RF-LIO 코드 설명

1. 동적 환경에서의 SLAM 과제와 RF-LIO의 등장

자율주행 자동차, 무인 항공기, 서비스 로봇 등 지능형 모바일 시스템의 핵심 기술인 SLAM(Simultaneous Localization and Mapping)은 로봇이 미지의 환경에서 자신의 위치를 추정함과 동시에 주변 환경 지도를 작성하는 기술이다. SLAM 시스템에 사용되는 주요 센서로는 카메라와 LiDAR가 있으며, 이 중 LiDAR 기반 SLAM, 특히 관성 측정 장치(Inertial Measurement Unit, IMU)와 결합된 LiDAR-Inertial Odometry (LIO)는 자율 시스템 분야에서 중요한 연구 주제로 자리 잡았다.1 LIO는 카메라 기반의 시각 SLAM(Visual SLAM)이 겪는 조명 변화나 빠른 움직임으로 인한 모션 블러 문제에 강건하며, 환경의 3차원 구조 정보를 직접적이고 정밀하게 획득할 수 있다는 본질적인 장점을 가진다.1

그러나 대부분의 기존 LiDAR SLAM 알고리즘은 ’정적 세계 가정(static world assumption)’이라는 근본적인 전제 위에서 설계되었다.4 이 가정은 환경 내 모든 객체가 움직이지 않는다고 전제하지만, 도심이나 물류창고와 같은 실제 환경은 차량, 보행자, 지게차 등 수많은 동적 객체로 가득 차 있다. 이러한 동적 객체들은 SLAM 시스템의 성능에 심각한 악영향을 미친다. 움직이는 객체에서 반사된 LiDAR 포인트들은 지도상에 잔상(ghosting)을 남겨 맵의 품질을 저하시키고, 더 심각하게는 데이터 연관(data association) 과정에서 잘못된 매칭을 유발한다. 현재 스캔의 특징점을 이전 맵의 정적 구조물에 매칭해야 하지만, 움직이는 객체에 잘못 매칭될 경우, 시스템은 로봇의 위치와 자세(pose)를 부정확하게 추정하게 되며, 이는 누적 오차를 급격히 증가시켜 결국 위치 추정 실패로 이어진다.5

이러한 동적 환경의 문제를 해결하기 위해, 기존의 SLAM 프레임워크들은 주로 강건한 비용 함수(robust cost function)나 RANSAC(Random Sample Consensus)과 같은 기법을 사용하여 최적화 과정에서 동적 객체에 의한 이상치(outlier)를 제거하려 시도했다. 하지만 이 접근법들은 동적 객체의 비율이 일정 수준을 넘어서면 성능이 급격히 저하되는 한계를 보였다. 동적 객체에서 발생한 데이터가 이미 최적화 과정에 입력된 후 사후적으로 처리되기 때문에, 초기 추정 단계에서부터 오염이 발생하여 전체 시스템이 불안정해질 수 있다. 이러한 한계를 극복하기 위해 등장한 새로운 패러다임이 바로 ‘제거 우선(Removal-First)’ 접근법이다.4 이 철학은 부정확한 동적 정보를 SLAM 파이프라인의 핵심인 정합(registration) 및 상태 추정 단계에 반영하기

전에, 선제적으로 식별하고 제거하는 것을 목표로 한다. 즉, 입력 데이터 자체를 정적인 환경에서 수집된 것처럼 정제하여 후속 모듈의 부담을 줄이고 안정성을 극대화하는 전략이다.

본 보고서에서 심층적으로 분석할 RF-LIO (Removal-First Tightly-coupled Lidar Inertial Odometry)는 바로 이 ‘제거 우선’ 철학을 LIO 시스템에 성공적으로 구현한 최첨단(State-of-the-art, SOTA) 알고리즘이다.4 RF-LIO는 강력한 성능으로 널리 알려진 LIO-SAM (Lidar Inertial Odometry via Smoothing and Mapping)을 기반으로, 고도로 동적인 도심 환경에서도 안정적이고 정확한 6-DOF(Degrees of Freedom) 상태 추정과 맵핑을 달성하는 것을 핵심 목표로 삼는다.4 RF-LIO는 동적 객체를 선제적으로 제거함으로써, 기존의 강력한 LIO 알고리즘인 LOAM(Lidar Odometry and Mapping) 및 LIO-SAM과 비교했을 때, 고동적 환경에서의 절대 궤적 정확도를 각각 90%와 70%까지 획기적으로 향상시키는 성과를 보였다.4 이는 ‘제거 우선’ 접근법이 동적 환경 SLAM 문제에 대한 매우 효과적인 해법임을 정량적으로 입증한 것이다. 본 보고서는 RF-LIO의 기반이 되는 LIO-SAM 아키텍처를 심층 분석하고, RF-LIO의 핵심 기술인 동적 객체 제거 메커니즘을 상세히 파헤치며, 전체 시스템 파이프라인과 더불어 퇴화(degeneracy) 문제, 효율적 데이터 구조와 같은 고급 SLAM 주제와의 연관성을 탐구한다. 마지막으로, 주요 LIO 시스템과의 비교 분석을 통해 RF-LIO의 기술적 위상과 향후 발전 가능성을 조망하고자 한다.

2. 기반 아키텍처: LIO-SAM 심층 분석

RF-LIO를 이해하기 위해서는 그 기반이 되는 LIO-SAM 아키텍처에 대한 깊이 있는 이해가 선행되어야 한다. LIO-SAM은 LiDAR와 IMU 데이터를 강하게 결합(tightly-coupled)하여 실시간으로 정확한 궤적 추정과 맵핑을 수행하는 프레임워크로, 요인 그래프(Factor Graph) 기반 최적화 방식을 채택하여 높은 정확도와 확장성을 달성했다.2

2.1 요인 그래프 기반 최적화 (Factor Graph-Based Optimization)

LIO-SAM의 백엔드는 칼만 필터(Kalman Filter) 기반의 접근법과 달리, 요인 그래프를 사용하여 전체 궤적에 대한 전역 최적화를 수행한다.2 요인 그래프는 상태 변수(state variables)를 나타내는 변수 노드(variable nodes)와 측정값(measurements) 또는 제약 조건(constraints)을 나타내는 요인 노드(factor nodes)로 구성된 이분 그래프(bipartite graph)이다. 이 구조는 다양한 종류의 센서 측정값(LiDAR, IMU, GPS, 루프 폐쇄 등)을 일관된 프레임워크 내에서 자연스럽게 통합할 수 있게 해준다.4

2.1.1 상태 변수(State Variables) 정의

LIO-SAM에서 i번째 키프레임(keyframe)에서의 로봇 상태 변수 x_i는 로봇의 회전(rotation), 위치(position), 속도(velocity), 그리고 IMU 바이어스(bias)로 구성된다.2

x_i =^T
여기서 R_i \in SO(3)는 월드 좌표계(World frame)에 대한 로봇 바디 좌표계(Body frame)의 회전을 나타내는 회전 행렬, p_i \in \mathbb{R}^3는 위치 벡터, v_i는 속도 벡터, b_i는 IMU의 가속도계 및 자이로스코프 바이어스를 나타낸다.

