[논문 리뷰] FutureMapping: The Computational Structure of Spatial AI Systems

Andrew J. Davison|arXiv (Cornell University)|2018. 03. 29.

Robotics and Sensor-Based Localization참고 문헌 48인용 수 32

한 줄 요약

이 논문은 향후 공간 인공지능(Spatial AI) 시스템—로봇 및 AR 기기의 핵심 요소—이 기하학적 및 의미적 인식을 통합한 지속 가능한 메트릭 3D 장면 표현으로 진화할 것임을 제안한다. 연구는 알고리즘, 센서, 이종 프로세서의 공동 설계를 통해 연구 성능과 실생활 제품 제약 간 격차를 좁힐 것을 주장한다.

ABSTRACT

We discuss and predict the evolution of Simultaneous Localisation and Mapping (SLAM) into a general geometric and semantic `Spatial AI' perception capability for intelligent embodied devices. A big gap remains between the visual perception performance that devices such as augmented reality eyewear or comsumer robots will require and what is possible within the constraints imposed by real products. Co-design of algorithms, processors and sensors will be needed. We explore the computational structure of current and future Spatial AI algorithms and consider this within the landscape of ongoing hardware developments.

연구 동기 및 목표

• 현재 및 향후 공간 인공지능 시스템의 계산 구조를 분석하고, 특히 실생활 하드웨어 제약 조건을 고려한 맥락에서 분석한다.
• AR 안경이나 가정용 로봇과 같은 소비자 등급 기기에서 고성능 시각 인식을 구현하는 데 있어 핵심 과제를 규명한다.
• 기존의 전통적 SLAM 평가 기준에서 다목적 성능 지표로의 전환을 주장하여 실제 응용 요구사항을 반영한다.
• 실제 제품을 위한 효율적이고 저전력인 공간 인공지능 시스템을 가능하게 하기 위해 알고리즘, 프로세서, 센서의 공동 설계를 주장한다.
• 지능형 몸체 장치를 위한 광범용 인식 계층으로서의 공간 인공지능의 미래적 방향성을 예측한다.

제안 방법

• 실시간 3D 장면 추정 분야에서 수십 년간 지속적인 발전을 보인 점을 바탕으로, SLAM의 진화가 미래 인지 시스템 설계에 가장 적합한 안내 원칙임을 제안한다.
• 정확도 외에도 지연, 내구성, 전력 소모, 데이터 이동량 지표를 포함한 다목적 평가 프레임워크를 도입하여 기존의 정확도 중심 평가를 넘어서는 평가를 가능하게 한다.
• SLAMBench 및 SLAMBench2 프레임워크를 활용해 다양한 프로세서와 알고리즘 구현 방식에서 SLAM 시스템을 평가하는 데 기초 자료로 사용한다.
• 향후 효율성을 높이기 위해 알고리즘과 데이터 구조에서 희소 그래프 패턴을 식별하고, 새로운 이종 하드웨어 아키텍처와의 정렬을 주장한다.
• 미래의 공간 인공지능 시스템은 장기적 기억, 계획, 상호작용을 지원하는 지속 가능한 메트릭 정확도의 3D 장면 표현을 구축해야 한다고 제안한다.
• 유다 펠의 원인적 정신 모델 개념을 영감으로 삼아 실시간 운영과 가정적 추론(예: 정신적 시뮬레이션)을 모두 지원하는 시스템의 필요성을 강조한다.

실험 결과

연구 질문

• RQ1 SLAM 시스템은 어떻게 동적인 환경에서 장기적이고 목표 지향적인 상호작용을 지원할 수 있는 광범용 공간 인공지능 시스템으로 진화할 수 있는가?
• RQ2 현재의 SLAM 시스템이 AR 안경이나 가정용 로봇과 같은 소비자 등급 기기로 확장되는 데 있어 주요 계산 및 하드웨어 제약 조건은 무엇인가?
• RQ3 정확도 외에도 내구성, 지연, 전력 효율성 등을 반영한 실생활 성능을 반영하기 위해 평가 프레임워크는 어떻게 재정의되어야 하는가?
• RQ4 알고리즘, 센서, 프로세서의 공동 설계가 실제 제품을 위한 효율적이고 저전력 공간 인공지능을 가능하게 하는 데서 수행하는 역할은 무엇인가?
• RQ5 AR, 로봇, 지능형 어시스턴트 등 다양한 응용 분야에서 실생활 공간 인공지능 성능을 가장 잘 예측하는 지표는 무엇인가?

주요 결과

• 고성능 센서와 무제한 컴퓨팅 자원을 사용하더라도, 최첨단 SLAM 연구 성능과 소비자 기기의 요구사항 사이에 여전히 큰 성능 격차가 존재한다.
• 현재의 SLAM 평가 기준은 정확도에 집중하고 있으며, 종종 유리한 테스트 시퀀스를 선별하여 잘못된 성능 주장으로 이어지므로 부적절하다.
• SLAMBench 및 SLAMBench2는 다양한 하드웨어 플랫폼에서 정확도와 계산 비용을 동시에 측정함으로써 SLAM 시스템에 대한 보다 통합적인 평가를 가능하게 한다.
• 이 논문은 추적 내구성, 재정위치 성공률, 자세 반복성, 전력 소모 등의 다목적 지표를 실생활 시스템 성능 예측에 필수적인 것으로 규명한다.
• 미래의 공간 인공지능 시스템은 국소화 외에도 계획, 기억, 상호작용을 지원하는 지속 가능한 메트릭 정확도의 3D 장면 표현을 구축해야 한다.
• 효율적인 공간 인공지능은 특히 희소 그래프를 포함한 알고리즘 데이터 구조를 신개념 이종 프로세서 아키텍처와 정렬함으로써 데이터 이동과 에너지 소모를 최소화함에 따라 달성될 수 있다.