[Paper] RadiusFPS: CPU와 GPU에서 Spherical Voxel Pruning을 통한 효율적인 Farthest Point Sampling

Source: arXiv - 2606.06255v1

Overview

포인트 클라우드는 로봇 인식의 기본적인 감각 표현으로, LiDAR 기반 자율 주행, 동시 위치추정 및 지도작성(SLAM), 그리고 내비게이션의 기반이 됩니다. 이러한 파이프라인에서 가장 널리 사용되는 다운샘플링 연산자는 **Farthest Point Sampling (FPS)**이며, 균일한 커버리지를 제공해 하위 인식 작업이 의존하는 기하학적 구조를 보존합니다. 그러나 고전적인 FPS는 시간 복잡도가 크게 커서 최신 3D 센서가 초당 수백만 포인트를 생성하는 속도에 비해 확장성이 떨어지며, 로봇 시스템의 실시간 요구와 제한된 온보드 연산 예산에 큰 지연 병목을 초래합니다.

이에 우리는 RadiusFPS를 제안합니다. 이 프레임워크는 구형 보셀(spherical voxel) 프루닝을 기반으로 하며, 동일한 초기화 및 동점(tie‑breaking) 정책 하에서 표준 FPS 업데이트 규칙을 그대로 유지합니다. 포인트 클라우드를 구형 보셀로 인덱싱함으로써 RadiusFPS는 각 반복에서 중복 거리 계산을 제거하는 보수적인 기하학적 경계를 도출하고, 좌표별 포인트‑스킵 테스트를 추가해 남은 업데이트를 제거합니다.

또한 RadiusFPS‑G라는 워프‑레벨 GPU 구현을 도입했습니다. 이 구현은 보셀 선택, 프루닝, 거리 업데이트를 메모리‑공동화된 커널로 통합해 비용이 큰 전역 메모리 왕복을 없애줍니다. 실내 데이터셋(S3DIS, ScanNet) 및 실외 LiDAR(SemanticKITTI) 벤치마크에서 RadiusFPS‑G는 GPU 기반 FPS 대비 최대 2.5배의 속도 향상을 달성했으며, 평가된 방법 중 QuickFPS와 동등하거나 그 이상을 보이며 GPU 메모리 사용량은 약 절반 수준으로 유지하면서 비슷한 분할 정확도를 유지합니다. 학습 기반 FastPoint 샘플러와 결합했을 때, 최종 파이프라인은 모든 평가 구성 중 가장 빠른 엔드‑투‑엔드 추론 속도를 기록합니다. 이러한 특성은 지연 및 메모리 제약이 있는 로봇 비전에서 고품질 FPS‑스타일 샘플링을 실용화합니다.

Key Contributions

• cs.RO
• cs.CV
• cs.DC

Methodology

자세한 방법론은 전체 논문을 참고하십시오.

Practical Implications

이 연구는 cs.RO 분야의 발전에 기여합니다.

Authors

• Ziyang Yu
• Xiang Li
• Qiong Chang
• Jun Miyazaki

Paper Information

• arXiv ID: 2606.06255v1
• Categories: cs.RO, cs.CV, cs.DC
• Published: June 4, 2026
• PDF: Download PDF