GPU 가속의 필요성 - 대규모 데이터 처리와 실시간성 확보

현대 로봇 공학, 특히 자율 주행과 공간 지능(Spatial Intelligence) 분야에서 환경 매핑(Mapping)과 재구성(Reconstruction) 기술은 로봇이 미지의 환경을 이해하고 상호작용하기 위한 근간이다. 그러나 센서 해상도의 비약적인 발전과 로봇의 주행 속도 증가로 인해 처리해야 할 데이터의 양은 기하급수적으로 증가하고 있다. 전통적인 중앙 처리 장치(CPU) 기반의 순차적 처리 방식은 이러한 대규모 데이터의 실시간 처리에 있어 물리적, 구조적 한계에 봉착했다. 본 장에서는 대규모 데이터 처리와 실시간성 확보라는 두 가지 핵심 과제를 중심으로, 로봇 매핑 시스템에서 그래픽 처리 장치(GPU) 가속이 선택이 아닌 필수적인 요소가 된 기술적 배경, 하드웨어 아키텍처의 물리적 특성, 그리고 이것이 로봇의 안전에 미치는 영향을 심층적으로 분석한다.

1. 대규모 센서 데이터의 폭증과 처리 병목 현상

로봇이 환경을 인식하기 위해 사용하는 센서, 특히 LiDAR와 RGB-D 카메라의 데이터 생성량은 과거와 비교할 수 없을 정도로 거대해졌다. 이러한 “데이터의 홍수“는 로봇의 인식 정밀도를 높이는 기회임과 동시에, 연산 자원에 극심한 부하를 주는 위협 요인이다.

1.1 고해상도 깊이 센서의 대역폭 요구량 정량 분석

최신 로봇 시스템에서 널리 사용되는 Intel RealSense D455와 같은 RGB-D 카메라를 예로 들어보자. 이 센서는 1280x720 해상도의 깊이(Depth) 이미지와 RGB 이미지를 초당 30프레임(FPS) 이상으로 생성한다.1 단순한 데이터 전송량을 넘어, 이를 3차원 공간으로 복원(Back-projection)하고 누적하는 과정에서의 연산 부하를 정량적으로 분석할 필요가 있다.

• 깊이 이미지 해상도: 1280 \times 720 = 921,600 픽셀/프레임
• 프레임 레이트: 30 FPS (최대 90 FPS 지원)
• 초당 처리 포인트 수 (단일 카메라): 약 27,648,000 포인트/초

단일 카메라만 하더라도 초당 약 2,700만 개의 3차원 포인트를 처리해야 한다. 만약 로봇이 사각지대 없는 인식을 위해 3~4개의 카메라를 동시에 운용한다면, 초당 처리해야 할 포인트 수는 1억 개를 상회한다.4 여기에 LiDAR 센서까지 추가될 경우 데이터의 양은 더욱 증가한다. 64채널 LiDAR의 경우 초당 수백만 개의 포인트를 추가로 생성하며, 이는 단순히 저장하는 것이 아니라 실시간으로 기존 맵과 정합(Registration)하고 통합(Integration)해야 하는 데이터이다.5

이러한 데이터를 처리하는 과정은 단순한 메모리 복사가 아니다. 각 픽셀 (u, v)에 대해 깊이 값 d를 이용하여 카메라 좌표계의 3차원 점 P_c로 변환하고, 이를 다시 로봇의 현재 위치(Pose) T_{wb}를 통해 월드 좌표계 P_w로 변환해야 한다.
P_w = T_{wb} \cdot K^{-1} \cdot \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} \cdot d
여기서 K는 카메라의 내부 파라미터(Intrinsic parameter) 행렬이며, T_{wb}는 4 \times 4 변환 행렬이다. CPU는 이러한 행렬 연산을 각 포인트마다 순차적으로, 혹은 제한된 코어 수만큼 병렬로 수행한다. 하지만 수천만 개의 포인트에 대해 매 프레임마다 이러한 부동 소수점 연산(Floating-point Operations)을 수행하는 것은 CPU의 ALU(Arithmetic Logic Unit) 자원을 포화 상태로 만들며, 이는 전체 시스템의 레이턴시(Latency) 증가로 직결된다.6

또한, 센서 데이터는 노이즈를 포함하고 있다. RealSense D455의 경우 4m 거리에서 2% 미만의 오차율을 보이지만1, 거리가 멀어질수록 오차는 2차적으로 증가하는 경향이 있다.8 이러한 노이즈를 실시간으로 필터링하고 신뢰할 수 있는 맵을 구축하기 위해서는 단순한 기하학적 변환 외에도 확률적 통합(Probabilistic Integration) 과정이 필요하며, 이는 연산 비용을 더욱 가중시킨다.