2.1.2 최대 사후 확률 (Maximum a Posteriori, MAP) 문제

LIO-SAM의 전체 최적화 문제는 주어진 모든 측정값 Z에 대해 가장 가능성 있는 상태 변수 시퀀스 X를 찾는 최대 사후 확률(MAP) 문제로 정식화된다. 베이즈 정리(Bayes’ theorem)에 따라, 이는 우도(likelihood)와 사전 확률(prior)의 곱을 최대화하는 것과 같다.

X^* = \underset{X}{\arg\max} P(X \vert Z) \propto \underset{X}{\arg\max} P(Z \vert X) P(X)
모든 측정값의 노이즈가 가우시안 분포(Gaussian distribution)를 따른다고 가정하면, 우도를 최대화하는 것은 측정 오차의 마할라노비스 거리(Mahalanobis distance) 제곱합을 최소화하는 것과 동일하다. 따라서 MAP 문제는 결국 비선형 최소제곱(non-linear least squares) 문제로 귀결된다.2

2.2 IMU 전처리 및 운동학 모델 (IMU Preintegration and Kinematic Model)

IMU는 높은 주파수(수백 Hz)로 가속도와 각속도를 측정하므로, 낮은 주파수(약 10 Hz)의 LiDAR 센서를 보완하는 데 핵심적인 역할을 한다. LIO-SAM의 IMU 전처리 모듈은 두 가지 중요한 기능을 수행한다. 첫째, LiDAR 스캔이 진행되는 짧은 시간 동안 발생하는 로봇의 움직임으로 인한 포인트 클라우드의 왜곡(skew)을 보정(de-skewing)한다.2 둘째, LiDAR odometry 최적화를 위한 정확한 초기 추정치(initial guess)를 제공하여 최적화 과정의 수렴 속도와 정확도를 높인다.2

2.2.1 IMU 측정 모델

IMU 센서에서 시간 t에 측정된 원시 각속도 \hat{\omega}_t와 원시 가속도 \hat{a}_t는 실제 값에 시간에 따라 느리게 변하는 바이어스(b_t)와 백색 잡음(n_t)이 더해진 형태로 모델링된다.2

• 각속도 측정 모델:

\hat{\omega}_t = \omega_t + b_{\omega_t} + n_{\omega_t}

• 가속도 측정 모델:

\hat{a}_t = R_{BW_t} (a_t - g) + b_{a_t} + n_{a_t}

여기서 \omega_t, a_t는 바디 좌표계에서의 실제 각속도와 가속도, R_{BW_t}는 월드 좌표계에서 바디 좌표계로의 회전 행렬, g는 월드 좌표계에서의 중력 벡터를 나타낸다.

2.2.2 운동학 모델

이 측정 모델을 기반으로, 시간 \Delta t 동안 로봇의 상태 변화는 다음과 같이 적분을 통해 예측된다.2

• 위치:

p_{t+\Delta t} = p_t + v_t\Delta t + \frac{1}{2}g\Delta t^2 + \frac{1}{2}R_t(\hat{a}_t - b_{a_t})\Delta t^2

• 속도:

v_{t+\Delta t} = v_t + g\Delta t + R_t(\hat{a}_t - b_{a_t})\Delta t

• 회전:

R_{t+\Delta t} = R_t \exp((\hat{\omega}_t - b_{\omega_t})\Delta t)

여기서 R_t = R_{WB_t} = R_{BW_t}^T이다.

2.2.3 IMU Preintegration

두 LiDAR 키프레임 i와 j 사이에는 수많은 IMU 측정값들이 존재한다. 이 모든 측정값을 매 최적화 단계마다 다시 적분하는 것은 매우 비효율적이다. 특히 IMU 바이어스 추정값이 변경될 때마다 재적분이 필요하다. IMU Preintegration 기법은 이러한 비효율을 해결하기 위해 두 키프레임 사이의 상대적인 움직임(\Delta v_{ij}, \Delta p_{ij}, \Delta R_{ij})을 바이어스에 대한 일차 근사식으로 미리 계산해두는 방식이다. 이렇게 계산된 preintegrated measurement는 요인 그래프에서 두 상태 변수 x_i와 x_j를 연결하는 하나의 제약 조건(IMU factor)으로 작용하여 계산 효율성을 크게 향상시킨다.2

2.3 LiDAR Odometry

LiDAR Odometry 모듈은 연속적인 LiDAR 스캔 간의 상대적인 움직임을 추정하여 요인 그래프에 제약 조건을 추가하는 역할을 한다.

2.3.1 특징점 추출

LIO-SAM은 LOAM과 유사한 방식으로 특징점을 추출한다.2 각 포인트의 주변 영역에 대한 곡률(curvature)을 계산하여, 곡률이 큰 지점은 모서리 특징점(edge feature)으로, 곡률이 작은 지점은 평면 특징점(planar feature)으로 분류한다. 원시 포인트 클라우드 전체를 사용하는 대신, 기하학적으로 구별되는 소수의 특징점만을 정합에 사용함으로써 계산 효율성을 확보한다.

2.3.2 Scan-to-Map 정합

LIO-SAM은 scan-to-scan 방식 대신 scan-to-map 방식을 사용한다. 하지만 전역 맵(global map) 전체에 정합하는 것은 계산 비용이 매우 크므로, 슬라이딩 윈도우(sliding window) 기법을 도입한다. 즉, 현재 스캔 F_{i+1}은 고정된 크기의 최근 키프레임들로 구성된 지역 서브맵(local sub-map) M_i에 정합된다.2 이 방식은 계산 복잡도를 일정하게 유지하면서도 scan-to-scan 방식보다 더 안정적인 정합 결과를 제공한다.

