Ⅰ. 서 론
LiDAR(Light Detection and Ranging)는 레이저를 검지하는 물체에 조사하여 물체와의 거리를 측정하고, 레이저 파장의 반사시간 차이로 계산된 거리값을 위치정보와 결합하여 고해상도의 3D 점군(Points Cloud, 이하 점군)지 도로 변환하는 센서이다. 2010년 LiDAR센서 기반 자율주행차량(Automated Driving Car, 이하 자율차) 웨이모의 등장 이후, LiDAR 센서에 대한 관심이 크게 증대되었다(How Google’s Self-Driving Car Works - IEEE Spectrum, 2024). 국내에서는 실 도로를 주행하기 위해서 대한민국 정부의 인증을 취득한 자율차 센서 분류(KICT, 2021)에 따르면, 인증차량의 85%가 LiDAR를 사용함이 확인되어, 자율차의 LiDAR 사용이 이미 널리 확산되어 있다는 것(Li and Ibanez-Guzman, 2020)을 시사한다. LiDAR는 자율차에서 움직이는 물체(일반 차량과 보행자 등)에 검지 에 주로 활용(Tang et al., 2020)되었으나, 최근에는 3D 지도 생성과 정밀지도와의 측위(Mapping), LiDAR센서 전용 표지판 제작 등의 연구개발 등으로 활용의 범주를 넓히고 있다(Kim and Kim, 2023).
자율차에서 LiDAR의 활용도가 높은 가격에도 불구하고 많아진 이유는 주변 정보를 3D로 생성할 수 있다 는 것과 영상 센서에 비하여 눈·비·안개 등의 기상 영향을 덜 받고, 주야간의 조도 영향을 받지 않는 점에 있다(Li and Ibanez-Guzman, 2020). 자율주행에서 LiDAR의 활용 범주가 높아짐에 따라 LiDAR의 성능평가를 진행하여야 하는 주장이 형성되었고, 최근에는 LiDAR의 성능평가뿐만 아니라 성능표준도 제정 중에 있다 (ISO/TC 22/SC 32, 2014, UL4700, 2021). 다만, 최근에 진행된 LiDAR 성능평가에서는 영상센서에 비하여 비 와 안개의 영향이 상대적으로 적지만, 강수량이 증가할수록, 안개로 인해 시정거리가 짧아질수록 성능 저하 가 발생됨을 경고한 사례가 많다(Kim, and Park, 2022). 이는 LiDAR의 작동원리 상 빛을 물체에 조사하여 되 돌아오는 빛으로 정보를 생성하는 과정에서 활용되는 빛이 10mW의 출력과 905nm의 파장대를 가진 레이저 로서(OxTS, 2024) 레이저 특성상 비나 안개발생 시에는 일부 성능이 저하가 발생되는 것은 당연하다.
본 논문에서는 강우 시 LiDAR 성능저하 현상을 실제로 취득한 데이터의 분석을 통해 “성능저하 요인”과 “성능저하” 상호간의 인과관계를 확인하고자 한다. 실내의 통제된 환경에서 강우를 재현하여 특정 물체에 조사하여 생성한 데이터를 점군 분포도 및 점군데이터 기반 정량지표로 해석하여, 강우 시 LiDAR 성능 저하 가 어떻게 발생하는가에 대하여 확인한다. 본 연구의 결과는 자율차가 강우 시 LiDAR를 활용한 물체 인식에 대한 성능기준 마련에 활용할 수 있으며, LiDAR 검지 데이터를 기반하여 자율차에게 특정한 유형의 정보를 제공하는 체계를 구성함에 있어 강우 시 영향을 고려하는 데에 활용 가능하다.