1.2 CPU 기반 매핑의 구조적 한계: Voxblox 사례 심층 분석

기존의 대표적인 CPU 기반 매핑 프레임워크인 Voxblox는 복셀 해싱(Voxel Hashing) 기법을 사용하여 메모리 효율성을 높였음에도 불구하고, 대규모 데이터 처리 시 성능 저하가 뚜렷하다. Voxblox는 TSDF(Truncated Signed Distance Field) 통합 과정에서 각 광선(Ray)을 추적하는 레이캐스팅(Ray-casting) 방식을 사용한다.5

레이캐스팅 방식은 센서 원점에서 각 픽셀에 해당하는 광선을 쏘아 3차원 공간상의 복셀 그리드와 교차하는 지점을 찾고, 해당 복셀들의 TSDF 값을 업데이트하는 방식이다. 이 방식의 시간 복잡도는 센서의 해상도뿐만 아니라 센서의 유효 거리 내에 존재하는 복셀의 수에 비례한다.
T_{cpu} \propto N_{rays} \times M_{voxels\_per\_ray}
해상도가 높아질수록 N_{rays}가 증가하고, 맵의 정밀도(Voxel Size 감소)를 높일수록 M_{voxels_per_ray}가 증가한다. 연구 결과에 따르면, 복셀 크기를 10cm에서 5cm, 2cm로 줄임에 따라 Voxblox의 처리 시간은 기하급수적으로 증가하여 실시간성을 상실한다. 특히 2cm 해상도에서 CPU 기반 처리는 맵 업데이트 주기를 수백 밀리초(ms)에서 수 초 단위로 지연시키며, 이는 고속으로 이동하는 로봇에게 치명적인 안전 공백을 야기한다.5

이러한 한계는 CPU가 가진 제한된 병렬 처리 능력(수십 개의 코어)과 캐시 메모리 구조가 3차원 공간 데이터의 산발적인 접근(Random Access) 패턴에 최적화되어 있지 않기 때문이다. 복셀 해싱 구조상 인접한 복셀이 메모리상에서도 인접해 있다는 보장이 없으므로, 레이캐스팅 과정에서 빈번한 캐시 미스(Cache Miss)가 발생하여 처리 속도를 더욱 저하시킨다.7

2. GPU 가속의 아키텍처적 우위와 병렬 처리 메커니즘

GPU는 CPU와 달리 대규모 데이터의 대규모 병렬 처리를 위해 설계된 아키텍처를 가진다. 로봇 매핑, 특히 TSDF 및 ESDF(Euclidean Signed Distance Field) 생성 과정은 각 복셀(Voxel)이나 픽셀이 서로 독립적으로 계산될 수 있는 ‘Embarrassingly Parallel’ 성격을 띠고 있어 GPU 가속의 효과가 극대화된다.

2.1 SIMT 구조와 대규모 스레드 운용

NVIDIA의 GPU 아키텍처는 SIMT(Single Instruction, Multiple Threads) 방식을 따른다. 이는 하나의 명령어(Instruction)를 여러 개의 스레드(Thread)가 동시에 다른 데이터에 대해 수행하는 방식이다. 매핑 과정에서 수십만 개의 복셀을 업데이트해야 할 때, CPU는 이를 루프(Loop)를 통해 순차적으로 처리하지만, GPU는 수천 개의 CUDA 코어를 이용하여 동시에 처리한다.7

GPU는 스레드를 워프(Warp, 일반적으로 32개 스레드) 단위로 묶어 관리하며, 수많은 워프를 스케줄링하여 메모리 대기 시간(Memory Latency)을 숨긴다(Latency Hiding). 하나의 워프가 메모리 데이터를 기다리는 동안, 다른 워프가 연산을 수행하는 방식이다. NvBlox와 같은 최신 GPU 가속 매핑 라이브러리는 이러한 특성을 활용하여 Voxblox 대비 표면 재구성(Surface Reconstruction)에서 최대 177배, ESDF 계산에서 31배의 속도 향상을 달성하였다.5 이는 단순한 성능 최적화가 아니라, 로봇이 인식할 수 있는 환경의 해상도와 반응 속도의 차원을 바꾸는 결과이다.

