LiDAR

LiDAR(광 검출 및 거리 측정)는 레이저 광을 사용해 거리를 측정하고 환경의 형상을 캡처하는 능동형 센싱 기술입니다. LiDAR 스캐너는 자체 조명을 사용하므로 어두운 곳에서도 표면을 측정할 수 있습니다. 컴퓨터 비전에서는 이러한 측정값을 통해 기계가 객체의 위치를 파악하고, 환경을 탐색하며, 3차원 지도를 구축하는 데 필요한 공간 정보를 얻습니다.

LiDAR 스캐너의 작동 방식#

펄스형 LiDAR 센서는 레이저 광을 방출하고 반사된 빛이 돌아오는 데 걸리는 시간을 측정합니다. 거리는 왕복 이동 시간에 빛의 속도를 곱한 뒤 2로 나눈 값입니다. 각 거리값에 빔의 방향을 결합하면 표면상의 위치를 구할 수 있습니다. 측정을 반복하면 포인트 클라우드가 형성됩니다. 포인트 클라우드는 x, y, z 좌표를 가진 점들의 집합이며, 반사 신호의 강도인 반사 강도가 함께 포함되는 경우가 많습니다.

레이저 기반 LiDAR는 초기 광학 레이더 실험을 통해 발전했습니다. Giorgio Fiocco와 Louis Smullin은 1963년에 대기 중 레이저 측정을 시연하여 지구 상공 60~140킬로미터 사이의 산란층을 감지했습니다. 이 실험은 레이저 에코를 원격 측정에 활용한 초기 사례를 제시했습니다.

2D 스캐너는 로봇 주변의 한 평면을 샘플링하고, 3D 스캐너는 여러 고도에 걸쳐 측정합니다. 항공 시스템은 레이저 거리 측정값에 위치 및 방향 측정값을 결합해 점을 지리 좌표에 배치하기도 합니다. 지형 및 수심 LiDAR는 서로 다른 환경에 사용됩니다. 지형 측량 장비는 일반적으로 육지 매핑에 근적외선을 사용하고, 수심 측량 장비는 수중 지형을 측정하는 데 녹색광을 사용합니다.

LiDAR 측정값을 AI 인식으로 변환하기#

포인트 클라우드는 기하 정보를 나타냅니다. 머신러닝은 3D 객체 감지와 같은 작업을 통해 해석 기능을 더하며, 3D 객체 감지는 객체의 위치, 크기 및 방향을 추정합니다. Alex H. Lang과 동료들이 2018년에 발표한 PointPillars는 점들을 수직 기둥으로 묶고, 각 기둥의 특징을 학습한 다음, 감지 네트워크를 사용해 결과를 조감도 표현으로 처리합니다. 이 방법은 불규칙한 측정값을 효율적인 합성곱 처리에 적합한 구조로 변환합니다.

센서 융합은 LiDAR의 기하 정보와 카메라의 외관 정보를 결합합니다. 이미지는 색상, 질감 및 식별 가능한 세부 정보를 제공하고, LiDAR는 측정된 거리와 형상을 제공합니다. 보정을 통해 센서 간 회전 및 평행 이동 관계를 설정하고, 동기화를 통해 타임스탬프를 정렬합니다. 두 단계 중 어느 하나에서든 오류가 발생하면 카메라 감지 결과가 다른 객체에 속한 점들과 연결될 수 있습니다.

Ultralytics YOLO는 ROS 통합을 통해 이미지에서 기하 정보로 이어지는 이 워크플로를 지원합니다. 정렬된 RGB 이미지에서 얻은 YOLO26 분할 마스크를 사용하면 조직화된 컬러 포인트 클라우드에서 해당 점들을 선택하여 3D 객체를 분리할 수 있습니다.

LiDAR, 레이더 및 카메라 기반 깊이 정보#

이러한 기술은 서로 보완적인 측정값을 제공합니다.

• 깊이 추정: 카메라 기반 방법은 이미지에서 거리를 추론합니다. LiDAR는 방출된 레이저 광을 사용해 거리를 측정하며, 깊이 맵은 거리 정보를 나타내는 방식 중 하나입니다.
• 레이더: 전파를 사용하며 일반적으로 거리와 방사 속도, 즉 센서 쪽으로 다가오거나 센서에서 멀어지는 속도를 측정합니다. 광학 센싱 성능을 저하시키는 비나 안개 속에서도 유용합니다.
• 3D 재구성: 장면의 기하학적 모델을 구축합니다. LiDAR는 재구성 시스템이 지도나 표면으로 결합하는 측정값을 제공합니다.

LiDAR 포인트 클라우드는 거리가 멀어질수록 희소해지므로, 멀리 있는 보행자와 기타 소형 객체는 더 적은 측정값으로 표현됩니다. 안개와 눈도 레이저 광을 산란시켜 역산란을 일으키며, 이로 인해 포인트 클라우드가 왜곡되고 감지가 방해받습니다. 이러한 영향은 자동차 인식 과정에서 나타나며, 기하 정보가 누락되거나 기상 조건으로 생성된 반사 신호에 따라 감지기가 식별하는 장애물이 달라질 수 있습니다.

주행, 로보틱스 및 매핑 분야의 활용#

• 자율주행: Waymo Driver는 차량, 보행자 및 자전거 이용자를 인식하기 위해 LiDAR, 카메라 및 레이더를 결합합니다. LiDAR는 주변의 기하 정보를 제공하고, 인식 시스템은 센서 데이터를 해석해 도로 이용자와 그 위치를 식별합니다.
• 모바일 로보틱스: TurtleBot3의 SLAM 워크플로는 로봇의 위치를 추정하는 동시에 레이저 스캔을 사용해 지도를 구축합니다. SLAM은 동시적 위치 추정 및 지도 작성을 의미합니다. 반복 관측을 통해 로봇의 변화하는 위치를 지속적으로 유지되는 환경 특징과 연결합니다.
• 항공 매핑 및 환경 모니터링: 국가 생태 관측 네트워크의 항공 LiDAR는 수관 높이와 식생 밀도를 비롯한 산림 구조를 측정합니다. 빛의 일부가 식생 사이의 틈을 통과할 수 있기 때문에 단일 펄스가 나무 꼭대기, 가지, 하층 식생 및 지면에서 여러 개의 반사 신호를 생성할 수 있습니다.