arXiv:2505.18364 cs.RO

ImLPR: Image-based LiDAR Place Recognition using Vision Foundation Models

제출 2025-05-23

한국어 초록

LiDAR 장소 인식(LiDAR Place Recognition, LPR)은 로봇의 위치 추정에서 핵심 요소로, 로봇이 현재 스캔을 환경의 이전 지도와 정렬할 수 있도록 합니다. 시각적 장소 인식(Visual Place Recognition, VPR)은 기술적 설명자의 강인성을 향상시키기 위해 비전 파운데이션 모델(Vision Foundation Models, VFM)을 활용해왔지만, LPR은 사전 학습된 파운데이션 수준의 지식을 제한적으로 사용하는 특정 작업 모델에 의존해왔습니다. 이는 3D 파운데이션 모델의 부족과 LiDAR 포인트 클라우드에서 VFM을 사용하는 데 따른 어려움 때문입니다. 이를 해결하기 위해, 우리는 사전 학습된 DINOv2 VFM을 활용하여 LPR을 위한 풍부한 설명자를 생성하는 새로운 파이프라인인 ImLPR을 소개합니다. 우리의 지식으로는 ImLPR이 사전 학습된 지식의 대부분을 유지하면서 LPR을 위해 VFM을 활용하는 첫 번째 방법입니다. ImLPR은 원시 포인트 클라우드를 새로운 3채널 범위 이미지 뷰(Range Image Views, RIV)로 변환하여 LiDAR 도메인에서 VFM을 활용합니다. 또한 효과적인 특징 학습을 위해 MultiConv 어댑터와 Patch-InfoNCE 손실을 사용합니다. 우리는 공공 데이터셋에서 ImLPR을 검증하였으며, 내부 및 외부 세션 LPR에서 여러 평가 지표에 걸쳐 최첨단(SOTA) 방법을 초월하는 성능을 보였습니다. 채널 구성, RIV, 어댑터 및 패치 수준 손실과 같은 주요 설계 선택에 대한 포괄적인 변별 실험을 통해 각 구성 요소의 영향을 정량화하였습니다. 우리는 로봇 커뮤니티를 위해 ImLPR을 오픈 소스로 공개합니다: https://github.com/minwoo0611/ImLPR.

요약

LiDAR 장소 인식(LPR)은 로봇의 자율적 위치 추정에 필수적인 요소로, 현재 스캔을 환경의 이전 맵과 정렬하는 데 중요한 역할을 합니다. 기존의 비주얼 장소 인식(VPR) 기술은 비전 파운데이션 모델(VFM)을 활용하여 디스크립터의 강인성을 향상시켰으나, LPR은 사전 학습된 지식을 효과적으로 활용하지 못하는 특정 작업 모델에 의존해왔습니다. 이러한 한계를 극복하기 위해 본 연구에서는 ImLPR이라는 새로운 파이프라인을 제안합니다. ImLPR은 사전 학습된 DINOv2 VFM을 활용하여 LPR을 위한 풍부한 디스크립터를 생성하며, VFM을 LiDAR 도메인에 적용한 최초의 방법으로 자리 잡고 있습니다. ImLPR의 핵심 혁신은 원시 포인트 클라우드를 새로운 세 개의 채널로 구성된 Range Image Views(RIV)로 변환하여 VFM의 입력으로 사용하는 것입니다. 이를 통해 VFM의 사전 학습된 지식을 최대한 활용할 수 있습니다. 또한, MultiConv 어댑터를 통해 다양한 스케일의 특징을 효과적으로 추출하고, Patch-InfoNCE 손실을 통해 특징 학습을 최적화합니다. 이러한 방법론은 LPR의 성능을 크게 향상시키며, 공개 데이터셋에서 최신 기술(SOTA) 방법을 초과하는 결과를 보여주었습니다. ImLPR의 설계는 채널 구성, RIV, 어댑터 및 패치 수준 손실과 같은 주요 요소들에 대한 포괄적인 변별 분석을 통해 각 구성 요소의 기여도를 정량화하였습니다. 이 연구는 LPR 분야에서의 기술적 혁신을 가져오며, 향후 연구 방향에 대한 중요한 통찰을 제공합니다. ImLPR은 로봇 커뮤니티에 기여할 수 있도록 오픈 소스로 제공되며, 이는 연구자들이 본 연구의 결과를 활용하고 발전시킬 수 있는 기회를 제공합니다.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.