나카가와 마사후미, 시바우라공업대학

 

재해 발생 직후의 초동 조사 및 재해 복구에는 신속한 대응이 요구된다. 이것을 확실하게 하기 위해 UAV를 활용한 초동 조사가 최근 실시되고 있으며, 토털 스테이션 등을 주로 이용하고 있던 지상 측량의 업무 효율이 대폭으로 개선되고 있다.

 

초동 조사의 효율 개선에는 인공위성, 유인항공기(고정날개·회전날개), UAV(고정날개·회전날개), 차량, 삼각, 백팩 등의 계측 플랫폼을 검토할 수 있다. 재해 부위의 추출 누락 등을 방지할 수 있는 점이나 증수나 붕괴가 있는 장소에서 안전하게 조사할 수 있다는 점에서, 상공에서 계측하는 공중 사진 측량이나 항공 LiDAR의 접근이 유용하다. 그리고 재해 부위가 국소적이고 재해 부위 근처까지 UAV 운반로가 확보되어 있으면, UAV(회전날개)가 신속성과 운용성의 점에서 최적의 계측 플랫폼이 된다.

 

 

UAV 이용에 의한 측량 업무 효율화

 

1. 카메라와 비교한 LiDAR의 우위성

측량용 UAV에 탑재되는 센서는 카메라나 LiDAR이며, 각각 장점과 단점이 있다(그림 1). LiDAR은 화상 매칭 등 시간이 걸리는 데이터 처리 없이 점군을 직접 취득할 수 있다는 점에서 화상 계측(SfM/MVS)과 비교해서 우위이다. 또한, SfM/MVS에서는 복수 코스의 항공 촬영이 필요한데, LiDAR는 단일 코스의 계측만으로도 면적으로 점군을 얻을 수 있다. 그렇기 때문에 도로나 선로, 하천 등의 선상 대상을 계측하는 경우에 SfM/MVS보다 우위가 된다. 또한, 가격이 비싸지만 파형 기록식 LiDAR에 의한 지물 분류나 그린 레이저에 의한 수부 계측 등 카메라로는 쉽지 않은 것에도 대응할 수 있다.

 

 

2. 측량에서 이용하는 LiDAR

로봇 분야에서 취급되는 LiDAR 데이터는 자율 이동 등의 목적을 위해 실시간으로 처리하는 것이 일반적이다. 또한, 수 cm의 거리 측정 정도의 LiDAR가 잘 이용된다. 한편, 측량·토목 분야에서는 고정도의 맵핑이나 모델링이 목적으로, LiDAR 데이터 처리에 실시간성이 그다지 요구되지 않기 때문에 후처리로 처리하는 것이 특징이다. 또한, 거리 측정 범위나 수부 계측 등의 측량 목적에 적합한 파장역(근적외나 녹색)으로 거리 측정을 하는 LiDAR가 선택된다. 육상의 거리 측정에서는 수 mm의 거리 측정 정도의 LiDAR가 자주 이용된다. 그리고 LiDAR에서 얻은 점군을 이용한 3D 모델링뿐만 아니라, LiDAR에서 얻은 파형 데이터를 해석한 지물 분류의 연구 사례도 측량·토목 분야에 많다.

 

LiDAR는 주사형과 Solid state형으로 분류할 수 있다. 주사형은 옥외의 계측이나 장거리 계측에 유리하다. 고정도 계측을 하는 측량용 LiDAR이다. 측량 분야에서는 고정점 계측에는 2축 주사형 LiDAR인 지상설치형 LiDAR, 이동 계측에는 1축 주사형 LiDAR를 이용한 MMS(Mobile mapping systems)나 항공 LiDAR가 있다.

 

Solid state형은 저가격 중시의 자동 운전이나 산업 로봇용 LiDAR이다. 물리적인 주사기구가 없어 소형화하기 쉽고, 잘 부서지지 않는 장점이 있지만, 측정 가능 거리가 짧기 때문에 측량 분야의 사용 사례는 적다.

 

이 글에서 말하는 ‘저가격의 LiDAR’는 거리 측정 정도가 수 cm 정도인 1축 주사형 LiDAR이다. 저가격의 LiDAR를 UAV에서 이용하는 경우는 짧은 측정 가능 거리나 필요한 점 밀도, 스캔 각의 범위 등을 고려하면, 저공에서 계측하는 것에 적합하다(그림 2).