2.2 메모리 병합(Memory Coalescing)과 접근 패턴 최적화

GPU 가속의 핵심은 연산 속도뿐만 아니라 메모리 접근 효율성에 있다. GPU 글로벌 메모리(VRAM)에 접근할 때, 워프 내의 인접한 스레드들이 인접한 메모리 주소에 접근하도록 데이터를 정렬하면 ’메모리 병합(Memory Coalescing)’이 발생하여 단일 메모리 트랜잭션으로 데이터를 가져올 수 있다. 반면, 비병합 접근(Uncoalesced Access)이 발생하면 동일한 데이터를 가져오기 위해 여러 번의 메모리 트랜잭션이 발생하여 대역폭 낭비가 심해진다.12

• TSDF 통합 과정에서의 이점 (Projective Mapping): NvBlox는 ‘Projective Data Association’ 방식을 사용하여 메모리 병합 효과를 극대화한다. 이 방식은 3차원 복셀 중심점을 카메라 이미지 평면으로 투영(Project)하여 깊이 값을 참조하는 방식이다.
• 3차원 공간상에서 인접한 복셀들은 메모리 블록(VoxelBlock) 내에서도 인접하게 저장된다.
• GPU 스레드 블록을 VoxelBlock 단위로 할당하면, 인접한 스레드들이 인접한 복셀 메모리에 접근하게 된다.
• 투영된 이미지 평면에서도 인접한 픽셀을 참조할 확률이 높아 텍스처 캐시(Texture Cache) 적중률도 높아진다.5

반면, CPU 기반의 레이캐스팅이나 최적화되지 않은 GPU 커널은 광선이 공간을 가로지르며 흩어져 있는 메모리 주소(해시 테이블에 흩어진 복셀들)에 접근하기 때문에 메모리 병합이 깨지고, 캐시 미스가 빈번하게 발생하여 GPU의 이론적 성능을 달성하지 못하게 된다.

2.3 워프 다이버전스(Warp Divergence)의 극복

SIMT 구조의 약점 중 하나는 ’워프 다이버전스’이다. 워프 내의 32개 스레드는 동일한 명령어를 실행해야 하는데, 만약 if-else 분기문으로 인해 서로 다른 경로를 실행해야 한다면, GPU는 두 경로를 모두 순차적으로 실행(Serialize)하여 나머지 스레드들을 대기시킨다.15

• 레이캐스팅의 문제: 레이캐스팅 방식에서는 각 광선이 부딪히는 물체까지의 거리가 다르기 때문에, 어떤 스레드는 일찍 종료되고 어떤 스레드는 계속 루프를 돌아야 한다. 이는 심각한 워프 다이버전스를 유발하여 성능을 저하시킨다.15
• Projective 방식의 해결: NvBlox의 Projective 방식은 모든 복셀이 “투영 -> 깊이 조회 -> 업데이트“라는 동일한 연산 파이프라인을 거치므로 분기 문이 최소화되어 워프 다이버전스가 거의 발생하지 않는다. 이는 GPU 가동률(Occupancy)을 높게 유지하는 핵심 요인이다.5

2.4 텍스처 메모리와 하드웨어 보간 (Texture Memory & Interpolation)

로봇 매핑에서는 센서 노이즈 제거와 부드러운 표면 생성을 위해 보간(Interpolation) 연산이 필수적이다. 특히, 투영된 픽셀 좌표 (u, v)가 정수가 아닐 때 인접 픽셀들의 값을 보간하여 정확한 깊이 값을 추정해야 한다.

