로봇용 3D 표현을 고를 때 ‘더 사실적으로 보이는가’만 묻으면 충돌검사에 쓸 수 없는 지도를 얻기 쉽다. 깊이맵은 카메라 한 시점의 픽셀별 거리를 담고, 포인트맵은 각 픽셀 또는 표본을 3차원 좌표로 펼친다. 가우시안 스플랫은 여러 방향에서 자연스럽게 보이는 외관을 빠르게 렌더링하는 데 강하고, 메시는 면과 위상으로 경계를 만들어 물리 엔진과 충돌기에 건네기 쉽다.
하나를 영구 원본으로 정하기보다 작업이 요구하는 오차·지연·갱신주기와 소비자를 먼저 적는다. 파지에는 손끝 주변의 국소 거리와 가림 복원이, 이동에는 자유공간과 닫힌 장애물 경계가, 원격검토에는 외관과 시점 전환이 중요하다. 같은 장면을 네 표현으로 변환한 뒤 좌표·구멍·표면·충돌 결과가 어떻게 달라지는지 읽어야 한다.
작업 예산은 보기 좋은 3D보다 질문의 단위를 먼저 정한다
깊이맵은 영상 격자마다 카메라로부터의 깊이를 저장한다. 카메라 내부파라미터와 자세가 있으면 점으로 역투영할 수 있지만, 원근가림 뒤쪽이나 시야 밖은 비어 있다. 반사·투명·어두운 표면의 센서 오류도 그대로 남는다. 따라서 단일 프레임 깊이를 완성된 공간지도라고 부르지 않는다.
포인트맵은 보통 각 영상 위치에 대응하는 3차원 점과 신뢰도를 제공한다. Meta와 Oxford 연구진의 VGGT 공식 저장소는 카메라 내·외부 파라미터, 깊이맵, 포인트맵과 3D 포인트 트랙을 한 피드포워드 모델에서 예측하는 구조를 공개한다. 이는 가능한 출력의 범위를 보여 주지만 특정 센서·현장의 절대 정확도를 보증하지 않는다.
요구사항에는 거리오차만 쓰지 않는다. 좌표계, 최소 물체 크기, 가림·반사 조건, 자유공간의 보수성, 업데이트 지연, 저장·전송량, 충돌기의 질의시간을 함께 적는다. 작업 계획자가 필요로 하는 것은 예쁜 표면이 아니라 ‘이 손 자세와 경로가 실제로 안전한가’에 답할 수 있는 경계다.
표현의 기준 해상도도 업무 단위에서 역산한다. 2mm 조립 틈을 판정하려는 장면과 1m 통로를 탐색하는 장면은 같은 점 수·삼각형 수를 요구하지 않는다. 센서 정밀도보다 촘촘한 파생 표면을 만들었다고 새 정보가 생기는 것은 아니므로 원시 관측 신뢰도와 보간 영역을 함께 표시한다.
지연 예산은 취득·정합·표현 변환·질의 네 구간으로 나뉜다
실시간 경로에서는 카메라 노출과 전송, 여러 시점 정합, 표현 생성, 충돌·가시성 질의까지 시간을 잰다. 깊이맵은 프레임 단위 갱신이 빠를 수 있지만 다중시점 일관성과 누적지도가 별도다. 포인트맵은 점 수가 늘면 이웃검색과 메모리 이동이 병목이 된다.
가우시안 스플랫은 위치·공분산·색·불투명도 같은 파라미터를 가진 가우시안 집합을 투영해 새 시점을 렌더링한다. INRIA GraphDeco의 3D Gaussian Splatting 공식 구현은 SfM 입력에서 최적화하고 실시간 뷰어로 렌더링하는 참조 코드를 제공한다. 원 논문의 렌더링 성능은 해당 데이터·하드웨어 조건이며 로봇 충돌정확도와 같은 지표가 아니다.
메시는 정점·모서리·면을 만들고 단순화·구멍 메우기·법선 정리 같은 후처리를 거친다. 동적 장면에서 매 프레임 전역 메시를 다시 만들면 지연이 커지므로, 로컬 점·거리장으로 즉시 회피하고 안정된 영역만 메시로 갱신하는 혼합 구조가 실용적이다. 지연은 평균뿐 아니라 p95와 프레임 누락 때의 최악값으로 판정한다.
갱신주기가 서로 다른 파생물을 섞으면 최신성 계약이 필요하다. 화면의 스플랫은 방금 갱신됐지만 충돌 메시는 10초 전일 수 있다. 각 질의에 표현의 생성시각과 유효기간을 붙이고, 이동체나 장비 재배치가 탐지되면 오래된 메시·스플랫의 사용을 중지한 뒤 직접 센서 기반 폴백으로 전환한다.
연산·전력 예산은 표현 크기보다 읽는 방식에서 갈린다
깊이맵의 규칙적 격자는 GPU 연산과 영상 압축에 맞지만 카메라 한 대의 좌표에 묶인다. 포인트맵은 좌표변환이 직관적이지만 불규칙 메모리 접근과 점 중복이 생긴다. 가우시안은 렌더링에 필요한 외관을 압축해 보관할 수 있어도 학습·최적화와 정렬 비용이 들며, 메시는 물리 질의에 유리한 대신 재구성과 정비가 필요하다.
World Labs의 월드모델 기능 분류는 사람에게 보일 관측을 만드는 렌더러와 계산 가능한 상태를 제공하는 시뮬레이터를 구분한다. 같은 시스템이 가우시안 스플랫을 외관용으로, 충돌 메시를 물리용으로 함께 내보낼 수 있다는 설명은 표현을 한 줄 순위로 고를 수 없음을 보여 준다. 다만 해당 회사 제품의 출력이 모든 로봇 작업에 필요한 물리정확도를 자동으로 충족한다는 뜻은 아니다.
