온라인 변화 감지는 이동 로봇이 동적인 환경에서 효율적으로 탐색하기 위해 필수적이다. 활동 중인 건설 현장이나 자주 재구성되는 실내 공간과 같은 일시적 환경에서의 변화를 탐지하는 일은 빈번한 가림(occlusion)과 시공간적 변동(spatiotemporal variations) 때문에 특히 어렵다. 기존 접근법은 변화 탐지에 종종 어려움을 겪으며, 서로 다른 관측들에 걸쳐 지도를 적절히 갱신하지 못하는 경우가 많다. 이러한 한계를 해결하기 위해, 우리는 온라인 변화 감지와 장기 지도 유지보계를 동시에 수행하도록 설계된 듀얼 헤드(dual-head) 네트워크를 제안한다. 이 과업에서의 핵심 난점은 실제 데이터의 수집과 정렬인데, 시간에 따른 구조적 차이를 수작업으로 등록하는 것은 노동집약적일 뿐 아니라 종종 비현실적이다. 이를 극복하기 위해, 우리는 서로 다른 장면(scene)에서 요소를 가져와 구조적 변화를 합성하는 데이터 증강 전략을 개발하여, 방대한 수준의 정답(ground-truth) 주석 없이도 효과적으로 모델을 학습할 수 있게 한다. 실제 건설 현장과 실내 사무 환경에서 수행한 실험 결과, 본 접근법은 다양한 시나리오에 대해 잘 일반화되며 효율적이고 정확한 지도 갱신을 달성함을 보여주었다. 소스 코드와 추가 자료는 다음에서 확인할 수 있다: https://chamelion-pages.github.io/.

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