공간정보 전문칼럼

모바일 라이다 매핑, 어디까지 왔나?

모바일 라이다 매핑, 어디까지 왔을까?

Writer. 김재승(㈜모빌테크 대표)

4차 산업혁명을 필두로 고정밀 지도에 대한 수요가 급증 하고 있다.
고정밀 지도에 있어 가장 중요한 부분은 무엇 일까? 바로 고정밀 지도를 만들기 위한 기본이 되는 데이터를 수집하는 것이다. 이는 바로 스캔 데이터를 통해 얻을 수 있다.

정밀 도로지도와 같은 차로에 대한 cm급의 정밀도를 가지는 스캔 데이터, 건설 현장처럼 실시간으로 변화하는 곳에 꼭 필요한 스캔 데이터, 위치정보를 정밀하게 전달하기 위한 스캔 데이터 등 4차 산업혁명을 위한 기반기술에는 바로 스캔 데이터가 있다. 일반적으로 스캔 데이터는 라이다(Light Detection And Ranging, LiDAR)를 이용해 수집한다. 라이다는 센서 모듈이 레이저를 발광하고, 그 레이저가 반사되어 되돌아오는 시간을 이용하여 주변 환경의 분포를 점군(Point cloud) 형태로 수집하는 장비이다. 사용 시 아래 그림1과 같이 주변에서 반사된 레이저 포인트의 위치가 3차원으로 표현되어서 나타난다.

그림 1. 점군 데이터 예시

그림 2. 지상 라이다(왼쪽), 이동형 라이다(오른쪽)

기존 3D 스캔 데이터 측정 장비

다양한 영역에 활용되는 스캔 데이터를 얻는 방법에는 무엇이 있었을까? 대표적으로는 항공 라이다와 지상 라이다가 있었다. 기존에는 넓은 영역에 대한 3차원 스캔 결과를 얻기 위해 항공 라이다를 사용하였다. 소형 항공기에 고정밀 라이다 및 GPS/INS 시스템을 탑재하고 측정 대상 지역 상공을 비행하며 지형의 높낮이, 건물의 분포 등을 측정한 것이다. 이와 같은 방식은 넓은 영역에 대해서 3차원의 스캔 데이터를 얻을 수 있다는 장점이 있지만, 건물 내부와 지하처럼 인공 구조물에 의해 가려지는 부분의 데이터는 얻을 수 없다는 단점이 존재했다.

지상 라이다는 항공 라이다와는 다르게 지상에 있는 주변 환경에 대한 3차원 스캔 데이터를 확보할 수 있는데, 일반적으로 삼각대에 센서 시스템이 장착되어 있는 형태로 제작되어 활용도를 높였다. 측정을 원하는 지역에 장치를 설치한 뒤, 스캔을 시작하면 센서가 회전하며 주변 환경 데이터를 수집한다. 일반적으로 약 1~2mm 정도의 정밀도를 가졌으며, 범위는 제품에 따라 다르지만 일반적으로 300m 이상의 범위도 스캔이 가능했다. 그러나 고정된 상태에서 센서가 회전하며 주변 360° 영역에 대한 스캔을 수행하기 때문에, 센서가 설치된 위치에서 가려지는 부분에 대해서는 데이터가 획득되지 않는 단점이 있었다. 따라서 어떠한 영역 전체에 대해서 스캔 데이터를 확보하기 위해서는 여러 위치에서 스캔을 해야 하며, 최종적으로는 각 지점에서 얻어진 스캔 데이터를 정합하는 과정이 필요하다. 이와 같이 지상 라이다는 설치, 데이터 수집, 정합의 순서로 작업이 진행되기 때문에 넓은 영역에 대한 데이터 확보를 하기 위해서는 매우 긴 측정 및 작업 시간이 필요하다.

이동을 통해 스캔 속도를 높인 라이다

라이다와 같이 고정된 상태로 스캔하여야 하는 방식은 시간이 매우 오래 걸린다는 단점이 존재하기에 최근 벨로다인 라이다(Velodyne LiDAR)처럼 이동 중 사용 가능한 라이다를 이용하여 스캔을 하고자 하는 시도가 나타났다. 초기에는 자동차 주변 환경의 장애물 및 타 자동차 위치의 점군 데이터 형태의 측정을 위해서 개발되었으나, 최근 센서 처리 기술의 발달로 인해 3차원 스캔이 가능해졌다. 일반적으로 센서 시스템이 이동하며 스캔 데이터를 생성하기 위해서는 매 스캔 시점의 센서 데이터를 그 때의 센서 시스템 자체의 위치로 이동시켜 오버레이하는 방식을 사용한다. 지상 라이다와 비교해 보면 정합 과정을 통해 각 측정 지점에 맞추어 스캔 데이터를 이동시키는 작업을 매우 빠르게 반복하는 것과 동일한 것이 바로 이러한 원리다. 따라서, 추가 센서를 사용하여 스캔 데이터를 이동시키는 방법과, 추가 센서 없이 스캔 데이터 자체를 분석하여 센서의 이동량을 계산하는 방법의 두 가지 방법을 적용한다.