Ⅱ. 문헌고찰
LiDAR는 주로 자율차, 지형 측량, 고도 지도 작성, 고고학, 항공 촬영, 기상 관측 등에 사용된다(KICT, 2021). LiDAR는 1960년대 초반에 처음 제작되었으나, 상업적으로 활발하게 제작된 시기는 1980년대로 이때 의 항공 LiDAR 시스템은 지형의 상세한 3D 지도를 생성할 수 있어 지형 분석, 삼림 관리, 도시 계획 등에서 유용하게 사용되었다(Beraldin and Blais, 2010). 1990년대에 들어서면서 LiDAR는 자율차 기술과 결합되기 시 작하였고, 특히 DARPA 그랜드 챌린지와 같은 프로젝트에서 자율차에 LiDAR가 사용되어 주변 환경을 인식 하고 지도화하는 데 활용되었다(wikipedia, 2024). 2000년대 중반 이후, LiDAR는 자율주행의 핵심 기술로 자 리 잡았고, 이 시기에는 고정밀 LiDAR 센서가 개발되어 비로소 자율차가 주변 물체와 장애물을 정확하게 감 지하고 회피할 수 있도록 하였다. 2010년대 후반부터는 LiDAR 센서의 크기가 작아지고 가격이 하락하면서, 더 많은 응용이 가능해졌다. 예를 들어, 고고학적 발굴, 건축, 농업 등 다양한 분야에서 LiDAR가 활용되고 있다(Beraldin and Blais, 2010).
LiDAR의 활용분야와 자율차에서의 담당하는 기능이 다양해지면서부터 최근에는 LiDAR의 성능에 대한 이 슈가 대두되었다. 이에 현장 성능평가를 진행한 여러 사례(Kim et al., 2021;Kim et al., 2023;Park et al., 2023) 가 등장하였고, ISO는 자동차 LiDAR 성능평가를 위한 시험 방법이라는 이름으로 표준개발도 진행 중에 있다 (ISO/TC 22/SC 32, 2014, UL4700, 2021). LiDAR 현장 성능평가 사례는 LiDAR 성능영향 요인을 LiDAR의 제조 사양, LiDAR와 검지물체, LiDAR와 외부환경으로 구분하여 설명(Kim and Park, 2022)하였고, 이들 중 외부환 경 요인은 기상과 관련된 눈, 비, 안개 등의 기상과 관련된 요인을 의미하며, 강수량이 많을수록, 안개가 짙을 수록 성능이 저하됨을 증명하였다(Kim et al., 2021;Kim et al., 2023;Park et al., 2023). 특히, 강우는 가장 빈번 히 나타나는 기상 환경으로 강우 시의 LiDAR 성능 저하를 살펴보면, Goodin et al.(2019)은 시뮬레이션을 통해 강수량이 45mm/h 이상이면, LiDAR가 맑은 날에 비해 5m 전방의 물체를 검지할 때에 NPC가 약 45% 줄어들 어 물체의 인식 결과가 30% 이상 저하된다고 밝혔다. Montalban et al.(2021)은 Spinning, Risley, Micro-motion 등 다양한 LiDAR를 강수량을 조절할 수 있는 챔버에서 성능을 평가했다. 비가 오는 경우 LiDAR의 성능이 저하 되며, 강수량이 많을수록 성능 저하가 더 심한 것으로 나타났다. Tang et al.(2020)은 실제 주차장에서 LiDAR 점군 3D 이미지의 인식률 실험을 수행하여, 비가 오면 보행자의 인식률이 확연하게 감소한다는 결과를 보고 했다. Kim et al.(2023)은 강우량이 증가함에 따라 성능 저하는 더 크며, 또한 성능저하는 검지물체의 재질에 따라 그 영향이 다를 수 있음과 강우량이 30mm/h이상 일 때는 활용에 특히 유의해야함을 주장하였다.
