(long-term object perception), 도킹 스팟 생성(docking spot generation)의 네 가지 핵심 단계로 구성된다. 스캔 매칭 단계에서는 스캔-투-맵(scan-to-map) 매칭을 통해 무인 수상(동력)선박(unmanned surface vehicle)의 위치를 전역 좌표계(global coordinate system) 내에서 추정한다. 3D 객체 탐지 단계에서는 저밀도 LiDAR 데이터로부터 고품질 점군을 생성하여 탐지 성능을 향상시키고, 탐지된 객체 정보를 전역 좌표계로 변환한다. 장기 객체 인지 단계에서는 LiDAR의 시야(field of view)를 벗어난 객체 정보를 지도(map)에 저장하여 연속적인 환경 인지를 수행한다. 마지막으로 도킹 스팟 생성 단계에서는 유효한 도킹 스팟을 생성하기 위한 알고리즘을 사용한다. 실제 환경에서의 실험적 검증 결과, 제안된 시스템은 여러 탐지 아키텍처에서 평균 3D mAP가 23.38 퍼센트 포인트 향상됨을 보여준다. 특히 소형 객체 탐지의 경우 평균 3D AP 향상이 38.12 퍼센트 포인트에 이르러, 어려운 시나리오에서도 유의미한 효과가 입증되었다. 이러한 개선은 장기 인지, 객체 관리, 그리고 도킹 스팟 생성 안정성을 향상시킨다.

최근 자율적 이동성 제어에 관한 연구가 다양한 응용 분야를 대상으로 활발하고 광범위하게 수행되고 있다. 특히 무인 항공기 및 지상 차량을 위한 자율적 이동성 제어는 시간 소요가 크고 지연이 높은 계산, 복잡한 기능, 이전에 인간이 수행하던 위험한 작업과 같은 상당한 도전 과제를 수반하므로 우리의 연구 관심사이다. 또한 완전 자율 무인 항공기 및 지상 차량은 실제로 거의 활용되지 못하고 있으며, 고정밀 센싱, 높은 계산 복잡도, 낮은 자율성, 제한된 이동성 등 다양한 운용상의 제약을 지닌다. 무인 항공기 및 지상 차량의 이러한 제약을 극복하고 완전 자율성을 달성하는 데 필요한 기술을 개발하기 위해, 정밀 자세(포즈) 추정, 환경 매핑, 경로 계획, 궤적 최적화, 2D/3D 객체 추적 및 탐지와 같은 다양한 측면에 관한 연구들이 다루어져 왔다. 무인 항공기 및 지상 차량의 완전 자율 운용과 기능이 실현됨에 따라, 새롭게 대두되는 응용은 더욱 다양해질 것이며, 자율 인공지능 기반 감시, 자율 재난 예방 방송 및 제어, 모바일 자율 항공 및 지상 무선/셀룰러 액세스 서비스 제공, 자율 멀티로봇 협업, 스마트시티 응용에서의 스마트 공장 관리 협력을 포함하게 될 것이다. 다만 이러한 영역에서는 숙련된 인간 운영자가 현재까지도 전 운용 과정에 개입해야 한다. 이번 특집호를 위해 우리는 (1) 통신, 네트워크 및 이동성 [1-5]과 (2) 자율주행에서의 객체 탐지 및 추적 [6-11]에 관한 11편의 핵심 연구를 선정하였다. [1]에서는 무인 항공기(UAV)를 포함한 자율 차량의 자율 이동성 제어와 효율적인 자원 관리를 달성하기 위한 최근의 딥러닝 기반 발전에 대한 조사와 논의를 제시한다. 이러한 발전에는 다중 에이전트 강화학습과 신경 Myerson 경매가 포함된다. 우리는 다중 에이전트 강화학습과 신경 Myerson 경매를 통합하는 것이 효율적이고 신뢰할 수 있는 자율 이동성 서비스를 위해 핵심적일 것이라고 믿는다. [2]에서는 도시 드론 배달을 위한 안전 착륙 알고리즘을 제안한다. 제안된 알고리즘은 나무, 가로등, 전력(유틸리티) 기둥, 전선 등 도시 환경에서 흔히 발견되는 장애물을 회피할 수 있게 하여, 드론이 사용할 수 있는 안전하고 효율적인 수직 착륙 경로를 생성한다. 이를 위해 수직 착륙을 수행하기 위한 착륙각 제어를 구현하고, 충돌 회피 알고리즘에서 빠르게 탐색하는 무작위 트리(rapidly-exploring random tree, RRT)를 사용한다. 이러한 방법의 조합은 도시 환경에서 드론 배달을 정밀하고 신뢰성 있게 가능하게 한다. [3]에서는 비행 제어기를 위한 분산형 초광대역 전역 항법 지원 시스템과 관성 항법 시스템에 기반하여, 느슨하게 결합된 상대 위치 추정 방법을 제안한다. 다중 드론 협업의 핵심 장애물로는 상대 위치 오차와 통신 장치의 부재가 지적된다. 이러한 문제를 해결하기 위해, 확장 칼만 필터(EKF)를 채택하여 새롭고 특화된 UWB 통신 모듈을 통해 무작위 통신으로 획득한 초광대역 데이터를 융합함으로써 거리 오차를 보정한다. 무인 차량은 이전에 인간이 수행하던 시간 소요가 크고 복잡하며 위험한 작업에 점점 더 많이 사용되고 있다. 