추가 센서를 사용하는 방법은 시스템의 위치를 GNSS를 이용하여 얻는 방법이다. 고정밀 GNSS를 이용하여 매순간 라이다가 존재하는 위치를 cm급 정밀도로 측정하고, 해당 위치 및 자세각에 맞추어 얻어지는 센서들의 데이터를 누적하는 방법을 사용한다. 이와 같은 방법을 적용한 시스템을 MMS(Mobile Mapping System)이라 하며, 넓은 영역에서도 이동현상(drift 현상)이 없는 3D 스캔 데이터를 얻을 수 있다. 그러나 위성으로부터 데이터가 지속적으로 수신되어야 공간 내에서의 센서 위치를 계산할 수 있으므로 실내 환경에 대한 스캔은 거의 불가능하다.

다양한 스캔 시스템의 발전

위와 같이 외부 센서에 의존하여 위치값을 측정하는 방식이 아닌, 라이다센서 자체에서 얻어지는 데이터를 이용하여 위치값을 측정하며 이와 함께 스캔 데이터를 누적하는 방법을 SLAM(Simultaneous Localization and Mapping)이라고 한다. SLAM이라는 단어에서 알 수 있듯이, 한 번에 센서 시스템의 위치를 추정하며 동시에 지도 생성까지 해결하는 시스템이 바로 SLAM이다. 기존에 로봇 분야에서는 카메라 또는 2D 레이저 스캐너를 이용하여 로봇 시스템의 위치를 추정하는 연구를 많이 하였으나, 최근 3D 라이다를 이용하여서도 이와 같은 측위 및 매핑이 가능해졌다. 대게 벨로다인 라이다를 많이 사용하며, 이외에도 2D 라이다를 회전시키며 3차원 데이터를 얻는 방식도 존재한다.

그림 3. 대표적인 SLAM 기반의 맵핑 장비

모바일 매핑 시스템의 미래는?

위에서 알아본 바와 같이, 이동형 라이다를 이용한 스캔방법은 크게 GNSS를 이용하는 방식, SLAM 기법을 이용하는 방식으로 나눌 수 있다. GNSS를 이용하는 방식은 고정밀 측위 센서를 이용하기 때문에 장거리 측정 시에 Drift가 없이 스캔 데이터를 얻을 수 있다는 장점을 가지는 반면, 실내 또는 위성 신호가 수신되지 않는 지역에서는 스캔이 불가능하다는 단점을 가진다. 또한 SLAM기반의 스캔 방식은 실내외 가리지 않고 스캔이 가능하나, 라이다 데이터가 매우 적게 들어오는 지역 또는 장거리 스캔 등에 대해서는 오차 요인이 존재한다는 단점이 존재한다.

4차 산업혁명에서는 자동차 또는 드론과 같은 무인 이동체가 실내외를 구분하지 않고 자율적으로 이동하는 것을 가정하고 있다. 이를 위해서는 실내외를 모두 스캔 가능한 스캔 알고리즘 또는 장비가 개발되어야 할 것이다.
특히 상기한 GNSS를 이용하는 방식과 SLAM을 이용하는 방식이 복합적으로 적용되어 환경에 따라서 적합한 스캔 방식으로 전환되는 알고리즘을 탑재한 스캔 시스템이 개발될 것이라고 예측된다. 또한 카메라, 적외선 카메라 등의 다양한 센서와의 융합을 통해 한번 스캔 할 때 보다 많은 정보를 얻을 수 있도록 하는 것도 핵심 개발 방향이라고 예상된다. 이를 통해 현실 세계가 정확히 디지털로 복제된 디지털 트윈을 구축할 때 보다 큰 도움이 될 수 있을 것으로 보인다.

참고문헌

1. Lizard Tech, https://www.lizardtech.com

2. Faro Focus, https://www.faro.com

3. Velodyne LiDAR, http://velodynelidar.com/

4. Kaarta, http://www.kaarta.com/

5. GeoSLAM, https://geoslam.com/

6. Leica Geosystems Pegasus, https://leica-geosystems.com/

7. Mobiltech L-Replica. http://mobiltech.io

8. M. Bosse, R. Zlot and P. Flick, “Zebedee: Design of a Spring-Mounted 3-D Range Sensor with Application to Mobile Mapping,” in IEEE Transactions on Robotics, vol. 28, no. 5, pp. 1104-1119, Oct. 2012.

9. Zhang, Ji, and Sanjiv Singh. “LOAM: Lidar Odometry and Mapping in Real-time.” Robotics: Science and Systems. Vol. 2. 2014.

10. Snavely, N., 2008. Scene reconstructionand visualization from Internet photo collections, unpublished PhD thesis, University of Washington, USA.

11. Lenac, Kruno, et al. “Fast planar surface 3D SLAM using LIDAR.” Robotics and Autonomous Systems 92 (2017): 197-220.
12. Deschaud, Jean-Emmanuel. “IMLS-SLAM: scan-to-model matching based on 3D data.” arXiv preprint arXiv:1802.08633(2018).