2.3.3 잔차(Residual) 모델

최적화의 목표는 현재 스캔의 특징점들을 서브맵에 변환시켰을 때, 대응되는 기하학적 구조(모서리 선 또는 평면 패치)와의 거리를 최소화하는 것이다. 이 거리가 바로 잔차(residual)이며, 점-선 거리와 점-평면 거리로 정의된다.2

• 모서리 특징점 잔차: 현재 스캔의 모서리 특징점 p^e_{i+1,k}가 서브맵에서 대응하는 모서리 선(두 점 p^e_{i,u}, p^e_{i,v}로 정의됨)까지의 거리 d_{ek}는 다음과 같다.

d_{ek} = \frac{\vert(p^e_{i+1,k} - p^e_{i,u}) \times (p^e_{i+1,k} - p^e_{i,v})\vert}{\vert p^e_{i,u} - p^e_{i,v}\vert}

• 평면 특징점 잔차: 현재 스캔의 평면 특징점 p^p_{i+1,k}가 서브맵에서 대응하는 평면 패치(세 점 p^p_{i,u}, p^p_{i,v}, p^p_{i,w}로 정의됨)까지의 거리 d_{pk}는 다음과 같다.

d_{pk} = \frac{\vert(p^p_{i+1,k} - p^p_{i,u}) \cdot ((p^p_{i,u} - p^p_{i,v}) \times (p^p_{i,u} - p^p_{i,w}))\vert}{\vert(p^p_{i,u} - p^p_{i,v}) \times (p^p_{i,u} - p^p_{i,w})\vert}

이러한 잔차들의 합을 최소화하는 변환(rotation and translation)을 Gauss-Newton과 같은 비선형 최적화 기법을 통해 찾는다.

2.4 전체 요인 그래프 구성

LIO-SAM의 최종 궤적은 위에서 설명한 요인들을 모두 결합한 전체 요인 그래프를 최적화함으로써 얻어진다. 이 그래프는 주로 네 가지 종류의 요인으로 구성된다.2

1. IMU Preintegration Factor: 연속된 두 키프레임의 상태를 IMU 측정값으로 연결한다.

2. LiDAR Odometry Factor: 연속된 두 키프레임의 상태를 LiDAR scan-to-map 정합 결과로 연결한다.

3. GPS Factor (선택 사항): GPS 수신이 가능할 경우, 특정 키프레임의 위치에 대한 절대적인 제약 조건을 추가하여 장기적인 드리프트를 보정한다.

4. Loop Closure Factor: 로봇이 이전에 방문했던 장소를 다시 방문했을 때, 현재 키프레임과 과거의 키프레임 사이에 제약 조건을 추가하여 누적된 오차를 전역적으로 보정한다.

이 모든 요인들을 결합한 최종 비용 함수는 각 요인에서 발생하는 잔차의 정보 행렬(information matrix, 공분산의 역행렬)로 가중된 제곱합의 형태를 띤다.

\min_{X} \left( \sum \Vert r_{IMU} \Vert^2_{\Sigma_{IMU}} + \sum \Vert r_{Lidar} \Vert^2_{\Sigma_{Lidar}} + \sum \Vert r_{GPS} \Vert^2_{\Sigma_{GPS}} + \sum \Vert r_{Loop} \Vert^2_{\Sigma_{Loop}} \right)
LIO-SAM은 이 거대한 비선형 최소제곱 문제를 실시간으로 풀기 위해 iSAM2(incremental Smoothing and Mapping 2)라는 증분 최적화(incremental optimization) 기법을 사용한다. iSAM2는 새로운 요인이 추가될 때마다 전체 그래프를 처음부터 다시 최적화하는 대신, 변경된 부분만 효율적으로 업데이트하여 실시간 성능을 보장한다.

LIO-SAM의 아키텍처는 단순히 IMU와 LiDAR를 순차적으로 처리하는 ’느슨하게 결합(loosely-coupled)’된 방식이 아니다. IMU 전처리 결과가 LiDAR odometry의 초기값으로 사용되고 2, 다시 LiDAR odometry의 결과가 요인 그래프 내에서 IMU 바이어스를 추정하는 데 사용되는 12 상호 보완적인 구조를 가진다. 이 강한 결합(tightly-coupled) 방식은 두 센서가 서로의 단점을 보완하게 만든다. IMU는 LiDAR가 특징점을 찾기 어려운 구간이나 빠른 움직임에 대한 단기적인 예측을 제공하고, LiDAR는 드리프트가 적은 장기적인 위치 정보를 제공하여 IMU의 누적 오차와 바이어스 드리프트를 효과적으로 보정한다. 이 상호작용이 바로 LIO-SAM이 실시간 성능과 높은 정확도를 동시에 달성할 수 있었던 핵심적인 설계 철학이다.9

3. RF-LIO의 핵심 기술: 동적 객체 제거

RF-LIO는 LIO-SAM의 강력한 프레임워크를 계승하면서, 동적 환경에서의 강건성을 극대화하기 위해 ’제거 우선(Removal-First)’이라는 핵심적인 모듈을 추가했다. 이 모듈은 LiDAR odometry의 핵심 단계인 scan-to-map 정합을 수행하기 전에 동적 객체로 판단되는 포인트들을 선제적으로 제거하는 역할을 한다.4

3.1 ‘제거 우선’ 접근법의 원리

전통적인 SLAM 시스템에서 동적 객체는 주로 이상치(outlier)로 간주되어 최적화 단계에서 제거된다. 그러나 동적 객체가 환경의 상당 부분을 차지할 경우, 이상치의 수가 너무 많아져 RANSAC과 같은 통계적 기법이나 강건한 비용 함수가 정상적으로 작동하기 어렵다. 특히, 동적 객체에서 추출된 특징점들이 우연히 일관된 기하학적 구조를 형성하면, 최적화 알고리즘은 이를 정적인 구조물로 오인하여 잘못된 해(solution)로 수렴할 위험이 크다.

RF-LIO의 ‘제거 우선’ 접근법은 이러한 문제를 원천적으로 차단한다. 동적 객체에서 비롯된 포인트들을 특징점 추출 및 잔차 계산 과정에 포함시키기 전에 미리 걸러냄으로써, 후속 SLAM 모듈들은 마치 정적인 환경에서 작동하는 것과 유사한 조건에서 동작하게 된다. 이는 시스템 전체의 안정성과 예측 가능성을 크게 향상시킨다.

3.2 적응형 다중 해상도 거리 이미지 (Adaptive Multi-resolution Range Images)

RF-LIO 논문은 동적 객체 제거를 위해 “적응형 다중 해상도 거리 이미지(adaptive multi-resolution range images)“를 사용한다고 명시하고 있으나, 그 구체적인 구현 방식에 대해서는 상세한 설명을 제공하지 않는다.4 하지만 관련 연구들과 기술적 맥락을 통해 그 원리를 추론해볼 수 있다.

