[논문 리뷰] Full Stack Navigation, Mapping, and Planning for the Lunar Autonomy Challenge

Adam Dai, Asta Wu외 5명|arXiv (Cornell University)|2026. 03. 18.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

본 논문은 의미 분할, 스테레오 VO, 포즈-그래프 SLAM의 루프 클로저 및 계층적 계획을 결합한 모듈식 풀스택 자율 주행 시스템을 달 탐사 로봇의 탐색 및 매핑에 제시한다. 이 시스템은 센티미터 수준의 위치 추정과 Lunar Autonomy Challenge에서 1위를 달성한다.

ABSTRACT

We present a modular, full-stack autonomy system for lunar surface navigation and mapping developed for the Lunar Autonomy Challenge. Operating in a GNSS-denied, visually challenging environment, our pipeline integrates semantic segmentation, stereo visual odometry, pose graph SLAM with loop closures, and layered planning and control. We leverage lightweight learning-based perception models for real-time segmentation and feature tracking and use a factor-graph backend to maintain globally consistent localization. High-level waypoint planning is designed to promote mapping coverage while encouraging frequent loop closures, and local motion planning uses arc sampling with geometric obstacle checks for efficient, reactive control. We evaluate our approach in the competition's high-fidelity lunar simulator, demonstrating centimeter-level localization accuracy, high-fidelity map generation, and strong repeatability across random seeds and rock distributions. Our solution achieved first place in the final competition evaluation.

연구 동기 및 목표

• GNSS- denied, 고대비 환경에서 달 탐색 및 매핑을 위한 모듈식 자율 스택 시연.
• Semantic perception, stereo visual odometry, 및 global 일관성을 위한 pose-graph SLAM과 루프 클로저의 통합.
• 매핑 커버리지 및 장애물 회피를 촉진하는 고수준 계획 및 반응적 모션 플래너 개발.
• 로컬라이제이션 및 매핑 정확도 평가, 다양한 지형 및 랜덤 시드에서의 강건성 검증.
• 재현성 및 커뮤니티 발전을 위한 구현의 오픈 소스화.

제안 방법

• 전면 스테레오 이미지에서 U-Net++ 기반의 의미 분할을 초당 10프레임으로 수행하여 ground, rock, lander, fiducials, sky 마스크 생성.
• 스테레오 쌍에서 3D 랜드마크를 삼각측량하고 PnP with RANSAC를 통해 움직임을 추정하는 스테레오 시각 관측(VO).
• VO/IMU 요인을 융합하고 추적된 3D 특징과 디스크립터를 사용한 루프 클로저를 수행하는 포즈-그래프 최적화(팩터 그래프) 기반의 SLAM 백엔드.
• 라벨링된 랜드마크를 전역 프레임으로 투영하여 180x180 기하학적 고도 맵 및 이진 암석 점유 맵을 생성하는 기하학적 및 의미 매핑.
• 맵 커버리지를 극대화하고 루프 클로저를 촉진하도록 설계된 고수준 웨이포인트 계획과 암석 회피를 위한 안전한 일정 곡선 차수를 선택하는 로컬 모션 플래너가 짝을 이룸.
• 계획 실패 시 반응적 역주행 maneuveurs를 포함한 백업 및 장애 극복 전략으로 이동성 유지.

실험 결과

연구 질문

• RQ1 GNSS- 비활성화되고 특징이 희박하며 조명 조건이 크게 달라지는 환경에서 모듈식 풀스택 자율 시스템이 로버의 robust한 달 탐색 및 매핑을 어떻게 수행할 수 있는가?
• RQ2 학습 기반 인식(의미 분할, 학습된 특징 매칭)과 전통적인 SLAM 백엔드의 어떤 조합이 달 표면에서 센티미터 수준의 위치 추정과 고충실도 맵을 산출하는가?
• RQ3 coverage와 루프 클로저를 강조하는 계층적 계획이 달 유사 조건에서 맵 정확도와 드리프트 보정에 기여하는가?
• RQ4 고해상도 달 시뮬레이터에서 임의 시드 및 암석 분포에 대한 시스템의 강건성 및 재현성은 어떠한가?
• RQ5 제안된 시스템이 보지 못한 지형과 조명 조건의 경쟁 맵에 일반화되는가?

주요 결과

Preset	RMSE (m)	Geometric Map Score	Rock Map Score	Total Score
1	0.0434	269.6	153.6	823.3
2	0.0379	272.3	155.2	827.5
3	0.0605	200.8	146.2	746.9
4	0.0612	190.2	154.8	745.0
5	0.0510	224.7	150.6	775.3

• 센티미터 수준의 로컬라이제이션 RMSE를 달성(예: 프리셋과 시드에 따라 0.0379–0.0628 m 수준).
• 여러 암석 분포에 걸쳐 높은 충실도의 기하 매핑과 낮은 높이 오차 및 견고한 암석 점유 맵 생성.
• 루프 클로저가 있는 포즈-그래프 SLAM으로 전역적으로 일관된 로컬라이제이션 유지, 루프 클로저 후 오차 감소 관찰.
• 최종 대회 평가에서 Lunar Autonomy Challenge에서 1위 및 기하 매핑/암석 탐지에서 상위 점수 달성.
• 의미 분할과 학습된 특징(SuperPoint, LightGlue)이 극한의 달 조명 및 질감 조건에서 VO 강건성을 향상.
• 재현성을 위한 오픈 소스 구현(코드가 제공된 GitHub 저장소에 있음).