Light3D Semantic SLAM : 5D Reliability 기반 시멘틱 압축을 활용한 LiDAR SLAM 연구

다국어 초록 (Multilingual Abstract)

LiDAR-based SLAM provides robust and precise 3D structural information regardless of illumination changes; however, it still faces several limitations, including non-uniform point distribution, high computational cost, accumulated odometry drift, and numerical instability caused by incorrect loop closures. Existing SLAM approaches often rely on simple downsampling to reduce computation or utilize semantic information only as auxiliary cues, resulting in restricted performance improvement.
To address these issues, this study proposes Light3D SLAM, a lightweight LiDAR SLAM framework that integrates semantic information with geometry-driven reliability evaluation. The proposed method employs a PointNet-based semantic segmentation model that directly processes raw point clouds to extract semantic features, and defines a 5D Reliability Score by combining semantic class, geometric structure, height, intensity, and local density, enabling reliable point-wise importance estimation. Based on this score, Semantic-aware Compression selectively retains structurally meaningful points, reducing the overall point cloud size by approximately 46% while minimizing information loss.
High-precision odometry is then obtained using CUDA-accelerated Fast-GICP, and loop closure candidates detected by Scan Context are geometrically validated through GPU-based Multi-Hypothesis ICP (MH-ICP) and a Rotation Filter to remove false positives. Finally, global drift is corrected through Pose Graph Optimization (PGO) using g2o with an Adaptive Information Matrix.
Experiments on the KITTI Odometry benchmark (Sequences 00–10) demonstrate that Light3D SLAM achieves high registration stability in urban environments, maintaining an average Fast-GICP fitness above 0.97. When loop closures are present, the system reduces Z-axis drift by an average of 58.1% and ATE by 21.5%, confirming the effectiveness of global optimization. Compared to LOAM, Light3D SLAM shows significantly improved ATE in urban environments, and the proposed Semantic-aware Compression reduces computation without degrading registration quality. However, in highway environments with limited structural landmarks, loop closure is rarely triggered, highlighting the inherent limitations of LiDAR-only SLAM.
This study presents a practical SLAM framework that mitigates the structural limitations of LiDAR-only systems by combining semantic scene understanding with reliability-based point selection. Light3D SLAM demonstrates robust performance in structurally rich urban environments and provides a strong foundation for future extensions involving IMU–Vision sensor fusion and advanced neural registration techniques.

국문 초록 (Abstract)

LiDAR 기반 SLAM은 조명 변화에 강하고 구조적 정보를 정밀하게 획득할 수 있다는 장점에도 불구하고, 포인트 분포의 불균질성, 높은 연산량, 오도메트리 누적 오차(drift), 잘못된 루프 클로저로 인한 전역 최적화 불안정성 등 다양한 한계를 갖는다. 기존 SLAM 기법은 단순 다운샘플링을 통한 연산량 감소나 시맨틱 정보의 보조적 활용에 머물러 있다.
본 연구는 이러한 한계를 극복하기 위해 시맨틱 정보와 기하학 기반 신뢰도 평가를 결합한 경량 LiDAR SLAM 프레임워크인 Light3D SLAM을 제안한다. 제안한 방법은 PointNet 기반 시맨틱 세그멘테이션 모델을 활용하여 입력 포인트클라우드로부터 의미 정보를 직접 추출하고, 시맨틱·기하·높이·강도·밀도 정보를 통합한 5D Reliability Score를 정의하여 포인트 단위 중요도를 평가한다. 이후 신뢰도 기반 Semantic-aware Compression을 적용해 구조적으로 중요한 포인트만을 선택함으로써 정보 손실을 최소화하면서 전체 데이터량을 약 46% 감소시킨다.
또한 CUDA 병렬화를 적용한 Fast-GICP를 통해 고정밀 오도메트리를 수행하고, Scan Context 기반 Loop Closure 후보를 GPU Multi-Hypothesis ICP(MH-ICP) 및 Rotation Filter로 기하학적으로 검증하여 오검출을 제거한다. 마지막으로 Adaptive Information Matrix를 적용한 g2o 기반 Pose Graph Optimization(PGO)를 통해 누적 drift를 전역적으로 보정한다.
KITTI Odometry 00~10 시퀀스를 활용한 실험 결과, Light3D SLAM은 도시 환경에서 높은 정합 안정성을 보였으며 Fast-GICP Fitness가 평균 0.97 이상으로 유지되었다. Loop Closure가 존재하는 시퀀스에서는 Z-drift가 평균 58.1%, ATE는 평균 21.5% 감소하여 전역 최적화의 보정 효과가 명확히 확인되었다. 또한 LOAM 대비 도심 환경에서 ATE가 크게 감소하였고, Semantic-aware Compression은 정합 품질을 저하시키지 않으면서 연산량을 크게 줄이는 효과를 보였다. 반면 고속도로와 같이 구조적 Landmark가 부족한 환경에서는 Loop Closure 발생이 제한되어, LiDAR-only SLAM의 근본적 한계가 여전히 존재함을 확인하였다.
본 연구는 시맨틱 기반 환경 이해와 신뢰도 기반 포인트 선택을 결합하여 LiDAR SLAM의 구조적 한계를 완화하고, 정합 안정성과 전역 일관성을 동시에 확보할 수 있는 실질적 프레임워크를 제시하였다. 제안된 Light3D SLAM은 도심 환경과 같이 구조적 다양성이 높은 실제 주행 환경에서 효과적인 SLAM 성능을 제공하며, 향후 IMU·Vision 센서 융합 및 Neural-GICP 기반 정합 구조로 확장될 수 있는 기반 기술로서 의의를 가진다.

