장소 인식(place recognition)은 로봇 내비게이션에서 핵심 모듈이다. 기존의 연구 흐름은 주로 시각적 장소 인식을 다루며, 이전에 방문한 장소를 그 외양만을 바탕으로 인식하는 데 초점을 맞춰왔다. 본 논문에서는 레인지 센서(range sensors)로부터 관측되는 구조적 외양을 바탕으로 장소를 인식함으로써 구조적 장소 인식을 다룬다. 회전에 불변인(spatial) 기술자에 관한 이전 연구를 확장하여, 제안하는 기술자는 롤-피치(roll-pitch) 움직임이 심하지 않은 경우에 회전(heading)과 이동(translation) 모두에 대해 견고한 범용 기술자를 완성한다. 우리는 두 개의 부분 기술자(sub-descriptor)를 도입하고, 위상적 장소 검색(topological place retrieval) 후 1-자유도(1-DOF) 준-거리(semi-metric) 기반 국소화(localization)를 수행하도록 하여, 위상적 장소 검색과 거리(미터) 기반 국소화(metric localization) 간의 간극을 연결한다. 제안 방법은 환경의 복잡성과 규모(scale) 측면에서 철저히 평가되었다. 소스 코드는 공개되어 있으며, 기존의 LiDAR 동시적 위치추정 및 지도작성(LiDAR simultaneous localization and mapping, SLAM)에 쉽게 통합할 수 있다.

지도 제작을 위한 Bird's Eye View (BEV) 융합 분야에서 최근의 발전은 도시 환경의 탁월한 지도화를 보여주었다. 그러나 이들의 심층적이고 거대한 아키텍처는 역전파(backpropagation) 메모리와 계산 지연을 상당량 유발한다. 그 결과, 고해상도(HR) BEV 지도를 구성하는 과정에서 필연적인 병목 문제가 발생하는데, 이는 대규모 특징들이 GPU 메모리 사용량과 계산 지연을 포함한 비용을 크게 증가시키는 데 기인하며, 이를 diverging training costs 이슈라 명명한다. 이러한 문제의 영향을 받는 대부분의 기존 방법은 저해상도(LR) BEV를 채택하며, 도로 차선 및 인도와 같은 도시 장면 구성 요소의 정확한 위치를 추정하는 데 어려움을 겪는다. 이러한 부정확성은 충돌 회피와 같은 위험한 모션 플래닝으로 이어지므로, diverging training costs 이슈를 해결해야 한다. 본 서신에서는 우리의 새로운 BEVRestore 메커니즘으로 이 문제를 다룬다. 구체적으로, 제안하는 모델은 각 센서의 특징을 LR BEV 공간에 인코딩한 뒤 이를 HR 공간으로 복원하여 메모리 효율적인 맵 생성기를 구축한다. 이를 위해 우리는 BEV 복원 전략을 도입하는데, 이는 업스케일된 BEV 특징의 별칭(aliasing)과 블록형 아티팩트를 복원하고 라벨의 폭을 축소한다. 광범위한 실험 결과, 제안된 메커니즘은 플러그 앤 플레이 방식의 메모리 효율적 파이프라인을 제공하며, 광범위한 BEV 스코프를 가진 HR 지도 구성을 가능하게 함을 보여준다. 우리의 코드는 공개될 예정이다.