그러나 고속 무선 네트워크 구축과 같은 응용에서는 한계가 존재한다. [4]에서는 UAV 다중입출력(multiple-input multiple-output, MIMO) 채널을 위한 3차원 기하 기반 확률 모형을 제시한다. UAV의 비행 방향과 위치는 MIMO 성능에 큰 영향을 미친다. 이러한 3차원 항법 및 산란 환경의 혁신적 모형은 이번 특집호의 범위와 밀접하게 연관된다. [5]에서는 UAV가 비지상(non-terrestrial) 네트워크, 특히 5G 및 그 이후 통신 시스템에서 필수적인 구성요소로 간주된다. 4G/5G 기지국과 연동하여 운용되는 UAV를 활용하는 것은, 기존 통신 인프라가 부재한 지역에서 셀룰러 네트워크 서비스를 제공하는 실용적인 해결책임이 입증되었다. 이 논문은 밀리미터파 주파수 대역에서 동작하는 고용량 무선 백홀을 활용하는 무인 항공기–기지국 시스템을 소개한다. [6]에서는 이동 객체 탐지 및 분할과 같은 작업을 위한 고급 비디오 분석을 제시함으로써, 무인 항공기 및 지상 차량 응용에서 이러한 방법에 대한 수요를 증가시킨다. 어려운 시나리오에서 이동 객체의 발견에 초점을 맞춘 새로운 제로샷 비디오 객체 분할이 도입된다. 이 방법은 배경 메모리 모델을 사용하여, 배경의 시간적 모델링을 통해 시간에 따른 희소 주석으로부터 학습하며 이동 객체를 정확하게 탐지한다. 또한 이 방법은, 움직임과 무관하게 영상 내에서 두드러진(salient) 객체를 탐지하는 기존 최첨단 솔루션들의 한계를 다룬다. [7]에서는 도시 감시 시나리오를 위한 적응형 UAV 보조 객체 인식 알고리즘을 제안한다. UAV 보조 감시 시스템에서 UAV는 학습 기반 객체 인식 모델을 장착하고 감시 이미지를 수집한다. UAV의 제한사항(예: 제한된 배터리 및 연산 능력)으로 인해, Lyapunov 최적화를 통해 안정성을 만족시키면서 시간 평균 인식 성능을 최대화하기 위한 적응 제어가 설계된다. [8]에서는 저수준 및 고수준 문맥 정보를 결합하는 현대적 의미 분할 프레임워크를 사용하여 성능을 향상시킨다. 또한 문맥 정련 네트워크(Context Refinement Network, CRFNet)에서 후처리 단계의 문맥 정보를 고려한다. 의미 분할 예측을 개선하기 위한 학습은 인코더–디코더 구조를 통해 진행된다. 본 연구는 Markov 및 조건부 임의장(conditional random fields)과 같은 방법을 사용하여 라벨 맵의 공간적으로 인접한 픽셀 간의 관계를 직접적으로 고려한다. [9]에서는 붐비는 환경의 3D LiDAR 포인트 클라우드를 사용하여 실시간의 정확한 3D 다중 보행자 탐지 및 추적을 달성한다. 보행자 탐지는 경량 컨볼루셔널 오토인코더와 연결요소 레이블링(connected component labeling)을 이용하여 희소한 3D 포인트 클라우드를 개별 보행자로 분할한다. 다중 보행자 추적은 연속 프레임에서의 운동 및 외형(appearance) 단서들을 고려하여 동일한 보행자를 연관시킨다. 또한 다양한 패턴으로 보행자의 동적 움직임을 적응적으로 혼합된 이질적인 운동 모델을 통해 추정한다. [10]에서는 센서 융합 기반 객체 탐지 및 분류를 제시한다. 제안된 방법은 실시간으로 동작하므로 자율주행 차량에 통합하기에 적합하다. 자체 데이터셋 및 공개 데이터셋에서 우수한 성능을 보이며, 실제 도로 환경에서의 효과성을 입증한다. 또한 ETRI 3D MOD라는 3D 이동 객체 탐지 데이터셋도 구축한다. [11]에서는 다중 카메라에서 정보를 결합하는 세 가지 기법, 즉 특징(feature), 초기(early), 후기(late) 융합 기법을 제안한다. 보행자 관점 교차로 분류를 대상으로 광범위한 실험을 수행하였다. 특징 융합을 포함하는 제안 모델은 곡선 아래 면적(area under the curve)과 F1-score가 각각 82.00 및 46.48이며, 단지 실제 3대 카메라 데이터를 이용해 학습한 모델과 단일 카메라 모델을 큰 폭으로 능가한다. 투고자(Guest Editors)는 이번 특집호를 성공적으로 이끌기 위해 ETRI Journal의 모든 저자, 심사자, 편집 실무진의 노고에 감사한다. 이러한 노력에 참여하고, 이러한 고품질 기술 논문들이 적시에 출판될 수 있도록 보장하기 위해 함께할 수 있었음을 매우 기쁘게 생각한다. 저자들은 이해상충이 없음을 선언한다. Joongheon Kim은 2019년부터 대한민국 서울(Republic of Korea, Seoul)의 고려대학교에 재직해 왔으며, 현재 전기전자공학부(Department of Electrical and Computer Engineering)의 부교수이다. 