엔비디아 cuVSLAM에 '직선' 더하자 창고 로봇 위치 오차 38.5% 줄었다

모바일 로봇의 카메라 기반 위치 추정이 점뿐 아니라 직선 모서리까지 추적하면, 기존 추정기를 바꾸거나 느리게 하지 않고도 특징 없는 창고 통로에서 정확도를 유지할 수 있는가.

시각 주행거리계는 작은 무늬 점을 프레임마다 따라간다. 창고와 공장은 단색 벽과 반복되는 랙, 반사되는 바닥이 많아 점 추적이 쉽게 끊기고 위치 추정이 누적 오차로 흘러간다. 이 누적 오차가 자율이동로봇(AMR)이 재위치 인식 없이 갈 수 있는 거리를 정하며, 많은 물류 현장이 여전히 라이다 비용을 감수하는 이유이기도 하다.

PL-SLAM, PL-VIO, PL-VINS 같은 점과 선 결합 방식이 있었지만, 선을 만든 프레임이 최적화 창을 벗어나면 선 정보가 삭제되고, 여러 시점의 선을 하나로 융합하는 단계가 없으며, 남은 점의 수와 무관하게 점과 선에 같은 가중치를 줬다. 엔비디아의 CUDA 가속 SLAM인 cuVSLAM은 젯슨 보드에서 돌고 카메라를 최대 32대까지 지원하지만 점만 추적한다.

연구진은 cuVSLAM의 점 처리 경로는 그대로 두고 옆에 선 처리 경로를 붙였다. LSD로 선을 검출하고 LBD 기술자로 짝을 지은 뒤 영구 저장소에 보관해, 초기에 본 모서리를 한참 뒤에도 다시 쓸 수 있게 했다. 각 선의 3차원 위치는 최근 복원값 중 가장 어긋나는 것을 버린 절사평균으로 정한다. 선 오차는 점과 같은 프레임별 자세 계산과 슬라이딩 윈도 번들 조정에 들어가며, 점 관측이 줄어들수록 선의 가중치가 상한선 안에서 커진다. 선 경로를 끄면 원래 시스템과 똑같다.

축척 보정 없는 엄격한 정렬 조건의 RGB-D 모드에서 TUM RGB-D freiburg3 22개 시퀀스 평균 궤적 오차는 0.1960m에서 0.1205m로 38.5%, 중앙값은 0.1436m에서 0.0511m로 64.4% 줄었다. 22개 중 19개가 개선됐고 large_cabinet은 79.2%, walking_static은 88.6% 감소했다. cuVSLAM 원 논문이 쓴 10개 시퀀스 묶음에서는 0.1112m에서 0.0357m로 67.9% 줄어, 논문에 실린 ORB-SLAM3 수치 0.067m보다 46.7% 낮았다(MEKAWIRE 계산). Replica 8개 시퀀스에서는 평균 이동 오차가 30.1%, 회전 오차 중앙값이 66.4%(0.580도에서 0.195도) 줄었다. 30개 시퀀스 중 26개에서 이동 정확도가 좋아졌고 추적이 끊긴 경우는 없었다.

프리프린트이며 공개 데이터셋 두 개로만 평가했다. 하나는 손으로 든 RGB-D 카메라 기록이고 다른 하나는 센서 잡음이 없는 렌더링 영상이다. 실제 창고 로봇 시험, 스테레오나 관성 센서 구성, 선 경로가 추가하는 연산 시간과 젯슨 부하는 보고되지 않았다. 프레임 간 정밀도는 소폭 나빠졌고(TUM 평균 1프레임 이동 오차 0.0108m에서 0.0136m, 약 26% 증가, MEKAWIRE 계산), 무늬 없는 표면을 가까이서 볼 때는 점 수 기준 규칙이 반복 모서리에 과도한 가중치를 줘 오차가 커졌다(한 시퀀스 0.3889m에서 0.7386m). 저자들은 관측별 불확실성 반영과 직접 선 추적을 해법으로 제시했다.