정확한 3차원 점군(point cloud) 지도 생성은 다양한 로봇 임무뿐 아니라 데이터 기반 도시 분석에서도 핵심 과제이다. 이를 위해 라이다(light detection and ranging, LiDAR) 센서 기반 동시 위치추정 및 지도작성(simultaneous localization and mapping, SLAM) 기술이 정교하게 발전되어 왔다. 완전한 SLAM 시스템을 구성하기 위해 많은 오도메트리(odometry) 및 장소 인식(place recognition) 방법이 학계에서 각각 제안되어 왔다. 그러나 이러한 방법들은 거의 통합되지 못했거나 지나치게 긴밀하게 결합되어 있어, 오도메트리 또는 장소 인식 모듈 중 어느 하나를 교체(업그레이드)하는 데 매우 많은 노력이 필요하다. 최근 각 모듈의 성능이 크게 향상됨에 따라, 이를 효과적으로 통합하고 최신 모듈로의 손쉬운 교체가 가능한 SLAM 시스템을 구축할 필요가 있다. 본 논문에서는 전(前)단 프론트엔드(front-end) 비종속적인 LiDAR SLAM 시스템인 SC-LiDAR-SLAM을 제안하고 공개한다. 우리는 이를 모듈화하여 설계함으로써 완전한 SLAM 시스템을 구축하였으며, Scan Context++ 및 다양한 기존 오픈소스 LiDAR 오도메트리 방법들과 성공적으로 통합하여 정확한 점군 지도를 생성하였다.

장기적인 3D 맵 관리(long-term 3D map management)는 로봇이 비정적인(non-stationary) 실제 환경에서 신뢰성 있게 항법할 수 있도록 하기 위해 필요한 핵심 역량이다. 본 논문은 도시 환경 현장을 위한 오픈 소스 기반의 모듈형이며 즉시 활용 가능한 LiDAR 기반 평생 지도(lifelong mapping)를 개발한다. 이를 위해 문제를 연속적인 하위 문제들로 분해하여 해결한다: 다중 세션 SLAM(multi-session SLAM; MSS), 고/저 동적 변화 감지(high/low dynamic change detection), 그리고 양/음 변화 관리(positive/negative change management)이다. 제안 방법은 MSS를 활용하고 잠재적 경로(trajectory) 오차를 최소화하므로, 변화 감지를 위해 수동 또는 양호한 초기 정렬(alignment)이 필요하지 않다. 또한 변화 관리(change management) 기법은 메모리와 연산 비용 모두에서 효율성을 보존하여, 대규모 점군(point cloud) 맵으로부터 객체를 자동으로 분리(segregation)한다. 우리는 다기간(하루~연도)의 다양한 시간 간격(temporal gaps)을 포함하는 광범위한 실제 환경 실험을 통해, 연중 규모의 영구적 연차 수준 변동(permanent year-level variation) 하에서도 제안된 프레임워크의 신뢰성과 적용 가능성을 검증한다.