 

 

3. 고빈도의 공간 데이터 수집의 중요성

대부분의 지방 자치체는 구조물 등의 3D 데이터가 거의 정비되어 있지 않은 상태이다. 그러나 재해 전 구조물 등의 3D 데이터가 정비되어 있으면, 측량 업무가 더욱 신속해지고 재해 사정에 필요한 자료 작성을 크게 효율화할 수 있다. 이 개념은 건설 프로젝트 전체의 효율화를 목적으로 하는 i-Construction이나 그 기반적 틀인 BIM/CIM(Building Information Modeling/Construction Information Modeling)에 근거한 것이다.

 

오픈 데이터 등의 형태로 전국적으로 3D 데이터가 정비되면 재해 발생 직후의 초동 조사뿐만 아니라, 구조물 유지 관리, MaaS 등 평상시·재해시 3D 데이터의 다목적 이활용을 촉진할 수 있다. PLATEAU 등 CityGML2.0 형식의 3D 모델의 공유가 추진되고 있는데, 이것만으로는 불충분하고 고빈도의 공간 데이터 수집 방법이나 점군에서 시맨틱스(Semantics) 모델로 자동 변환하는 것 등이 주된 기술 과제이다.

 

고빈도의 공간 데이터 수집은 방재나 구조물 예방 보전의 AI 이활용에서 필수적인 항목이다. 측량 분야에서는 이미 고정도의 3D 계측 시스템이 운용되고 있으며, 고빈도의 공간 데이터 수집은 예산을 도외시하면 기술적으로는 가능하다. 그러나 일본 국내 구조물의 대부분을 점하는 소규모 구조물에 적용하는 것은 고가격이며 오버 스펙이다.

 

또한 여러 장소에서 빈발하는 재해에 대응하기에는 한정된 예산 속에서 그 수량이 부족하다. 그렇기 때문에 전국에 여러 개 배치할 수 있는 저가격의 3D 계측 시스템이 현실적으로는 필요하게 된다.

 

여기서 유의할 점으로는 측량 조사의 단순한 저코스트화가 아니라, 데이터 연계를 기초로 한 공간 데이터의 가치향상이 있다. 그리고 정도가 낮아도 육안 판독이나 기계학습에서 이활용하기 쉬운 데이터가 되도록 낮은 하드웨어 성능을 Simultaneous localization and mapping (SLAM) 등의 데이터 처리로 보강하는 방법론의 구축이 필수이다.

 

UAV-LiDAR에서 활용하는 SLAM와 기술 과제

 

측량 분야에서 현재 이용되고 있는 UAV 탑재형 레이저스캐너(UAV-LiDAR)는 유인항공기를 이용하는 항공레이저 측량 시스템(그림 3)과 마찬가지로 주로 LiDAR과 IMU, GNSS 측위장치로 구성되는 것으로, LiDAR 데이터와 외부 표정 요소(위치 자세 데이터)의 조합으로 점군을 취득할 수 있다. UAV-LiDAR의 경량화·저가격화를 추진하기 위해 우선 저가격이고 고정도인 일주파 RTK-GNSS 측위의 이용에 주목할 수 있다.

 

 

한편, IMU는 MEMS 기술에 의해 저가격화·소형화되고 있는데, 높은 계측 정도를 확보하기 위해서는 여전히 고가격의 IMU 탑재가 요구되는 과제가 있다. 이 과제에 대해서는 다층 LiDAR를 이용한 SLAM 처리를 적용하면, UAV-LiDAR를 구성하는 IMU를 생략할 수 있는 가능성이 있다. SLAM의 기본 처리는 기준이 되는 점군(기준 데이터)과 대상이 되는 점군(참조 데이터)의 대조에 의한 위치맞춤(점군 맵핑)이다.

 

SLAM은 베이즈 필터(Bayes Filter)를 이용하는 실시간 처리의 SLAM, 점군을 최적화 계산으로 위치맞춤하는 실시간 처리의 SLAM(스캔 매칭) 및 그래프를 이용한 비실시간의 SLAM(Graph-based SLAM)으로 크게 분류할 수 있다.

