LiDAR 관성 오토메트리(LIO)는 GPS와 같은 외부 측위에 의존하지 않고 항해해야 하는 많은 이동 로봇들에게 중요한 구성 요소입니다. 서로 다른 환경과 이질적인 LiDAR 센서에서 자율적으로 작동하는 플랫폼은 인간의 개입 없이 이러한 다양한 시나리오에 적응할 수 있는 LIO 접근 방식을 필요로 합니다. 기존 LIO 접근 방식은 적절히 튜닝될 경우 유사한 환경과 센서가 있는 시나리오에서 신뢰할 수 있고 정확한 오토메트리를 제공할 수 있습니다. 그러나 많은 접근 방식은 일관된 구성을 사용하면서도 이질적인 환경과 센서 전반에 걸쳐 견고한 오토메트리를 유지하는 데 어려움을 겪습니다. 본 논문은 시나리오별 튜닝 없이 센서 능력과 환경에 적응하는 LiDAR 스캔 필터링 및 등록 방법을 사용하여 시나리오 간 일반화를 수행하는 실시간 LIO 접근 방식인 EllipseLIO를 제시합니다. 다양하고 도전적인 시나리오를 가진 다섯 가지 데이터셋에서 EllipseLIO와 최신 LIO 접근 방식을 사용한 실험 결과는 EllipseLIO가 전체적으로 가장 우수한 성능을 보임을 보여줍니다. EllipseLIO는 두 번째로 우수한 접근 방식보다 평균적으로 오토메트리 오류가 38% 낮으며, 어떤 실험에서도 발산하지 않는 유일한 접근 방식입니다. EllipseLIO의 오픈소스 버전은 github.com/v4rl-ucy/ellipselio에서 제공될 예정입니다.