PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27394v1cs.RO

공간 게이팅 특징-상관 표현 기반 자동차 mmWave 회전 레이더 장소 인식

Automotive mmWave Spinning Radar Place Recognition with Spatially Gated Feature-Correlation Representation

자동차용 회전 FMCW 레이더는 밀집한 $360^\circ$ 감지를 제공하며 조명 불량 및 악천후에서도 신뢰성을 유지하므로 자율 내비게이션에 잘 적합하다. 장소 인식은 이러한 관측을 이용해 이전에 방문한 위치를 식별하여 재국소화 및 장기 내비게이션에 활용한다. 그러나 헤딩 변화는 극좌표 레이더 표현에서 원형 이동으로 나타나며, 기존의 전역 집계 방식은 유사한 장소를 구별하는 데 중요한 레이더 응답 간 관계를 잃을 수 있다. 본 논문은 회전에 강건한 특징 추출과 Spatially Gated Correlation Aggregation(SGCA)을 결합한 회전 레이더 장소 인식 프레임워크 SGCA-Net을 제안한다. SGCA는 공간적 가중치를 학습하여 불안정하고 모호한 레이더 영역의 영향을 줄이면서, 국소 응답 간 쌍별 상관을 집계하여 정보가 풍부한 특징 관계를 보존한다. MulRan 데이터셋 실험에서 SGCA-Net은 도심, 캠퍼스, 개방 도로 환경 전반에서 SOTA 방법들을 일관되게 능가하며, 상당한 헤딩 변화에도 강건함을 유지한다. HeRCULES 데이터셋 평가는 SGCA-Net이 미세조정 없이 보지 못한 환경 및 레이더 센서에도 일반화됨을 추가로 보여준다.

arXiv:2609.23003v1cs.CV

M3GA-Wild: 산림 환경에서의 멀티모달 멀티세션 지상-항공 장소 인식을 위한 대규모 데이터셋 및 벤치마크

M3GA-Wild: A Large-Scale Dataset and Benchmark for Multi-Modal Multi-session Ground-to-Aerial Place Recognition in Forests

본 논문에서는 산림 환경에서의 멀티모달(multi-modal), 멀티세션(multi-session) 지상-항공 장소 인식(ground-to-aerial place recognition)을 위한 최초의 벤치마크인 M3GA-Wild를 제시한다. M3GA-Wild는 기존의 산림 위치 추정(localization) 데이터셋을 통합 및 확장하여, 36km에 달하는 지상 주행 경로에서 동기화된 RGB 영상 및 LiDAR, 370헥타르를 포괄하는 정렬된 고해상도 항공 영상 및 다중 고도 LiDAR, 그리고 정밀한 평가를 위한 정확한 지리 참조(geo-referenced) 6-DoF 포즈를 제공하는 포괄적인 벤치마크이다. M3GA-Wild는 다양한 시점, 차폐, 환경 조건을 지닌 다채로운 산림 장면을 포착하여 시각(visual), LiDAR, 교차 모달(cross-modal) 및 멀티모달 방법론에 대한 체계적인 평가를 가능하게 한다. 기준선(baseline) 실험 결과에 따르면 극심한 시점 차이가 존재하는 상황에서 LiDAR 기반 접근법이 비전 전용 방법보다 성능이 현저히 우수했던 반면, 현재의 멀티모달 융합 전략은 미흡한 교차 모달 정렬로 인해 이득이 제한적인 것으로 나타났다. 또한, M3GA-Wild는 항공 RGB 영상과 지리 참조된 항공 LiDAR를 결합함으로써 산림 영상으로부터 3D 기하 정보를 얻는 저비용 원천으로서의 단안 깊이 추정(monocular depth estimation) 기반 파운데이션 모델(foundation model) 평가를 가능하게 하며, 초기 실험을 통해 현재 방법들의 한계를 밝혀냈다. 이러한 결과는 모달리티 불일치 및 극심한 도메인 격차(domain gap)를 포함한 크로스 플랫폼 위치 추정의 핵심 과제들을 부각한다. M3GA-Wild는 비정형 자연 환경에서의 강건한 멀티모달 위치 추정 및 장기 자율성을 위한 연구를 지원하는 새로운 벤치마크를 정립한다. 데이터셋과 코드는 논문 채택 시 공개될 예정이다.

