SSC: 의미적 스캔 컨텍스트를 통한 대규모 장소 인식

장소 인식은 SLAM 시스템이 누적 오차를 보정할 수 있는 능력을 제공한다. 풍부한 텍스처 특징을 포함하는 이미지와 달리, 포인트 클라우드는 거의 순수한 기하학적 정보로 구성되어 있어, 포인트 클라우드 기반의 장소 인식은 도전 과제가 된다. 기존의 연구들은 주로 좌표, 법선, 반사 강도 등의 저수준 특징을 지역적 또는 전역적 기술자로 인코딩하여 장면을 표현하는 방식을 사용한다. 또한 이러한 방법들은 기술자 매칭 시 포인트 클라우드 간의 변환(이동)을 무시하는 경우가 많다. 기존 대부분의 방법들과 달리, 본 연구에서는 고수준 특징인 의미 정보(semantics)를 활용하여 기술자의 표현 능력을 향상시키는 방향을 탐색한다. 또한 기술자 매칭 과정에서 포인트 클라우드 간의 이동을 보정함으로써 정확도를 높이는 방법을 제안한다. 구체적으로, 장면을 보다 효과적으로 표현하기 위해 의미 정보를 탐색하는 새로운 전역 기술자인 '세마틱 스크린 컨텍스트(Semantic Scan Context)'를 제안한다. 또한 포인트 클라우드를 정렬하여 매칭 성능을 향상시키기 위해 3D 자세(x, y, 요(yaw))를 추정하는 두 단계 전역 의미 ICP(aligned iterative closest point)를 제시한다. KITTI 데이터셋을 대상으로 수행한 실험 결과, 제안한 방법이 기존 최고 성능 기법들을 크게 능가함을 확인하였다. 본 연구의 코드는 다음 링크에서 공개되어 있다: https://github.com/lilin-hitcrt/SSC.