강우 시 LiDAR 성능저하의 원인은 LiDAR는 검지물체에 레이저를 조사하여 돌아온 레이저로 물체와의 거 리를 측정하는 LiDAR의 원리 때문이다. 선행 연구(Goodin et al., 2019;Heinzler et al., 2019)에 따르면, 강우가 LiDAR 성능을 저하시키는 원인을 2가지로 설명한다. 첫째, 검지물체 표면에 묻은 물로 인한 신호감쇠(Signal Attenuation, 이하 감쇠)때문이다. 다시 설명하면, 비로 인하여 검지물체 표면에 수막이 형성되어, 신호감쇠의 영향으로 돌아오는 에너지 강도가 낮아지고 입사각의 변화로 점군의 거리정확도가 떨어지게 되는 것을 의미 한다. 둘째, 빛이 빗방울을 맞고 반사되는 레이저 노이즈에 따른 신호산란(Signal Scattering Noise, 이하 산란) 때문이다. 산란은 빛이 검지물체에 도달되기 전에 내리는 빗방울에 반사되거나 흡수되는 것을 의미한다. LiDAR의 성능은 결국 검지하는 물체의 정확한 점군 형성에서 시작되므로, 비로 인한 LiDAR의 성능저하를 방지하기 위해서는 감쇠와 산란 현상을 실제 점군의 분석을 통해 이해하고, 정량적으로 해석해야 한다. 하지 만 성능저하 요인에 따른 결과를 실측 및 정량적 분석을 통해 해석한 사례는 많지 않다. Goodin et al.(2019)은 시뮬레이션을 통하여 이러한 원인에 의하여 발생된 결과를 보였으며, Heinzler et al.(2019)은 실내 챔버 시험을 통하여 이러한 원인들로 인하여 물체의 인식률이 저하됨을 설명하였다. 하지만, Goodin et al.(2019)은 실제 데 이터가 아닌 LiDAR 시뮬레이터를 활용하여 미리 선정한 성능지표가 감소될 수 있음을 설명하였고, Heinzler et al.(2019)은 정량적인 성능지표가 아닌 물체 인식률을 기반으로 강우 시 성능저하를 설명하여, 실측데이터 기반의 영향요인 분석 수준에 미치지 못하여 이러한 관점에서의 연구 수행 필요성이 확인된다.
Ⅲ. 실험방법 설계
1. 실험환경 구성
본 연구에서 실험 장소는 다른 환경의 영향을 받지 않는 실내 공간으로 선정하였다. 본 연구에서 활용한 실험 장소는 한국건설생활환경시험연구원(이하, KCL)의 실내 챔버(<Fig. 1> 좌측)로, 강우를 강수량별로 10 mm/h 단위로 제어 가능하다. LiDAR는 자율차 적용 사례가 많은 Rotate Type의 Velodyne Ultra Puck (32채널 LiDAR)를 사용(센서 사양 <Table 1> 참조)하였으며 자율차의 일반적인 LiDAR 지상고를 고려하여 약 1.8m 높 이에 LiDAR를 설치(<Fig. 1> 우측)하였다. 본 연구의 목적이 강우 시의 신호감쇠 및 산란의 영향을 해석하기 위함으로, 검지 대상 물체로는 도로표지에 적용되는 청색 고휘도 재귀반사시트지를 활용하여 가로 23cm × 세로 40cm의 직사각형 형태의 표지판과 유사한 시설물을 제작, 활용하였다. 검지 물체는 지표면에서 130cm 높이에 설치하여, 시설물 하단 기준으로 LiDAR 원점과 약 50cm의 높이 차이가 발생하도록 하였다. 실험 시 데이터의 취득은 10Hz 주기로 10초 내외(1가지 실험환경 상 100프레임 내외의 데이터 취득) 진행하였으며, 데이터 원본을 활용하여 분석한다. 한편 LiDAR의 수평방향 분해능은 10Hz 주기에서 0.2°로 확인된다.