arXiv:2607.06782v2cs.RO

PROBE-X: 학습이 필요 없는 교차 FOV 장소 인식

PROBE-X: Learning-Free Cross-FOV Place Recognition

시야각(FOV, field-of-view) 불일치 상황에서는 서로 다른 각도 범위에 걸쳐 LiDAR 특징을 풀링(pooling)하면 압축 검색 키(compact retrieval key)가 왜곡되어 기하학적 검증(geometric verification) 이전에 올바른 매칭이 배제될 수 있습니다. 본 논문은 단일 스캔 기반 교차 FOV 장소 인식(cross-FOV place recognition)을 위한 학습이 필요 없는(learning-free) 방법인 PROBE-X를 제안합니다. 이동(translation) 불확실성을 모델링하는 PROBE의 확률적 점유 표현(probabilistic occupancy representation)을 기반으로, PROBE-X는 알 수 없는 상대 헤딩(relative heading)에 대한 최대 4개의 고정 가설에 조건화된 각도 마스크(angular mask)를 사용하여 링-평균(ring-mean) 검색 키를 구성합니다. 후보 목록은 최대 코사인 유사도(cosine similarity)를 기준으로 병합됩니다. 유지된 각 후보는 자신을 검색해낸 가설 하에서 정렬되며, 정제된 헤딩에서의 각도 중첩(angular overlap)에 대해 기하학적 점수가 부여됩니다. 통제된 FOV 및 이종(heterogeneous) LiDAR 실험 전반에서, PROBE-X는 제한된 FOV 쿼리와 파노라마 데이터베이스 스캔을 사용하는 대부분의 설정에서 평가된 단일 스캔 베이스라인(baseline)보다 높은 Recall@1과 PR-AUC를 달성합니다. 통제된 비대칭 FOV 스윕(sweep)에서는 단일 스캔 PROBE-X가 최대 10개의 누적 스캔으로 평가된 베이스라인보다도 두 지표 모두에서 우수한 성능을 보입니다. 두 가지 어블레이션(ablation) 설정에서, 검색 키 구성 시 각도 마스크를 제거하면 정렬 및 점수 산정이 여전히 각도 지원(support)을 고려하더라도 후보 커버리지와 Recall@1이 감소합니다. 프로젝트 페이지: https://sites.google.com/view/probex-pr

arXiv:2606.18687v1cs.CV

이종 레이더 장소 인식을 위한 공간적 계층 증류

Spatially Stratified Distillation for Heterogeneous Radar Place Recognition

확장 가능한 전천후 장소 인식은 다양한 하드웨어 플랫폼 간의 격차를 해소하기 위해 점차 이종 레이더 장소 인식에 의존하고 있습니다. 대표적인 응용 사례로, 비용 효율적인 4D 차량용 레이더의 쿼리를 고밀도 회전 레이더로 구축된 고충실도 참조 지도와 매칭하는 것이 있습니다. 이 과정은 4D 센서의 극심한 희소성(및 좁은 시야)으로 인해 근본적인 제약이 있으며, 해당 센서는 회전 레이더 데이터베이스에 존재하는 구조적 밀도의 일부만 포착합니다. 기존 연구는 서로 다른 레이더 신호를 통합하여 이 문제를 해결했습니다. 즉, 두 신호를 공통된 표현 공간으로 투영하는 방식입니다. 그러나 이러한 방식들은 다중 세션 환경에서 성능 저하를 겪습니다. 본 논문에서는 공간적 계층 증류(SSD)를 제안합니다. 이는 표준적인 균일 증류를 물리적 레이더 반사 신호로부터 직접 도출된 비대칭 공간 정렬로 대체하는 전략입니다. 두 레이더 모두 반사 신호가 중복되는 영역에서는 SSD가 강력한 특징 정렬을 적용합니다. 특히 중요한 점은, 4D 학생 모델에는 반사 신호가 없으나 교사 모델은 공유된 시야 내에 유효한 구조를 가지고 있는 희소 영역에서, SSD가 크게 감소된 증류 가중치를 적용한다는 것입니다. 최근 HeRCULES 데이터셋에 대한 광범위한 평가 결과, SSD는 기존 장소 인식 방법들을 크게 능가하며 도전적인 동적 시퀀스에서 최첨단(SOTA) 성능을 달성함을 입증했습니다.

