자율 시스템은 카메라, IMU, 레이다 등의 다양한 센서를 활용하여 환경을 인식합니다. 라이다는 주변에 대해 매우 정확하고 구조적인 3차원 정보를 제공함으로써 다른 센서의 단점을 극복할 수 있습니다. 이러한 장점 덕분에 라이다 센서는 주류 인식 시장에 도입될 수 있었습니다.

라이다가 시장에서 채택된 주된 요인에는 다음 세 가지가 있습니다.

1. 저비용 라이다

거리, 크기, 강인성 등의 특징이 향상된 저비용 라이다가 도입되면서 비교적 수익이 적은 산업 응용 분야에도 라이다 기술의 보급이 늘었습니다.

2. 정확한 3차원 데이터

라이다는 레이다나 소나 등의 기타 거리 측정 센서에 비해 더 높은 정확도로 주변에 관한 고밀도 3차원 정보를 포인트 클라우드로 수집합니다. 이는 3차원 복원의 정밀도를 개선합니다.

3. 라이다 처리 알고리즘

의미론적 분할, 객체 검출 및 추적, 라이다 카메라 데이터 융합, 라이다 SLAM과 같은 라이다 처리 워크플로의 최근의 발달로 인해 엔지니어링 팀은 개발 워크플로에 라이다를 추가할 수 있게 되었습니다. MATLAB^®과 같은 툴을 활용하면 라이다 처리 알고리즘을 개발하고 적용할 수 있습니다.

라이다는 자율주행부터 지구 및 해양 과학에 이르는 다양한 분야에 활용되고 있습니다. 응용 분야는 라이다를 탑재하는 플랫폼을 기준으로 분류할 수 있습니다.

1. 항공 라이다
2. 지상 라이다
3. 실내 라이다

항공 라이다

항공 라이다는 UAV(무인 항공기) 또는 항공기에 탑재된 라이다 센서입니다. 항공 라이다는 대규모 지형을 나타내는 3차원 포인트 클라우드 데이터를 수집하여 이를 라이다 매핑, 특징 추출, 지형 분류 및 기타 사용 사례에 활용할 수 있습니다.

다음과 같은 항공 라이다 응용 분야의 예가 있습니다.

• 농업: 라이다 기술은 농업에서 경작 지역을 매핑하고 농장과 집수 지역의 정확한 지형을 식별하는 데 널리 사용되고 있습니다.
• 도시 계획: 라이다는 어떤 지역의 DSM(수치 표면 모델) 또는 DCM(수치 도시 모델)을 생성하여 도시를 설계하거나 기존 도시의 신규 인프라를 구축하는 데도 사용됩니다.
• 지질 매핑: 라이다를 사용하여 지구 표면의 3차원 지도를 생성하고 이를 광업, 정밀 임업, 석유와 가스 탐사 등의 응용 분야에 활용할 수 있습니다.
• 항공 항법 및 경로 계획: 이제 라이다는 주변을 자율적으로 비행하며 실시간 3차원 데이터를 수집하는 UAV에 사용됩니다.

지상 라이다

지상 라이다에는 고정형 지상 라이다와 이동형 라이다가 있습니다.

• 고정형 지상 라이다는 고정된 플랫폼에 탑재되는 라이다입니다. 토지 측량, 도로 측량, 위상 매핑, DEM(수치 표고 지도) 생성, 농업 및 기타 응용 분야에 널리 활용되고 있습니다. 고정형 지상 라이다는 상세하고 근접한 데이터 수집이 필요한 응용 분야에 적합합니다.
• 이동형 라이다는 자동차나 트럭 같은 이동형 플랫폼에 부착된 지상 라이다를 가리킵니다. 가장 보편적인 이동형 라이다의 응용 분야는 자율주행입니다. 차량에 탑재된 라이다로 주변의 3차원 포인트 클라우드 데이터를 수집하여 인식 및 내비게이션 워크플로에 사용합니다.

실내 라이다

라이다는 이동 로봇에 탑재하여 실내 로봇공학 응용 사례에 널리 활용되고 있습니다. 3차원 라이다 외에 2차원 라이다나 레이저 스캐너도 라이다 스캐닝이나 매핑 등 실내 로봇공학 응용 분야에 활용되고 있습니다. 주변의 깊이 정보를 수집하고 사용 사례에 맞게 추가로 처리합니다.

실내 라이다는 흔히 다음과 같은 분야에 사용됩니다.

• 라이다 매핑 및 SLAM: 2차원 또는 3차원 라이다를 사용하여 2차원 또는 3차원 SLAM과 매핑을 생성할 수 있습니다.
• 장애물 검출, 충돌 경고, 회피: 2차원 라이다는 장애물 검출에 널리 사용됩니다. 이 데이터를 더욱 활용하여 충돌 경고를 생성하거나 장애물을 회피할 수 있습니다.

