STATERA Library · Series 07 · Volume 10 · Chapter 07 · KR
Source: https://github.com/Statera-Library/07_Vol_10_Calibration_Engineering/blob/main/Chapter_07_LiDAR_Calibration/Chapter_07_LiDAR_Calibration_KR.md

Volume 10 Calibration Engineering

Chapter 07. LiDAR Calibration

07.01. LiDAR Intrinsic Parameters

LiDAR 고유 파라미터(LiDAR intrinsic parameters)는 LiDAR가 방출한 레이저 펄스(laser pulse)와 수신된 반사 신호(reflection)를 기하학적 관측값(geometric observation)으로 변환하는 방식을 결정하는 센서 내부의 측정 특성을 의미한다. 교정 프레임워크(calibration framework)에서 고유 교정(intrinsic calibration)은 외부 교정(extrinsic calibration)과 구분된다. 고유 파라미터는 센서 자체의 측정 모델(measurement model)에 속하고, 외부 파라미터(extrinsic parameters)는 차량, 로봇, 카메라 또는 다른 기준 좌표계(reference frame)에 대한 센서의 위치와 자세를 나타낸다.

LiDAR는 기본적으로 광학 에너지(optical energy)의 방출과 수신 사이의 전파 특성을 관측하여 거리(range)를 측정한다. 비행시간 방식(time-of-flight)의 시스템에서는 레이저 펄스의 왕복 이동 시간(round-trip travel time)을 이용해 거리를 계산하며, 일반적으로 \(r=c\Delta t/2\)로 표현할 수 있다. 여기서 \(c\)는 빛의 속도(speed of light), \(\Delta t\)는 측정된 시간 지연(measured delay)이다. 따라서 체계적인 시간 오프셋(timing offset)은 직접적인 거리 오차(range error)가 되며 중요한 고유 교정 파라미터가 된다.

측정 거리(measured range)는 \(r_m=s_r r+b_r+\epsilon_r\)과 같은 센서 모델(sensor model)로 나타낼 수 있다. 여기서 \(r_m\)은 측정 거리, \(r\)은 실제 거리(true range), \(s_r\)은 거리 스케일 계수(range scale factor), \(b_r\)은 거리 바이어스(range bias), \(\epsilon_r\)은 랜덤 측정 잡음(random measurement noise)을 나타낸다. 교정(calibration)은 이러한 체계적 성분(systematic component)을 추정하여 보정된 측정값이 LiDAR의 동작 거리 전체에서 실제 물리적 거리를 일관되게 나타내도록 한다.

거리 바이어스(range bias)는 거의 일정한 거리 오프셋이라 하더라도 재구성된 포인트 클라우드(point cloud)의 전체 표면을 이동시킬 수 있기 때문에 특히 중요하다. 이러한 바이어스는 전자회로의 시간 지연(electronic timing delay), 내부 신호 처리(internal signal processing), 검출 임계값(detection threshold), 광학 경로 효과(optical path effect), 채널별 회로 특성(channel-dependent circuitry) 등에서 발생할 수 있다. 따라서 교정에서는 정확하게 알려진 기준 거리(reference distance)와 LiDAR 관측값을 비교하여 보정값을 추정한다.

다중 빔 LiDAR(multi-beam LiDAR)는 개별 레이저 채널(laser channel)이 반드시 동일한 기하학적 특성을 갖지 않기 때문에 또 다른 고유 교정 차원을 가진다. 각 채널은 서로 다른 수직 고도각(vertical elevation angle), 수평 각도 오프셋(horizontal angular offset), 거리 바이어스 또는 측정 응답(measurement response)을 가질 수 있다. 공장 출하 시 제공되는 공칭 빔 배열(nominal beam arrangement)은 초기 기하학 모델을 제공하지만, 정밀 응용에서는 서로 다른 빔의 관측값이 동일한 평면 또는 3차원 표면을 체계적인 분리 없이 재구성하도록 채널별 보정(channel-specific correction)이 필요할 수 있다.