arXiv:2606.18583v1cs.CV

패치 수준 자기지도 학습과 확장된 상호 재순위화를 활용한 공중-지상 LiDAR 장소 인식

Aerial-ground LiDAR place recognition with patch-level self-supervised learning and expanded reciprocal re-ranking

LiDAR 장소 인식은 사전 포인트 클라우드 맵 상의 위치를 결정합니다. 가장 많이 연구된 지상 수준 LiDAR 장소 인식은 사전 방문 요구 사항, 불완전한 커버리지, 제한된 관점의 문제가 있습니다. 미리 획득한 전체 커버리지의 항공 레이저 스캐닝(ALS) 데이터를 공중 사전 맵으로 사용하면 이러한 단점을 극복할 수 있어, 교차 뷰 장소 인식이 필요하고 유리합니다. 그러나 공중-지상 LiDAR 장소 인식은 공중과 지상 포인트 클라우드 간의 도메인 격차 및 초기 검색 중의 오탐(false positive)과 같은 중요한 문제에 직면합니다. 이러한 문제를 해결하기 위해, 우리는 공중-지상 LiDAR 장소 인식을 위한 새로운 검색 및 재순위화 프레임워크를 제안합니다. 인접한 포인트 클라우드 패치가 앵커 패치와 유사한 의미를 공유한다는 사전 지식을 기반으로, 우리의 검색 네트워크는 다중 스케일에서 패치 수준 자기지도 학습 모듈을 도입하고 장면 수준 학습과 통합하여 공중 및 지상 포인트 클라우드 간의 전역 특징 식별력을 향상시킵니다. 또한, ALS 포인트 클라우드의 구조화된 공간 분포를 활용하여, 이웃 정보를 최대한 활용하고 이웃 특징을 기반으로 각 특징을 정제한 후 최종 순위화를 위해 유사도 행렬을 업데이트하는 데 사용하는 확장된 상호(Expanded Reciprocal, ER) 재순위화 알고리즘을 도입합니다. 광범위한 실험을 통해 우리의 검색 네트워크는 기존 최첨단(SOTA) 방법보다 우수하며, CS-Urban-Scenes 데이터셋에서 평균 Recall@1 9.8% 향상 및 평균 Recall@1% 3.2% 향상을 달성하고 CS-Campus3D 데이터셋에서도 최고의 성능을 보임을 입증했습니다. 또한, 우리의 ER 재순위화 알고리즘은 추가 학습 없이 CS-Campus3D에서 평균 Recall@1을 4.9%, CS-Urban-Scenes에서 10.2% 더 향상시킵니다.

arXiv:2606.13503v1cs.CV

비정형 환경에서의 강건한 장기 장소 인식을 위한 이종 LiDAR 조기 융합 및 학습 기반 재순위화 전략

Heterogeneous LiDAR Early Fusion and Learned Re-Ranking Strategy for Robust Long-Term Place Recognition in Unstructured Environments

농업 환경과 같은 비정형 환경에서의 강건한 위치 인식은 자율 시스템에 있어 핵심적인 난제이다. LiDAR 센서는 환경에 대한 상세한 3D 정보를 제공하며 조명 조건에 불변하는 특성을 지닌다. 이러한 이유로 LiDAR 기반 장소 인식 방법이 큰 주목을 받고 있다. 본 논문에서는 두 센서(Livox Mid-360 및 Velodyne VLP-16)로부터 수집한 이종 LiDAR 데이터의 조기 융합과 추론 시점의 학습 기반 재순위화 전략을 결합한 새로운 접근법인 MinkUNeXt-VINE++를 제안한다. 이 융합 방식은 각 센서의 강점을 활용하여 환경에 대한 보다 포괄적인 표현을 제공한다. 또한 재순위화 접근법은 실제 양성(true positive) 탐색이 주요 과제인 포도밭과 같은 반복적인 환경에서 특히 중요하다. 우리는 서로 다른 생육 단계에 걸친 포도밭 환경에서 이종 LiDAR 데이터를 제공하는 TEMPO-VINE 데이터셋을 사용하여 제안 방법을 평가하였다. 실험 결과, MinkUNeXt-VINE++는 단일 센서 방식 및 최신 기법들과 비교하여 장소 인식 성능을 크게 향상시킴을 보여준다. MinkUNeXt-VINE++는 단일 센서 방식 대비 Recall@1 지표에서 20% 향상을 달성하였으며, 재순위화를 포함할 경우 +30%의 향상을 달성한다. 본 방법의 코드는 재현을 위해 공개되어 있다.