MATLAB 및 Lidar Toolbox™로 라이다 작업을 단순화할 수 있습니다. 전용 툴과 함수가 갖춰진 MATLAB을 사용하면 3차원 데이터 유형, 데이터의 희소성, 데이터에 있는 유효하지 않은 포인트, 큰 잡음 등 라이다 데이터 처리에서 흔히 직면하게 되는 문제를 극복할 수 있습니다.

실시간 라이다 데이터와 녹화된 라이다 데이터를 MATLAB에 가져오고 라이다 처리 워크플로를 구현하며 C/C++ 및 CUDA 코드를 생성하여 프로덕션으로 배포할 수 있습니다.

라이다 포인트 클라우드 처리를 위해 MATLAB에서 제공하는 중요한 기능은 다음과 같습니다.

라이다 데이터 스트리밍, 읽기 및 쓰기

MATLAB에서 센서 데이터를 처리할 때 첫 번째 단계는 데이터를 MATLAB 작업공간으로 가져오는 것입니다. 다음과 같은 작업을 수행할 수 있습니다.

• Velodyne Lidar Hardware Support Package를 사용하여 Velodyne 센서의 실시간 데이터를 스트리밍할 수 있습니다.
• PCD, PLY, PCAP, Ibeo data container, LAS, LAZ 등 다양한 파일 형식으로 저장된 포인트 클라우드를 읽을 수 있습니다.
• 시뮬레이션 환경에서 라이다 데이터를 합성하여 처리 알고리즘을 테스트할 수 있습니다. UAV Toolbox와 Automated Driving Toolbox™에는 라이다 포인트 클라우드를 시뮬레이션하는 라이다 센서 모델이 있습니다.

라이다 데이터 처리

라이다 데이터를 전처리하여 데이터 품질을 개선하고 데이터에서 기본 정보를 추출할 수 있습니다. Lidar Toolbox는 다운샘플링, 중앙값 필터링, 정렬, 변환 및 포인트 클라우드에서 특징을 추출하는 기능을 제공합니다.

라이다 카메라 보정

MATLAB을 통한 라이다 카메라 보정으로 라이다-카메라 변환을 추정함으로써 카메라와 라이다 데이터를 융합할 수 있습니다.  또한 라이다 포인트 클라우드 내의 색 정보를 융합하고, 라이다와 같은 장소에 배치된 카메라의 2차원 경계 상자를 사용하여 라이다 내의 3차원 경계 상자를 추정할 수 있습니다.

라이다 관련 딥러닝

MATLAB으로 객체 검출 및 의미론적 분할에 대한 딥러닝 알고리즘을 라이다 데이터에 적용할 수 있습니다.

• MATLAB에서 단 몇 줄의 코드로 PointSeg 및 SqueezeSegV2 등의 사전 훈련된 의미론적 분할 모델을 가져와서 라이다 데이터를 분할할 수 있습니다. 자신만의 딥러닝 모델을 훈련시키고 평가하며 배포할 수도 있습니다.
• MATLAB을 사용하면 PointPillars 신경망 같은 강건한 검출기를 설계하고 훈련하며 평가할 수 있습니다. 라이다 포인트 클라우드에서 객체 주위의 방향성 경계 상자를 검출하고 피팅할 수 있습니다.
• Lidar Toolbox의 Lidar Labeler 앱으로 포인트 클라우드 레이블 지정을 간소화할 수 있습니다. 객체 주위에 경계 상자를 수동으로 추가하고 내장 알고리즘 또는 사용자 지정 알고리즘을 적용하여 라이다 포인트 클라우드 레이블 지정을 자동화하고 자동화 알고리즘의 성능을 평가할 수 있습니다.

포인트 클라우드에서의 객체 추적

MATLAB으로 종단간 객체 추적 워크플로에 들어가는 여러 도메인을 통합할 수 있습니다. 라이다 데이터를 읽고 전처리하여 딥러닝을 적용해 객체를 검출하고 사전에 정의된 추적기를 이용하여 객체를 추적하며 그것을 타겟 하드웨어에 배포할 수 있습니다.

포인트 클라우드 정합 및 SLAM

MATLAB은 라이다 포인트 클라우드를 정합하고 SLAM 알고리즘을 사용하여 3차원 지도를 구축하는 함수를 제공합니다. 라이다 포인트 클라우드에서 FPFH(빠른 특징점 히스토그램) 설명자를 추출하고 매칭하며 매칭된 특징들을 기반으로 포인트 클라우드를 정합할 수 있습니다.

지상 및 항공 라이다 데이터의 라이다 포인트 클라우드 시퀀스를 스티칭하여 3차원 SLAM 알고리즘을 구현할 수도 있습니다.

라이다 처리에 대한 더 자세한 정보는 Lidar Toolbox  및 Computer Vision Toolbox™를 참조하십시오.

예제 및 방법

소프트웨어 참조

추가 참고 자료: Automated Driving Toolbox, Navigation Toolbox™, Robotics System Toolbox™, MATLAB 및 Simulink를 사용한 자율주행 시스템, MATLAB 및 Simulink를 사용한 로봇공학 및 자율 시스템