 

베이즈 필터를 이용하는 SLAM은 사전 확률과 우도(Likelihood)를 확률적으로 융합하는 기법으로, Extended Kalman Filter(EKF)-SLAM이나 Rao-Blackwellized Particle Filter(RBPF)-SLAM 등이 있다.

 

스캔 매칭에는 Iterative Closest Point(ICP) 알고리즘이나 Normal Distributions Transform(NDT) 알고리즘 등 초기 위치를 부여하는 기법과 Globally optimal ICP(Go-ICP) 알고리즘과 같이 초기 위치를 부여하지 않고 대역 최적을 보증하는 기법이 있다.

 

Graph-based SLAM은 자기 위치 추정과 폐쇄 검출, 그래프 생성을 포함하는 축차 SLAM을 하는 프론트 엔드(센서 의존 처리)와 그래프 솔버로 그래프를 최적화하는 백엔드(센서 비의존 처리)로 구성되는 것으로, 자기 위치나 랜드마크 위치 관계의 그래프를 최적화하는 기법이다.

 

오픈 소스의 SLM에는 RBPF-SLAM인 gmapping이나 2D 셀을 이용한 스캔 매칭과 확장 칼만 필터를 조합한 Hector SLAM, 점과 선(혹은 점과 면)의 매칭을 하는 LiDAR Odometry and Mapping(LOAM), 점과 면의 매칭과 왜곡 보정을 하는 Velodyne SLAM, 셀 베이스의 스캔 매칭에 의한 축차처리형 SLAM과 그래프 베이스의 일괄처리형 SLAM으로 구성되는 Google Cartographer 등이 있다.

 

1. 스캔 열간이 성긴 LiDAR 점군의 축차 통합

UAV-LiDAR의 일반적인 점군 통합의 접근 방식은 비행방향에 직교하는 단면을 계측한 점군의 연결이다. 이 접근 방식에 SLAM을 적용하는 경우, 다층 LiDAR의 스캔 열간 점군이 성기기 때문에 점군 매칭 처리에서 엄밀하게 대응점을 결정하는 것이 곤란하다. 또한, 형상 특징이 부족한 환경을 계측하는 경우는 형상 대조의 접근 방식으로도 정확한 대응점을 결정할 수 없다. 그렇기 때문에 베이즈 필터를 이용하는 SLAM, 스캔 매칭 및 Graph-based SLAM의 어느 기법이나 UAV-LiDAR에 적용하는 것은 쉽지 않다.

 

그래서 RTK-GNSS 측위 결과와 등속 직진 비행하는 UAV(멀티콥터)의 비행특성에 기초한 LiDAR 자세를 초기값으로 한 SLAM과 함께, 스캔 열간이 성긴 LiDAR 점군의 축차 통합을 하는 스캔 매칭을 제안하고 있다(그림 4).

 

 

그 주요한 처리는 초기 표정과 신 분할, 점군 매칭이다. 초기 표정에서는 GNSS 측위 결과, GNSS 측위 결과로부터 추정한 편주각(yaw angle) 및 UAV가 수평 비행하고 있다고 간주한 롤각 및 피치각을 이용해 LiDAR 데이터를 표정하고, 각 신에 위치 자세 정보가 부여된 LiDAR 데이터(초기 표정 점군)로서 출력한다. 신 분할에서는 UAV 비행의 주기적인 자세 변화를 추정, 주기마다 초기 표정 점군을 분할한다.

 

점군 매칭에서는 점군 보간 처리와 로버스트 추정을 조합한 스캔 매칭에 기초해 주기마다 분할된 초기 표정 점군의 위치 자세 정보를 재추정한다. 스캔 열간이 성긴 LiDAR 점군을 입력 데이터로 하는 경우, ICP 알고리즘 등의 기존 점군 매칭에서는 잔차를 최소화할 수 있었다고 해도 점군 매칭으로서는 실패한다.

 

한편, 제안 기법에서는 스캔 열간을 보간한 조밀 점군을 기준 데이터로 함으로써 점군의 대조가 잔차의 최소화에 의해 가능해지도록 개선하고 있다(그림 5).

 

 

2. 점군 계측의 실시 예

UAV(E-695MP, EAMS ROBOTICS)에 16열의 전주위 레이저 스캐닝 데이터를 취득할 수 있는 GPS 안테나가 있는 다층 LiDAR(VLP-16, Velodyne)와 일주파 RTKGNSS수신기 및 안테나(C94-M8P-4, u-blox)를 탑재했다(그림 6).