arXiv:2603.05965v3cs.RO

PROBE: 3D 장소 인식을 위한 해석적 병진 강건성을 갖춘 확률적 점유 BEV 인코딩

PROBE: Probabilistic Occupancy BEV Encoding with Analytical Translation Robustness for 3D Place Recognition

본 논문에서는 각 BEV 셀의 점유(occupancy)를 베르누이 확률 변수로 모델링하는 학습 기반이 아닌 LiDAR 장소 인식 디스크립터인 PROBE (PRobabilistic Occupancy BEV Encoding)를 제안합니다. 이산적인 포인트 클라우드 섭동(perturbation)에 의존하는 대신, PROBE는 극좌표 야코비안(polar Jacobian)을 통해 연속적인 직교 좌표계 병진(Cartesian translations)에 대해 해석적으로 주변화(marginalization)를 수행하여, $\mathcal{O}(R{\cdot}S)$ 시간에 거리 적응형 각도 불확실성 $σ_θ= σ_t / r$을 산출합니다. 주요 파라미터인 $σ_t$는 미터 단위의 예상 병진 불확실성(translational uncertainty)을 나타내는 센서 독립적인 물리량으로, 데이터셋별 광범위한 튜닝 필요성을 줄이면서 크로스 센서 일반화(cross-sensor generalization)를 향상시킵니다. 쌍대 유사도(pairwise similarity)는 베르누이-KL 자카드(Jaccard), 지수 불확실성 게이팅(gating), 그리고 회전 정렬을 위한 FFT 기반 높이 코사인 유사도를 결합합니다. 4가지 서로 다른 유형의 LiDAR에 걸친 4개의 데이터셋에서 평가한 결과, PROBE는 멀티 세션(multi-session) 평가에서 수작업 기반 디스크립터(handcrafted descriptors) 중 가장 높은 정확도를 달성했으며, 수작업 기반 및 지도 학습(supervised) 베이스라인 대비 경쟁력 있는 싱글 세션(single-session) 성능을 보였습니다. 소스 코드와 보충 자료는 https://sites.google.com/view/probe-pr 에서 확인할 수 있습니다.

arXiv:2606.11563v1cs.CV

자연 환경에서의 로봇 지각을 위한 크로스모달 벤치마킹

Cross-Modal Benchmarking for Robotic Perception in Natural Environments

자연 환경은 로봇 지각 시스템에 복합적인 난제를 제기한다. 현재 모델, 특히 비전 파운데이션 모델(vision foundation models)은 대체로 구조화된 도시 환경에서 학습되어 현장 로봇(field robotics) 작업에 대한 지각에서 취약점을 보인다. 우리는 최근 공개한 WildCross 벤치마크를 사용하여 현재 모델의 한계를 보여주는데, 이는 대규모 자연 환경에서 장소 인식(place recognition)과 메트릭 깊이 추정(metric depth estimation)을 위한 새로운 크로스모달 벤치마크이다. WildCross는 반밀집(semi-dense) 깊이 및 표면 법선(surface normal) 주석이 포함된 47만 6천 개 이상의 순차 RGB 프레임으로 구성되며, 각 프레임은 정확한 6DoF 포즈와 동기화된 밀집(dense) LiDAR 서브맵과 정렬되어 있다. 본 연구에서는 최근 WildCross 벤치마크의 벤치마크 결과에 대한 확장 분석을 제공하며, 특히 메트릭 깊이 추정 실험의 확장에 중점을 둔다. 본 연구의 코드 저장소 및 데이터셋은 https://csiro-robotics.github.io/WildCross 에서 확인할 수 있다.