또한 (Samsung Electronics의 협력으로) 통신공학과(Department of Communications Engineering)의 겸임교수 및 (SK Hynix의 협력으로) 반도체공학과(Department of Semiconductor Engineering)의 겸임교수이다. 그는 2004년 및 2006년에 각각 대한민국 서울의 고려대학교에서 컴퓨터과학 및 공학(Computer Science and Engineering) 학사(BS)와 석사(MS) 학위를 받았으며, 2014년에는 미국 캘리포니아주 로스앤젤레스(Los Angeles, CA, USA)의 남캘리포니아대학교(University of Southern California, USC)에서 컴퓨터과학(Computer Science) 박사(PhD) 학위를 받았다. 고려대학교에 합류하기 전에는 LG Electronics(서울, 대한민국; 2006–2009)에서 연구 엔지니어로 근무했으며, 미국 캘리포니아주 산타클라라(Santa Clara in Silicon Valley, CA, USA) 소재 Intel Corporation 본사(2013–2016)에서 시스템 엔지니어로 근무했고, 대한민국 서울의 중앙대학교(Chung-Ang University; 2016–2019)에서 컴퓨터과학 및 공학 조교수로 근무했다. 그는 IEEE Transactions on Vehicular Technology, IEEE Transactions on Machine Learning in Communications and Networking, IEEE Communications Standards Magazine, Computer Networks(Elsevier), ICT Express(Elsevier)의 편집자 및 게스트 에디터로 활동하고 있다. 또한 IEEE Communications Society(ComSoc) 및 IEEE Systems Council의 Distinguished Lecturer이기도 하다. 그는 한국통신정보학회(Korea Institute of Communication and Information Sciences, KICS)의 Executive Director이다. 그는 USC에서 박사 과정 입학과 함께 Annenberg Graduate Fellowship(2009)을 받았고, Intel Corporation Next Generation and Standards(NGS) Division Recognition Award(2015), IEEE Systems Journal Best Paper Award(2020), IEEE ComSoc Multimedia Communications Technical Committee(MMTC) Outstanding Young Researcher Award(2020), IEEE ComSoc MMTC Best Journal Paper Award(2021), ICT Express의 Best Special Issue Guest Editor Award(2022), ICT Express의 Best Editor Award(2023)를 수상했다. 또한 IEEE ICOIN Best Paper Award(2021), IEEE Vehicular Technology Society(VTS) Seoul Chapter Awards(2019, 2021, 2022), IEEE ICTC Best Paper Award(2022) 등 IEEE 학회에서의 여러 수상 경력이 있다. Yu-Cheol Lee는 2004년에 연세대학교(서울, 대한민국)의 기계공학과 및 전기 및 전자공학과에서 학사 학위를 받았고, 2006년에는 포항공과대학교(POSTECH) 기계공학과에서 석사 학위를 받았으며, 2020년에 KAIST(대한민국 대전) 로봇 프로그래밍(Robotics Programming) 박사 학위를 받았다. 그는 2006년부터 2022년까지 대한민국 대전의 전자통신연구원(Electronics and Telecommunications Research Institute)에서 인공지능 연구소(Artificial Intelligence Laboratory)의 수석 연구원으로 근무했다. 2021년부터 2022년까지 미국 뉴욕의 Stony Brook University 컴퓨터과학과에서 방문 연구원(Visiting Researcher)으로 참여했다. 2023년부터는 대한민국 서울의 동국대학교 정보통신공학과(Department of Information and Communication Engineering)에서 조교수로 재직 중이다. 