[논문 리뷰] TreeLoc++: Robust 6-DoF LiDAR Localization in Forests with a Compact Digital Forest Inventory

Minwoo Jung, Dongjae Lee외 4명|arXiv (Cornell University)|2026. 03. 04.

Remote Sensing and LiDAR Applications인용 수 0

한 줄 요약

TreeLoc++은 작고 컴팩트한 Digital Forest Inventories(DFIs)와 두 단계 검색 및 기하 기반 정교화를 이용해 산림에서 견고한 6-DoF LiDAR 로컬라이제이션을 수행하며, 경량 맵 데이터로 센티미터 수준의 자세 정확도를 달성합니다.

ABSTRACT

Reliable localization is essential for sustainable forest management, as it allows robots or sensor systems to revisit and monitor the status of individual trees over long periods. In modern forestry, this management is structured around Digital Forest Inventories (DFIs), which encode stems using compact geometric attributes rather than raw data. Despite their central role, DFIs have been overlooked in localization research, and most methods still rely on dense gigabyte-sized point clouds that are costly to store and maintain. To improve upon this, we propose TreeLoc++, a global localization framework that operates directly on DFIs as a discriminative representation, eliminating the need to use the raw point clouds. TreeLoc++ reduces false matches in structurally ambiguous forests and improves the reliability of full 6-DoF pose estimation. It augments coarse retrieval with a pairwise distance histogram that encodes local tree-layout context, subsequently refining candidates via DBH-based filtering and yaw-consistent inlier selection to further reduce mismatches. Furthermore, a constrained optimization leveraging tree geometry jointly estimates roll, pitch, and height, enhancing pose stability and enabling accurate localization without reliance on dense 3D point cloud data. Evaluations on 27 sequences recorded in forests across three datasets and four countries show that TreeLoc++ achieves precise localization with centimeter-level accuracy. We further demonstrate robustness to long-term change by localizing data recorded in 2025 against inventories built from 2023 data, spanning a two-year interval. The system represents 15 sessions spanning 7.98 km of trajectories using only 250KB of map data and outperforms both hand-crafted and learning-based baselines that rely on point cloud maps. This demonstrates the scalability of TreeLoc++ for long-term deployment.

연구 동기 및 목표

• GNSS가 신뢰할 수 없고 밀집한 포인트 클라우드 저장이 비용이 드는 산림에서 견고한 글로벌 로컬라이제이션을 유도한다.
• 지각 중첩을 줄이고 저장 공간을 감소시키기 위해 트리 속성에서 직접 작동하는 DFI 기반 로컬라이제이션 프레임워크를 제안한다.
• 쌍의 기하학적 맥락으로 검색을 강화하고 DBH 필터링 및 요(Yaw) 일치 인라이어 보팅을 통해 대응을 정교하게 한다.
• Dense 3D 데이터 없이 축 기반 2D 투영과 제약된 최적화를 사용하여 안정적인 6-DoF 포즈 추정이 가능하도록 한다.
• 다중 세션, 교차 데이터세트 및 장기 시나리오에서의 확장성과 강건성을 시연한다.

제안 방법

• LiDAR 페이로드를 집계하고 Tree attributes (A_j, p'_j, d_j)를 RealtimeTrees를 통해 추출하여 디지털 산림 인벤토리(DFI)를 구성한다.
• 나뭇줄 중심점을 나무 축에 맞춰 정렬된 2D 평면에 투영하여 롤- 및 피치에 불변한 특징 좌표를 얻는다.
• 두 개의 히스토그램(TDH, PDH)을 사용한 거친 검색으로 강력한 장소 인식을 수행한다.
• 정렬된 나무 중심점으로 구성된 2D 삼각형 서술자를 도입하여 삼각형 해시를 통해 후보 매치를 정교하게 한다.
• 해시 충돌로 인한 불일치를 해소하기 위해 DBH 기반 필터링을 적용하고, 요(Yaw) 일치 인라이어 투표를 통해 전역 포즈 일관성을 보장한다.
• 일치된 트리 기하를 사용한 기하학적 검증과 롤, 피치, 높이를 공동 추정하는 제약된 6-DoF 최적화를 수행한다.

Figure 1 : (Left) Images captured from the same location in the Evo forest two years apart, showing vegetation growth (yellow) and denser foliage (cyan), which amplifies perceptual aliasing. (Right) TreeLoc++ achieves accurate multi-session alignment using only lightweight DFIs by leveraging tree at

실험 결과

연구 질문

• RQ1 DFIs만으로도 최소한의 저장 공간과 Dense 포인트 클라우드 없이 산림 환경에서 신뢰할 수 있는 6-DoF 로컬라이제이션이 가능할까?
• RQ2 TDH와 PDH를 결합한 쌍 기하학적 맥Context가 구조적으로 반복되는 산림 레이아웃에 대한 거친 검색을 개선하는가?
• RQ3 DBH 기반 필터링과 요-일치 인라이어 투표가 해시 충돌로 인한 잘못된 대응을 줄이는 데 얼마나 효과적일까?
• RQ4 하부 덮개 조건에서 포즈 안정성을 개선하기 위한 롤, 피치, 높이를 함께 추정하는 제약된 최적화가 효과적인가?
• RQ5 다중 세션, 교차 데이터세트 및 장기 시나리오에서 TreeLoc++가 얼마나 잘 일반화되는가?

주요 결과

• TreeLoc++은 맵이 약 250 KB에 불과한 DFIs 만으로도 센티미터 수준의 자세 정확도를 달성한다.
• 세 개 데이터세트의 27개 시퀀스에서 TreeLoc++은 Dense 포인트 클라우드에 의존하는 베이스라인보다 우수하며 거친 검색에서 recall을 높게 달성한다(예: Evo Recall@1이 LoGG3D-Net 대비 0.521에서 0.940으로 향상).
• 이 방법은 2025년에 수집된 데이터가 2023 인벤토리와 대조되도록 로컬라이즈되며 2년 간의 시간적 변화를 견뎌낸 robust성을 보여준다.
• 파이프라인은 7.98 km의 트래젝토리 데이터에서 15개의 세션을 처리하며 맵 저장이 최소화되고 쿼리 시간은 10 ms 미만이다.
• DBH 필터링과 요 보팅은 해시 충돌로 인한 대응 불일치를 효과적으로 억제하여 검증을 위한 후보 대응의 신뢰성을 높인다.
• 롤, 피치, 높이를 공동 추정하는 제약된 최적화는 Dense 3D 데이터에 의존하지 않으면서 자세 안정성을 향상시킨다.

Figure 2 : Pipeline of TreeLoc++. TreeLoc++ extracts tree-level traits using RealtimeTrees and converts them into two descriptors for place recognition. Based on the retrieved candidates, it estimates the full 6-DoF pose while suppressing outliers arising from incorrect triangle matches. Using the r