각도 교정(angular calibration)은 LiDAR 내부의 빔 또는 스캐닝 좌표(scanning coordinate)와 각 측정 포인트에 할당되는 방향 사이의 관계를 결정한다. 방위각(azimuth) 또는 고도각(elevation)의 작은 오차도 거리가 증가함에 따라 위치 오차(position error)를 확대할 수 있다. 거리 \(r\), 방위각 \(\theta\), 고도각 \(\phi\)로 생성되는 포인트는 일반적으로 삼각함수 투영(trigonometric projection)을 통해 직교좌표로 변환되므로 각도 정확도(angular accuracy)는 포인트 클라우드의 기하학적 정확도를 결정하는 기본 요소가 된다.

일반적인 구면 표현(spherical representation)에서 측정 포인트는 \(x=r\cos\phi\cos\theta\), \(y=r\cos\phi\sin\theta\), \(z=r\sin\phi\)로 재구성할 수 있다. 고유 교정은 이 좌표 변환 전에 측정 변수를 수정하며, 예를 들어 보정된 거리(corrected range), 방위각 및 고도각을 사용할 수 있다. 이는 좌표 변환 이전에 발생한 오차가 하나의 축에만 남지 않고 여러 직교좌표 축(Cartesian axes)에 동시에 전파되기 때문에 중요하다.

회전형 LiDAR(rotating LiDAR)는 회전 위치(rotational position)와 측정 타이밍(measurement timing)의 관계를 정확하게 파악하는 것도 중요하다. 엔코더 오프셋(encoder offset), 각도 양자화(angular quantization), 회전 위상(rotational phase), 채널 발광 순서(channel firing sequence)는 개별 반사점에 할당되는 방위각에 영향을 줄 수 있다. 내부의 타이밍-각도 관계(timing-to-angle relationship)가 부정확하면 외부 센서 장착 변환이 정확하더라도 센서나 주변 물체가 움직일 때 수직 구조물이 기울거나 중복되거나 왜곡되어 나타날 수 있다.

솔리드 스테이트 LiDAR(solid-state LiDAR)와 비기계식 LiDAR(non-mechanical LiDAR)에도 내부 교정과 외부 교정의 동일한 개념적 구분이 적용되지만, 파라미터화(parameterization)는 크게 다를 수 있다. 회전 엔코더와 고정된 레이저 링 대신 MEMS 미러(MEMS mirror), 광학 위상 배열(optical phased array), 플래시 조명(flash illumination), 독자적인 스캐닝 패턴(scanning pattern)을 사용할 수 있다. 따라서 고유 모델에는 스캔 각도 매핑 함수(scan-angle mapping function), 광학 왜곡 항(optical distortion term), 빔 방향 보정(beam-direction correction), 픽셀-광선 매핑(pixel-to-ray mapping), 거리 의존 보상 파라미터(range-dependent compensation parameter)가 포함될 수 있다.

교정 관측(calibration observation)은 고유 파라미터를 충분히 관측할 수 있도록 다양한 거리, 빔 방향 및 시야 영역(field of view)을 포함해야 한다. 하나의 거리에서 하나의 벽만 측정하면 일부 거리 오프셋은 확인할 수 있지만 스케일, 각도 및 채널 의존 효과를 모두 신뢰성 있게 분리하기 어렵다. 여러 기준 기하구조(reference geometry)와 자세(pose)를 이용하면 알려진 공간 제약(spatial constraint)을 서로 다른 측정 조건에서 제공하여 추정 파라미터 간의 상관관계를 감소시킬 수 있다.

평면 타깃(planar target)은 이상적인 평면이 다수의 LiDAR 반사점에 강력한 기하학적 제약(geometric constraint)을 제공하기 때문에 특히 유용하다. 후보 고유 모델(candidate intrinsic model)에 따라 측정 포인트를 변환한 후 동일한 물리적 평면에 해당하는 포인트는 점-평면 잔차(point-to-plane residual)가 최소화되어야 한다. 따라서 여러 평면, 방향, 거리 및 채널에서 잔차를 최소화하면서 물리적으로 비현실적인 파라미터 조합을 방지하도록 최적화(optimization)를 수행할 수 있다.

교정 목적함수(calibration objective)는 모든 관측값과 고유 파라미터에 대한 가중 잔차 함수(weighted residual function)를 최소화하는 형태로 개념화할 수 있다. 거리 잔차(range residual), 점-평면 거리(point-to-plane distance), 각도 일관성(angular consistency), 채널 간 일치도(channel agreement)가 목적함수에 포함될 수 있다. LiDAR의 불확실성(uncertainty)은 일반적으로 균일하지 않으며 거리, 입사각(incidence angle), 타깃 반사율(target reflectivity), 빔 채널, 리턴 모드(return mode), 환경 조건에 따라 측정 품질이 달라질 수 있으므로 적절한 가중치 부여(weighting)가 중요하다.

