Journal Search Engine

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer
The Journal of The Korea Institute of Intelligent Transport Systems Vol.25 No.5 pp.281-299
DOI : https://doi.org/10.12815/kits.2026.25.5.281

Comparative Analysis of Object Perception Characteristics of LiDAR Sensor Types under Dust Contamination

Jiwoong Yang*, Woongsu Lee**, Yunhui Kim***, Sungho Son****, Jungki Lee*****, Ilsoo Yun******,†
*Dept. of Connected Vehicle Research, Korea Automobile Testing and Research Institute
**Dept. of Future Vehicle Research, Korea Automobile Testing and Research Institute, Dept. of Automotive Engineering, Seoul National University of Science & Technology
*Dept. of Connected Vehicle Research, Korea Automobile Testing and Research Institute
*Dept. of Connected Vehicle Research, Korea Automobile Testing and Research Institute
***Future Link
****Dept. of Transportation System Eng., Ajou University
†Corresponding author : Ilsoo Yun, ilsooyun@ajou.ac.kr
18 March 2026 │ 10 April 2026 │ 10 September 2026

Abstract


This study aims to compare the object perception performance of LiDAR sensors under dust contamination according to sensor configuration, as LiDAR is one of the key sensors used in autonomous vehicles. The proposed methodology consists of dust filter development, test dust selection, test scenario design, and evaluation metrics. To compare the performance of different LiDAR configurations, object perception performance was evaluated under controlled dust contamination conditions using solid-state and rotating LiDAR sensors. The results indicate that the reduction in the number of point clouds becomes most pronounced when the dust contamination level exceeds 15%. In addition, black-colored objects were found to influence LiDAR perception performance, and different LiDAR configurations exhibit distinct object detection characteristics. The proposed methodology and findings are expected to provide useful insights for improving autonomous driving perception algorithms and establishing optimal LiDAR sensor deployment strategies.



먼지 오염에 따른 LiDAR 센서 형태별 객체 인지 특성 비교 분석

양지웅*, 이웅수**, 김윤희***, 손성호****, 이정기*****, 윤일수******,†
*주저자 : 한국교통안전공단 자동차안전연구원 커넥티드카연구처 선임연구원
**공저자 : 한국교통안전공단 자동차안전연구원 미래차연구처 책임연구원, 서울과학기술대학교 자동차공학과 박사수료
***공저자 : 한국교통안전공단 자동차안전연구원 미래차연구처 연구원
****공저자 : 한국교통안전공단 자동차안전연구원 미래차연구처 연구위원
*****공저자 : 퓨처링크 전문위원
******교신저자 : 아주대학교 교통시스템공학과 교수

초록


본 연구는 자율주행자동차의 중요한 센서 중 하나인 LiDAR 센서의 형태에 따른 먼지 오염 상황에서의 객체 인지 성능 비교를 목적으로 하고 있다. 본 연구에서 제시한 방법론은 dust filter 개발, 시험용 먼지, 시험 시나리오, 평가지표로 구성된다. LiDAR 센서 형태별 성능 비교를 위해 고정형 LiDAR 센서와 회전형 LiDAR 센서를 이용하여 먼지 오염상황에서 LiDAR 센서의 객체 인지 성능을 분석하였다. 분석 결과, 먼지 오염도 15% 이상에서의 point cloud의 개수 감소폭이 가장 크며, 검정색 객체는 LiDAR 센서의 객체 인지 성능에 영향이 있음을 확인하였다. 또한, LiDAR 센서 형태에 따라 객체를 인지하는 경향도 서로 다름을 확인하였다. 본 연구를 통해 도출된 방법론과 분석 결과는 자율주행자동차에 장착되는 LiDAR 센서의 특성을 고려하여 자율주행 알고리즘 고도화 및 최적의 객체 인지 센서 장착 방안 마련에 기초자료를 제공할 것으로 기대된다.



    Ministry of Land, Infrastructure and Transport

    Korea Agency for Infrastructure Technology Advancement
    RS-2021-KA162419

    Ⅰ. 서 론

    우리나라 정부는 글로벌 모빌리티 산업의 주도권을 확보하기 위해 자율주행 기술의 조기 상용화를 핵심 국가 과제로 추진하고 있다. 국토교통부가 2022년에 발표한 ‘모빌리티 혁신 로드맵’에 따르면, 우리나라는 2027년 주요 도로에서의 레벨4 자율주행 상용화를 목표로 관련 법‧제도 정비와 도로 인프라 구축을 추진 중이다(MOLIT, 2022). 이러한 정책에 따라 향후 여러 제조사에서 개발한 자율주행자동차의 도입이 실도로에서 확대될 것으로 전망된다. 자율주행자동차 제조사는 차량의 안전한 주행을 위해 주변 환경을 인지할 수 있는 객체 인지 센서를 차량에 설치한다(Song et al., 2024). 이때 주로 설치되는 객체 인지 센서로 카메라(camera), 레이더(radar), LiDAR를 사용한다. 카메라 센서는 차량 주변 조도 변화에 민감하며 객체와의 거리 정보 획득에 한계가 있고(Li et al., 2023), 레이더 센서는 객체의 형상을 정밀하게 파악하기 어렵다는 단점이 존재한다(Deng et al., 2025). 반면 LiDAR는 광 신호를 활용하여 차량 주변 환경의 3차원 정보를 획득할 수 있는 장점이 있다. 특히, 자율주행 환경에서 LiDAR는 정밀한 거리 측정과 객체 인지를 가능하게 함으로써 자율주행 운행의 안전성과 신뢰성을 확보하는데 필수적인 요소로 활용된다(Son et al., 2025).

    자율주행자동차 제조사는 인지 센서를 설치하는 위치에 따라 회전형(rotational), 고정형(solid-state) 방식 등 모양과 구조가 다른 LiDAR를 선택하여 사용하고 있다(Li et al., 2020). 이러한 LiDAR 센서들은 겉면적이나 구성이 서로 다르기에, 도로 주행 환경에서 LiDAR 센서가 오염되었을 때 나타나는 현상도 다르다(Schlager et al., 2022). 또한, 자율주행자동차의 주행 알고리즘은 LiDAR 센서 종류에 상관없이 센서로부터 수집되는 객체의 인지 데이터를 기반으로 작동한다. 이때 수집되는 데이터의 질은 point cloud의 개수(number of point count, NPC)로 표현되며, 이는 인지 대상의 객체를 점으로 표현하여 인지 정도를 나타내는 척도이다. point cloud는 센서 구조에 따라 먼지 오염 상황에서 객체 인지율의 급격한 저하 등의 성능 저하를 보일 가능성이 높다(Schlager et al., 2022). 이와 관련하여 기존 연구들은 주로 기상 환경에 따라 LiDAR 센서의 객체 인지 변화도를 분석하거나(Park and Kim, 2021), 특정 LiDAR 센서를 대상으로 먼지 오염 상황에서 객체 인지 성능에 대한 상관관계를 분석하는데 집중해왔다(Lee et al., 2023). 그러나 자율주행자동차는 서로 다른 LiDAR 센서를 사용할 것으로 예상되어, 동일한 먼지 오염환경에서 서로 다른 LiDAR 센서가 이에 어떻게 반응하는지에 대한 비교 연구가 필요하다.

    이에, 본 연구는 다양한 LiDAR 센서 형태가 먼지 오염 상황에서 주변 객체의 인지 데이터 생성에 미치는 영향을 실증적으로 분석하고자 한다. ISO 12103-1에 따라 표준화된 아리조나 시험먼지(Arizona test dust)를 사용하여 먼지 오염물을 재현했다. 그리고 해당 먼지 오염물을 기반으로 dust filter를 제작하여 LiDAR 센서가 오염된 상황을 재현했다. 이를 LiDAR 센서에 적용하여 객체 인지 데이터를 표출하는 NPC를 지표로 사용하여 먼지 오염이 센서 종류별 객체 인지 변화 정도를 정량적으로 분석했다. 이를 바탕으로 먼지 오염 상황에서 LiDAR 센서 형태에 따른 객체 인지 특성 변화를 비교 분석하였다.

    본 연구는 먼지 오염 환경에서 LiDAR 센서 형태에 따른 객체 인지 데이터의 변화 양상을 실증적으로 비교 분석하였다는 점에 주된 의의가 있다. 이를 통해 자율주행자동차에 장착되는 LiDAR 센서의 형태를 고려하여 자율주행 알고리즘 고도화 및 최적의 객체 인지 센서 장착 방안 마련에 기초자료를 제공할 것으로 기대된다.