<Table 1>
LiDAR Spec. for test
| No. of channel | 32 |
| horizontal angular resolution | 0.1° –0.4° (5–20 Hz) |
| vertical angular resolution | 0.33° (minimum) |
| vertical FOV | 40° (-25° to +15°) |
| points per second | 600,000 pts/s @single return |
2. 정량적 분석 방법론 설정
LiDAR 물체 검지 성능에 대한 강우의 영향을 분석하기 위하여 점군의 형상을 알 수 있는 점군의 2D 분포 도(Distribution of Points Cloud)와 더불어 점군의 정량적인 값의 변화를 분석하기 위한 지표를 선정하였다. 본 연구에서 선정한 지표는 점군들의 총수(Numbers of Points Cloud, 이하 NPC), 각 점의 에너지강도(Intensity of Point, 이하, Intensity), LiDAR가 측정한 각 점과 검지물체와의 거리(Detected Distance)로서 <Table 2>와 같다.
<Table 2>
Analysis Indicators(Quantitative) and Descriptions
| Name of Analysis Indicators | Descriptions | Notes |
|---|---|---|
| Numbers of Points Clouds (NPC) | The numbers of point Clouds reflected back from the detected object | - |
| Point Intensity (Intensity) | The energy intensity of each point reflected back from the detected object | Max 250 ~ Min 0 |
| The distance to the detected object directly measured by LiDAR (Detected Distance) | The longitudinal distance between the LiDAR and the detected object (Y coordinate) | - |
3. 변수 설명
시험의 변수는 검지 물체와 LiDAR간의 거리, 강우량, ROI(Region of Interest, 분석 시 사용되는 사각형 영 역)의 크기를 활용하였다. KCL 실내 챔버의 여건을 고려하여 강우강도는 총 4단계(0, 20, 30, 40mm)로 변화 하여 측정하였으며, 시설물 설치 위치는 5m부터 25m까지 2.5m 간격으로 총 9단계로 구분하여 데이터를 취 득하였다. 데이터 분석 시 분석범위 설정을 위하여 ROI를 지정하는데, ROI 크기는 시설물의 절대 크기(23cm ×40cm)와 동일하게 지정하였다.
<Table 3>
Variables of Test
| Name of Variables | Variables Contents |
|---|---|
| Rainfall | None, 20mm/h, 30mm/h, 40mm/h |
| LiDAR to Object Measured Distance (Measured Distance) | 5.0m, 7.5m, 10.0m, 12.5m, 15.0m, 17.5m, 20.0m, 22.5m, 25.0m |
| Region of Interest (ROI) | Same as the object |
Ⅳ. 실험결과 분석
1. 강우 시 LiDAR 감쇠(Attenuation) 영향에 대한 해석
1) 점군분포도 기반 해석
강우 시 신호감쇠가 물체검지에 어떤 영향을 주는지 확인하기 위하여 점군분포도(Fig. 2~3)를 그려 데이터 를 확인한다. 이 때 ROI는 시설물과 동일한 크기로 설정하여 분석하였다. 본 논문에서는 지면 상 이유로 실 측거리 10m에서 측정한 점군분포도만을 표현하였다. 점군분포도로 감쇠가 점군형성에 주는 영향을 알아보 면 다음과 같다.
<Fig. 2>
Point Clouds Distribution at Clear states (Measured Distance 10m, L: Front View, R: Sky View)
(1) 비 강우 시 (실측거리 10m)
<Fig. 2>는 실측거리 10m에서 비 강우 시의 점군분포도로, <Fig. 2>의 왼쪽은 LiDAR를 기준으로 정면으로 바라보았을 때의 정면도이며, 오른쪽은 LiDAR를 기준으로 측면(물체 존재 위치)에서 바라보았을 때의 측면 도이다. <Fig. 2>에서 적색은 Intensity가 높은 측정점, 청색은 Intensity가 낮은 측정점을 의미하며 진하기에 따 라 진한 적색은 Intensity가 매우 높은 점, 진한 청색은 Intensity가 매우 낮은 점을 의미한다. 실험에 사용한 검지물체는 반사성능이 매우 높은 고휘도 재귀반사시트로서 비 강우 시는 ROI 내에 확인된 Intensity가 최대 250(평균 209)으로 높은 값을 갖는다. <Fig. 2>의 우측 그림을 확인하였을 때, 물체가 존재하는 10m 주변에 진한 적색의 측정점이 다수 분포하고 있음이 확인된다. 다만 <Fig. 2>에서 물체가 실재하는 위치 주변에서 반사강도가 상대적으로 낮은 점이 측정되는 것이 확인되며, 특히 측면도를 확인하였을 때 실제 물체 위치의 20cm 범위 안팎에서 측정된 점군이 존재함이 확인된다. 이는 반사강도가 높은 재질의 주변에서 주로 발생하 는 번짐 현상(Blooming Effect, 이하 Blooming Effect)에 의한 것으로 확인된다(Kim et al., 2023;Lambert et al., 2020).