3D 포인트 클라우드를 2D 거리 이미지(range image)로 투영하는 것은 동적 객체 탐지를 위한 일반적인 전처리 단계이다.4 거리 이미지는 LiDAR의 방위각(azimuth)과 고도각(elevation)을 이미지의 가로, 세로 축으로 하고, 각 픽셀 값을 해당 방향으로 측정된 거리로 표현한 것이다. 이 2D 표현은 3D 공간에서의 복잡한 이웃 탐색을 2D 이미지에서의 픽셀 연산으로 단순화하여 계산 효율성을 크게 높인다.

’적응형 다중 해상도’라는 용어는 단일 고정 해상도를 사용하는 대신, 상황에 따라 이미지의 해상도를 동적으로 조절하는 전략을 의미할 가능성이 높다. 예를 들어, 로봇과 가까운 영역이나 객체의 밀도가 높은 영역은 고해상도로 처리하여 정밀한 탐지를 수행하고, 멀리 있는 영역이나 희소한 영역은 저해상도로 처리하여 계산량을 줄이는 방식이다. 이를 통해 실시간 성능과 탐지 정확도 사이의 균형을 맞출 수 있다.

이러한 거리 이미지를 활용한 가장 보편적인 동적 객체 탐지 방법은 **가시성 기반 탐지(visibility-based detection)**이다.16 이 방법의 기본 원리는 다음과 같다.

1. 현재 LiDAR 스캔과 이전 시간의 맵(또는 이전 스캔)을 로봇의 추정된 포즈를 이용해 동일한 좌표계로 정렬한다.

2. 두 시점의 거리 이미지를 비교한다.

3. 만약 이전 프레임에서는 관측되었던 픽셀(즉, 어떤 거리에 물체가 있었음)이 현재 프레임에서는 관측되지 않는다면(즉, 더 먼 배경이 보임), 그 사이에 있던 객체가 움직여서 사라졌다고 판단할 수 있다.

4. 반대로, 이전 프레임에서는 가려져서(occluded) 매우 멀거나 관측되지 않았던 픽셀이 현재 프레임에서는 가까운 거리 값으로 채워졌다면, 새로운 객체가 그 공간으로 움직여 들어왔다고 판단할 수 있다.

RF-LIO는 이러한 가시성 기반 접근법을 다중 해상도 이미지 위에서 수행하여, 다양한 거리와 밀도를 가진 동적 객체들을 효율적으로 탐지하고 제거하는 것으로 보인다.

3.3 Tightly-coupled Lidar-Inertial Odometry를 활용한 제거 프로세스

RF-LIO의 동적 객체 제거 성능은 단순히 이미지 처리 기술에만 의존하는 것이 아니라, LIO-SAM으로부터 물려받은 tightly-coupled LIO 프레임워크와 유기적으로 결합되어 극대화된다.

이 과정은 단순한 전처리 필터링을 넘어, LIO 시스템의 정확도를 끌어올리는 선순환 구조(virtuous cycle)를 형성한다.

1. 예측 (Prediction): LIO-SAM의 IMU 전처리 모듈이 현재 프레임의 포즈에 대한 매우 정확한 초기 추정치를 생성한다.5

2. 제거 (Removal): 이 정확한 초기 포즈 덕분에, 현재 스캔의 거리 이미지와 과거 맵의 거리 이미지를 정밀하게 정렬할 수 있다. 정렬 오차가 최소화되므로, 두 이미지 간의 차이(residual)는 로봇 자체의 움직임이 아닌 순수한 객체의 움직임으로 인한 것일 확률이 높아진다. 이를 통해 동적 객체 제거 모듈의 신뢰도가 향상된다.

3. 정합 (Registration): 동적 객체가 제거된 “깨끗한” 정적 포인트 클라우드는 LiDAR Odometry 모듈로 전달된다. 오염된 데이터가 없으므로, scan-to-map 정합은 더 정확하고 강건하게 수행되어 더 정밀한 포즈를 계산해낸다.

4. 보정 (Correction): 이 더욱 정확해진 포즈는 요인 그래프 최적화에 사용되어 IMU 바이어스를 더 정밀하게 보정하고, 전체 궤적을 업데이트한다.

5. 피드백 (Feedback): 보정된 IMU 바이어스는 다음 시간 스텝의 IMU 전처리 성능을 향상시켜, 다시 1번 단계의 ‘예측’ 정확도를 높이는 피드백 루프를 완성한다.

이처럼 RF-LIO의 동적 객체 제거 모듈은 독립적으로 작동하는 필터가 아니라, LIO 시스템의 핵심적인 예측-보정 루프와 긴밀하게 통합되어 상호 성능을 증폭시키는 역할을 한다. 이것이 RF-LIO가 단순한 필터링 기법을 추가한 다른 시스템들과 비교하여 압도적인 성능 향상을 보이는 근본적인 이유이다.

4. RF-LIO 시스템 전체 파이프라인 분석

RF-LIO의 전체 시스템 파이프라인은 LIO-SAM의 검증된 구조를 기반으로 하되, ‘제거 우선’ 철학을 구현하기 위해 데이터 흐름에 핵심적인 변화를 주었다. 전체 프로세스는 센서 데이터 입력부터 최종적인 상태 추정까지 여러 모듈이 유기적으로 상호작용하며 진행된다.

4.1 데이터 흐름 및 모듈 간 상호작용

RF-LIO 시스템의 전체 데이터 흐름은 다음과 같은 단계로 요약할 수 있다.

1. 입력 (Input): 시스템은 3D LiDAR로부터 포인트 클라우드 데이터를, 9축 IMU로부터는 가속도 및 각속도 데이터를 실시간으로 수신한다.2 9축 IMU는 중력 방향을 기준으로 roll과 pitch를 제공하여 초기 자세 안정화에 기여한다.

2. IMU 전처리 (IMU Preintegration): 수신된 고주파 IMU 데이터는 두 LiDAR 키프레임 사이에서 적분된다. 이 과정은 두 가지 주요 목적을 가진다. 첫째, LiDAR 스캔이 진행되는 동안의 로봇 움직임을 보상하여 포인트 클라우드의 왜곡을 제거(de-skewing)한다. 둘째, 현재 LiDAR 프레임의 위치와 자세에 대한 초기 추정치를 생성한다. 이 단계는 LIO-SAM의 파이프라인과 동일하다.