GPU는 **텍스처 메모리(Texture Memory)**라는 특수한 하드웨어 유닛을 보유하고 있다. 깊이 이미지를 텍스처 메모리에 바인딩하면, 부동 소수점 좌표에 대한 접근 시 하드웨어 레벨에서 자동으로 선형 보간(Bilinear Interpolation)을 수행한다.17

CPU에서는 4개의 인접 픽셀 값을 읽어와 가중치를 계산하고 더하는 과정을 소프트웨어적으로 수십 사이클에 걸쳐 수행해야 하지만, GPU는 텍스처 유닛을 통해 거의 비용 없이(Zero-cost) 이를 수행할 수 있다. 이는 고해상도 매핑 시 연산 부하를 획기적으로 줄여주며, 매핑의 정밀도를 높이는 데 기여한다. 또한 텍스처 캐시는 2차원 공간 지역성에 최적화되어 있어 이미지 데이터 접근 속도를 더욱 가속화한다.9

3. 실시간성 확보와 안전(Safety)의 물리적 상관관계

로봇 시스템에서 ’실시간성(Real-time)’이란 단순히 작업이 빨리 끝나는 것을 의미하는 것이 아니라, 정해진 시간 제한(Deadline) 내에 반드시 결과를 산출해야 함을 의미하는 결정론적(Deterministic) 속성이다. 특히 자율 주행 로봇의 경우, 매핑의 지연(Latency)은 곧 물리적 충돌 위험으로 직결된다.

3.1 매핑 레이턴시와 정지 거리(Stopping Distance) 역학

로봇이 장애물을 감지하고 정지하기까지의 과정은 ’인지(Sense) -> 매핑(Map) -> 계획(Plan) -> 제어(Act)’의 파이프라인을 거친다. 이때 매핑 단계에서의 지연 시간(t_{map})은 전체 반응 시간(t_{total})의 상당 부분을 차지한다.

로봇의 정지 거리(d_{stop})는 인지 반응 거리와 제동 거리의 합으로 정의된다.
d_{stop} = d_{reaction} + d_{braking}

d_{stop} = v \cdot (t_{sensor} + t_{map} + t_{plan} + t_{net}) + \frac{v^2}{2\mu g}

여기서 v는 로봇의 속도, \mu는 마찰 계수, g는 중력 가속도, t_{net}은 네트워크 지연 시간이다.20 식에서 볼 수 있듯이 매핑 지연 시간(t_{map})은 로봇의 속도 v와 선형적으로 비례하여 정지 거리를 증가시킨다.

• 시나리오 분석: CPU vs GPU:
• CPU 사용 시 (Voxblox): 2cm 해상도 맵 업데이트에 약 500ms(0.5s)가 소요된다고 가정하자. 2m/s로 주행하는 로봇은 맵이 갱신되는 동안 이미 1m를 이동한다. 이는 장애물이 이미 로봇의 충돌 범위 내에 들어왔음에도 불구하고, 로봇 내부의 맵(Costmap)에는 장애물이 없는 것으로 표시될 수 있음을 의미한다. 이를 “Blind Distance“라 한다.
• GPU 사용 시 (NvBlox): NvBlox를 활용하여 동일한 해상도 처리를 16ms(0.016s) 내에 완료한다면5, “Blind Distance“는 3.2cm에 불과하다.

따라서 GPU 가속은 단순한 성능 향상이 아니라, 로봇의 **최대 안전 주행 속도(v_{max})**를 결정짓는 임계 변수이다. 연구 결과에 따르면, GPU를 통한 저지연 매핑은 고속 주행 시 충돌 회피 성공률을 비약적으로 높이며, 동일한 안전 마진(Safety Margin) 하에서 로봇의 주행 속도를 높여 물류 및 서비스 로봇의 작업 효율(Throughput)을 향상시킨다.20

5

3.2 ESDF의 실시간 업데이트와 동적 회피 경로 계획

로봇의 경로 계획(Path Planning)을 위해서는 표면 정보(TSDF)뿐만 아니라, 장애물로부터의 거리 정보인 ESDF가 필요하다. ESDF는 로봇이 장애물과 충돌하지 않으면서(Collision-free) 최적의 경로를 생성하는 데 필수적이며, 특히 경사 하강법(Gradient Descent) 기반의 궤적 최적화 알고리즘(예: CHOMP, TrajOpt)에서 핵심적인 역할을 한다.