(2) 강수량 20mm/h~40mm/h (실측거리 10m)
<Fig. 3>은 실측거리 10m에서 강우 시의 점군분포도(정면도)이며, 왼쪽부터 강우량 20mm/h, 30mm/h, 40mm/h 시의 정면도이다. 데이터를 확인하였을 때 각 점들의 강우량이 증가될수록 적색이 옅어지며 이는 강우량에 따른 평균 Intensity 값의 추이를 나타낸 하기 <Fig. 4>를 참조하면 확인된다. 실측거리 10m에서의 비 강우 시 Intensity의 평균은 209, 20mm/h는 197, 30mm/h는 194, 40mm/h는 193으로 측정되어, 강우 시 물체표면에 묻은 물로 인하여 돌아오는 레이저의 에너지 강도가 작아진다.
<Fig. 4>
Changes in the Aver. Intensity values by Rainfall Amount(at Measured Distances of 10 to 25m)
2) 정량지표 기반 해석
<Fig. 4>는 5m 간격의 측정거리(10m~25m)마다 강우 시의 측정된 점군들의 Intensity의 평균값을 꺾은선 그 래프로 표현한 것이다. 이를 확인하였을 때 비 강우 시는 평균 Intensity가 최대 209(실측거리 10m)에서 최소 189(실측거리 25m)으로 형성되나, 강우 40mm/h 일 때는 평균 Intensity가 최대 193(실측거리 10m)에서 최소 110(실측거리 25m)으로 감소하며, 이러한 강우 시 평균 Intensity의 감소는 실측거리(즉, LiDAR와 검지물체와 의 물리적 거리)와 강우량이 늘어날수록 더욱 극명하게 나타난다. 정리하면, 정량지표인 Intensity 변화로 보 아 강우 시 라이다 센서로 돌아오는 레이저의 강도는 물체 표면에 묻은 물로 인하여 감쇠되고, 감쇠는 Intensity의 값의 변화추이로 판단하건대 강수량이 많을수록 커진다.
강우 시 감쇠효과로 인하여 돌아오는 에너지 강도가 작아지는 것이 통계적으로도 유의한지를 확인하기 위하여 <Table 4>와 같이 비 강수시와 강수시의 T-Test를 수행하였다. T-Test 수행 결과 p-value가 0.05 미만으 로 확인되어 상호간 동일하다는 가정이 기각되어, 감쇠의 영향이 존재함이 통계적으로 확인된다.
<Table 4>
T-Test of Intensity at Clear ver. Rainfall States
| T-Test Target | T | p-value | Rejection Status | Notes |
|---|---|---|---|---|
| Clear and Rainfall | 2.2080 | 0.0444 | Reject | ** |
강우 시의 신호감쇠와 강우강도 간 관계의 통계적 유의성을 확인하기 위하여 5m 간격의 측정거리(10m~25m) 마다 피어슨 상관 분석을 진행하였다. <Table 5>에서와 같이 강수량과 평균 Intensity 간에는 강한 음의 상관 관계가 있는 것으로 분석되며, 모든 거리조건에서 p-value가 0.05 미만으로 확인되어 통계적 유의성이 확인된 다. 따라서 LiDAR 감쇠에 대한 강우강도에 대한 영향이 통계적으로 확인된다.
