GPU 가속 경로 의존 Marginal Information Gain으로 자율 탐사 95% 커버리지 도달 시간 단축

샘플링 기반 자율 탐사에서 후보 경로의 정보 이득을 평가할 때 시점 간 독립성 가정을 버리고 경로 의존 한계 이득을 실시간으로 계산할 수 있는가?

자율 탐사에서 로봇은 후보 시점의 정보 이득과 이동 비용을 평가해야 하는데, 기존 샘플링 기반 플래너는 연산 부담 때문에 시점들을 독립으로 가정한다. 이 absolute gain은 같은 경로상 앞선 시점이 이미 볼 미지 공간을 중복 계산해 경로 이득을 과대평가하고 후보 순위를 바꿀 수 있다. 정확한 한계 이득을 복셀 해시 맵으로 구하면 조상 관측 집합을 병합해야 해서 트리 깊이와 맵 해상도가 커질수록 실시간 계산이 어렵다.

RH-NBVP, AEP 같은 기존 샘플링 기반 플래너는 후보 시점을 개별 평가하는 absolute gain을 쓴다. ERRT는 경로를 따라 한계 이득을 계산하지만 UFOMap 기반 구현에서 후보 수를 제한하고 최소 정보 거리보다 먼 상태만 평가하거나 더 성긴 옥트리 깊이를 사용해 비용을 줄였고, 중간 상태의 이득은 생략한다. GPU는 주로 독립적인 이득 평가를 병렬화하는 데 쓰여서 경로 의존성 때문에 그대로 적용하기 어려웠다.

이 방법은 각 노드의 관측을 복셀 집합 대신 깊이 버퍼로 저장한다. 후보 광선을 조상 노드의 깊이 버퍼에 투영해 이미 관측될 구간을 찾고, 3D DDA로 이득을 계산할 때 그 구간을 제외한다. CPU가 전체 후보 트리를 먼저 만들고 충돌 검사와 점수 계산을 맡는 동안 GPU는 트리를 깊이 순서로 처리하되 같은 깊이의 노드와 광선을 병렬 평가하고 요를 최적화한다. RH-NBVP와 AEP에 이 batched depth-ordered 평가를 통합했다.

시뮬레이션은 각 조건 10회 실행 평균±표준편차로 보고했다. 고정 요 조건에서 166,440개 노드 평가를 기준으로 absolute gain은 정확 계산과 일치했고, 제안한 marginal gain은 R^2=0.9937, 회귀 기울기 1.028로 정확 값보다 5~10% 과대평가했다. 데스크톱 GPU에서 복셀 해시 맵 대비 0.2m 복셀에서 6~48배, 0.1m에서 12~118배 빨랐고, N=10000 기준 0.2m에서 16.30초에서 0.40초로, 0.1m에서 181.57초에서 1.95초로 줄었다. Jetson Orin NX에서는 0.2m에서 3~12배, 0.1m에서 10~28배 빨랐다. 시뮬레이션 세 환경(school, large maze, multi-story)에서 RH-NBVP와 AEP를 비교한 결과 6개 조합 중 5개에서 95% 커버리지 도달 시간이 단축됐다. AEP는 school 1.8분, large maze 2.3분, multi-story 1.1분 단축했고, RH-NBVP는 school 0.7분, large maze 3.8분 단축했지만 multi-story에서는 개선되지 않았다. large maze 15분 시점 재구성에서 absolute 58.8% 대비 marginal 75.0%를 기록했다. 실물 UAV Patio 실험에서는 95% 커버리지 도달 시간이 3.10±1.05분에서 2.17±0.44분으로 30% 줄었고, 종료 시간은 4.58±0.46분에서 4.04±0.34분으로 줄었다.

저자는 향후 다른 탐사 플래너로 확장을 제안했다. 제안 방법은 깊이 버퍼 픽셀이 최대 4개 복셀에 대응하는 근사 때문에 정확 한계 이득보다 5~10% 과대평가한다. GPU absolute gain은 모든 설정에서 marginal gain보다 빨라서, 탐사 이득 개선은 더 높은 평가 비용에도 얻어진다. multi-story 환경의 RH-NBVP에서는 95% 커버리지가 개선되지 않았고 샘플링 과정의 한계로 분석됐다. 실물 실험은 Patio 단일 환경과 단일 UAV에서 수행됐다. 동료 심사 여부도 확인되지 않은 프리프린트다.