그는 수많은 대규모 연구 프로젝트에 연구원 및 매니저로서 선도적인 역할을 수행하며 참여해 왔다. 그의 연구 성과는 IEEE, ASME, RSJ, KRoS 등에서 출판된 다양한 학술 성과를 포함하여 주요 국제 학회 및 저널에서 발표되었고, 이를 통해 우수 연구상을 수상했다. 그의 연구 관심사는 지능형 차량을 위한 건물의 위치추정 및 맵핑(localization and mapping)과 실내외 환경에서 보행자를 위한 내비게이션 기술이다. Jun Hwan Lee는 2009년에 일본 요코하마의 게이오대학교(Keio University)에서 정보 및 컴퓨터과학(Information & Computer Science) 박사 학위를 받았다. 그는 2005년부터 2006년까지 게이오대학교에서 프로젝트 연구 부교수(Project Research Associate)로 근무했다. 그는 2000년부터 대한민국 대전의 전자통신연구원(Electronics and Telecommunications Research Institute)에서 근무해 오며, 3GPP 표준화 분야에서 10년 이상 활동해 왔고, 현재 5G 표준화 그룹을 이끄는 Section Director로 재직하고 있다. 또한 그는 위성통신연구부(Satellite Communication Research Division) 내 공간 무선 전송 연구 섹션(Spatial Wireless Transmission Research Section)의 Section Director로서 UAS, UAM, 위성통신 등과 같은 항공 통신을 관할한다. 그는 6G 포럼(6G Forum)의 Strategy & Global Collaboration에서 Deputy Team Leader를 맡고 있다. 글로벌 활동을 통해 한국–유럽연합, 한국–일본, 한국–중국, 한국–핀란드 등 협력 분야에서의 글로벌 프로젝트를 경험해 왔다. 밀리미터파/테라헤르츠 전송 체계에서의 디지털 및 무선 통신 시스템과 물리계층 설계 이슈는 그의 핵심 관심 분야이다. 더불어 그는 5G/6G 연구개발 활동을 촉진하기 위해 인접 국가들과의 글로벌 공동 프로젝트를 구축하는 일에도 참여하고 있다. Jin Seek Choi는 1985년에 대한민국 서울의 성균관대학교(Sogang University)에서 BSEE 학위를 받았고, 1987년과 1995년에는 각각 대한민국 대전의 한국과학기술원(KAIST, Korea Advanced Institute of Science and Technology)에서 MSEE 및 PhD 학위를 받았다. 그는 1987년부터 1991년까지 Gold Star Information and Communication, Co.에서 근무했으며, 이곳에서 Ethernet, FDDI 브리지, ISDN 시스템 개발을 담당했다. 그는 1995년부터 2001년까지 한국의 공주대학교(Kongju National University)에서 근무했고, 1998년 9월부터 2000년 8월까지 미국 워싱턴 D.C.의 미국 국립과학기술연구소(National Institute of Science and Technology, NIST)에서 Visiting Researcher로 근무했다. 또한 그는 2001년부터 2004년까지 공학대학(Information and Communications University, 현재 KAIST에 통합됨)에서 근무했다. 2004년부터는 대한민국 서울의 한양대학교(Hanyang University)에서 근무하고 있다. 2016년과 2022년에는 각각 대한민국의 산업통상자원부 장관 및 산업에너지 분야의 국무총리로부터 상을 받았다. 그의 연구 관심사는 경로 계산 요소(path computation elements), 제어 및 관리 프레임워크(control and management frameworks), 소프트웨어 정의 네트워킹(software-defined networking), 에너지 및 IoT 네트워킹, 광 인터넷(optical internet), 라우팅 및 파장 할당(routing and wavelength assignment), QoS 보장형 고속 스위칭 및 라우팅, 차세대 유선 및 무선 네트워크를 위한 위치 및 이동성 관리 프로토콜(location and mobility management protocols)이다.