<Table 5>
Pearson correlation analysis
| Measured Distance | Pearson Correlation | p-value | Rejection Status | Notes |
|---|---|---|---|---|
| 10m | -0.9606 | 0.0394 | Reject | ** |
| 15m | -0.9768 | 0.0232 | ||
| 20m | -0.9659 | 0.0341 | ||
| 25m | -0.9994 | 0.0006 |
2. 강우 시 LiDAR 산란(Scatting Noise) 영향에 대한 해석
1) 점군분포도 기반 해석
강우 시 산란이 점군에 어떤 영향을 주는지 확인하기 위하여 실측거리 5m와 25m에서의 점군분포도(평면도, <Fig. 5>)를 그렸다. 이 때 점군분포도들은 빗방울에 인한 산란현상을 관측하기 위하여 실제 물리적 설치위치보 다 크게 전후방 영역까지 확인하였다. <Fig. 5>의 좌측에서는 실험 장소가 검지물체 외에는 빈 공간이었음에도 불구하고 물체 주변에 많은 점군이 형성되는 것이 관찰된다. 좀 더 자세히 설명하면, 물체의 실제 위치거리 주변에 진한 적색으로 표현된 점군이 검지 대상물체, 물체의 실제 위치거리에서 떨어진 영역에 형성된 청색의 점군이 산란에 의해 발생된 노이즈로 추정되며 청색 점군이 강우량이 커질수록 많아짐이 확인된다. 하지만 실측거리 25m의 점군분포도(<Fig. 5>의 우측)를 관찰하면 점군형성이 실측거리에서 크게 벗어나지 않는 영역에 서만 형성되며, 노이즈로 구분 가능한 실제 위치거리에서 떨어진 영역에 형성된 점군이 많지 않다. 이를 해석하 자면 빗방울 산란으로 근거리(5m)에는 빗방울에 산란된 에너지가 낮은 점군이 측정 가능한 강도(Intensity 0이상) 로 돌아오지만, 장거리(25m)에는 빗방울에 산란된 에너지가 낮은 점군이 측정이 불가능한 강도(Intensity 0이하) 로 돌아오게 되어 오히려 빗방울 점군이 사라지고 강도가 높은 점군만 남게 되기 때문인 것으로 판단된다.
2) 정량지표 기반 해석
(1) 점군의 수(NPC)
가. 이론값의 산출
신호 산란의 영향을 NPC를 활용해 확인하기 위하여, 본 연구에서는 LiDAR 성능 및 기기적 특성에 의거 하여 이론적으로 도출되야 할 NPC와 실측된 NPC를 비교한다. “Ⅲ. 실험 방법 설계”에서 전술하였듯이 LiDAR 제조사에서는 레이저의 배열(Layer 분포 등) 및 분해능에 대한 기본적 사양을 제시하며, 이를 활용하 면 검지 대상 물체의 크기 및 이격거리와 각도를 알 때 이론적인 NPC 수치의 산출이 가능하다. 본 연구에서 는 연구에 활용된 LiDAR의 설명서에 제시된 Layer의 배열(Fig. 6) 및 분해능을 활용하여 대상 물체에 대한 이론적인 NPC를 <Table 6>과 같이 산출하였다.
나. 실제 측정 값과의 비교
강우 시 실제 측정된 NPC 값은 <Fig. 7>과 같다. <Fig. 7>의 막대그래프는 왼쪽부터 실측거리 10m, 15m, 20m에서 측정한 NPC이며, 적색 점선은 해당 실측거리에서의 이론적 NPC이다. 앞서 확인하였듯이 반사성능 이 높은 검지대상 물체에 반사된 점군은 Intensity가 높은 반면, 노이즈에 해당될 것으로 추정되는 점군은 Intensity가 낮다. 이에 본 연구에서는 Intensity 150을 기준으로 하여 점군을 구분하여, <Fig. 7>에서는 Intensity 150 이상의 점군을 주황색, Intensity 150 미만의 점군을 하늘색으로 표현하였다.
