LiDAR-SLAM 기술 동향

LiDAR-SLAM은 레이저 거리 측정 센서가 반환하는 포인트 클라우드 데이터를 사용하여 자체 위치 추정 및 매핑을 수행하는 기술군입니다. Visual-SLAM과 비교했을 때, 조명 조건에 훨씬 덜 민감하고 직접적인 거리 정보를 제공합니다. 하지만 이 문제의 핵심은 포인트 클라우드를 얼마나 빠르고 정확하게 서로 매칭(스캔 매칭)할 수 있느냐에 있습니다. 기본 원리, 즉 ICP/NDT의 작동 방식과 LOAM이 특징을 추출하는 이유에 대해서는 "LiDAR-SLAM 입문"을 참조하십시오.

ROS 2

이미지: Robot 운영 체제 로고, Wikimedia Commons (CC BY-SA 4.0)

LiDAR-SLAM 개요

Diagram 1 · Use the button to switch views

다이어그램: Duskcoil. 대표적인 LiDAR-관성 SLAM 파이프라인의 관계를 간략화했습니다.

LiDAR-SLAM은 단순히 두 개의 포인트 클라우드를 중첩하는 일회성 작업이 아닙니다. IMU는 스캔 중 플랫폼 움직임으로 인한 왜곡을 보정하고, 로컬 맵과의 기하학적 불일치는 자세, 속도 및 센서 바이어스를 업데이트하며, 이러한 추정치는 다시 맵을 업데이트합니다. 이러한 순환 과정을 통해 LOAM, ICP/NDT 및 FAST-LIO 계열 기술을 다음과 같은 세 가지 구체적인 질문을 중심으로 비교할 수 있습니다. 대응점 형성 방식, 상태 업데이트 방식, 그리고 맵 저장 방식입니다.

특징 추출 계보: LOAM 및 후속 기술

초기 주류 접근 방식은 포인트 클라우드에서 기하학적 특징(에지, 평면)을 추출하고 이를 추적하여 스캔 간 변위를 추정했습니다(LOAM 계보). 처리 과정은 이해하기 쉽지만, 특징 추출 매개변수를 조정하는 것이 까다롭고 특징이 부족한 환경(예: 특징이 없는 복도)에서는 정확도가 떨어지는 경향이 있습니다.

두 가지 기본 스캔 매칭 알고리즘: ICP 및 NDT

LiDAR-SLAM의 핵심은 연속적인 포인트 클라우드 스캔 간 또는 스캔과 지도 간의 대응점을 찾는 방법이며, 이를 위한 두 가지 기본 알고리즘이 있습니다.

ICP(Iterative Closest Point)는 두 포인트 클라우드 간의 점을 거리를 기준으로 매칭한 다음, 결과적으로 발생하는 정렬 오차를 최소화하는 강체 변환을 반복적으로 추정합니다. 단순한 점 대 점 매칭 대신, 점의 로컬 기하 구조에서 법선 벡터를 도출하고 점 대 평면 거리를 최소화하는 점 대 평면 접근 방식을 사용하면 수렴 속도가 더 빠르고 지역 최소값에 빠질 가능성이 적습니다. 점 \mathbf{p}_i이 법선 벡터 \mathbf{n}_i와 평면 위의 점 \mathbf{q}_i로 정의되는 평면에 대응할 때, 점과 평면 사이의 거리는 다음과 같습니다.

그리고 계산해야 할 회전 \mathbf{R}과 변환 \mathbf{t}은 다음을 최소화함으로써 얻어집니다.

하지만 LiDAR에는 특정한 주의 사항이 있습니다. LiDAR 포인트 클라우드는 수직 방향으로 희소하게(레이어 형태로 배열되어) 있기 때문에, 포인트 클라우드 전체에 대해 단순히 법선 벡터 추정을 적용하면 정확도가 떨어집니다.