강화학습(RL)은 에이전트가 과거의 상태-행동-보상 경험의 연속을 활용하여 미래의 행동 연속을 예측하는 시퀀스 모델링 과제로 볼 수 있다. 본 연구에서는 영상 입력을 사용하는 로봇 학습을 위한 Transformer 아키텍처인 State-Action-Reward Transformer(StARformer)를 제안한다. StARformer는 단기 상태-행동-보상 표현(StAR-representations)을 명시적으로 모델링함으로써, 본질적으로 장기 모델링을 개선하기 위한 마코프적(Markovian-like) 귀납적 편향을 도입한다. StARformer는 먼저 짧은 시간 창 내에서 영상 상태, 행동, 보상 토큰의 자기-주의 패치들을 이용하여 StAR-표현을 추출한다. 이러한 StAR-표현은 합성곱 특징으로 추출한 순수 영상 상태 표현과 결합되어, 전체 시퀀스에 대해 자기-주의를 수행한다. 실험 결과, StARformer는 오프라인 RL 및 모방 학습의 두 설정 모두에서 이미지 기반 Atari 및 DeepMind Control Suite 벤치마크에서 최신 Transformer 기반 방법보다 성능이 우수함을 보였다. 또한 패치 단위 및 합성곱 기반 영상 임베딩의 조합으로부터 모델이 이익을 얻을 수 있음을 확인하였다. StARformer는 기본 방법(baseline)보다도 더 긴 입력 시퀀스에 대해 더 높은 적합성을 보였다. 마지막으로, 인간 추종(human-following) 과제를 통해 StARformer가 실제 환경의 로봇 모방 학습에 성공적으로 적용될 수 있음을 시연한다.

3D 포인트 클라우드 맵은 다양한 위치와 시간에서 스캔된 LiDAR 센서 데이터를 누적하여 생성된다. 스캔 중에는 위치와 시간에 따라 동적 객체가 서로 다른 자세로 스캔되며, 이로 인해 맵의 품질이 저하되고 위치 추정에 부정적인 영향을 미친다. 3D 포인트 클라우드 맵의 품질을 향상시키고 장기 관리에 활용하기 위해, 동적 가능성을 포함한 객체를 제거함으로써 정적 객체만을 사용해 3D 포인트 클라우드 맵을 생성하는 효과적인 방법이 필요하다. 본 논문에서는 LiDAR 센서로부터 수집한 스캔 단위의 3차원 포인트 클라우드 각 개별 포인트로부터 특징 이미지를 생성하는 방법을 통해 각 포인트를 분류하고 동적 확률 객체를 제거할 수 있는 구면 포인트 지시자(Spherical Point Indicator, SPI)를 제안한다. SPI는 각 포인트를 중심으로 한 이웃 포인트들의 분포 정보와 강도 정보를 활용하여 각 포인트의 고유한 특징 이미지를 생성한다. 생성된 이미지는 CNN 네트워크의 입력으로 사용되어 분류된다. SPI의 특징 이미지 생성은 모든 3D 포인트 클라우드에 적용 가능하며, 분류 결과로 선택된 모든 스캔 포인트는 범주에 따라 개별적으로 분류된다. 제안하는 접근법은 단 한 번의 스캔만으로 포함된 모든 3D 포인트 클라우드를 분류할 수 있으며, 분류 결과에서 동적 가능성 객체 범주를 필터링함으로써 정적 객체만을 탐지할 수 있다.