시각적 위치 추정은 로봇공학 및 컴퓨터 비전 분야의 많은 응용에 핵심적인 역할을 한다. 절대 자세 회귀(absolute pose regression)는 장면 특징을 인코딩한 후 자세 회귀를 수행함으로써 위치 추정을 수행하며, 위치 추정 분야에서 놀라운 성과를 달성하고 있다. 이 방법은 캡처된 장면 데이터만으로 6-DoF(자유도) 자세를 복원할 수 있다. 그러나 기존의 방법들은 장면이 변경될 때마다 특정 소스 데이터로 다시 학습해야 하는 문제를 안고 있어, 높은 계산 비용, 데이터 프라이버시 유출, 그리고 모든 데이터를 기억하지 못하는 상황에서 발생하는 신뢰성 저하 등의 문제를 겪고 있다. 본 논문에서는 재학습의 불필요성과 데이터 프라이버시 유출을 방지하기 위해 보편적 인코딩을 활용한 새로운 LiDAR 기반 절대 자세 회귀 네트워크를 제안한다. 구체적으로, 다양한 장면에 대해 보편적 특징 인코딩(universal feature encoding)을 사용함으로써, 장면 변경 시 소스 데이터 없이 인코딩된 특징을 이용해 회귀기(regressor)만 재학습하면 되므로 효율성이 향상된다. 또한, 기억 인식 회귀(memory-aware regression)를 위한 메모리 회귀기(memory regressor)를 제안한다. 이 회귀기의 은닉 유닛 수는 기억 용량을 결정하며, 이를 통해 기억 용량의 상한을 추론하고 개선함으로써 더 신뢰성 높은 위치 추정이 가능해진다. 또한, 장면 크기에 따라 필요한 기억 용량에 맞게 회귀기 구조를 유연하게 조정할 수 있다. 실외 및 실내 데이터셋을 대상으로 수행한 광범위한 실험을 통해 제안된 분석의 타당성을 검증하였으며, 제안된 방법의 효과성을 입증하였다.