3. 동적 객체 제거 (Dynamic Object Removal - RF-LIO의 핵심): 이 단계가 RF-LIO를 LIO-SAM과 구별 짓는 가장 중요한 지점이다. IMU 전처리 모듈에서 생성된 정확한 초기 포즈 예측값을 활용하여, 현재 LiDAR 스캔을 이전에 구축된 서브맵과 정렬한다. 그 후, ’적응형 다중 해상도 거리 이미지’와 같은 기법을 통해 두 데이터 간의 불일치를 분석하여 동적인 것으로 판단되는 포인트들을 식별하고 제거한다.4 이 과정을 거친 결과물은 동적 노이즈가 걸러진 “정적” 포인트 클라우드이다.

4. 정적 특징점 추출 (Static Feature Extraction): 동적 포인트가 제거된 정제된 포인트 클라우드에서 모서리(edge) 및 평면(planar) 특징점을 추출한다. 동적 객체에서 비롯된 잘못된 특징점이 추출될 가능성이 원천적으로 차단되므로, 추출된 특징점들의 신뢰도가 매우 높다.

5. LiDAR Odometry: 추출된 정적 특징점들을 슬라이딩 윈도우 방식으로 관리되는 서브맵에 정합(scan-to-map matching)한다. 정합 과정은 점-선 및 점-평면 거리 잔차를 최소화하는 비선형 최적화를 통해 두 키프레임 간의 상대 변환(relative transformation)을 정밀하게 계산한다. 이 과정 역시 LIO-SAM의 기본 구조를 따른다.

6. 요인 그래프 최적화 (Factor Graph Optimization): LiDAR Odometry에서 계산된 상대 변환은 IMU 전처리 요인, GPS 요인, 루프 폐쇄 요인 등과 함께 요인 그래프에 새로운 제약 조건으로 추가된다. iSAM2와 같은 증분 최적화 기법을 사용하여 전체 요인 그래프를 효율적으로 최적화하고, 모든 키프레임의 상태(위치, 자세, 속도)와 IMU 바이어스를 업데이트한다.

4.2 LIO-SAM 대비 아키텍처 변경점

RF-LIO와 LIO-SAM의 가장 근본적인 아키텍처 차이점은 ‘동적 객체 제거’ 모듈이 ‘특징점 추출’ 모듈 앞에 위치한다는 점이다. 이 순서의 변화는 단순해 보이지만 시스템 전체의 동작 방식에 중요한 영향을 미친다.

• LIO-SAM의 데이터 처리: [IMU 전처리] -> [특징점 추출] -> -> [요인 그래프 최적화]

• LIO-SAM은 입력된 포인트 클라우드 전체를 잠재적인 특징점 후보로 간주하고 특징점을 추출한다. 만약 동적 객체가 존재하면, 그 객체에서도 특징점이 추출될 수 있으며, 이 오염된 특징점들이 LiDAR Odometry 정합 과정에 직접적인 악영향을 미친다.

• RF-LIO의 데이터 처리: [IMU 전처리] -> [동적 객체 제거] -> [정적 특징점 추출] -> -> [요인 그래프 최적화]

• RF-LIO는 특징점을 추출하기 전에 먼저 데이터의 신뢰성을 검증한다. 동적 객체 제거 모듈을 통과한 포인트 클라우드는 시스템에 의해 ’신뢰할 수 있는 정적 구조물’로 간주된다. 따라서 이후의 특징점 추출 및 정합 과정은 훨씬 더 안정적이고 예측 가능한 입력 데이터를 기반으로 수행된다.

결론적으로, RF-LIO는 LIO-SAM의 강력한 tightly-coupled, 요인 그래프 기반 최적화 백엔드는 그대로 유지하면서, 프론트엔드 단에 데이터 정제 계층을 추가하여 동적 환경에 대한 강건성을 극대화한 진화된 아키텍처라고 할 수 있다.

5. SLAM의 고급 주제와 RF-LIO의 잠재적 접근법

RF-LIO는 동적 객체 제거에 초점을 맞추고 있지만, 그 기반 아키텍처는 다른 고급 SLAM 문제들을 해결할 수 있는 잠재력을 내포하고 있다. 본 장에서는 퇴화(degeneracy) 문제와 효율적인 데이터 구조라는 두 가지 중요한 주제를 중심으로 RF-LIO의 잠재적 접근법을 탐구한다.

5.1 퇴화(Degeneracy) 문제와 일반적 해결 방안

5.1.1 퇴화 문제의 정의

퇴화는 SLAM 시스템이 특정 방향으로의 움직임을 추정하는 데 필요한 충분한 기하학적 제약을 환경으로부터 얻지 못하는 상황을 의미한다.18 예를 들어, 특징 없는 긴 복도나 터널을 주행할 때, 로봇은 벽과의 거리를 통해 측면(lateral) 위치는 정확하게 알 수 있지만, 복도를 따라 얼마나 전진했는지(longitudinal) 또는 복도 축을 중심으로 얼마나 회전했는지(yaw)는 LiDAR 데이터만으로는 정확히 알기 어렵다. 이러한 퇴화 상황에서는 해당 방향으로의 위치 추정 오차가 급격히 누적되어 심각한 드리프트(drift)를 유발한다.

5.1.2 퇴화 문제의 탐지와 해결

퇴화는 일반적으로 최적화 문제의 정보 행렬(information matrix) 또는 공분산 행렬(covariance matrix)을 분석하여 탐지할 수 있다. 정보 행렬의 고유값(eigenvalue)은 각 방향으로 얼마나 많은 정보(제약)가 있는지를 나타낸다. 만약 특정 고유값이 다른 값들에 비해 매우 작다면, 해당 고유벡터(eigenvector)가 가리키는 방향으로 퇴화가 발생했음을 의미한다.18

RF-LIO 논문에서 퇴화 문제 해결 방안이 직접적으로 언급되지는 않았지만, LIO-SAM을 기반으로 하는 RF-LIO의 tightly-coupled 아키텍처는 퇴화 문제에 대한 강력한 내재적 해결책을 제공한다. LiDAR 센서가 특정 방향(예: 전진 방향)으로 퇴화되어 기하학적 정보를 제공하지 못하더라도, IMU는 가속도와 각속도를 통해 모든 6-DOF 방향에 대한 움직임 정보를 지속적으로 제공한다. 요인 그래프 최적화 과정에서, IMU preintegration 요인은 LiDAR odometry 요인이 제공하지 못하는 방향의 제약을 보완해주는 역할을 한다. 예를 들어, 복도에서 LiDAR가 전진 방향의 움직임을 추정하지 못하더라도, IMU의 가속도계는 해당 방향의 가속도를 측정하여 이동 거리를 추정할 수 있다. 이처럼 서로 다른 센서가 상호 보완적으로 정보를 제공하기 때문에, RF-LIO와 같은 강하게 결합된 LIO 시스템은 한 센서가 일시적으로 퇴화 상황에 놓이더라도 전체 시스템의 강건성을 유지할 수 있다.18