고유 교정은 보다 광범위한 교정 프레임워크에서 정의되는 체계적 오차(systematic error)와 랜덤 오차(random error)의 차이도 고려해야 한다. 반복 측정(repeated measurement)을 통해 잡음과 반복성(repeatability)을 평가할 수 있지만 단순 평균화만으로 지속적인 거리 바이어스나 각도 오프셋을 제거할 수는 없다. 따라서 교정에서는 결정론적 보정 항(deterministic correction term)을 식별하고, 불확실성 분석(uncertainty analysis)을 통해 보정 이후에도 남아 있는 잔여 변동(residual variation)을 정량화해야 한다.

온도(temperature)는 광학 정렬(optical alignment), 레이저 특성(laser characteristic), 검출기 응답(detector response), 발진기 안정성(oscillator stability), 전자회로 및 기계적 열팽창(mechanical expansion)을 통해 고유 특성에 영향을 줄 수 있다. 따라서 특정 온도 조건에서 얻은 교정 결과가 로봇의 전체 환경 동작 범위를 완전히 대표하지 못할 수 있다. 엔지니어링 검증(engineering validation)에서는 워밍업(warm-up) 과정과 관련 온도 범위에서 파라미터 안정성을 평가하여 고정 계수가 충분한지 또는 온도 의존 보상(temperature-dependent compensation)이 필요한지를 판단해야 한다.

타깃 특성(target property) 또한 관측된 교정 잔차에 영향을 미친다. 표면 반사율(surface reflectivity), 입사각, 재질(material), 거리 및 리턴 강도(return strength)는 검출된 펄스에 영향을 주어 보고되는 거리를 변화시킬 수 있다. 이러한 효과를 자동으로 기하학적 고유 오차로 해석해서는 안 된다. 강건한 교정(robust calibration)은 제어된 기준 표면과 충분히 다양한 관측 조건을 이용하여 반복 가능한 센서 의존 특성과 타깃 의존 현상(target-dependent phenomenon)을 구분해야 한다.

교정 품질(calibration quality)은 파라미터 추정에 사용된 데이터만으로 평가하지 않고 별도의 검증 데이터(validation data)를 이용하여 평가해야 한다. 교정 후 독립적인 타깃이나 기하구조를 이용해 거리 잔차가 감소했는지, 평면 표면의 일관성이 향상되었는지, 채널 간 불연속(channel discontinuity)이 감소했는지, 거리와 시야 영역 전체에서 기하학적 정확도가 안정적으로 유지되는지를 확인할 수 있다. 이를 통해 최적화가 학습 데이터의 잔차만 감소시키고 일반적인 LiDAR 측정 정확도를 개선하지 못하는 상황을 방지할 수 있다.

고유 파라미터는 특정 센서 식별정보(sensor identity), 하드웨어 리비전(hardware revision), 펌웨어 버전(firmware version), 교정 절차(calibration procedure), 환경 조건과 연결된 구성 데이터(configuration data)로 관리되어야 한다. LiDAR 교체, 펌웨어 변경, 광학 또는 기계 부품 수리, 내부 신호 처리 변경은 기존 교정 계수를 무효화할 수 있다. 따라서 추적 가능한 파라미터 관리(traceable parameter management)는 생산 및 현장 운용에서 수학적인 파라미터 추정만큼 중요하다.

고유 교정은 이후 수행되는 LiDAR-카메라 외부 교정(LiDAR-to-camera extrinsic calibration)과 다중 LiDAR 교정(multi-LiDAR calibration)의 기하학적 기반을 형성한다. 외부 파라미터 최적화(extrinsic optimization)는 각 센서가 이미 내부적으로 일관된 측정값을 생성한다고 가정한다. 고유 거리 오차나 각도 오차를 외부 강체 변환(rigid-body transformation)의 변경으로 보상하려 하면 특정 영역에서는 정렬이 좋아 보이더라도 다른 거리나 시야 영역에서는 새로운 오차가 발생할 수 있다.

