기존의 AI 모델은 레이저로 스캔한 도시 전경이나 정밀하게 캡처된 실내 공간처럼 서로 다른 유형의 3D 데이터를 통합하여 처리하는 데 어려움을 겪어왔다. 이에 대응하여 연구진은 방대한 양의 포인트 클라우드 소스로부터 동시에 학습하여 이러한 격차를 해소하도록 설계된 통합 트랜스포머 인코더인 Utonia를 도입했다. Utonia는 원격 탐사 데이터부터 객체 중심의 CAD 모델에 이르기까지 모든 데이터를 학습함으로써, 데이터의 최초 수집 방식과 관계없이 3D 공간을 위한 일관된 수학적 언어를 생성한다.

Utonia의 가장 주목할 만한 특징은 객체나 환경의 외부 표면을 나타내는 3차원 공간의 데이터 포인트 집합인 포인트 클라우드를 처리하는 능력이다. 전통적으로 이러한 데이터셋은 밀도와 기하학적 구조가 매우 다양하여 단일 모델로 처리하기가 까다로웠다. 하지만 Utonia는 인간이 제공한 라벨 없이도 원시 데이터에서 직접 패턴을 익히는 자기 지도 학습 방식을 활용하여, 이전에는 호환되지 않았던 도메인 전반의 3D 구조를 명확히 이해함으로써 이 문제를 극복했다.

단순한 객체 식별을 넘어, 연구진은 Utonia의 표현 방식이 체화된 AI 성능을 유의미하게 향상시킨다는 사실을 확인했다. 실제로 이 모델을 로봇에 통합했을 때 물리적 공간 내에서 물체를 조작하는 능력이 개선되었으며, 시각-언어 모델과 결합할 경우 공간 추론 기능이 강화되어 객체 간의 물리적 관계를 더 잘 해석할 수 있게 되었다. 이는 거대 언어 모델이 텍스트 기반 작업의 토대가 되는 것처럼, 3D 데이터를 위한 파운데이션 모델을 구축하는 데 있어 중요한 진전으로 평가받는다.

기존의 AI 모델은 레이저로 스캔한 도시 전경이나 정밀하게 캡처된 실내 공간처럼 서로 다른 유형의 3D 데이터를 통합하여 처리하는 데 어려움을 겪어왔다. 이에 대응하여 연구진은 방대한 양의 포인트 클라우드 소스로부터 동시에 학습하여 이러한 격차를 해소하도록 설계된 통합 트랜스포머 인코더인 Utonia를 도입했다. Utonia는 원격 탐사 데이터부터 객체 중심의 CAD 모델에 이르기까지 모든 데이터를 학습함으로써, 데이터의 최초 수집 방식과 관계없이 3D 공간을 위한 일관된 수학적 언어를 생성한다.

Utonia의 가장 주목할 만한 특징은 객체나 환경의 외부 표면을 나타내는 3차원 공간의 데이터 포인트 집합인 포인트 클라우드를 처리하는 능력이다. 전통적으로 이러한 데이터셋은 밀도와 기하학적 구조가 매우 다양하여 단일 모델로 처리하기가 까다로웠다. 하지만 Utonia는 인간이 제공한 라벨 없이도 원시 데이터에서 직접 패턴을 익히는 자기 지도 학습 방식을 활용하여, 이전에는 호환되지 않았던 도메인 전반의 3D 구조를 명확히 이해함으로써 이 문제를 극복했다.

단순한 객체 식별을 넘어, 연구진은 Utonia의 표현 방식이 체화된 AI 성능을 유의미하게 향상시킨다는 사실을 확인했다. 실제로 이 모델을 로봇에 통합했을 때 물리적 공간 내에서 물체를 조작하는 능력이 개선되었으며, 시각-언어 모델과 결합할 경우 공간 추론 기능이 강화되어 객체 간의 물리적 관계를 더 잘 해석할 수 있게 되었다. 이는 거대 언어 모델이 텍스트 기반 작업의 토대가 되는 것처럼, 3D 데이터를 위한 파운데이션 모델을 구축하는 데 있어 중요한 진전으로 평가받는다.