    Ⅱ. 관련 이론 및 연구 고찰

    차량 또는 자율주행자동차의 객체 인지를 수행하는 인지 센서 평가에 활용되는 시험 방법론을 고찰하였다.

    1. 객체 인지 센서 성능평가 기준 검토

    차량에 장착된 외부 객체를 인지하는 센서 및 시스템 등에 대한 평가 기준은 국제표준인 ISO와 국내표준 규격인 KS에서 정의하고 있다.

    KS R ISO 16505는 국제표준 ISO 16505를 국내 규격으로 채택한 표준으로, 자동차에 적용되는 카메라 모니터 시스템(camera monitor systems)의 성능 요구사항과 시험 방법을 규정한다. 해당 표준에서 성능 평가는 카메라 모니터 시스템의 출력 자체의 품질 보다는, 환경 조건 변화가 최종 인지 정보에 미치는 영향에 초점을 두고 있다. 이를 위해 시야 범위(field of view, FOV), 왜곡(geometric distortion), 해상도(resolution), 밝기(luminance & contrast), 운전자 인지 신뢰도(detection reliability) 등 직접적으로 연관된 성능 요소를 <Table 1>과 같이 평가 대상으로 설정하고 있다. 이러한 평가 방안은 단순 하드웨어 수준의 센서 성능이 아닌, 인지 결과의 신뢰성 관점에서 해석한다는 이론적 전제를 기반으로 하고 있다. 그러나, 차량 외부 환경적 요인에 대한 구체적인 시험 평가 방법에 대한 설명이 부족하다. 또한, 기능 유지 여부 및 시각 정보 품질의 최소 기준 충족을 평가 기준으로 설명하고 있어, 이를 정량적 지표로 채택하여 비교 분석하는데 어려움이 있다. 이러한 불명확한 평가지표 및 평가방법은 실제 차량의 객체 인지 센서에 대한 평가에 효율적으로 사용되지 못하고 있음을 보여주며, 보다 구체적이고 현실적인 방안 마련이 필요하다.

    <Table 1>

    Evaluation Framework and Performance Requirements of KS R ISO 16505

    Source: Road vehicles–Windscreen wiper systems–Test methods (KS R ISO 16505)

    Evaluation Metric Description Performance Requirement & Objective
    FOV Horizontal and vertical range Ensures the sensor covers the mandatory safety zones
    Geometric Distortion Deviation from object proportions Minimizes visual errors to ensure distance and size perception
    Resolution Ability to distinguish fine details Guarantees critical object detection via sharpness
    Luminance & Contrast Display brightness and light/dark ratio Maintains visibility under extreme glare or low-light
    Detection Reliability Success rate of object identification Evaluates the overall accuracy of perceiving and classifying

    이에 본 연구는 차량용 LiDAR 센서의 성능 평가와 관련된 국내 표준규격을 검토하였다. KS R 1603은 차량에 장착되는 LiDAR 센서의 성능을 평가하기 위한 시험 방법을 국내 표준으로 규정한다. 해당 표준에서는 <Table 2>와 같이 평가 항목을 설정하고 있다. 또한, LiDAR 센서의 물리적 성능 특성을 객관적으로 비교 분석 할 수 있는 시험 절차를 정의하고 있다. 이러한 평가지표는 다양한 LiDAR 센서 구조 및 설치 조건에 따른 기본 성능을 정량적으로 비교할 수 있게 해준다. 그러나 해당 표준에서는 LiDAR 센서 성능 시험 기준에 외부 환경 요인을 포함하지 않는다. 일반적인 LiDAR 센서의 기계적 성능에 대한 평가만을 규정하고 있다. 또한, 실제로 자율주행자동차가 실도로에서 겪게 될 먼지가 오염된 상황에서 LiDAR 센서의 객체 인지 정확도는 낮아질 것으로 예상되고 있는 현실로, 외부 환경적 요인을 고려하여 LiDAR 센서 성능에 대한 비교 평가 등의 방안 마련이 필요하다.

    <Table 2>

    Performance Evaluation items Based on KS R 1603

    Source: Road vehicles–Test methods for automotive LiDAR sensor performance (KS R 1603)

    Evaluation Category Key Performance Metric LiDAR-Specific Metrics
    Detection reliability Detection range & probability Measures the maximum distance a target with over 90% probability
    Spatial precision Object localization accuracy Quantifies the error in distance and angle
    Recognition quality Classification accuracy Evaluates the ability to correctly classify objects
    Environmental robustness Signal-to-Noise ratio Assesses the degradation of point cloud quality and signal intensity

    차량의 LiDAR 센서는 외부 환경 요인에 따라 객체 인지 성능에 영향을 받을 것으로 예상한다. 특히, 먼지로 오염물의 경우 LiDAR 센서를 물리적으로 방해하기 때문에 성능 비교 평가할 때 중요한 시험 요소로 작용한다. 국제 기준 또는 국가 기준에서 차량 및 기계 등의 시험을 위해 먼지 오염물의 표준 규격을 정의하고 있다.

    KS R ISO 12103-1은 국제표준 ISO 12103-1을 국내 규격으로 채택한 표준으로, 차량의 필터 및 부품 등의 내구성 시험에 적용되는 시험 오염 물질을 규정하고 있다. 해당 표준은 아리조나 시험 먼지를 오염 물질로 명칭하고 있으며, 이의 등급별 분류 및 용도는 <Table 3>과 같다. 이 중 A2(fine) 등급의 시험 먼지는 자동차 및 기계 부품의 방진‧내환경 시험 등에서 가장 널리 사용되고 있으며, 실제 도로 환경에서 발생하는 흙 및 먼지 등의 물리적 특성을 모사하도록 설계되어 있다.

    <Table 3>

    Classification and Applications of Arizona Test Dust Grades (KS R ISO 12103-1)

    Source: Road vehicles - Test dust for filter evaluation–Part 1:Arizona test dust (KS R ISO 12103-1)

    Grade Nominal Size Range Primary Applications
    A1(Ultrafine) 0 ~ 10㎛ Precision filtration, Fine optical sensor contamination tests
    A2(Fine) 0 ~ 80㎛ General purpose : Engine air filters, Dust ingress tests
    A3(Medium) 0 ~ 80㎛ Industrial hydraulic systems, fuel filter performance tests
    A4(Coarse) 0 ~ 180㎛ Abrasive wear and durability testing

    차량의 주행 환경을 고려하고 차량에 탑재되는 센서의 종류 및 특성에 따른 성능 평가 기준이 마련되어야 한다. 또한, 이러한 평가 대상 센서의 특성을 반영하여 동일 시험 환경에서의 비교 평가를 위한 절차 마련이 필요하다. 그리고, 본 연구의 목표인 먼지 오염 상태에서의 LiDAR 센서 형태별 객체 인지율 비교 분석을 위해서는 앞서 제시된 시험용 먼지의 적용을 고려해야 할 필요가 있다. <Table 3>에 따르면, 본 연구에 적합한 시험용 먼지는 아리조나 시험 먼지의 A2(fine) 등급으로 판단된다. 앞서 판단된 시험용 먼지는 가장 범용적으로 사용되며 주로 가전 및 일반 방진 시험 등에 적용되고 있어, 본 연구 목표에 적용이 가능할 것으로 판단된다.

    2. 관련 연구 고찰

    자율주행자동차의 안전한 주행 환경 마련을 위해 먼지 오염 또는 악조건에서 LiDAR 센서 성능을 비교 평가 하는 연구는 다양한 방법으로 진행되고 있다.

    Park and Kim(2021)은 도로시설물의 표면 특성과 기상 조건이 LiDAR 센서 인식 성능에 미치는 영향에 관한 연구를 진행했다. 연구에서는 NPC와 반사 강도(intensity)를 평가지표로 사용하였다. 실제 도로 환경을 모사하여 색상별 도장면(철(무색), 흰색, 검정, 빨강, 초록, 노랑, 파랑)과 재귀반사를 적용한 도로시설물을 대상으로 강수량을 단계적으로 10mm/h ~ 50mm/h로 설정하였고 시설물과의 거리구간 20m ~ 100m구간을 5m 단위로 구분하고, 도로시설물의 색상은 7개로 구분하여 객체 인지 데이터를 수집하였다. 분석 결과, 강수량이 증가할수록 도로시설물의 평가지표 값이 감소하는 경향이 나타남을 확인하였다. 특히, 검정색의 도로시설물이 낮은 평가지표 값을 보였으며, 재귀반사를 적용한 도로시설물은 강우환경에서 맑은날 대비 LiDAR 센서가 인지 성능이 저하됨을 확인하였다. 이를 통해 도로시설물의 특성과 기상조건이 LiDAR 센서의 인지 성능에 직접적인 영향을 미친다는 점을 강조하였다.

