저조도 환경에서의 SLAM: 프로젝트 보고서

초록

동시적 위치추정 및 지도작성(SLAM)은 로봇공학의 근본적인 문제 중 하나로, 실제 환경에서의 자율적 동작을 가능하게 한다. 저조도 환경에서는 대비 감소, 센서 잡음, 모션 블러로 인해 특징 추출과 특징 정합이 저하되는 반면, LiDAR, 깊이 또는 열 센서로 보완하면 비용, 전력 소모, 통합 복잡도가 증가한다. 기존 벤치마크는 조명이 잘 갖춰진 실내 또는 주간 시퀀스가 주를 이루며, 표준 RGB 카메라를 사용한 SLAM이 어두운 환경에서 어느 정도 성능을 발휘할 수 있는지는 여전히 미해결 과제로 남아 있다. 본 논문에서는 특징 기반, 직접, 필터 기반, 학습 기반 패러다임에 속하는 6가지 시스템(ORB-SLAM3, DSO, Kimera-VIO, OpenVINS, DPVO, DPV-SLAM)을 조명 난이도가 다양한 5개의 LaMARia 시퀀스에서 평가하고, 절대 및 상대 자세 오차와 함께 제어점 재현율을 보고한다. Kimera-VIO는 루프 폐쇄 부재로 인해 낮은 상대 자세 오차와 함께 꾸준히 증가하는 절대 오차를 보이면서도 5개 시퀀스를 모두 완료까지 추적한 유일한 시스템이다. DPVO와 DPV-SLAM은 추적 손실이 발생하지 않지만 저조도에서 약 100m의 절대 오차를 보이며, 고전적인 모노큘러 파이프라인(ORB-SLAM3, DSO)과 필터 기반의 OpenVINS는 대부분의 어렵거나 저조도 시퀀스에서 완전히 실패하거나 발산한다. 이러한 결과는 RGB 전용 SLAM이 관성 융합과 전역 최적화가 모두 존재할 때만 안정적인 저조도 추적을 유지함을 시사한다. 남은 격차를 해소하려면 저조도 특화 학습 전단부나 보완적 센싱으로의 회귀가 필요할 것으로 보인다.

English

Simultaneous localization and mapping (SLAM) is one of the fundamental problems in robotics, as it enables autonomous operations in real-world scenarios. Under low illumination, reduced contrast, sensor noise, and motion blur degrade both feature extraction and feature matching, while compensating with LiDAR, depth, or thermal sensors raises cost, power draw, and integration complexity. Existing benchmarks remain dominated by well-lit indoor or daylight sequences, leaving open how far SLAM with standard RGB cameras can be pushed in the dark. We benchmark six systems spanning the feature-based, direct, filter-based, and learning-based paradigms - ORB-SLAM3, DSO, Kimera-VIO, OpenVINS, DPVO, and DPV-SLAM - on five LaMARia sequences of varying difficulty and illumination, reporting absolute and relative pose error alongside control-point recall. Kimera-VIO is the only system to track all five sequences to completion, combining the lowest relative pose error with steadily growing absolute error due to the absence of loop closure; DPVO and DPV-SLAM never lose tracking but incur absolute errors of roughly 100 m under low light; and the classical monocular pipelines (ORB-SLAM3, DSO) together with the filter-based OpenVINS fail outright or diverge on most of the harder and low-light sequences. The results suggest that RGB-only SLAM maintains stable low-light tracking only when both inertial fusion and global optimization are present. Closing the remaining gap will likely require low-light-specific learned front-ends or a return to complementary sensing.