AMR(Autonomous Mobile Robot)과 기타 피지컬 AI 시스템(Physical AI system)에서는 이러한 오차가 포인트 클라우드를 넘어 위치추정(localization), 지도작성(mapping), 장애물 검출(obstacle detection), 자유 공간 추정(free-space estimation), 도킹(docking), 센서 융합(sensor fusion), 학습 기반 인지(learned perception)까지 전파된다. 수 센티미터 수준의 체계적인 거리 변위나 작은 각도 바이어스도 원시 센서 수준에서는 작아 보일 수 있지만 관측값이 시간에 따라 누적되면 지도 기하구조, 객체 경계, 정합 잔차(registration residual), 안전 여유(safety margin)를 변화시킬 수 있다.

실용적인 LiDAR 고유 교정 과정은 센서를 단순한 블랙박스 포인트 클라우드 생성기(black-box point-cloud generator)가 아니라 측정 가능한 기하학적 계측기(geometric instrument)로 다룬다. 알려진 기준(reference)은 물리적 참값(physical truth)을 제공하고, 고유 모델은 체계적인 거리 및 각도 특성을 식별하며, 최적화는 보정 파라미터를 추정한다. 이어서 불확실성 분석은 남아 있는 오차를 특성화하고 독립적인 검증은 교정된 센서가 목표 엔지니어링 정확도(engineering accuracy)를 만족하는지를 판단한다.

최종 교정 기록(calibration record)에는 공칭 파라미터(nominal parameter), 추정된 보정값(estimated correction), 잔차 통계(residual statistics), 환경 조건, 기준 장비(reference equipment), 소프트웨어 버전(software version), 합격 기준(acceptance criteria)이 보존되어야 한다. 이러한 접근법은 LiDAR 교정을 파라미터 식별(parameter identification), 불확실성, 검증(validation), 추적성(traceability)이라는 전체 교정 엔지니어링 원칙과 연결하며, 이후의 카메라 외부 교정(camera extrinsic), 강도 교정(intensity calibration), 다중 LiDAR 교정 및 교정 타깃(calibration target) 관련 작업을 위한 신뢰성 높은 센서 데이터를 제공한다.

07.02. LiDAR Camera Extrinsic

LiDAR-카메라 외부 교정(LiDAR-camera extrinsic calibration)은 LiDAR 좌표계(LiDAR coordinate frame)와 카메라 좌표계(camera coordinate frame) 사이의 강체 공간 관계(rigid spatial relationship)를 결정한다. 각 센서의 내부 측정 특성을 규정하는 고유 교정(intrinsic calibration)과 달리, 외부 교정은 한 센서의 측정값을 다른 센서의 좌표계로 표현하는 데 필요한 상대 회전(relative rotation)과 병진(translation)을 추정한다. 이 변환은 3차원 LiDAR 기하정보와 카메라 영상을 결합하기 위한 기하학적 기반을 제공한다.

이 관계는 일반적으로 3개의 회전 파라미터(rotational parameters)와 3개의 병진 파라미터(translational parameters)로 구성된 6자유도 강체 변환(six-degree-of-freedom rigid-body transformation)으로 표현된다. LiDAR 포인트를 \(\mathbf{p}L\)로 나타내면 카메라 좌표계에서 대응되는 위치는 \(\mathbf{p}_C=\mathbf{R}{CL}\mathbf{p}L+\mathbf{t}{CL}\)로 표현할 수 있다. 여기서 \(\mathbf{R}{CL}\)은 LiDAR에서 카메라로의 회전(LiDAR-to-camera rotation)을 나타내며, \(\mathbf{t}{CL}\)은 두 센서 원점(sensor origins) 사이의 병진을 나타낸다.

회전 행렬(rotation matrix)은 롤(roll), 피치(pitch), 요(yaw) 관계를 포함하여 LiDAR와 카메라 좌표계 사이의 방향 차이를 나타낸다. 병진은 세 공간 축을 따라 존재하는 상대적인 위치 변위(relative displacement)를 나타낸다. 작은 회전 오차도 먼 거리의 물체에서는 점점 큰 투영 오차(projection error)를 발생시킬 수 있으며, 병진 오차는 특히 가까운 거리에서 두드러진다. 따라서 두 요소 모두를 정확하게 추정하는 것은 기하학적으로 일관된 다중 센서 인지(multi-sensor perception)를 위해 필수적이다.