CPU 기반의 Voxblox는 ESDF 계산을 위해 파동 전파(Wavefront Propagation) 방식을 사용하는데, 이는 TSDF 맵이 변경될 때마다 전체 맵에 대해 거리를 다시 계산해야 하므로 많은 시간을 소모한다. 이로 인해 맵의 변화를 실시간으로 경로 계획에 반영하기 어렵다.

반면, GPU 가속을 활용한 NvBlox는 TSDF 업데이트와 거의 동시에 병렬적으로 ESDF를 생성할 수 있다(최대 31배 가속).5 이는 동적 장애물(Dynamic Obstacle, 예: 사람, 지게차)이 등장했을 때, 로봇이 즉각적으로 회피 경로(Replanning)를 생성할 수 있게 해준다. 동적 환경에서 ESDF 업데이트 주기가 늦어지면, 로봇은 이미 이동해버린 장애물의 잔상(Ghost)을 피하려 하거나, 새로 나타난 장애물을 인지하지 못해 충돌하게 된다. GPU 가속은 이러한 ‘맵-현실 불일치(Map-Reality Mismatch)’ 시간을 최소화하여 동적 환경에서의 생존성을 보장한다.

4. 알고리즘적 접근의 진화: 투영 방식 대 레이캐스팅

GPU 하드웨어의 이점을 최대한 활용하기 위해서는 하드웨어 특성에 맞는 알고리즘 선택이 중요하다. 여기서는 TSDF 통합을 위한 두 가지 주요 접근 방식인 ’Projective Data Association’과 ’Ray-casting’을 비교 분석하고, GPU 환경에서 왜 전자가 선호되는지 설명한다.

4.1 Projective Data Association (NvBlox 방식)

NvBlox는 주로 Projective TSDF 방식을 채택한다.5 이 방식은 3D 복셀의 위치를 센서의 이미지 평면으로 투영하여 해당 픽셀의 깊이 값과 비교하는 방식이다.

• 알고리즘 흐름:

1. 현재 카메라 시야(Frustum) 내에 있는 활성화된 복셀 블록(Voxel Block)을 식별한다.

2. GPU 스레드를 각 복셀에 할당한다.

3. 각 스레드는 담당 복셀의 월드 좌표 P_w를 카메라 좌표계 P_c로 변환하고, 카메라 내부 파라미터 K를 이용해 이미지 평면 (u, v)로 투영한다.
   u = f_x \frac{X_c}{Z_c} + c_x, \quad v = f_y \frac{Y_c}{Z_c} + c_y
   깊이 이미지 텍스처에서 D(u, v)를 샘플링한다(하드웨어 보간 사용).

4. 측정된 깊이 D(u, v)와 복셀의 깊이 Z_c의 차이(SDF)를 계산하고, 가중 이동 평균(Weighted Running Average)을 통해 TSDF를 업데이트한다.
   D_{sdf} = \text{clamp}(D(u, v) - Z_c, -\tau, \tau)

TSDF_{new} = \frac{TSDF_{old} \cdot W_{old} + D_{sdf} \cdot W_{new}}{W_{old} + W_{new}}

• GPU 적합성:

• 메모리 효율: 인접한 스레드들이 3차원 공간상에서 인접한 복셀을 처리하므로, 복셀 데이터 로드 시 메모리 병합(Coalescing)이 완벽하게 일어난다.

• 캐시 효율: 인접한 복셀들은 이미지 평면상에서도 인접한 픽셀을 참조하므로 텍스처 캐시 적중률이 극대화된다.

• 부하 균형: 모든 스레드가 동일한 연산 과정을 거치므로 워프 다이버전스가 최소화된다.

• 한계 및 보완: 표면 뒤쪽의 빈 공간(Free space)을 명시적으로 업데이트하기 어렵다는 단점이 있다. 이를 해결하기 위해 NvBlox는 별도의 ‘Ray-clearing’ 커널을 실행하거나, 관측되지 않는 복셀의 신뢰도를 시간에 따라 감소시키는(Decay) 메커니즘을 사용하여 동적 물체의 잔상을 제거한다.25

4.2 GPU Ray-casting (coVoxSLAM 및 Voxblox 방식)

전통적인 Voxblox 방식이나 최근의 coVoxSLAM26은 Ray-casting 방식을 GPU 상에서 구현하기도 한다.