 

 

일주파 RTK-GNSS 측위란 GPS, GLONASS, BeiDou, QZSS 등을 조합이 가능한 일주파 GNSS 수신기를 이용해 RTK-GNSS 측위를 하는 측위이다. 실험에서는 GPS와 BeiDou, QZSS의 조합을 적용했다. LiDAR에는 GPS 안테나를 접속해 레이저 스캐닝과 함께 GPS 시각을 기록했다. LiDAR 데이터에 부여된 GPS 시각을 이용해 레이저 스캐닝 데이터와 RTK-GNSS 측위 데이터의 시각 동기를 했다. 또한 계측 대상 범위 내에 일주파 RTK-GNSS의 기준국을 설치했다. 일주파 RTK-GNSS 측위에서는 15분 정도의 초기화 후에 Fix 해가 얻어지고, 레이저 스캐닝 종료까지 중단없이 Fix 해를 얻었다.

 

 

LiDAR는 연직축에서 20도의 정면 방향으로 UAV 전방에 탑재했다. 하천의 종단 방향으로 비행해 LiDAR 데이터 및 측위 데이터를 편도 계측으로 취득했다. 실험에서는 1274만점(1448신)의 점군을 취득했다. 또한, 비교용의 기존 기법으로서 ICP 알고리즘에 의한 스캔 매칭 처리를 적용했다. 1448신 중 17신을 처리한 결과를 그림 7에 나타냈다. 점군 통합 정도는 0.043[m](RMSE)였다.

 

 

기존 기법에서는 잔차 계산상에서 고정도로 점군 매칭이 가능했지만, 점군 통합에는 실패했다(그림 8 왼쪽 열). 또한, 초기 표정 결과에는 UAV의 롤링 등으로 생기는 왜곡이 점군 통합 결과에 잔존하고 있다(그림 8 중앙 열 및 그림 9 왼쪽). 한편, 제안 기법에서는 점군 통합 시의 왜곡을 충분히 보정할 수 있다는 것을 확인할 수 있었다(그림 8 오른쪽 열 및 그림 9 오른쪽).

 

 

3. 점군의 선명화 처리

저가격의 LiDAR로 계측한 점군은 편차가 크고, 육안 판독에 의한 상세한 현황 파악이나 3D 모델링, 차분 처리의 적용이 쉽지 않다. 그래서 흐릿해진 면을 선명한 면이 되도록 점군을 구성하는 각 점의 위치를 수정해 점군의 편차를 억제할 수 있는 점군의 선명화 처리를 개발했다.

 

선명화 처리는 계측 점군의 정도를 향상시키는 처리는 아니고, 점군의 편차를 억제해 점군의 판독성이나 차분 처리, 기계학습의 편의성을 향상시키는 처리로, 점군을 이용한 조사에서 스크리닝 능력 향상 등을 목적으로 하고 있다. 선명화 처리(그림 10)는 점군의 평균점 밀도에 맞춘 선명화 파라미터 추정과 국소 영역의 선명화 처리로 구성된다.

 

 

현시점에서는 국소 영역 점군(커널에 포함되는 점군)의 평균 좌표값을 산출하는 방법(평균화법)과 LMedS(Least Median of Squares)를 이용해 추정한 국소 영역의 점군면에 투영하는 방법(LMedS법), Haar-like 특징 분류를 점군 처리로 확장한 방법(3D Haar-like법)의 3종류를 구축 완료했다.

 

상공에서 취득한 점군 및 선명화 결과를 그림 11에 나타냈다. 선명화 처리에 의해 차량 형상을 명확하게 파악할 수 있을 정도로 점군의 편차를 억제할 수 있다는 것을 나타내고 있다.

 

 

맺음말

 

저가격의 LiDAR를 탑재하는 UAV의 역할에 관해 UAV 이용에 의한 측량 업무 효율화나 LiDAR의 우위성, 측량에서 이용하는 LiDAR, 고빈도의 공간 데이터 수집의 중요성 면에서 설명했다. 그리고 고빈도의 공간데이터 수집을 실현하기 위한 기술 과제로서 SLAM 처리의 개선 및 편차가 있는 점군의 선명화를 실시 예와 함께 해설했다.