라이다 센서의 장단점, 데이터 특성, 딥러닝의 적용

라이다 센서의 데이터 

라이다 센서는 카메라 센서와 달리 3차원 공간에 대한 정보를 포인트 클라우드 형식을 통해 취득할 수 있다. 이는 ToF(Time of Flight)를 통해 레이저가 반사되서 돌아오는 시간을 측정하고 대상 포인트와 라이다 간의 거리를 구함으로써 각 x,y,z 좌표값을 구할 수 있다. 이로부터, 라이다는 카메라에 비해 대상과의 거리를 정확하게 알 수 있다는 장점이 있다. 또한, 레이저를 활용하므로 카메라에 비해 날씨환경에 좀 더 강인하다는 장점이 있다.

 

라이다 포인트 클라우드는 기본적으로 3D 좌표계에서 대상 포인트에 대한 (x,y,z)좌표 정보를 제공한다. 해당 정보와 더불어 보통은 intensity 값을 추가하여 (x, y, z, i)로 제공하거나 reflectivity를 활용하기도 한다. 이에 따라, 각 포인트는 (x,y,z,i) 정보를 나타내고 이러한 포인트들이 모여 포인트 클라우드를 생성한다. 포인트들은 정해진 순서가 없으며 라이다의 회전 수와 채널 수로 포인트가 생성되는 해상도가 결정된다.

라이다 센서의 단점

　　　라이다의 단점은 비용과 정보 제공량이 있다. 3D라이다는 통상 적게는 수 백만원대이며, 채널의 수가 많아질수록 그 비용이 높아져 수백에서 수천만원에 이르는 높은 가격대를 보인다. RGB값을 주는 카메라 영상정보와 달리, 라이다는 포인트 클라우드를 반환하므로 상대적으로 객체에 대한 정보가 적다는 단점이 있다.

 

728x90

 

라이다 센서 구동 방식

라이다 센서 구현 방식에는 기계식, MEMS, 플래시, FMCW 등이 있다. 이 중 기계식 구현은보통 회전형 라이다와 같이 기계적 모터를 사용하여 주변을 스캐닝하는 방식을 말한다. 가장 보편적이며, 360도 전방위 환경정보를 획득할 수 있다. 그러나 고속 회전으로 인하여 시스템이 복잡하고 내구성이 약하다는 단점이 있다.

 

MEMS는 실리콘 기판위에 회로,센서,액추에이터 등을 집적하여 시스템을 구성함으로써 하나의 마이크로 시스템으로 구현하는 방식이다. 레이저의 경우, 작은 반사 거울을 제어하여 방출되는 각도를 조정할 수 있고 이를 통해 주변을 스캐닝할 수 있다.

 

라이다 데이터와 물체 검출 

　라이다 포인트 클라우드를 통하여 동적객체 검출 시, 딥러닝 구조를 이용한 특징값 추출 방법은 대표적으로 PointNet을 이용한 검출방법이 있다. 전체 Point Cloud를 특별한 전처리없이 딥러닝 모델인 PointNet에 입력하여 사용할 수 있다. 해당 모델은 입력 받은 포인트 클라우드로부터 각 모델의 레이어를 거쳐 feature, 즉 특징값을 추출하고 해당 특징값을 기반으로 물체와 배경포인트를 분류할 수 있다. 이때, 물체에 해당하는 포인트들은 따로 처리하여 다시 특징값을 추출하고 이를 통해 라이다 포인트 클라우드 기반의 객체 인식을 수행할 수 있다. 해당 방법은 복잡도가 높다는 단점이 있으나, 정확한 검출이 가능하다는 장점이 있다. 또한, 복셀 기반의 방법과혼용하여 적용될 수 있다.

 

본 포스트는 필자가 작성한 글인(라이다 센서의 장단점, 데이터 특성, 딥러닝의 적용 (velog.io) )을 이관하였습니다.

라이다 센서의 장단점, 데이터 특성, 딥러닝의 적용