    Wei et al.(2025)은 먼지가 많이 발생하는 비정형 도로 환경에서 LiDAR의 객체 인지 알고리즘 성능을 분석하기 위해 데이터셋을 구축하였다. 기존 연구들이 도시 지역 중심의 도로 환경에서 연구를 진행하였다는 한계점을 극복하기 위해 이 연구는 조명이 없는 도로, 광산 지역, 비포장 도로 등 먼지가 빈번히 발생하는 도로 환경에서 LiDAR 센서 성능을 검증하였다. 센서 성능 검증을 위해 6종의 LiDAR 센서(FalconK1, FalconK3, LS128S2, CB64S1, M1, Ouster2)를 사용하여 30,000프레임의 LiDAR point cloud 데이터셋을 만들었다. 이 데이터셋은 서로 다른 LiDAR 센서가 동일 환경에서 데이터를 수집함으로써, LiDAR 센서간의 성능 비교를 가능하도록 설계되었다. 센서 성능을 비교하기 위해 mean Average Precision(mAP)와 mean intersection over union (mIoU)를 평가지표로 사용하였다. 먼지 상황과 먼지 미발생 상황 간의 LiDAR 센서 성능 차이를 제시하였으며, 이를 통해 먼지가 LiDAR 센서 성능에 영향을 미치는 점을 확인하였다. 특히, LiDAR 센서 알고리즘 구조에 따라 성능 변화 폭이 상이하게 나타나기 때문에, 먼지 환경에서 LiDAR 센서 별로 성능이 다르게 나타남을 비교 분석하였다. 이러한 연구를 통해 먼지 환경에서의 LiDAR 인지 성능을 체계적으로 평가할 수 있는 분석 프레임워크를 제시하였다.

    Hadj-Bachir et al.(2021)은 공기 중에 부유하는 고체 입자(먼지, 모래, 재, 분진 등)가 LiDAR 센서가 객체를 인지 할 때 미치는 현상(disturbance)을 물리적으로 모델링 하였다. 해당 연구에서는 기존 LiDAR 성능 연구가 강수나 안개 등 기상 요인에 초점을 맞추고 있어 먼지와 같은 고체 입자에 의한 영향도 연구가 충분하지 않은 문제점을 제기하였다. 이 연구에서는 고체 입자의 크기, 농도, 분포도, 반사 특성을 변수로 설정하고 변수가 LiDAR 센서의 거리 측정 오차, 반사 강도(intensity) 변화, 허수 값(false returns)에 미치는 영향을 확인하였다. 그 결과 고체 입자의 농도가 증가할수록 LiDAR의 센서 인지 값은 감소하는 현상이 나타났다. 또한 고체 입자에 의한 LiDAR 센서 인지 정도는 단순한 감소가 아닌, 객체 형상 왜곡 및 거리 오차 누적으로 이어 질 수 있음을 확인했다.

    Lian et al.(2023)은 먼지 환경에서 LiDAR 인식 성능이 감소하는 현상을 해결하기 위해 먼지 환경을 가상으로 만들어 LiDAR 객체 인식 성능을 보완하는 방법을 제안하였다. 일반적으로 LiDAR 객체 인식 연구는 맑은 날에 데이터를 활용하지만, 실제 주행 환경에서는 먼지가 발생하여 LiDAR 객체 인지 값이 크게 저하되어 실제 환경과 다른 한계점이 있다. 이 연구는 기존 맑은 날에 수집된 LiDAR 센서 객체 인지 데이터에 먼지를 추가하여 새로운 데이터 셋을 구축하였다. 이를 기반으로 실제 먼지 환경에서 수집된 LiDAR 센서 인지 데이터와 유사한 특성을 갖도록 구성하였고, 이를 통해 LiDAR 객체 인지 알고리즘을 학습하고 성능을 평가하였다. 그 결과 먼지를 추가하여 구축한 데이터 셋을 활용하여 LiDAR 객체 인지 알고리즘을 학습하였을 때, 실제 환경을 모사하여 안정적인 LiDAR 객체 인식 성능을 유지하는 경향을 확인하였다.

    3. 시사점 및 연구의 차별성

    기존 연구들을 고찰한 결과를 종합하여 다음과 같은 시사점을 도출하였다. 먼저, 앞서 고찰한 연구 결과들은 먼지 오염 환경 또는 특정 기상 환경을 기반으로 LiDAR 센서 인지 성능 연구를 진행했다. 주로 맑은 날에서 수집되는 데이터는 실제 주행 환경과 차이가 난다. 이를 위해 실제 주행 환경에서 LiDAR 센서 인지 데이터를 수집하여 분석을 진행했다. 둘째, 기존의 LiDAR 센서의 인지 성능을 평가 분석하기 위해 NPC를 평가지표로 사용하고 있었다. 이는 LiDAR 센서가 객체를 얼마나 정확하게 인지했는지 보여주는 지표로, 실제 센서의 객체 인지 정확도를 보여준다. 해당 지표를 사용함으로써, LiDAR 센서의 인지 성능의 평가 결과의 신뢰도를 높이고 있음을 확인했다. 마지막으로, LiDAR 센서의 인지 성능 평가 분석을 위해 단일 또는 다중 LiDAR 센서를 대상으로 연구가 진행되고 있음을 확인했다. LiDAR 센서는 주로 자율주행을 위해 차량에 사용되며, 대부분의 자율주행자동차는 여러 종류의 LiDAR 센서를 부착한다. Wei et al.(2025)은 6종의 LiDAR 센서를 사용하여 데이터 셋을 구축하였고, 이를 기반으로 먼지 발생 상황에서의 LiDAR 센서 인지 성능을 비교 분석 하는 연구 방법론을 제시하여 실제 주행 환경에서의 LiDAR 센서 인지 성능 평가의 효율성 제고에 기여했다.

    기존 연구를 고찰한 결과를 토대로 본 연구에서는 먼지 오염 상황에서 LiDAR 센서 성능 비교 평가법을 제시하는데 다음과 같은 차별점을 지닌다. 먼저, 본 연구는 먼지 오염 상황을 정량화 할 수 있는 국제 표준 또는 국가 표준의 시험용 먼지를 사용하여 오염 상황을 도출한다. 이를 위해 시험 단계에서 사용되는 시험용 먼지의 종류, 구성물질, 시험 방법, 시험 결과를 제시하고, 이는 시험용 먼지 적용의 객관성과 타당성을 확보한다. 그리고, 서로 다른 형태의 LiDAR 센서를 시험에 적용하고 이를 바탕으로 형태별 LiDAR 센서의 객체 인지를 비교 분석하고자 한다. 기존 연구에서는 다양한 LiDAR 센서를 기반으로 연구를 하였으나, 이에 대한 센서 간 성능 비교를 제시하지 않았다. 본 연구에서는 센서 형태에 따른 LiDAR 센서를 선정하고, 이를 기반으로 LiDAR 센서 형태에 따른 객체 인지 성능의 비교 분석 결과를 제시하였다. 또한, 기존 연구는 실제 주행 환경에서의 먼지가 공기 중에 부유한 상황에서 연구 분석한 결과를 제시하였다. 공기 중에 먼지가 부유한 상황은 먼지 오염량이 정량적이지 못한 한계점을 가지고 있고, 이는 연구 결과에 효율성과 신뢰성 확보가 제한된다. 따라서, 본 연구는 이러한 한계점을 보완하여 정량의 먼지 오염 상황을 dust filter를 통해 도출하여 연구 결과의 효율성과 신뢰성을 확보하는데 차별점이 있다.

    Ⅲ. LiDAR 센서 객체 인지 성능 비교 분석 방법론 수립

    본 연구에서는 먼지 오염 환경을 모사할 수 있는 dust filter를 제시하고, 서로 다른 형태의 LiDAR 센서에 적용하였다. 본 연구에서는 정량화된 먼지 오염 상황과 시험용 먼지를 제시하여 효율적이고 평가의 신뢰도를 확보하고자 한다.