NDT(정규 분포 변환)는 ICP와는 다른 접근 방식을 취합니다. 포인트 클라우드를 복셀 그리드로 나누고 각 복셀 내부의 점 분포를 가우시안 분포로 표현합니다. 개별 점을 직접 매칭하는 대신, 이러한 확률 밀도 함수 간의 적합도를 최적화하여 노이즈에 덜 민감한 정렬을 달성합니다.

FAST-LIO와 같은 직접 방식은 기존의 스캔 매칭 방식에서 필수적인 명시적인 대응점 찾기 단계를 완전히 생략하고, 포인트 클라우드를 지도(복셀 구조)에 직접 등록하는 방식을 채택하여 계산 효율성을 극대화했습니다.

직접 방식으로의 전환: FAST-LIO/FAST-LIO2

이러한 단점을 해결한 것이 바로 "직접 방식"입니다. 즉, 명시적인 특징점 추출 단계 없이 포인트 클라우드를 지도에 직접 등록하는 방식입니다. FAST-LIO2는 이러한 방식의 대표적인 예로, 특히 Livox 제품과 같은 솔리드 스테이트 LiDAR에서 높은 효율성을 달성했습니다. 이는 증분 k-d 트리를 통한 효율적인 최근접 이웃 탐색 덕분입니다. newbot 또한 자체 위치 추정의 핵심으로 FAST-LIO를 채택했습니다(자세한 내용은 "자체 위치 추정 및 센서 융합 작동 방식"을 참조하십시오).

FAST-LIO는 이후 지속적으로 발전해 왔습니다. FAST-LIVO2(2025년, IEEE Transactions on Robotics)는 시각 정보를 통합합니다. FAST-LIO2를 프런트엔드로 사용하는 LTA-OM은 다중 세션 작동 및 동적 지도 업데이트를 지원합니다. 개발의 주요 방향은 독립형 오도메트리를 넘어 장기 작동 및 대규모 환경으로 이동했습니다.

2026년의 새로운 개발: D-LIO 및 더 가볍고 견고한 방법을 향한 노력

2026년에는 FAST-LIO 계열과는 다른 접근 방식을 취하는 D-LIO(Direct LiDAR-Inertial Odometry)가 IEEE Robotics 및 Automation Letters에 발표되었습니다. D-LIO는 잘린 부호 있는 거리 필드를 통한 매핑을 사용하여 지도 크기에 관계없이 일정한 시간 내에 지도 업데이트를 실행할 수 있도록 설계되었으며, 이는 대규모 환경에서의 확장성을 우선시합니다.

이 외에도 2026년까지 FAR-LIO(빠른 자율 이동을 목표로 함)를 비롯한 다양한 파생 방법들이 저널과 사전 출판 서버에 꾸준히 발표되었습니다. GenZ-LIO는 개방형 및 폐쇄형 환경 모두를 처리할 수 있으며, Voxel-SLAM은 완전성과 일반성의 균형을 추구합니다. 전반적인 방향은 세 가지로 요약할 수 있습니다. (1) 특징 추출을 생략하는 직접적인 방법이 주류가 되었고, (2) 비전, LiDAR, IMU를 아우르는 멀티 센서 융합이 표준이 되고 있으며, (3) 컴퓨팅 성능이 제한된 엣지 하드웨어에 최적화된 경량화는 중요한 연구 주제로 남아 있습니다.

2026년 속도 경쟁: 수치로 보는 개선 사항

2026년까지 발표될 LIO 파생 알고리즘들은 단순히 "또 다른 방법"을 제안하는 데 그치지 않고, 구체적인 수치를 통해 주장을 뒷받침하고 있습니다. 자율 주행 경주를 목표로 하는 CUDA 병렬화 프레임워크인 FAR-LIO(2026년 6월 발표)는 최대 250km/h의 속도에서 기존 방법 대비 위치 오차를 6.9%, 실행 시간을 38.4% 단축했다고 보고했습니다. 타원체 표현을 사용하여 환경에 적응하는 EllipseLIO(2026년 5월)는 두 번째로 우수한 경쟁 방식보다 평균적으로 35% 낮은 주행 거리 측정 오차를 달성했다고 주장합니다. 지역 법선 벡터 제약 조건과 퇴화 인식 맵 유지 관리를 솔리드 스테이트 LiDAR에 적용한 Environment-Adaptive Solid-State LiDAR-Inertial Odometry(2026년 4월)는 기하학적으로 퇴화되고 열악한 환경에서 RMSE를 최대 12.8%까지 줄였습니다. 각 논문의 테스트 조건이 다르기 때문에 이러한 수치를 직접 비교할 수는 없지만, 세 논문 모두 동일한 근본적인 질문, 즉 특징이 부족하고 퇴화되기 쉬운 환경에서 시스템이 얼마나 견고하게 유지될 수 있는지에 대한 해답을 제시합니다.