• 메커니즘: 센서 원점에서 각 픽셀을 향해 광선을 쏘고, 광선이 통과하는 모든 복셀을 순회(Traversal)하며 업데이트한다.
• 장점:
• 정확한 가시성(Visibility) 처리: 센서와 표면 사이의 모든 공간을 확실하게 ‘Free’ 상태로 업데이트할 수 있어 동적 물체 제거(Clearing)에 유리하다. coVoxSLAM은 이 방식을 통해 TSDF 통합에서 NvBlox보다 일부 데이터셋(Redwood 등)에서 1.5~2배 빠른 성능을 주장하기도 한다.26
• 단점 (GPU 관점):
• 워프 다이버전스 심화: 광선마다 도달하는 거리가 다르고, 충돌하는 복셀의 수가 다르다. 어떤 광선은 1m 앞에서 벽에 부딪히고, 옆의 광선은 10m까지 날아간다면, 짧은 광선을 처리한 스레드는 긴 광선을 처리하는 스레드가 끝날 때까지 대기해야 한다(Idle).
• 비효율적 메모리 접근: 광선이 비스듬하게 진행할 경우, 접근하는 복셀의 메모리 주소가 불연속적(Strided)이게 되어 캐시 미스가 폭증하고 대역폭 효율이 급감한다.

종합 비교: 대규모 표면 재구성과 일반적인 주행 환경에서의 고속 매핑을 위해서는 NvBlox가 채택한 Projective Data Association 방식이 GPU 아키텍처에 더 적합하며, 이는 Voxblox 대비 177배라는 압도적인 속도 차이로 증명된다.5 다만, 매우 동적인 환경이나 ray-casting의 정확한 free space 업데이트가 필수적인 경우(예: 복잡한 드론 비행), 두 방식의 하이브리드 혹은 coVoxSLAM과 같은 접근이 고려될 수 있다. 그러나 일반적인 지상 주행 로봇(AMR)이나 서비스 로봇의 경우 NvBlox 방식이 성능과 안정성 면에서 사실상의 표준(De facto standard)으로 자리 잡고 있다.

5. 결론: GPU 기반 공간 컴퓨팅의 필수불가결성

본 장의 분석을 통해, 대규모 데이터 처리와 실시간성 확보를 위해 GPU 가속은 선택이 아닌 필수 조건임을 확인할 수 있다.

1. 데이터 처리량의 물리적 한계 극복: 초당 수억 개의 포인트 클라우드를 생성하는 현대적 센서 환경에서 CPU 기반 처리는 폰 노이만 구조(Von Neumann Architecture)의 병목으로 인해 물리적 한계에 도달했다. GPU의 SIMT 구조와 대규모 병렬 처리 능력만이 이러한 데이터를 손실 없이(Lossless), 그리고 지연 없이(Zero-latency) 처리할 수 있다.
2. 실시간 안전성 보장 (Safety Guarantee): 매핑 레이턴시는 로봇의 정지 거리를 증가시키는 직접적인 물리적 요인이다. GPU 가속을 통해 매핑 주기를 수백 ms에서 10ms 단위로 단축함으로써, 로봇은 “눈을 뜨고” 주행하는 것과 같은 상태를 유지할 수 있으며, 이는 고속 주행 시에도 충분한 안전 마진(Safety Margin)을 확보하게 한다.
3. 고정밀 매핑의 가능성 확장: CPU 환경에서는 연산 부하로 인해 맵 해상도를 10cm 수준으로 타협해야 했으나, GPU 환경에서는 1~2cm 급의 고정밀 맵을 실시간으로 생성할 수 있다. 이는 로봇 조작(Manipulation), 정밀 도킹, 그리고 복잡한 환경에서의 좁은 통로 주행과 같은 고수준 작업을 가능케 한다.

결론적으로, 본 서적에서 다루는 고성능 자율 주행 시스템 설계에 있어 NvBlox와 같은 GPU 가속 기반의 매핑 라이브러리 도입은 단순한 소프트웨어 교체가 아니라, 로봇의 인지 능력을 인간 수준으로 끌어올리기 위한 핵심적인 아키텍처 결정이라 할 수 있다.

