이종 LiDAR 조기 융합 및 학습된 재순위 지정 전략을 활용한 비정형 환경의 강건한 장기 장소 인식

농경지 같은 비정형 환경에서 강건한 위치 추정(localization)은 자율 시스템에게 중요한 과제입니다. LiDAR 센서는 환경에 대한 상세한 3D 정보를 제공하며 조명 조건에 독립적입니다. 이러한 이유로, LiDAR 기반의 장소 인식(place recognition) 방법들이 큰 주목을 받고 있습니다. 본 논문에서는 두 개의 센서(Livox Mid-360 및 Velodyne VLP-16)에서 얻은 이종(heterogeneous) LiDAR 데이터의 조기 융합(early fusion)과 추론 시간(inference time)에서의 학습된 재순위 지정 전략을 결합한 새로운 접근 방식인 MinkUNeXt-VINE++를 제안합니다. 이 융합은 각 센서의 강점을 활용하여 환경에 대한 보다 포괄적인 표현을 제공합니다. 또한, 재순위 지정 접근 방식은 포도밭과 같은 반복적인 환경에서 특히 중요하며, 이는 참 양성(true positives)을 찾는 것이 주요한 도전 과제이기 때문입니다. 저희는 다양한 생육 단계의 포도밭 환경에서 이종 LiDAR 데이터를 제공하는 TEMPO-VINE 데이터셋을 사용하여 본 접근 방식을 평가했습니다. 그 결과, MinkUNeXt-VINE++가 단일 센서 기반 접근 방식 및 최신(state-of-the-art) 방법들과 비교하여 장소 인식 성능을 크게 향상시킴을 입증했습니다. MinkUNeXt-VINE++는 단일 센서 기반 접근 방식 대비 Recall@1 지표에서 20%의 개선을 달성했으며, 재순위 지정까지 포함하여 +30%를 기록했습니다. 저희 방법의 코드는 재현 가능하도록 공개되어 있습니다.