    1. 먼지 환경 오염 상황 모사 Dust Filter 개발

    기존 연구들에서 제시한 먼지 오염 환경은 정량적인 먼지 오염을 재현하지 못하는 한계점을 가지고 있어, 효율적이고 신뢰도 확보가 가능한 방법론이 필요하다. 본 연구에서는 정량적인 오염 환경을 모사를 위한 dust filter 개발 방법론을 제시한다. dust filter는 먼지 오염물을 모사하는 시험용 먼지가 정량적으로 먼지 오염 환경을 모사할 수 있도록 하기 위한 구조물이다. 이를 위해 dust filter에 적용되는 소재(material)와 먼지 오염물을 고정하기 위한 방법론을 분석하였다. 먼저, dust filter에는 LiDAR 센서에서 사용하는 센서의 창(window-glass)과 동일한 소재인 폴리카보네이트(polycarbonate, PC)를 사용하였다. PC는 현재 대부분의 LiDAR 센서의 창 소재로 사용되고 있어 연구 결과의 신뢰성에 영향을 미치지 않는다(Pao et al., 2024).

    그리고 먼지 오염물을 고정하기 위해 dust filter내 광투명 접착제(optically clear adhesive, OCA)를 사용하였다. OCA는 디스플레이 또는 광학 센서에 널리 사용되고 있는 필름형 접착제이다(Zhang et al., 2022). 이는 센서의 성능에 영향을 끼치지 않고 초박형 두께의 필름형으로 구성되어 있어 dust filter에 적용하여 먼지 오염물을 고정하였다. 이와 같이 dust filter는 <Fig. 1>과 같이 PC와 OCA로 구성하여 개발하였다. LiDAR 센서에서 수집되는 NPC와 LiDAR 센서에 dust filter를 적용 후 NPC를 비교 분석하였다. 이를 위해 데모(demo) 먼지 오염물을 15%로 혼합한 시험용액을 사용하여 LiDAR 센서와 dust filter를 오염시켰으며, 이들 간의 비교 분석 결과 <Table 4>와 같다. 분석 결과 dust filter를 적용한 LiDAR 센서와 dust filter를 적용하지 않은 LiDAR 센서의 객체 인지 값의 오차율은 0.5%이다. 또한, 먼지로 오염된 dust filter를 24시간 실온 건조 후 비교 분석한 결과 dust filter를 적용하지 않은 LiDAR 센서의 객체 인지 값과 1.2%의 오차율이 산출되었다. 이와 같이 분석된 오차율은 LiDAR 센서의 객체 인지 성능에 영향을 거의 끼치지 않으며, dust filter는 LiDAR 센서의 객체 인지 성능에 영향이 없음을 확인하였다.

    KITS-25-5-281_F1.jpg
    <Fig. 1>

    Configuration of Dust Filter

    <Table 4>

    Difference in Point Cloud with and without Dust Filter

    Category Non-Dust Filter Dust Filter Dust Filter (after 24h)
    NPC 2,645.48 2,658.48 2,676.06
    Difference - 0.5% 1.2%

    2. 먼지 환경 적용 시험용 먼지 적용 방법론

    시험용 먼지를 적용하기 위해 정량적인 먼지 오염 환경을 구현하는데 적합한 요소를 반영해야 하고, 이에 대한 분석이 필요하다. 먼지 오염 환경을 정량적으로 구현하기 위해서는 국제 표준 또는 국가 표준에서 적용되는 먼지 오염물이 적용되어야 이에 대한 신뢰성을 확보할 수 있다. 또한, 본 연구의 목적인 LiDAR 센서의 객체 인지 성능 비교 분석을 위해 장비 또는 광학 분야에서 적용되며, 자동차 및 기계 부품의 방진‧내환경 시험 등에 사용되는 먼지 오염물을 도출하여 연구 목적에 부합하도록 하였다. 이를 분석한 결과 국제 표준 ISO 12103-1를 국내 표준으로 채택한 KS R ISO 12103-1에서 제시한 아리조나 시험 먼지의 A2(fine)등급을 시험용 먼지로 선정하였다. A2(fine) 등급은 <Table 5>와 같은 요소들로 구성되어 있으며, 도로 환경에서 발생하는 흙‧먼지 등의 물리적 특성을 모사하도록 설계되어 있다.

    <Table 5>

    Composition of KS R 12103-1 A2(Fine)

    Component Mass Percentage (%)
    Silicon dioxide(SiO2) 69 ~ 77
    Iron(Ⅲ) oxide(Fe2O3) 4 ~ 7
    Aluminum oxide(Al2O3) 8 ~ 14
    Calcium oxide(CaO) 2.5 ~ 5.5
    Magnesium oxide(MgO) 1 ~ 2
    Titanium dioxide(TiO2) 0 ~ 1
    Potassium oxide(K2O) 2 ~ 5
    Sodium oxide(Na2O) 1 ~ 4

    3. 먼지 오염 상황 LiDAR 센서 객체 인지 성능 비교 방법론

    LiDAR 센서는 레이저(laser light)를 방출하고 반사광을 수신하여 주변의 사물을 인지하여 빛의 조도 및 광량에 따라 객체 인지 성능이 다르게 나타날 수 있는 특성을 가지고 있다(Nguyen et al., 2022). LiDAR 센서의 객체 인지 성능을 비교 분석하기 위해서는 빛을 통제 할 수 있는 실내 시설에서 시험이 진행되어야 보다 정확한 비교 분석이 가능하다. 이에, 외부의 빛을 통제 할 수 있는 실내 시험시설을 통해 다음과 같은 연구 방법론을 수립하였다.

    1) 시험 환경

    실제 도로를 모사한 실내 환경에서 시험을 하기 위해 한국교통안전공단 자동차안전연구원의 기상환경재현시설에서 시험을 수행하였다. 해당 시설은 실제 도로와 동일한 도로포장으로 왕복 4차로와 신호교차로 1곳이 구성되어 있고, 직선거리 300m 규모의 터널형 시험시설이다. 해당 시설은 외부의 빛과 바람 등 기상‧환경적 요인을 차단할 수 있어 시험 과정에 외부 영향을 최소화 할 수 있다. 실제 도로 포장과 신호 교차로 설치를 통해 실제 도로와 유사한 환경이 구축되어 있어, 원활한 LiDAR 센서 인지 성능 비교가 가능하다.

    2) 인지 대상 객체 선정 및 시험 환경 배치

    LiDAR 센서의 객체 인지 성능을 분석하기 위해 본 연구에서는 보행자(pedestrian), 자전거(bicycle), 차량(4-door Sedan)을 대상 객체로 선정하였다. <Table 6>과 같이 선정된 인지 대상은 LiDAR 센서로부터 최소 10m에서 최대 50m 거리를 두고 배치하였고, 대상 객체의 색상, 위치, 상태정보를 설정하였고, <Fig. 2>와 같이 인지 대상 객체를 배치하였다.

    <Table 6>

    Test Objects for LiDAR Perception Evaluation

    Category Pedestrian 4-door Sedan Bicycle 4-door Sedan 4-door Sedan
    Distance(m) 10 20 30 45 50
    Location On the Crosswalk Opposite Lane On the Crosswalk Opposite Lane Front of LiDAR
    color Black Gray White White Black
    State Crossing Stop Crossing Stop Driving
    KITS-25-5-281_F2.jpg
    <Fig. 2>

    Test Environment and Layout of Object Placement

    3) 시험 시나리오

    시험에서는 Dust Filter를 적용하여 먼지 오염 상황을 모사하였다. 이때 시험용 먼지의 오염 농도를 <Table 7>과 같이 0% ~ 20%, 5% 단위로 설정하여 Dust Filter에 적용하였다.

    <Table 7>

    Test Scenario for LiDAR Perception Evaluation

    Category Pedestrian 4-door Sedan Bicycle 4-door Sedan 4-door Sedan
    Dust concentration(%) 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
    LiDAR sensors S1 R1 R2 S1 R1 R2 S1 R1 R2 S1 R1 R2 S1 R1 R2
    Counts 60 60 60 60 60

    또한, 시험을 위해 <Fig. 3, 4>와 같이 고정형(solid-state) 1종(S1), 회전형(rotational) 2종(R1, R2)의 LiDAR 센서를 사용하였다. 시험에 사용한 센서는 레이저 파장(laser wavelength) 905nm, 32채널(ch)의 동일한 객체 인지 성능을 가지고 있다. 이에 먼지오염 농도를 변수로 설정하여, 인지 대상 객체를 60회 반복 측정하여 NPC를 도출하였다.