5.2 효율적 데이터 구조: ikd-Tree 심층 탐구

5.2.1 배경: 대규모 맵 관리의 필요성

SLAM 시스템이 동작함에 따라 맵은 계속해서 커지고 밀집된다. LiDAR odometry의 scan-to-map 정합 과정에서는 현재 스캔의 각 포인트에 대해 맵에서 가장 가까운 이웃 포인트(nearest neighbor)를 신속하게 찾아야 한다. 맵이 수백만 개의 포인트로 커지면, 이 최근접 이웃 탐색 과정이 전체 시스템의 계산 병목 현상을 유발할 수 있다.

FAST-LIO2와 같은 최신 LIO 시스템들은 특징점 추출 과정을 생략하고 원시 포인트 클라우드를 직접 맵에 정합하는 ’직접 방식(direct method)’을 사용한다.15 이 방식은 미세한 기하학적 특징까지 활용할 수 있어 정확도가 높지만, 훨씬 더 많은 포인트를 처리해야 하므로 맵 관리 및 탐색의 효율성이 시스템 성능에 결정적인 영향을 미친다. 기존의 정적(static) k-d tree와 같은 데이터 구조는 맵에 새로운 포인트가 추가될 때마다 전체 트리를 처음부터 다시 구축해야 하므로, 실시간 LIO 시스템에는 적합하지 않다.

5.2.2 ikd-Tree의 원리

ikd-Tree(incremental k-d tree)는 이러한 문제를 해결하기 위해 개발된 동적 k-d tree 자료구조이다.21

ikd-Tree의 핵심적인 특징은 다음과 같다.

• 점진적 업데이트 (Incremental Update): 새로운 포인트가 추가되거나 기존 포인트가 삭제될 때, 전체 트리를 재구성하는 대신 영향을 받는 노드와 그 주변만 지역적으로 수정한다. 이를 통해 업데이트에 소요되는 계산 비용을 획기적으로 줄인다.24

• 동적 재균형 (Dynamic Rebalancing): 점진적인 업데이트가 반복되면 트리의 균형이 깨져 탐색 성능이 저하될 수 있다. ikd-Tree는 트리의 불균형 상태를 지속적으로 감시하다가, 불균형이 특정 임계값을 초과하면 전체 트리가 아닌 영향을 받는 일부 서브트리만 재구성하여 균형을 맞춘다. 이 동적 재균형 메커니즘은 최적의 탐색 성능을 유지하면서도 재구성 비용을 최소화하는 핵심 기술이다.24

• 병렬 처리 지원: ikd-Tree는 다중 스레드 환경에서 안전하게 작동하도록 설계되어, 맵 업데이트와 최근접 이웃 탐색을 병렬적으로 수행하여 전체 시스템의 처리량을 극대화할 수 있다.

5.2.3 RF-LIO와의 관계

RF-LIO는 LIO-SAM과 마찬가지로 특징점 기반 접근법을 사용하므로, 처리해야 할 포인트의 수가 FAST-LIO2보다 훨씬 적다. 따라서 ikd-Tree와 같은 고도로 최적화된 동적 자료구조의 필요성이 상대적으로 덜 시급하다. 하지만 장시간 동안 넓은 영역을 맵핑하는 대규모 시나리오에서는 특징점 맵의 크기 또한 매우 커질 수 있다. 이러한 경우, 서브맵을 구성하고 관리하는 데 ikd-Tree와 같은 동적 자료구조를 도입한다면, 맵이 커짐에 따른 성능 저하를 방지하고 시스템의 확장성을 향상시키는 데 기여할 수 있다.

LIO 시스템의 발전 경로는 ’문제의 복잡성’을 시스템의 어느 부분에서 처리할 것인가에 대한 설계 철학의 변화로 볼 수 있다. LOAM, LIO-SAM, RF-LIO와 같은 특징점 기반 방식은 프론트엔드에서 ’특징점 추출’이라는 복잡한 과정을 통해 데이터의 양을 줄인다. 이로 인해 백엔드의 정합 및 최적화 문제는 상대적으로 단순해진다. 반면, FAST-LIO2와 같은 직접 방식은 프론트엔드의 특징점 추출을 생략하는 대신, 백엔드에서 방대한 양의 원시 포인트를 직접 처리해야 하므로 정합 문제의 복잡성이 증가한다. 이 증가된 복잡성을 해결하기 위해 ikd-Tree와 같은 고효율 자료구조가 필수적으로 요구되는 것이다. 즉, RF-LIO는 ’입력 데이터의 정제’에, FAST-LIO2는 ’방대한 데이터의 효율적 처리’에 집중하는 서로 다른 철학을 보여준다. 미래의 LIO 시스템은 이 두 철학을 융합하는 방향으로 발전할 수 있으며, RF-LIO의 동적 객체 제거로 데이터를 정제한 후, FAST-LIO2의 ikd-Tree와 직접 정합 방식으로 처리하는 하이브리드 형태가 그 예가 될 수 있다.

6. 성능 평가 및 비교 분석

RF-LIO의 기술적 우수성을 평가하기 위해서는 정량적 성능 지표와 함께, 다른 최첨단 LIO 시스템들과의 다각적인 비교 분석이 필수적이다.

6.1 RF-LIO의 정량적 성능

RF-LIO의 핵심 기여는 동적 환경에서의 성능 향상에 있다. 논문에서 제시된 실험 결과는 이를 명확히 입증한다. 자체 수집 데이터셋과 공개 UrbanLoco 데이터셋을 이용한 평가에서, RF-LIO는 고도로 동적인 환경, 즉 차량과 보행자가 많은 도심 환경에서 기존의 SOTA 알고리즘들보다 월등한 성능을 보였다.4

구체적으로, 절대 궤적 정확도(Absolute Trajectory Accuracy, ATE)를 기준으로 평가했을 때, RF-LIO는 다음과 같은 성능 향상을 달성했다.4

• LOAM 대비 90% 정확도 향상

• LIO-SAM 대비 70% 정확도 향상

이러한 수치는 ‘제거 우선’ 접근법이 동적 객체로 인한 누적 오차를 얼마나 효과적으로 억제하는지를 극명하게 보여준다. LIO-SAM이 이미 강력한 성능을 가진 시스템임에도 불구하고 70%의 추가적인 정확도 향상을 이루었다는 점은, 동적 환경 강건성 확보가 SLAM 시스템의 실용성을 한 단계 끌어올리는 데 얼마나 중요한지를 시사한다.