목차 (Table of Contents)

• 국문 초록 ⅰ
• Abstract ⅲ
• 그림 목차 ⅴ
• 표 목차 ⅵ
• Ⅰ. 서론 1
• 1. 연구 배경 1
• 2. SLAM 문제 정의 및 중요성 3
• 3. 기존 LiDAR SLAM의 한계 5
• 4. 관련 연구 8
• 5. 연구 목적 11
• Ⅱ. 이론적 배경 13
• 1. SLAM 기술의 역사 및 발전 13
• 2. LiDAR 센서 및 Point Cloud 특성 16
• 3. SLAM 기본 이론 20
• 4. Point Cloud 정합 24
• 5. Point Cloud 기하학 분석 27
• 6. Semantic Segmentation 31
• 7. Loop Closure 33
• Ⅲ. Light3D SLAM 시스템 아키텍쳐 37
• 1. Light3D SLAM 전체 구조 37
• 2. Semantic Segmentation 모듈 43
• 3. 5D Reliability Scoring 43
• 4. Semantic-aware Compression 48
• 5. Fast-GICP Odometry 51
• 6. Loop Closure 33
• 7. Pose Graph Optimization 58
• 8. 실험 환경 및 데이터셋 58
• 9. 전처리 및 최적화 절차 58
• 10. 전체 SLAM 파이프라인 통합 구조 69
• Ⅳ. 연구 및 결과 분석 72
• 1. Semantic Segmentation 성능 분석 72
• 2. Reliability 기반 압축 성능 분석 76
• 3. ICP Odometry 성능 분석 82
• 4. Loop Closure 성능 분석 87
• 5. Pose Graph Optimization 결과 분석 93
• 6. Trajectory 정렬 결과 분석 97
• 7. 기존 SLAM 비교 103
• 8. 종합 분석 109
• Ⅴ. 고찰 114
• 1. 시맨틱 기반 이해의 역할에 대한 고찰 115
• 2. 신뢰도 기반 압축의 효과와 한계 115
• 3. Odometry 정합의 안정성에 대한 논의 116
• 4. Loop Closure 검출의 신뢰성과 제약요인 117
• 5. Pose Graph Optimization의 전역 성능 개선 효과 117
• 6. Trajectory 정렬 및 최종 앱 품질에 대한 통합 고찰 118
• 7. 제안된 SLAM 구조의 한계점 119
• 8. 연구적ㆍ실무적 의의 119
• Ⅵ. 결론 및 향후 연구 120
• Ⅶ. 참고문헌 122