    KITS-25-5-281_F3.jpg
    <Fig. 3>

    Solid-State LiDAR(S1)

    KITS-25-5-281_F4.jpg
    <Fig. 4>

    Rotational LiDAR(R1,R2)

    4) 평가 지표

    NPC는 LiDAR 센서가 객체를 인지하기 위해 송출한 레이저(Laser light)가 객체를 인지하고 다시 LiDAR 센서로 돌아온 값을 의미한다(Park and Kim. 2021). 또한, NPC는 LiDAR 센서가 주변 환경 정보를 정밀하게 측정한 값으로 객체 탐지와 같은 고차원 인지 작업에서 핵심 지표로 사용된다(Benedek et al., 2021). NPC는 LiDAR 센서의 객체 인지 성능을 정량적인 데이터 값으로 산출이 가능한 특성으로, 서로 다른 형태의 LiDAR 센서 간의 성능을 비교 분석할 수 있는 특징을 가지고 있다(Li et al. 2019).

    NPC i = ∑ y = 1 n X n
    (1)

    여기서, NPC i = Average of NPC

    X = Number of Point Cloud

    n = Number of test

    5) 통계적 유의성 검증

    본 연구에서는 먼지 오염 농도 변화에 따른 LiDAR 센서의 객체 인지 성능 변화를 확인하기 위해 NPC를 사용하였다. LiDAR 센서의 성능변화를 확인하기 위해 먼지 오염 농도 0%, 5%, 10%, 15%, 20%에서 각 60회 반복 측정하였다. 이에 따라 객체별로 LiDAR 센서의 측정조건을 고정하고 먼지 오염 농도 변화에 따른 NPC의 차이가 통계적으로 유의한지를 확인하기 위해 Friedman검정을 통해 통계적 유의성을 확인하였다.

    Friedman검정은 동일한 대상에 대해 반복 측정된 자료의 여러 조건 간 차이를 확인하기 위한 비모수 검정방법이다(Kim, 2014). 본 연구에서는 먼지 오염 농도 0%, 5%, 10%, 15%, 20%를 비교 조건으로 설정하고, 각 객체 및 LiDAR 센서별로 60회의 반복 측정값을 대응시켜 농도에 따른 NPC 차이를 확인하였다. 통계적 유의수준은 0.05로 설정하였으며, p-value가 0.05보다 작은 경우 먼지 오염 농도에 따른 NPC 차이가 통계적으로 유의한 것으로 판단하였다.

    Ⅳ. LiDAR 센서 객체 인지 성능 비교 결과

    본 연구는 먼지 오염 상황에서의 LiDAR 센서의 형태별 객체 인지 성능을 비교 분석하였다. LiDAR 센서 간 공정한 비교를 위해 0%의 먼지 오염상황을 100으로 가정하여 먼지 오염 농도가 증가함에 따라 NPC 변화율을 NPC Ratio(%)로 도출하였다. 이를 기반으로 객체별 60회 반복 측정한 NPC의 평균값을 도출하였고, 0% 오염도 대비 먼지 오염 농도가 증가함에 따라 NPC 감소율을 분석하였다. 객체별 인지 성능 비교 결과는 다음과 같다.

    1. 보행자

    보행자는 검정색(black)계열로 LiDAR 센서와 10m 거리에 위치한 횡단보도 왼편에서 건너고 있는 상황이다. <Table 8>과 같이 LiDAR 센서의 형태에 따라 NPC 변화 패턴이 모두 다르게 나타남을 확인하였다. 고정형 LiDAR 센서(S1)의 경우 먼지 오염 농도 증가에 따라 NPC의 감소 폭은 먼지 비오염 상황 대비 최대 9.7% 감소함을 확인하였고, 회전형 LiDAR 센서(R1, R2)는 먼지 비오염 상황 대비 최대 100% 감소함을 확인하였다.

    <Table 8>

    Pedestrian Test Results

    Category Solid-State LiDAR Sensor (S1) Rotational LiDAR Sensor-1 (R1) Rotational LiDAR Sensor-2 (R2)
    Test Dust(%) 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
    NPC 237 232 233 223 214 189 128 129 127 6 155 112 105 76 0
    NPC Ratio(%) 100 97.9 98.0 94.1 90.3 100 67.8 68.3 67.5 3.3 100 72.4 67.7 49.3 0.0

    먼지 오염 상황에서 보행자에 대한 NPC 변화 패턴은 <Fig. 5>와 같이 분석되었다. 회전형 LiDAR 센서(R2)의 경우 먼지 오염도가 증가함에 따라 완만하게 NPC가 감소함을 확인하였고, 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1)는 NPC 감소 후 먼지 농도 10%일 때 NPC가 증가하였다. 이는, LiDAR 센서가 객체 인지할 때 주변 먼지 오염물을 객체로 오인지 하여 일시적으로 성능이 개선된 것처럼 보이는 현상으로 분석된다. 또한, 고정형 LiDAR 센서(S1)의 경우 먼지 오염도가 증가함에 따라 완만하게 NPC가 감소함을 확인하였고, 회전형 LiDAR 센서(R1, R2)는 먼지 오염도 증가함에 따라 급격한 NPC 감소를 확인하였다. 다만, LiDAR 센서 3종(S1, R1, R2) 모두 15%이상 먼지 오염도에서 보행자의 NPC가 급격하게 감소하는 공통된 현상을 확인하였다.

    KITS-25-5-281_F5.jpg
    <Fig. 5>

    Pedestrian NPC Ratio(%)

    2. 4-door Sedan(20m, Gray)

    4-door Sedan(20m, gray)는 회색계열의 차량으로 LiDAR 센서 기준 동쪽 진행방향의 도로에 위치하고 있으며, LiDAR 센서로부터 20m 거리에 있다. 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R2)는 먼지 오염 농도가 증가함에 따라 4-door Sedan(20m, gray)의 NPC가 <Table 9>와 같이 감소하였으나, 회전형 LiDAR 센서(R1)의 경우 먼지오염이 증가함에도 NPC가 일부 증가하였다. 따라서, 동일한 객체 및 거리 조건에서도 LiDAR 센서의 형태와 관련 없이 NPC 변화 패턴이 모두 다르게 나타남을 확인하였다. 고정형 LiDAR 센서(S1)의 경우 먼지 오염 농도 증가에 따라 NPC의 감소 폭은 먼지 비오염 상황 대비 최대 72.9% 감소함을 확인하였으나, 회전형 LiDAR 센서(R1, R2)는 먼지 비오염 상황 대비 최대 100% 감소함을 확인하였다.

    <Table 9>

    4-door Sedan(20m, gray) Test Results

    Category Solid-State LiDAR Sensor (S1) Rotational LiDAR Sensor-1 (R1) Rotational LiDAR Sensor-2 (R2)
    Test Dust(%) 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
    NPC 299 282 255 219 81 282 126 129 129 0 321 189 83 19 0
    NPC Ratio(%) 100 94.6 85.4 73.3 27.1 100 44.8 45.9 45.9 0.0 100 58.7 25.9 5.9 0.0

    먼지 오염 상황에서 4-door Sedan(20m, gray)의 먼지 비 오염상황 대비 NPC 변화 패턴은 <Fig. 6>과 같이 분석되었다. 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R2)의 경우 먼지 오염도가 증가함에 따라 완만하게 NPC가 감소함을 확인하였고, 회전형 LiDAR 센서(R1)는 NPC 감소 후 먼지 농도 10% ~ 15%일 때 NPC가 다소 증가하였다. 이는, LiDAR 센서가 객체 인지할 때 주변 먼지 오염물을 객체로 오인지 하여 일시적으로 성능이 개선된 것처럼 보이는 현상으로 분석된다. 또한, 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1)의 경우 15%이상 먼지 오염도에서 4-door Sedan(20m, gray)의 NPC가 급격하게 감소하였으나, 회전형 LiDAR 센서(R2)의 NPC는 먼지 오염도 증가에 따라 지속적으로 급격하게 감소함을 확인하였다.