<Fig. 7>, <Table 7>에서 확인되듯이, 단거리(10m)에서는 실제 측정한 점군의 NPC가 이론적인 NPC보다 높 으며 이는 비 강우 시와 강우 시 모두 동일하게 관찰된다. 한편 실측 NPC와 이론적 NPC를 비교하였을 때 Intensity 150 이상인 점군의 실측값과 이론값이 거의 유사하게 나타난다. 하지만, 비교적 원거리인 15m와 20m 실측 거리에서는 실측 NPC가 이론적 NPC보다 크게 나타나는 반면 Intensity 150 이상인 점군의 NPC는 이론값보다 작게 나타난다. 이는 앞서 확인한 감쇠의 효과로 Intensity가 줄어드는 현상과 더불어, 산란의 영 향으로 발생한 노이즈가 보다 큰 영향을 미치기 때문으로 해석된다. 이는 상대적으로 강한 강우강도에서의 관측된 전체 NPC 대비 Intensity가 낮은 집단의 NPC 비율이 커지는 것으로도 해석 가능하다. 한편 Intensity 차이에 대한 구분을 고려하지 않고 측정된 NPC를 그대로 집계하였을 때 수치는 강우강도와 무관하게 이론 적 NPC와 유사하거나 높게 확인된다. 이는 강우 상황에서 LiDAR를 활용한 물체 검지 및 활용에 있어 노이 즈에 해당되는 Intensity가 낮은 점을 고려하지 않았을 때 위치 결정에 대한 오류로 작용할 수 있음을 나타내 며 노이즈 제거를 위한 적절한 데이터 필터링 방법의 적용이 필요함을 시사한다.
<Table 7>
NPC at 20~40mm Rainfall states (Measured Distance 10m, 15m, 20m)
| Measured Distance (m) | 10 | 15 | 20 | |||||||||
| Rainfall State (mm/h) | 0 | 20 | 30 | 40 | 0 | 20 | 30 | 40 | 0 | 20 | 30 | 40 |
| Theoretical NPC | 91 | 45 | 25 | |||||||||
| Actual NPC | 102 | 104 | 105 | 105 | 45 | 48 | 46 | 45 | 25 | 30 | 31 | 26 |
| NPC with Intensity above 150 | 91 | 88 | 90 | 88 | 41 | 41 | 37 | 34 | 20 | 20 | 15 | 13 |
| Ratio for NPC above 150 per Theoretical NPC (%) | 100% | 97% | 99% | 97% | 91% | 91% | 82% | 76% | 80% | 80% | 60% | 52% |
| NPC with Intensity Below 150 | 11 | 16 | 15 | 17 | 4 | 7 | 9 | 11 | 5 | 10 | 16 | 13 |
| Ratio for NPC below 150 per Actual NPC (%) | 11% | 15% | 14% | 16% | 9% | 15% | 20% | 24% | 20% | 33% | 52% | 50% |
(2) 측정검지 거리의 분산
LiDAR는 각 점군들의 LiDAR설치 위치에서의 상대좌표(X,Y,Z)를 제공한다. 따라서, 좌표를 통해 LiDAR가 검지물체와의 거리를 산출할 수 있다. 앞선 문헌고찰에서 언급한 바와 같이 실측거리와 상대좌표를 통해 산출한 측정거리는 매우 정확하다. 본 논문에서는 물체에 측정된 점군에 대해 LiDAR 설치 세로 방향(longitudinal) 거리에 대한 분산을 산출한다. <Fig. 8>은 강우강도에 따른 점군의 세로 방향 거리에 대한 분산을 나타낸 것이다. 전술한 바와 같이, 강우에 따른 산란 현상에 따라 노이즈가 발생하며 이는 측정거리 분산을 크게 만든다. 한편 Blooming Effect 역시 노이즈를 발생시키며 측정거리 분산을 크게 만든다. 두 현상에 대한 영향을 해석하기 위하여 강우강도 와 실측거리에 대한 측정 점군의 세로 방향 거리에 대한 분산을 확인한 결과 다소 약한 비(20mm/h)에서는 강우가 없을 때와 비교하였을 때 모든 실측거리에서 분산이 커지나, 30mm/h이상의 강한 비에서는 오히려 분산이 작아지 고 40mm/h에서 분산이 더욱 줄어든다. 이는 상대적으로 강한 강우강도에서 산란에 의해 발생되는 노이즈보다 Blooming Effect에 의해 발생되는 노이즈가 줄어드는 현상이 거리정확도 측면에 있어 오차를 줄이기 때문으로 해석 가능하다.
