계층적 정합을 통한 KISS-ICP 기반 LiDAR 오도메트리 성능 향상

민춘기; 최영권

doi:10.5302/J.ICROS.2026.25.0343

추천

검색

질문

자료유형: 학술저널

저자정보: 민춘기 최영권 (강원대학교)

저널정보: 제어로봇시스템학회 제어로봇시스템학회 논문지 제어로봇시스템학회 논문지 제32권 제6호

발행연도: 2026.6

수록면: 887 - 894 (8page)

DOI: 10.5302/J.ICROS.2026.25.0343

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Light detection and ranging (LiDAR) odometry estimates motion by registering sequential point clouds and constitutes a key component of autonomous navigation systems. Keep it Small and Simple Iterative Closest Point (KISS-ICP) is a recent LiDAR-only odometry method that demonstrates that accurate and robust performance can be achieved using a simple point-to-point ICP formulation without feature extraction or additional sensor fusion. While this simplicity enables efficient and reliable operation in many scenarios, additional improvements in registration stability are possible when large initial pose uncertainty or abrupt motion occurs. This study presents a coarse-to-fine registration approach that complements the original KISS-ICP framework by introducing a hierarchical local map structure with multiple resolutions. In the proposed approach, a low-resolution map is first used to obtain a stable coarse alignment, followed by fine registration against a standard-resolution map to refine the pose estimate. This hierarchical strategy enhances the convergence behavior while preserving the lightweight design philosophy of KISS-ICP. Experiments on the M2DGR and NTU-VIRAL datasets show that the proposed method consistently improves accuracy compared with the original KISS-ICP, particularly in scenarios involving rapid motion and substantial rotational changes. Notably, the proposed method achieves up to 94.89% reduction in vertical endpoint translation error on the M2DGR dataset. These results indicate that the hierarchical registration approach based on the multi-resolution map structure is less sensitive to outliers and initial pose errors than the original KISS-ICP, leading to improved localization accuracy.

#LiDAR #SLAM #robust point cloud registration #iterative closest point

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)