    KITS-25-5-281_F6.jpg
    <Fig. 6>

    4-door Sedan(20m, gray) NPC Ratio(%)

    3. 자전거

    자전거는 흰색(white)계열로 LiDAR 센서와 30m 거리에 위치한 횡단보도 중심부를 건너고 있는 상황이다. 회전형 LiDAR 센서(R2)는 먼지 오염 농도가 증가함에 따라 자전거의 NPC가 <Table 10>와 같이 감소하였으나, 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1)의 경우 먼지 오염 증가함에도 NPC가 증가하였다. 따라서, LiDAR 센서의 형태와 관련 없이 NPC 변화 패턴이 모두 다르게 나타남을 확인하였다. 고정형 LiDAR 센서(S1)의 경우 먼지 오염 농도 증가에 따라 NPC의 감소 폭은 먼지 비오염 상황 대비 최대 30.7% 감소함을 확인하였고, 회전형 LiDAR 센서(R1)는 최대 99.7% 감소, 회전형 LiDAR 센서 (R2)는 최대 97.4% 감소함을 확인하였다.

    <Table 10>

    Bicycle Test Results

    Category Solid-State LiDAR Sensor (S1) Rotational LiDAR Sensor-1 (R1) Rotational LiDAR Sensor-2 (R2)
    Test Dust(%) 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
    NPC 94 84 87 76 65 54 22 24 24 0 47 31 19 13 1
    NPC Ratio(%) 100 89.8 92.7 80.6 69.3 100 41.1 43.6 43.5 0.3 100 66.7 40.1 27.2 2.6

    먼지 오염 상황에서 자전거의 먼지 비 오염상황 대비 NPC 변화 패턴은 <Fig. 7>과 같이 분석되었다. 고정형 LiDAR 센서(S1)의 경우 먼지 오염도에 따라 NPC가 감소하는 패턴이 보였으나, 먼지 오염도 10% 구간에서 NPC가 증가하였다. 이는, LiDAR 센서가 객체 인지할 때 주변 먼지 오염물을 객체로 오인지 하여 일시적으로 성능이 개선된 것처럼 보이는 현상으로 분석된다. 회전형 LiDAR 센서(R1)는 NPC 감소 후 먼지 농도 10% ~ 15% 일 때 NPC의 감소가 나타나지 않음을 확인하였고, 회전형 LiDAR 센서(R2)의 경우 먼지 오염도가 증가함에 따라 지속적으로 NPC가 감소함을 확인하였다. 또한, 회전형 LiDAR 센서(R1)의 경우 15%이상 먼지 오염도에서 자전거의 NPC가 급격하게 감소함을 확인하였다.

    KITS-25-5-281_F7.jpg
    <Fig. 7>

    Bicycle NPC Ratio(%)

    4. 4-door Sedan(45m, White)

    4-door Sedan(45m, white)는 흰색계열의 차량으로 LiDAR 센서 기준 반대편 도로에 위치하고 있으며, LiDAR 센서로부터 45m 거리에 있다. 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R2)는 먼지 오염 농도가 증가함에 따라 4-door Sedan(45m, white)의 NPC가 <Table 11>과 같이 감소하였으나, 회전형 LiDAR 센서(R1)의 경우 먼지 오염 증가함에도 NPC가 증가하였다. 따라서, 동일한 객체 및 거리 조건에서도 LiDAR 센서의 형태와 관련 없이 NPC 변화 패턴이 모두 다르게 나타남을 확인하였다. 고정형 LiDAR 센서(S1)의 경우 먼지 오염 농도 증가에 따라 NPC의 감소 폭은 먼지 비오염 상황 대비 최대 91.9% 감소함을 확인하였으나, 회전형 LiDAR 센서(R1, R2)는 먼지 비오염 상황 대비 최대 100% 감소함을 확인하였다.

    <Table 11>

    4-door Sedan(45m, white) Test Results

    Category Solid-State LiDAR Sensor (S1) Rotational LiDAR Sensor-1 (R1) Rotational LiDAR Sensor-2 (R2)
    Test Dust(%) 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
    NPC 39 23 17 12 3 28 5 6 2 0 45 15 3 0 0
    NPC Ratio(%) 100 59.0 44.8 31.1 8.1 100 15.9 22.0 7.1 0.0 100 32.7 7.3 0.1 0.0

    먼지 오염 상황에서 4-door Sedan(45m, white)의 먼지 비 오염상황 대비 NPC 변화 패턴은 <Fig. 8>과 같이 분석되었다. 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R2)의 경우 먼지 오염도가 증가함에 따라 NPC가 급격하게 감소함을 확인하였고, 회전형 LiDAR 센서(R1)는 NPC 감소 후 먼지 농도 10%일 때 NPC가 증가하였다. 이는, LiDAR 센서가 객체 인지할 때 주변 먼지 오염물을 객체로 오인지 하여 일시적으로 성능이 개선된 것처럼 보이는 현상으로 분석된다. 또한, 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1, R2)는 10%이상 먼지 오염도에서 4-door Sedan(45m, white)의 NPC가 급격하게 감소함을 확인하였다.

    KITS-25-5-281_F8.jpg
    <Fig. 8>

    4-door Sedan(45m, white) NPC Ratio(%)

    5. 4-door Sedan(50m, Black)

    4-door Sedan(50m, black)는 검정계열의 차량으로 LiDAR 센서 기준 바로 앞에 위치하고 있으며, LiDAR 센서로부터 50m 거리에 있다. 4-door Sedan(50m, black)의 경우 먼지 오염 농도가 증가함에 따라 NPC가 감소하지 않고, <Table 12>와 같이 불규칙한 패턴이 분석되었다. 고정형 LiDAR 센서(S1)의 경우 먼지 오염 농도 증가에 따라 NPC의 감소 폭은 먼지 비오염 상황 대비 최대 50.4% 증가함을 확인하였고, 회전형 LiDAR 센서(R1)은 최대 50.5% 감소, 회전형 LiDAR 센서 (R2)는 최대 70.2% 감소함을 확인하였다.

    <Table 12>

    4-door Sedan(50m, black) Test Results

    Category Solid-State LiDAR Sensor (S1) Rotational LiDAR Sensor-1 (R1) Rotational LiDAR Sensor-2 (R2)
    Test Dust(%) 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
    NPC 43 46 46 47 65 35 37 37 46 17 13 4 13 11 5
    NPC Ratio(%) 100 106.0 107.9 108.1 150.4 100 105.9 107.6 131.6 49.5 100 29.8 102.0 88.2 38.1

    먼지 오염 상황에서 4-door Sedan(50m, black)의 비 오염상황 대비 NPC 변화 패턴은 <Fig. 9>와 같이 분석되었다. 고정형 LiDAR 센서(S1)의 경우 먼지 오염도가 증가함에 따라 NPC가 증가함을 확인하였고, 회전형 LiDAR 센서(R1, R2)는 먼지 오염도가 증가함에 따라 NPC가 증가 또는 감소 후 최종적으로 감소하는 경향이 확인되었다. 이는 LiDAR 센서와 객체 간 거리 및 상대적 위치에 따른 검출 특성과 함께 4-door Sedan(50m, black)의 색상 특성이 복합적으로 작용하여 나타난 결과로 판단된다. LiDAR 센서는 레이저(laser light)를 이용하여 객체를 인지하며, 객체의 표면 색상에 따라 레이저의 반사 특성이 달라질 수 있다.(Kim et al., 2020) 따라서, 4-door Sedan(50m, black)의 NPC 변화는 차량의 색상뿐만 아니라 객체와 센서 간 거리 및 상대적 위치에 따른 검출 특성이 함께 영향을 미친 결과로 판단된다.

    KITS-25-5-281_F9.jpg
    <Fig. 9>

    4-door Sedan(50m, Black) NPC Ratio(%)

    6. 종합검토

    먼지 오염 상황에서 LiDAR 센서 형태에 따른 객체 인지 성능 비교 결과는 다음과 같다. 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1, R2)는 동일하게 먼지 오염 농도가 증가함에 따라 객체 인지 성능에 영향을 받아 NPC가 감소하는 것을 확인하였다. 특히, 먼지 오염 농도 15% 이상인 경우 NPC의 감소폭이 제일 크게 분석되었으며, 이 경우 LiDAR 센서는 정상적인 객체를 인지하지 못할 것으로 판단된다. 또한, 회전형 LiDAR 센서(R1, R2)는 먼지 오염도 15% 이상인 경우 객체를 인지하는데 실패하는 결과가 확인되었으나, 고정형 LiDAR 센서(S1)는 객체 일부가 인지됨을 확인하였다.

