도로 표면 맵은 고정밀 지도 생성, 차선 수준 인식, 자동 주석에 쓰이지만, 대규모 주행 장면에서는 복원 품질과 최적화 비용을 함께 맞추기 어렵다. 이 논문은 arXiv v1에서, 기존 메시 기반 도로 복원과 3D Gaussian 표현의 한계를 줄이기 위해 RoGS를 제안한다. 핵심은 도로를 부피가 아니라 메쉬 위에 놓인 2차원 Gaussian surfel로 표현하는 것이다.
각 surfel은 색, 의미 정보, 기하 정보를 함께 담는다. 연구진은 도로가 물리적 두께가 없는 얇은 표면이므로 2D Gaussian surfel이 3D Gaussian sphere보다 도로의 구조에 더 맞는다고 설명한다. 또 전체를 균일하게 촘촘히 나누지 않고, 차선 표시·경계·연석·횡단보도·높이 단차처럼 구조적으로 복잡한 구간에 더 많은 surfel을 배치하고 평탄한 구간은 성긴 격자로 둔다.
초기 높이와 회전은 단일 최근접 차량 자세만 쓰지 않는다. RoGS는 xy평면에서 여러 인접 차량 자세를 찾아 각 자세가 예측한 높이를 가중 평균하고, 그 일치도를 바탕으로 신뢰도를 계산해 자세 유도 높이 정규화를 조절한다. 이렇게 하면 자세 잡음이나 궤적의 국소적 흔들림의 영향이 줄어든다. 카메라 영상과 의미 분할 결과가 기본 감독이고, LiDAR는 있을 때만 높이 감독에 추가로 쓴다.
정량 결과는 KITTI와 nuScenes에서 제시됐다. nuScenes 표 1에서 LiDAR 없이 1 epoch 학습한 RoGS는 평균 PSNR 23.90, mIoU 85.56%, Elev. RMSE 0.147 m, Time 30.7로, RoMe의 평균 PSNR 23.63, mIoU 84.95%, Elev. 0.176 m, Time 1630보다 높았다. 2 epoch에서는 RoGS가 평균 PSNR 23.57, mIoU 85.41%, Elev. 0.151 m, Time 61.1로 보고됐고, 표기상 27× 속도 향상이 제시됐다.
LiDAR를 사용하면 수치는 더 좋아진다. 표 1의 보이는 값만 보면 scene-0064에서 PSNR 24.58, mIoU 92.31%, Elev. 0.056 m, scene-0212에서 25.92, 93.81%, 0.070 m가 확인된다. KITTI odometry sequence-00에서는 약 3724 m 궤적을 4분에 복원했다고 적고, RoMe는 2.5시간이 걸렸다고 밝혔다. 그림 7과 8은 자전거 표식, 차선, 도로 가장자리, 횡단보도와 높이 맵 오류가 더 명확히 복원되는 사례를 보여준다.
| 항목 | 값 | 근거 |
|---|---|---|
| nuScenes, w/o LiDAR, Ep.1 평균 | PSNR 23.90 / mIoU 85.56% / Elev. 0.147 m / Time 30.7, 53× | Table I 평균값 |
| nuScenes, RoMe 평균 | PSNR 23.63 / mIoU 84.95% / Elev. 0.176 m / Time 1630 | Table I 평균값 |
| KITTI sequence-00 | 약 3,724m 궤적을 4분에 복원 | Figure 6 |
자료: STORIUM 정리
RoGS의 결과는 2026년 7월 16일 공개된 arXiv v1에서 KITTI와 nuScenes 장면을 평가한 값이며, 동료평가와 독립 재현 전 단계다. 저자들은 도로 복원이 차량 자세 정확도에 여전히 의존하고, 색과 의미 정보만으로 높이를 복원하는 데 한계가 있다고 적었다. LiDAR가 없는 차량에는 COLMAP 점군을 대안으로 제시했지만, 실제 대규모 운영 환경에서의 비용과 안정성은 별도 검증이 필요하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
