정확한 상태 추정은 자율 농업 로봇의 신뢰할 수 있는 운영에 필수적이다. 상태 추정의 효과는 센서 융합 알고리즘, 환경, 센서 품질과 같은 여러 요인의 영향을 받는다. 로봇이 대규모 시나리오에서 주행할 때, 이동 거리와 고속 기동은 추정 과정에서 드리프트를 유발하며 이는 신중히 고려되어야 한다. 또한 센서의 시간에 따라 변하는 잡음은 주행거리계(odometry) 정확도에 추가적으로 영향을 주며, 특히 장거리 이동에서 두드러지게 나타난다. 본 연구는 농업 응용에 중점을 두고, 고르지 않은 지형을 포함한 대규모 비정형 환경에서의 다중 제약 기반 상태 추정과 관련된다. LiDAR-IMU 기반 융합을 사용하여, 농경지와 같은 복잡한 환경에서 신뢰할 수 있고 정확한 위치추정(localization) 솔루션을 제공하는 것을 목표로 한다. 더 나아가 농업 환경은 고르지 않은 지형과 특징점의 부족으로 인해 더욱 어려워진다. 본 연구는 이러한 도전 과제를 해결하기 위해 인자 그래프(factor graph) 기반 최적화와 적응형 칼만 필터(adaptive Kalman filtering)를 결합한 하이브리드 프레임워크를 제안한다. 또한 성능 평가는 농업 환경에서 자체 수집한 데이터셋뿐 아니라 GRACO & KITTI와 같은 공개 접근 데이터셋에서도 수행한다.

동시 위치추정 및 지도작성(simultaneous localization and mapping, SLAM)에서 진정한 루프 클로저(loop closure)의 검출은 재위치추정(relocalization)과 지도 정확도 향상에 유리하다. 그러나 그 성능은 조명 조건, 시점, 계절의 변화, 그리고 동적 객체의 존재에 의해 크게 영향을 받는다. 지난 수십 년 동안 이러한 문제를 해결하기 위한 노력이 이루어져 왔음에도 불구하고, 이는 여전히 미해결 과제로 남아 있다. 본 연구는 인간과 유사한 장면 이해를 달성하기 위한 시각 의미(visual semantics)의 장점에 주목하여, 의미를 보조하는 시각 루프 클로저 검출(sementics-aided visual loop closure detection) 방법을 조사하고, 시각 SLAM 시스템을 위한 의미 국소 및 전역 기술자(semantic local and global descriptors, SLGD)를 활용한 새로운 거친-부터-정밀한(coarse-to-fine) 루프 클로저 검출 방법을 제안한다. 제안된 방법은 주어진 이미지에서 저수준 및 고수준 정보를 활용함으로써, 시점과 조명 변화에 대해 불변적인 국소 시각 특징의 장점과 특정 의미 영역으로부터 추출된 전역 의미를 결합한다. 장기 자율성에 대한 견고성은 전역 의미 유사성과 의미적으로 두드러진 국소 특징 유사성의 융합을 통해 확보된다. 제안된 SLGD-Loop는 다양한 난이도의 벤치마크 데이터셋에서 기존의 최첨단 루프 클로저 검출 방법을 능가하며, Recall@N이 유의미하게 향상되고 100% 정밀도에서의 재현율(recall rate)이 더 높다.