    먼지 오염에 따른 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1, R2)의 NPC 감소 경향은 다르게 분석되었다. 회전형 LiDAR 센서(R2)의 경우 먼지 오염도가 증가할 때 NPC가 감소하는 경향이 확인되었다. 그러나 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1)는 먼지 오염도가 증가할 때 NPC도 증가하는 결과가 분석되었다. 특히, 회전형 LiDAR 센서(R1)는 먼지 오염도 10%에서 NPC가 증가하는 현상이 확인되었다. 이는 먼지 오염물 입자에 의해 회전형 LiDAR 센서(R1) 신호 일부가 산란 또는 반사되어 주변의 NPC가 추가적으로 검출되면서 나타난 현상으로 판단된다. 따라서 해당 결과는 실제 객체 인지 성능이 향상된 것이라기 보다, 먼지 오염에 의해 객체의 NPC가 아닌 값이 추가적으로 인지된 결과로 판단된다.

    또한, 4-door Sedan 차량에 대해서도 LiDAR 센서와 객체 대상물간 거리 및 상대적 위치에 따라 NPC 변화 양상이 상이하게 나타나는 것을 확인하였다. 이러한 조건에서 분석된 NPC 변화는 LiDAR 센서와 객체 간 거리 및 상대적 위치에 따른 특성과 차량의 색상에 의한 영향이 복합적으로 나타난 것으로 판단된다.

    아울러, 먼지 오염 농도에 따른 NPC 차이의 통계적 유의성을 확인하기 위해 Friedman 검정을 실시하였다. 그 결과 <Table 13>과 같이 고정형 LiDAR 센서(S1), 회전형 LiDAR 센서(R1, R2) 모두 통계적으로 유의한 차이가 확인되었다. 따라서 먼지 오염 농도 변화에 따른 객체별 LiDAR 센서의 NPC 변화는 먼지 오염 농도에 따라 유의한 차이가 나타나는 것으로 확인되었다.

    <Table 13>

    Friedman Test Results

    Object Distance(m) Color LiDAR Sensor X2 df p-value
    Pedestrian 10 Black Solid-state(S1) 165.882 4 <0.001
    Rotational(R1) 199.844 4 <0.001
    Rotational(R2) 239.803 4 <0.001
    4-door Sedan 20 Gray Solid-state(S1) 232.133 4 <0.001
    Rotational(R1) 220.132 4 <0.001
    Rotational(R2) 240.000 4 <0.001
    Bicycle 30 White Solid-state(S1) 227.135 4 <0.001
    Rotational(R1) 196.003 4 <0.001
    Rotational(R2) 240.000 4 <0.001
    4-door Sedan 45 White Solid-state(S1) 239.613 4 <0.001
    Rotational(R1) 224.796 4 <0.001
    Rotational(R2) 239.594 4 <0.001
    4-door Sedan 50 Black Solid-state(S1) 172.877 4 <0.001
    Rotational(R1) 215.613 4 <0.001
    Rotational(R2) 198.730 4 <0.001

    Ⅴ. 결 론

    자율주행자동차의 안전한 주행을 위해 주변 환경의 정확한 객체 인지를 할 수 있는 인지센서가 필요하다. 이를 위해 많은 자율주행자동차 제조사들은 서로 다른 LiDAR 센서를 차량에 장착할 것으로 예상된다. 이에, 현재까지도 다양한 분야에서의 LiDAR 센서 성능에 대한 연구가 진행되고 있으나, 먼지 오염 상황을 배경으로 진행한 연구는 정량적이지 않은 도로 조건을 기반으로 다양한 연구가 진행되고 있다. 또한, 단일 LiDAR 센서를 기반으로 센서의 객체 인지 성능에 관한 연구가 진행되고 있어, 서로 다른 형태의 LiDAR 센서 성능 비교 연구보다 센서 본연의 객체 인지 성능 및 알고리즘 분석 중심의 연구가 대부분이다.

    본 연구는 먼지 오염 상황에서 서로 다른 형태의 LiDAR 센서 객체 인지 성능 비교 분석을 목표로 하여 이에 대한 시험 방법론을 도출하고자 하였다. 또한, 먼지 오염 상황을 모사하기 위한 dust filter 개발 방법을 정의하고, 이에 적용되는 시험용 먼지를 도출하였다. 시험용 먼지를 최소 0%에서 최대 20% 농도로 5% 단위로 연구에 적용하여 정량적인 먼지 오염 상황을 도출하였고, 실제 도로 포장과 동일한 시험환경을 조성하였다. 보행자(10m), 4-door sedan(20m, gray), 자전거(30m), 4-door sedan(45m, white), 4-door sedan(50m, black)을 객체로 하여 먼지 오염 농도별 각각의 객체 인지 데이터를 확보하였으며, 이를 위해 고정형 LiDAR 센서(S1)와 회전형 LiDAR 센서(R1, R2)를 사용하였다. 또한, 객체 인지 데이터를 비교 분석 하기 위해 LiDAR 센서가 공통적으로 표출하는 지표인 NPC를 사용하였고, 이를 객체별 먼지 오염도에 따라 LiDAR 센서 객체 인지 데이터를 비교 분석하였다. 이와 같이, 본 연구에서 제안한 비교 분석 방법론은 실제 도로 환경을 기반으로 정량적인 먼지 오염 환경을 모사하여 연구 결과의 신뢰성을 확보할 수 있고, 서로 다른 형태의 LiDAR 센서 인지 성능을 동일한 기준으로 비교 분석할 수 있어 연구 효율성을 확보했다.

    본 연구에서 제시한 먼지 오염 환경에서의 서로 다른 형태의 LiDAR 센서 객체 인지 성능 비교 방법론은 정량적인 먼지 오염 조건에서 센서별 객체 인지 성능을 비교‧분석 할 수 있는 방법을 제시하였다는 점에서 의미가 있다. 특히, 먼지 오염 환경 모사를 위해 dust filter 개발 방법론을 제시하고, 국제 표준으로 시험용 먼지를 적용함으로써, 먼지 오염도를 정량적으로 조절할 수 있는 시험환경을 구축하였다. 이를 통해 먼지 오염도 증가에 따른 LiDAR 센서의 NPC 변화 및 센서 형태별 객체 인지 특성을 확인하였으며, 향후 자율주행자동차의 LiDAR 센서 오염 환경에 대한 안전성 평가 및 시험조건 설정을 위한 기초자료로 활용할 수 있을 것으로 기대된다. 또한, 먼지 오염에 따른 센서 성능변화 특성은 자율주행자동차의 ODD 설정, 센서 오염 상태 판단 및 센서 관리 기준 마련 등에 활용할 수 있는 기초자료를 제공할 것으로 기대된다.

    그러나, 본 연구에서는 몇 가지 한계점이 존재한다. 먼저, LiDAR 센서가 객체를 인지할 때 객체의 거리, 위치 및 색상 등의 조건이 함께 고려되었을 때, 각 조건이 LiDAR 센서의 NPC 변화에 미치는 영향을 개별적으로 구분하여 분석하지 못한 한계점이 존재한다. 특히 LiDAR 센서는 객체와의 거리 및 상대적 위치뿐만 아니라, 객체의 색상 특성에 따라서도 객체 인지 성능이 달라질 수 있어 이러한 조건을 고려한 체계적인 시험기준 마련이 필요하다. 이에, 향후 연구에서는 객체의 거리, 위치 및 색상 등의 조건을 단계적으로 구분하여 각 조건에 따른 LiDAR 센서의 NPC 변화에 미치는 영향을 정량적으로 비교‧분석할 필요가 있다.

    그 다음으로, 본 연구는 국제 표준의 단일 시험용 먼지를 적용하였고 특정 먼지 오염 농도를 고려한 연구 한계점이 존재한다. 연구 결과의 효율성과 신뢰성을 확보하기 위해 2개 이상의 시험용 먼지를 적용하여 분석을 해야하며, 먼지 오염 상황에 대해 보다 현실성 있는 오염 농도를 적용할 필요가 있다. 그러나 본 연구는 정량적인 먼지 오염 환경을 모사한 시험 방법론을 제안하는데 목적이 있어 하나의 시험용 먼지와 특정 먼지 오염 농도를 제시하였다. 향후 연구에서는 LiDAR 센서와 동일한 기준에 적용되는 시험용 먼지를 분석하여 제시할 필요가 있고, 실제 도로 환경을 모사한 먼지 오염 농도를 제시하여 연구 방법론의 체계적인 개발이 필요하다. 이를 통해 연구 결과의 현실성과 효율성을 제고할 필요가 있다.