6.2 주요 LIO 시스템 비교: RF-LIO vs. LIO-SAM vs. FAST-LIO2

RF-LIO의 위상을 더 명확히 이해하기 위해, 동시대의 대표적인 LIO 시스템인 LIO-SAM 및 FAST-LIO2와 비교 분석한다. 세 시스템은 각각 다른 문제에 초점을 맞춰 발전해왔으며, 그 설계 철학의 차이를 이해하는 것이 중요하다.4

이 비교표는 세 시스템이 각기 다른 방향으로 특화되어 발전했음을 보여준다.

• LIO-SAM은 요인 그래프를 통해 다중 센서 융합과 전역 최적화를 위한 강력하고 유연한 베이스라인을 확립했다.2 구조물이 풍부하고 특징점 추출이 용이한 일반적인 환경에서 뛰어난 성능을 보인다.

• RF-LIO는 LIO-SAM의 주요 실패 원인인 ‘동적 객체’ 문제를 정면으로 다룬다. LIO-SAM을 기반으로 동적 환경이라는 특정하고 도전적인 틈새시장에 특화된 솔루션이다.4 일반적인 환경에서의 약간의 계산 복잡성을 감수하는 대신, 복잡한 도심 환경에서의 강건성을 획득했다.

• FAST-LIO2는 또 다른 주요 병목 현상인 ‘계산 부하’ 문제에 집중한다. 특히 고해상도, 고주파수 LiDAR가 등장함에 따라 이 문제는 더욱 중요해졌다. FAST-LIO2는 프론트엔드(직접 정합)와 맵 관리(ikd-Tree)를 완전히 재설계하여 속도와 효율성에 특화되었다.21 이를 위해 요인 그래프의 전역 최적화 능력 대신 필터 기반의 빠른 연산을 선택했다.

결론적으로, ’가장 좋은 단일 LIO 시스템’은 존재하지 않는다. 대신, SLAM 분야는 다양한 운영 환경에 맞춰 알고리즘이 ’전문화’되는 방향으로 진화하고 있다. 실제 적용을 고려하는 엔지니어나 연구자는 “내가 다루는 환경은 동적인가?” 또는 “사용 가능한 계산 플랫폼이 제한적인가?“와 같은 구체적인 질문을 통해 자신의 문제에 가장 적합한 알고리즘을 선택해야 한다. RF-LIO는 첫 번째 질문에 대한 명확한 해답이며, FAST-LIO2는 두 번째 질문에 대한 강력한 대안이다.

7. 결론 및 전망

7.1 RF-LIO의 기술적 기여 요약

RF-LIO는 LIO-SAM의 강력한 요인 그래프 기반 tightly-coupled 최적화 프레임워크를 성공적으로 계승하면서, ’제거 우선(Removal-First)’이라는 혁신적인 동적 객체 처리 패러다임을 도입하여 SLAM 기술의 실용성을 한 단계 끌어올렸다. 기존의 최첨단 시스템들이 정적 세계 가정의 한계로 인해 어려움을 겪었던 고도로 동적인 도심 환경에서, RF-LIO는 동적 객체를 선제적으로 제거함으로써 LiDAR 데이터의 신뢰성을 확보하고, 이를 통해 위치 추정의 정확성과 강건성을 획기적으로 향상시켰다. LOAM 및 LIO-SAM 대비 각각 90%, 70%에 달하는 절대 궤적 정확도 향상은 이러한 접근법의 유효성을 명백히 입증하는 결과이다. RF-LIO는 동적 환경에서의 압도적인 성능과 LIO-SAM의 검증된 백엔드를 통한 안정성을 겸비한, 현존하는 가장 강력한 동적 SLAM 솔루션 중 하나로 평가받는다.

7.2 향후 연구 방향

RF-LIO의 성공은 동적 환경 SLAM 연구에 새로운 가능성을 제시했으며, 다음과 같은 방향으로의 추가적인 연구가 기대된다.

1. 강건성과 효율성을 결합한 하이브리드 접근법: 현재 RF-LIO는 동적 환경 강건성에, FAST-LIO2는 계산 효율성에 특화되어 있다. 이 두 시스템의 장점을 결합하는 하이브리드 LIO 시스템은 차세대 연구의 중요한 방향이 될 수 있다. 예를 들어, RF-LIO의 동적 객체 제거 모듈을 통해 입력 데이터를 정제한 후, 이를 FAST-LIO2의 ikd-Tree 기반 직접 정합(direct matching) 방식으로 처리하는 구조를 생각해볼 수 있다. 이는 동적 환경에 강건하면서도 고해상도 센서 데이터를 실시간으로 처리할 수 있는, 두 마리 토끼를 모두 잡는 시스템으로 이어질 수 있다.

2. 의미론적 정보 활용 (Semantic SLAM)의 심화: 현재 RF-LIO의 동적 객체 제거는 주로 기하학적, 가시성 기반 정보에 의존한다. 여기에 딥러닝 기반의 의미론적 분할(semantic segmentation) 기술을 통합하면 제거 성능을 한층 더 향상시킬 수 있다.4 예를 들어, 포인트 클라우드의 각 점에 ‘차량’, ‘보행자’, ‘건물’, ’도로’와 같은 의미론적 레이블을 부여하면, ‘움직일 가능성이 높은’ 객체(차량, 보행자)와 ‘항상 정적인’ 객체(건물)를 보다 지능적으로 구별할 수 있다. 이는 정적인 차량(주차된 차)과 움직이는 차량을 구별하거나, 예측하지 못한 형태의 동적 객체를 탐지하는 데 도움을 주어 시스템의 강건성을 더욱 높일 것이다.

3. 장기 자율성(Long-term Autonomy)을 위한 동적 객체 추적: 현재 RF-LIO는 동적 객체를 ’제거’의 대상으로만 간주한다. 그러나 장기적인 자율주행이나 로봇 운용을 위해서는 주변 동적 객체들의 움직임을 이해하고 예측하는 것이 필수적이다. 향후 연구는 동적으로 식별된 객체 정보를 단순히 버리는 대신, 이를 추적하고 그들의 궤적을 모델링하는 방향으로 나아갈 수 있다. 이렇게 구축된 동적 객체 맵(dynamic object map)은 SLAM 시스템이 단순한 위치 추정을 넘어, 복잡한 환경과의 상호작용 및 미래 상황 예측을 기반으로 안전한 경로를 계획하는 고차원적인 지능을 갖추는 데 핵심적인 역할을 할 것이다.