특수 환경: 다층 건물 내비게이션, 시각 융합 및 안전

사용 사례의 특수화 또한 진전되고 있습니다. 엘리베이터-LIO(2026년 5월)는 엘리베이터 탑승 중 발생하는 비관성 운동(엘리베이터 자체 가속도로 인해 IMU 판독값이 왜곡되는 현상) 문제를 해결하기 위해 로봇의 움직임과 엘리베이터의 움직임을 별도로 추정합니다. 79회의 엘리베이터 탑승을 포함하는 20개의 실제 시퀀스를 통해 검증한 결과, 17개 시퀀스에서 최종 높이 오차가 1cm 미만으로 나타났습니다. 이는 기존의 단독 LIO 방식으로는 처리하기 어려웠던 다층 건물 내 이동 로봇과 같은 사용 사례로 LIO 기술의 활용 범위가 확장되었음을 보여주는 구체적인 사례입니다.

또한 시각 정보까지 통합하는 LiDAR-관성-시각 주행 거리 측정(LIVO) 분야에서는 SA-LIVO(2026년 6월)가 부분 공간별 신뢰도를 기준으로 정보에 가중치를 부여하고, 29개의 공개 데이터셋 시퀀스를 대상으로 벤치마킹한 결과, 임베디드 하드웨어에서 낮은 연산 오버헤드로 경쟁력 있는 정확도를 보여주었습니다. 드론 배포를 염두에 두고 개발된 Flight-Ready LiDAR-Inertial Odometry(2026년 7월)는 기존 구현의 아키텍처적 병목 현상을 해결하고 오도메트리 출력 속도를 10Hz에서 200Hz로 향상시켰습니다. 전반적으로 2026년의 LIO 연구는 FAST-LIO2가 확립한 "직접 방식" 기반 위에 (1) 고속 작동, (2) 비관성 및 특수 환경, (3) 시각적 융합, (4) 임베디드 하드웨어에서의 고주파 출력이라는 네 가지 축을 중심으로 특화되었다고 요약할 수 있습니다.

newbot이 특정 방식을 선택한 이유

newbot이 FAST-LIO2를 선택한 결정적인 요인은 Livox Mid-360에 내장된 6축 IMU(각속도 및 가속도만 측정, 자력계 없음)와의 적합성이었습니다. 9축 IMU와 GTSAM을 가정하는 LIO-SAM 계열 방식은 이 플랫폼의 센서 구성에 적합하지 않다고 판단했습니다. 측정 결과가 이를 뒷받침합니다. 수평 루프 폐쇄 오차는 경로 길이의 1.0~1.3%로, 휠 오도메트리만 사용했을 때(6.9~27.4%)보다 훨씬 우수하여, 이 방법 선택이 옳았음을 시사합니다.

참고 문헌

• FAST-LIO GitHub (hku-mars)
• D-LIO 논문 (arXiv)
• FAST-LIVO2 논문 (arXiv)
• Voxel-SLAM 논문 (arXiv)
• FAR-LIO 논문 (arXiv)
• EllipseLIO 논문 (arXiv)
• Environment-Adaptive Solid-State LiDAR-Inertial Odometry 논문 (arXiv) )
• SA-LIVO 논문(arXiv)
• Elevator-LIO 논문(arXiv)
• newbot의 구현은 "자기 위치 파악 및 센서 융합 작동 방식"에서도 다룹니다.