<Fig. 8>
Variance of Detected Distance at 20～40mm Rainfall states (Measured Distance 7.5m, 10m, 12.5m)
Ⅴ. 결 론
본 연구에서는 강우 시 모바일 LiDAR의 성능저하 요인으로 알려진 신호 감쇠와 산란의 영향을 실험을 통 해 취득한 데이터를 활용하여 정량적으로 확인하고, 이를 통계적 기법을 활용하여 해석하였다. 환경 통제에 용이한 실내 실험환경을 활용하여 강우 상황을 재현하고, 도로표지에 적용되는 고휘도 재귀반사시트지를 적 용한 도로표지 형태의 시설물을 활용하여 강우 재현 상황에서 데이터를 취득, 분석하였다.
연구 결과 반사성능 및 점군 형성 관점에서 강우에 의한 영향은 서로 다른 방향으로 해석이 가능하다. 반 사성능에 있어 강우에 의한 감쇠 및 신호산란은 부정적 영향을 미치며, 특히 강우에 의한 감쇠 현상은 강우 강도와 강한 음의 상관관계가 확인된다. 신호산란에 의한 영향을 확인하였을 때 강우에 따라 산란에 의한 노 이즈가 많아져 반사강도 관점에서는 성능을 저하시키는 현상이 확인된다. 다만 점군 형성 관점에서, 강우는 LiDAR가 반사성능이 높은 물체를 조사하였을 때 나타나는 Blooming Effect를 억제해주는 영향이 확인되며 특히 강우강도가 커질수록 이러한 영향이 정량적으로 확인된다. 이는 “물체와의 상대거리를 측정”하는 관점 에서 LiDAR의 성능을 확인할 경우 긍정적인 영향으로 확인되며, 강우가 LiDAR에 미치는 영향을 단순한 성 능저하 관점에서만 해석하는 것을 지양해야 함을 의미한다.
운전자는 육안을 활용해 다양한 도로표지(이정표지, 교통안전표지)에 기재된 정보를 인식하고 이를 활용 하여 주행한다. 자율차 LiDAR의 경우 전술하였듯 상대적으로 기상 및 조도 조건에 성능이 강건하다는 특성 을 활용하여 자율차에게 제공할 정보를 표지 형태의 도로시설물을 기반하여 LiDAR 점군데이터를 매개하여 제공할 수 있다. 본 연구의 성과는 이러한 시설물을 제작 및 활용함에 있어 강우 시 미칠 수 있는 영향을 사 전에 예상하고 이를 대응하는 시설물 운영전략을 수립하는 데에 기초 자료로서 활용할 수 있다. 향후 대표적 인 악기상 조건인 안개 및 강설에 대해서도 유사한 분석을 통해 기상조건이 LiDAR의 성능저하에 미치는 영 향 요인을 분석하고 이를 기반한 시설물 제작/활용 방법의 고안이 필요하다. 한편 강우 시 실차 주행 환경을 고려하였을 때 LiDAR 성능저하 요인으로 차량풍에 의한 빗방울의 흩날림, 차량 자체의 고유진동 및 노면 요 철에 의한 LiDAR의 흔들림 등을 추가로 고려할 수 있어, 해당 사항을 고려한 보다 면밀한 분석을 후속 연구 진행을 통해 확인 필요하다.