엣지 컴퓨터에서는 표현 생성기만이 아니라 소비자까지 프로파일링한다. 점군 다운샘플링이 경로계획을 얼마나 가볍게 하는지, 메시 단순화가 작은 장애물을 없애는지, 스플랫 렌더러가 제어주기의 GPU 시간을 빼앗는지 측정한다. 전력 제한으로 프레임률이 떨어질 때 안전주기가 유지되는지도 별도 시험한다.
실패 예산은 좌표·가림·표면·위상의 손실로 기록한다
한 표현에서 다른 표현으로 바꾸면 보이지 않는 가정이 들어간다. 깊이를 점으로 펼치려면 카메라 보정이 맞아야 하고, 점을 메시로 만들려면 이웃과 표면을 추정해야 한다. 스플랫의 높은 시각품질은 얇은 물체의 실제 두께나 닫힌 표면을 보장하지 않는다. 메시의 깔끔한 면은 원본 관측의 불확실성을 숨길 수 있다.
좌표 프레임 오류는 모든 표현을 동시에 그럴듯하게 틀리게 만든다. 카메라–로봇–세계 변환을 고정 표적과 이동 궤적으로 재검증하고, 로봇 좌표계와 TF2 안내처럼 시간에 따른 변환의 유효시각도 확인한다. 장면이 움직이는데 오래된 자세와 새 깊이를 합치면 물체가 늘어나거나 이중으로 보인다.
실패를 평균 Chamfer 거리 하나로 압축하지 않는다. 로봇이 실제로 통과할 수 없는 공간을 열어 주는 거짓 자유공간과, 가능한 경로를 막는 과도한 팽창은 비용이 다르다. 파지점 법선과 접촉면, 내비게이션 통로폭, 시뮬레이터 침투량처럼 업무별 손실을 따로 둔다.
인수시험은 동일 장면을 네 소비자에게 동시에 건넨다
표준 장면에는 보정 타깃, 평면·곡면, 얇은 봉, 반사·투명체, 가림 뒤 이동체와 알려진 치수를 넣는다. 깊이·점·스플랫·메시를 같은 원시 관측에서 만들고 위치·표면·가시성·렌더링·충돌의 정답을 분리해 평가한다. 각 표현이 하지 못하는 일은 실패가 아니라 명시된 기능경계가 된다.
- 반사·투명·저텍스처 표면을 따로 표시하고 결측을 자유공간으로 채우지 않는다.
- 가려졌다 다시 나타난 물체의 동일성과 좌표가 유지되는지 본다.
- 5mm·10mm·20mm처럼 작업에 중요한 얇은 장애물을 단계별로 넣어 소실점을 찾는다.
- 점–메시와 스플랫–메시 변환 뒤 표면거리뿐 아니라 충돌 판정의 거짓양성·거짓음성을 센다.
- 동적 물체는 정적 배경과 다른 갱신·만료 정책을 쓰고 오래된 형상을 제거한다.
- 원본 센서·보정·변환 버전과 파생 표현을 같은 계보로 보관해 재현 가능하게 한다.
내비게이션은 장애물 누락·통로폭·경로 재계획 지연, 파지는 접촉점·법선·손가락 충돌과 성공률, 시뮬레이션은 관통·접촉 안정성과 재현성, 원격검토는 새 시점의 깨짐·전송량과 측정도구 오차를 본다. URDF와 SDF 비교에 설명된 로봇·센서·물리 모델 경계도 장면 표현과 섞지 않는다.
최종 선택은 원본 하나와 파생물 여러 개가 될 수 있다. 예를 들어 보정된 원시 영상·깊이를 증거 원본으로 남기고, 실시간 점·거리장은 제어에, 안정된 충돌 메시는 시뮬레이션에, 스플랫은 원격검토에 쓴다. 변환 지연과 오차가 계약 상한을 넘으면 파생물을 다시 만들거나 해당 업무를 중단한다.
버전 변경 때는 동일 원시 장면으로 네 표현을 모두 다시 만들고 소비자별 결과를 회귀 비교한다. 렌더링이 좋아져도 얇은 장애물 누락이나 충돌 거짓음성이 늘면 제어용 버전은 올리지 않는다. 원본·변환 코드·파라미터·파생물과 인수결과의 해시를 묶어 어떤 지도에서 행동했는지 추적한다.
로봇용 3D 표현은 충돌검사와 지도에 어떻게 적용하나
가우시안 스플랫을 로봇 충돌검사에 바로 넣어도 되나요?
일반적으로 외관 렌더링용 스플랫만으로 닫힌 충돌표면과 실제 두께를 가정하면 안 된다. 해당 시스템이 제공하는 충돌 프록시나 메시를 별도 생성하고 원시 관측 대비 거리·얇은 물체·가림·동적 갱신의 거짓양성·거짓음성을 인수해야 한다.
3D 지도가 어긋날 때 무엇부터 확인해야 하나요?
표현 알고리즘을 바꾸기 전에 센서 시각, 카메라 내부보정, 카메라–로봇 외부보정과 세계 좌표 변환을 순서대로 고정한다. 그다음 결측·신뢰도 필터, 다중시점 정합, 표면 재구성과 단순화 단계별로 같은 타깃 오차가 어디서 커지는지 추적한다.
자료 마지막 확인: 2026년 8월 26일