6. 참고 자료

1. D455 - RealSense, https://realsenseai.com/products/real-sense-depth-camera-d455f/
2. RealSense™ Depth Camera D455 (camera only) - FRAMOS, https://framos.com/products/3d/3d-cameras/depth-camera-d455-bulk-24722/
3. (PDF) EVALUATION OF INTEL REALSENSE D455 CAMERA …, https://www.researchgate.net/publication/376547643_EVALUATION_OF_INTEL_REALSENSE_D455_CAMERA_DEPTH_ESTIMATION_FOR_INDOOR_SLAM_APPLICATIONS
4. Nvblox - NVIDIA Isaac ROS, https://nvidia-isaac-ros.github.io/concepts/scene_reconstruction/nvblox/index.html
5. nvblox: GPU-Accelerated Incremental Signed Distance Field Mapping, https://arxiv.org/html/2311.00626v2
6. Stopping the Mobile Robotic Vehicle at a Defined Distance … - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC8434662/
7. Improving the Performance of a Ray Tracing Algorithm Using a GPU, https://gowtham-maran.github.io/Improving%20the%20Performance%20of%20a%20Ray%20Tracing%20Algorithm%20using%20a%20GPU.pdf
8. How to calculate depth accuracy of D435 and D455? #7806 - GitHub, https://github.com/IntelRealSense/librealsense/issues/7806
9. GPU Accelerated Robust Scene Reconstruction, https://www.cs.cmu.edu/~kaess/pub/Dong19iros.pdf
10. Kernels, Triton, Memory Coalescing, and the Execution Hierarchy, https://medium.com/@hexiangnan/gpus-for-large-language-models-kernels-triton-memory-coalescing-and-the-execution-hierarchy-7aaa32dac5ae
11. nvblox: GPU-Accelerated Incremental Signed Distance Field Mapping, https://arxiv.org/abs/2311.00626
12. Coalesced Memory Access in CUDA for High-Performance Computing, https://victorleungtw.wordpress.com/2025/01/16/coalesced-memory-access-in-cuda-for-high-performance-computing/
13. What are some common CUDA memory access patterns that can …, https://massedcompute.com/faq-answers/?question=What%20are%20some%20common%20CUDA%20memory%20access%20patterns%20that%20can%20lead%20to%20performance%20issues?
14. Characterizing and Enhancing Global Memory Data Coalescing on …, https://www.cs.colostate.edu/~pouchet/doc/cgo-article.15.pdf
15. What is warp divergence? | GPU Glossary - Modal, https://modal.com/gpu-glossary/perf/warp-divergence
16. An introduction to GPU programming Overview Warps … - People, https://people.maths.ox.ac.uk/gilesm/old/pp10/lec2_2x2.pdf
17. Texture Caches, https://fileadmin.cs.lth.se/cs/Personal/Michael_Doggett/pubs/doggett12-tc.pdf
18. Organization of 3D texture in CUDA. The series of red arrows…, https://www.researchgate.net/figure/Organization-of-3D-texture-in-CUDA-The-series-of-red-arrows-represents-the-sequence-of_fig2_261289997
19. caching - Yet Another CUDA Texture Memory Thread. (Why should …, https://stackoverflow.com/questions/25821131/yet-another-cuda-texture-memory-thread-why-should-texture-memory-be-faster-on
20. Evaluating Latency Impact on Start/Stop Control in ROS 2 - Unipd, https://thesis.unipd.it/retrieve/bd65a84e-a512-4a8a-ad1c-6e52f7d25fbe/Sette_Andrea.pdf
21. Stopping distance, reaction distance and braking distance, https://korkortonline.se/en/theory/reaction-braking-stopping/
22. How Fast is Too Fast? The Role of Perception Latency in High …, https://rpg.ifi.uzh.ch/docs/RAL19_Falanga.pdf
23. Low-Latency Edge-Enabled Digital Twin System for Multi-Robot …, https://www.mdpi.com/1424-8220/25/15/4666
24. TSDF Integration - Open3D primary (252c867) documentation, https://www.open3d.org/html/tutorial/t_reconstruction_system/integration.html
25. Technical Details - NVIDIA Isaac ROS, https://nvidia-isaac-ros.github.io/concepts/scene_reconstruction/nvblox/technical_details.html
26. coVoxSLAM: GPU accelerated globally consistent dense SLAM - arXiv, https://arxiv.org/html/2410.21149v1