    ACKNOWLEDGEMENTS

    본 연구는 국토교통부 및 국토교통과학기술진흥원의 연구비 지원(RS-2021-KA162419)으로 수행하였습니다.

    Figure

    KITS-25-5-281_F1.jpg

    Configuration of Dust Filter

    KITS-25-5-281_F2.jpg

    Test Environment and Layout of Object Placement

    KITS-25-5-281_F3.jpg

    Solid-State LiDAR(S1)

    KITS-25-5-281_F4.jpg

    Rotational LiDAR(R1,R2)

    KITS-25-5-281_F5.jpg

    Pedestrian NPC Ratio(%)

    KITS-25-5-281_F6.jpg

    4-door Sedan(20m, gray) NPC Ratio(%)

    KITS-25-5-281_F7.jpg

    Bicycle NPC Ratio(%)

    KITS-25-5-281_F8.jpg

    4-door Sedan(45m, white) NPC Ratio(%)

    KITS-25-5-281_F9.jpg

    4-door Sedan(50m, Black) NPC Ratio(%)

    Table

    Evaluation Framework and Performance Requirements of KS R ISO 16505

    Source: Road vehicles–Windscreen wiper systems–Test methods (KS R ISO 16505)

    Performance Evaluation items Based on KS R 1603

    Source: Road vehicles–Test methods for automotive LiDAR sensor performance (KS R 1603)

    Classification and Applications of Arizona Test Dust Grades (KS R ISO 12103-1)

    Source: Road vehicles - Test dust for filter evaluation–Part 1:Arizona test dust (KS R ISO 12103-1)

    Difference in Point Cloud with and without Dust Filter

    Composition of KS R 12103-1 A2(Fine)

    Test Objects for LiDAR Perception Evaluation

    Test Scenario for LiDAR Perception Evaluation

    Pedestrian Test Results

    4-door Sedan(20m, gray) Test Results

    Bicycle Test Results

    4-door Sedan(45m, white) Test Results

    4-door Sedan(50m, black) Test Results

    Friedman Test Results

    Reference

    1. Benedek, C., Majdik, A., Nagy, B., Rozsa, Z. and Sziranyi, T. ( 2021), “Positioning and perception in LIDAR point clouds”, Digital Signal Processing, vol. 119, pp.1-12.
    2. Deng, K., Xing, L., Wu, H., Ma, H., Ling, Y. and Gao, J. ( 2025), “Advances in Object Detection for Autonomous Driving Using Mmwave Radar and Camera: A Comprehensive Survey”, Journal of King Saud University - Computer and Information Sciences, vol. 37, 328.
    3. Hadj-Bachir, M., de Souza, P., Nordqvist, P. and Roy, N. ( 2021), “Modelling of LIDAR sensor disturbances by solid airborne particles”, arXiv preprint, arXiv:2105.04193.
    4. International Organization for Standardization ( 2024), ISO 12103-1 Road vehicles - Test contaminants for filter evaluation - Part 1: Arizona test dust, pp.1-9.
    5. Kim, H. K., Yoo, K. Y. and Jung, H. Y. ( 2020), “Color Image Generation from Range and Reflection Data of LiDAR”, Sensors, vol. 20, no. 18, pp.1-12.
    6. Kim, H. Y. ( 2014), “Statistical notes for clinical researchers: Nonparametric statistical methods: 2. Nonparametric methods for comparing three or more groups and repeated measures”, Restorative Dentistry & Endodontics, vol. 39, no. 4, 329.
    7. Korean Standards Association ( 2020), KS R ISO 12103-1 Road vehicles - Test dust for filter evaluation - Part 1: Arizona test dust, pp.1-15.
    8. Korean Standards Association ( 2024), KS R ISO 16505 Road vehicles - Ergonomic and performance aspects of Camera Monitor Systems - Requirements and test procedures, pp.54-81.
    9. Korean Standards Association ( 2025), KS R ISO 1603 Test method for evaluating performance of automotive LiDAR, pp.5-20.
    10. Lee, W. S., Jung, H. K., Lee, J. M., Kim, C. R., Lee, H. W., Park, H. W., Lee, J. K. and Son, S. H. ( 2023), “An Experimental Study for Deriving Performance Degradation Area of Lidar Sensor due to Blockage in Autonomous Vehicles”, KSAE 2023 Annual Spring Conference, pp.486-487.
    11. Li, H., Zhou, X., Chen, Y., Zhang, Q., Zhao, D. and Qian, D. ( 2019), “Comparison of 3D Object Detection Based on LiDAR Point Cloud”, 2019 IEEE 8th Data Driven Control and Learning Systems Conference, pp.678-685.
    12. Li, Y. and Ibanez-Guzman, J. ( 2020), “Lidar for Autonomous Driving: The Principles, Challenges, and Trends for Automotive Lidar and Perception Systems”, IEEE Signal Processing Magazine, vol. 37, no. 4, pp.50-61.
    13. Li, Y., Moreau, J. and Ibanez-Guzman, J. ( 2023), “Emergent Visual Sensors for Autonomous Vehicles”, arXiv preprint, arXiv:2205.09383.
    14. Lian, H., Sun, P., Meng, Z., Li, S., Wang, P. and Qu, Y. ( 2023), “LIDAR Point Cloud Augmentation for Dusty Weather Based on a Physical Simulation”, Mathematics, vol. 12, no. 1, pp.1-14.
    15. Ministry of Land, Infrastructure and Transport ( 2022), Mobility Innovation Roadmap, pp.1-4.
    16. Nguyen, T. T., Cheng, C. H., Liu, D. G. and Le, M. H. ( 2022), “Improvement of Accuracy and Precision of the LiDAR System Working in High Background Light Conditions”, Electronics, vol. 11, no. 1, pp.1-18.
    17. Pao, W. Y., Howorth, J., Li, L., Agelin-Chaab, M., Roy, L., Knutzaen, J., Baltazar-y-Jimenez, A. and Muenker, K. ( 2024), “Investigation of Automotive LiDAR Vision in Rain from Material and Optical Perspectives”, Sensors, vol. 24, no. 10, pp.1-19.
    18. Park, B. J. and Kim, J. Y. ( 2021), “A Study of LiDAR’s Performance Change by Road Sign’s Color and Climate”, The Journal of The Korea Institute of Intelligent Transport Systems, vol. 20, no. 6, pp.228-241.
    19. Schlager, B., Goelles, T., Muckenhuber, S. and Watzenig, D. ( 2022), “Contaminations on Lidar Sensor Covers: Performance Degradation Including Fault Detection and Modeling as Potential Applications”, IEEE Open Journal of Intelligent Transportation Systems, vol. 3, pp.738-747.
    20. Son, S. H., Lee, H. M., Yang, J. W., Lee, J. K., Jang, J. A., Kim, C. R., Jun, J. H., Park, H. W. and Park, S. Y. ( 2025), “Optimization of Dust Spray Parameters for Simulated LiDAR Sensor Contamination in Autonomous Vehicles Using a Face-Centered Composite Design”, Applied Sciences, vol. 15, no. 15, pp.1-15.
    21. Song, W. A., Jeong, Y. J., Choi, C. T., Lee, M. H. and Go, J. W. ( 2024), Science, ICT Policy and Technology Trends, pp.394-397.
    22. Wei, C., Wu, Q., Zuo, S., Xu, J., Zhao, B., Yang, Z., Xie, G. and Wang, S. ( 2025), “LiDARDustX: A LiDAR Dataset for Dusty Unstructured Road Environments”, arXiv preprint, arXiv:2505.21914.
    23. Zhang, Y., Wang, S., Dong, F., Sun, Y., Sheng, C., Ma, K., Tian, Z., Qian, Z., Wong, C. and Liu, S. ( 2022), “Mechanical Behavior and Constitutive Model Characterization of Optically Clear Adhesive in Flexible Devices”, Micromachines, vol. 13, no. 2, 301.

    저자소개

    Footnote