RF-LIO는 동적 환경이라는 현실적인 제약을 극복하기 위한 중요한 이정표를 제시했다. 앞으로 이러한 기술들이 더욱 발전하여, 로봇과 자율주행차가 복잡하고 예측 불가능한 실제 세계에서 더욱 안전하고 신뢰성 있게 운행될 수 있기를 기대한다.

8. 참고 자료

1. R-LIO: Rotating Lidar Inertial Odometry and Mapping - MDPI, https://www.mdpi.com/2071-1050/14/17/10833
2. Lio-sam: Tightly-coupled lidar inertial odometry via smoothing and mapping - arXiv, https://arxiv.org/pdf/2007.00258
3. LIO-SAM++: A Lidar-Inertial Semantic SLAM with Association Optimization and Keyframe Selection - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC11644182/
4. RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in …, https://www.researchgate.net/publication/361457103_RF-LIO_Removal-First_Tightly-coupled_Lidar_Inertial_Odometry_in_High_Dynamic_Environments
5. DRR-LIO: A Dynamic-Region-Removal-Based LiDAR Inertial Odometry in Dynamic Environments - ResearchGate, https://www.researchgate.net/publication/370375735_DRR-LIO_A_Dynamic-Region-Removal-Based_LiDAR_Inertial_Odometry_in_Dynamic_Environments
6. [2206.09463] RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments - arXiv, https://arxiv.org/abs/2206.09463
7. RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments - Semantic Scholar, https://www.semanticscholar.org/paper/RF-LIO%3A-Removal-First-Tightly-coupled-Lidar-in-High-Qian-Xiang/46776e907eafd6dc8310b26caa9113a22b6e0208
8. DRR-LIO: A Dynamic-Region-Removal-Based LiDAR Inertial Odometry in Dynamic Environments | Semantic Scholar, https://www.semanticscholar.org/paper/fd223951d2eb2b9bf634f0f6bdc71f4631f1a462
9. MIT Open Access Articles LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping, https://dspace.mit.edu/bitstream/handle/1721.1/144041/2007.00258.pdf?sequence=2&isAllowed=y
10. LIO-SAM - Autoware Documentation, https://autowarefoundation.github.io/autoware-documentation/main/how-to-guides/integrating-autoware/creating-maps/open-source-slam/lio-sam/
11. LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping - GitHub, https://github.com/TixiaoShan/LIO-SAM
12. LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping - arXiv, https://arxiv.org/abs/2007.00258
13. [PDF] LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping, https://www.semanticscholar.org/paper/LIO-SAM%3A-Tightly-coupled-Lidar-Inertial-Odometry-Shan-Englot/e49902d212374c81b48d23c3cac1cee6e2339edd
14. MIT Open Access Articles LVI-SAM: Tightly-coupled Lidar-Visual- Inertial Odometry via Smoothing and Mapping, https://dspace.mit.edu/bitstream/handle/1721.1/144047/2104.10831.pdf?sequence=2&isAllowed=y
15. LIO-DOR: A Robust LiDAR Inertial Odometry with Real-time Dynamic Object Removal, https://www.researchgate.net/publication/376775207_LIO-DOR_A_Robust_LiDAR_Inertial_Odometry_with_Real-time_Dynamic_Object_Removal
16. LiDAR Inertial Odometry Based on Indexed Point and Delayed Removal Strategy in Highly Dynamic Environments - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10255994/
17. DRR-LIO: A Dynamic-Region-Removal-Based LiDAR Inertial Odometry in Dynamic Environments - ResearchGate, https://www.researchgate.net/publication/370375610_DRR-LIO_A_Dynamic-Region-Removal-Based_LiDAR_Inertial_Odometry_in_Dynamic_Environments
18. A Real-time Degeneracy Sensing and Compensation Method for Enhanced LiDAR SLAM, https://arxiv.org/html/2412.07513v1
19. Performance Assessment of Lidar Odometry Frameworks: A Case Study at the Australian Botanic Garden Mount Annan - arXiv, https://arxiv.org/html/2411.16931v1
20. [PDF] FAST-LIO2: Fast Direct LiDAR-Inertial Odometry - Semantic Scholar, https://www.semanticscholar.org/paper/FAST-LIO2%3A-Fast-Direct-LiDAR-Inertial-Odometry-Xu-Cai/90a289a9149d714053b0ce5d95b9eec427855d5b
21. FAST-LIO2: Fast Direct LiDAR-inertial Odometry - arXiv, https://arxiv.org/pdf/2107.06829
22. ikd-Tree: An Incremental K-D Tree for Robotic Applications - HKU Mech, https://mech.hku.hk/seminars/ikd-tree%3A-an-incremental-k-d-tree-for-robotic-applications
23. hku-mars/ikd-Tree: This repository provides implementation of an incremental k-d tree for robotic applications. - GitHub, https://github.com/hku-mars/ikd-Tree
24. (PDF) ikd-Tree: An Incremental K-D Tree for Robotic Applications - ResearchGate, https://www.researchgate.net/publication/349520013_ikd-Tree_An_Incremental_K-D_Tree_for_Robotic_Applications
25. R-LIO: Rotating Lidar Inertial Odometry and Mapping - ResearchGate, https://www.researchgate.net/publication/363143771_R-LIO_Rotating_Lidar_Inertial_Odometry_and_Mapping
26. FAST-LIO2: Fast Direct LiDAR-inertial Odometry - SciSpace, https://scispace.com/pdf/fast-lio2-fast-direct-lidar-inertial-odometry-255qx4t9.pdf
27. VE-LIOM: A Versatile and Efficient LiDAR-Inertial Odometry and Mapping System - MDPI, https://www.mdpi.com/2072-4292/16/15/2772
28. FAST-LIO2: Fast Direct LiDAR-Inertial Odometry | Request PDF - ResearchGate, https://www.researchgate.net/publication/358323678_FAST-LIO2_Fast_Direct_LiDAR-Inertial_Odometry
29. [2107.06829] FAST-LIO2: Fast Direct LiDAR-inertial Odometry - arXiv, https://arxiv.org/abs/2107.06829
30. A Review of Dynamic Object Filtering in SLAM Based on 3D LiDAR - PMC - PubMed Central, https://pmc.ncbi.nlm.nih.gov/articles/PMC10821332/