외부 교정(extrinsic calibration)은 두 센서의 고유 특성이 이미 충분히 교정되어 있다는 것을 전제로 한다. 강체 변환을 추정하기 전에 LiDAR 거리 및 각도 오차(range and angular errors)가 보정되어야 하며, 카메라의 초점 거리(focal length), 주점(principal point), 렌즈 왜곡 파라미터(lens distortion parameters)도 알려져 있어야 한다. 그렇지 않으면 고유 측정 오차가 외부 변환에 잘못 흡수되어 특정 영역에서는 정렬되지만 거리나 시야 영역(field of view)이 달라지면 실패하는 결과가 발생할 수 있다.

교정된 카메라(calibrated camera)는 카메라 좌표계의 3차원 포인트를 2차원 이미지 평면(image plane)에 매핑하는 투영 모델(projection model)을 제공한다. LiDAR 포인트를 카메라 좌표계로 변환한 후 원근 투영(perspective projection)은 적절한 왜곡 보정(distortion correction)과 함께 개념적으로 \(u=f_xX/Z+c_x\), \(v=f_yY/Z+c_y\)로 표현할 수 있다. 이러한 투영을 통해 LiDAR 반사점과 이미지 픽셀(image pixel)을 연결할 수 있으며 센서 정렬 상태를 직접 평가할 수 있다.

따라서 교정은 LiDAR가 측정한 기하학적 구조와 카메라가 관측한 대응 시각 구조가 일치하도록 하는 변환 파라미터를 찾는 과정이다. 유용한 제약 조건(constraints)은 평면 타깃(planar target), 에지(edge), 코너(corner), 타깃 중심(target center), 또는 두 센싱 모달리티(sensing modalities) 모두에서 안정적으로 검출할 수 있는 특징으로부터 얻을 수 있다. 핵심적인 어려움은 단순한 특징 검출이 아니라 서로 근본적으로 다른 센서 기술이 생성한 측정값 사이에서 기하학적으로 의미 있는 대응관계(correspondence)를 확립하는 것이다.

타깃 기반 교정(target-based calibration)은 두 센서가 모두 관측할 수 있는 알려진 또는 강하게 제약된 기하구조를 가진 물리적 객체를 이용한다. 평면 보드(planar board)는 LiDAR 포인트로 표면을 추정할 수 있고 카메라 영상에서는 시각 패턴, 코너 또는 경계를 검출할 수 있기 때문에 일반적으로 유용하다. 서로 다른 위치와 방향에서 타깃을 여러 번 관측하면 상대 센서 자세(relative sensor pose)를 관측 가능하게 만드는 독립적인 제약 조건을 확보할 수 있으며 수치적 안정성(numerical stability)도 향상된다.

단일 타깃 자세(single target pose)는 일반적으로 강건한 6자유도 추정을 수행하기에 충분한 기하학적 다양성을 제공하지 못한다. 따라서 교정 데이터는 서로 다른 거리, 수평 및 수직 이미지 위치, 타깃 방향, LiDAR 빔 영역을 포함해야 한다. 다양한 관측값은 파라미터 상관관계(parameter correlation)를 줄이고 최적화가 중첩 시야 영역(overlapping field of view)의 제한된 부분에만 적합되는 것을 방지한다. 이에 따라 실제 로봇 운용 조건을 더욱 잘 대표하는 변환을 얻을 수 있다.

특징 추출 품질(feature extraction quality)은 교정 정확도에 큰 영향을 준다. 카메라 특징은 서브픽셀 정밀도(subpixel precision)로 위치를 결정할 수 있지만 LiDAR 관측은 빔 간격(beam spacing), 거리 분해능(range resolution), 표면 입사각(surface incidence angle), 포인트 밀도(point density)의 영향을 받는다. 시각적으로 쉽게 검출되는 타깃이라도 LiDAR 반사점이 너무 적을 수 있으며, LiDAR에서는 강한 기하학적 표면이라도 시각적 텍스처(visual texture)가 부족할 수 있다. 따라서 교정 타깃 설계(calibration-target design)는 두 센싱 방식의 특성을 모두 고려해야 한다.

많은 외부 교정 방법이 비선형 최적화(nonlinear optimization)를 사용하기 때문에 초기 변환 추정값(initial transformation estimate)이 중요하다. 기계 CAD 측정값(mechanical CAD measurements), 센서 장착 치수(sensor mounting dimensions), 대략적인 수동 측정값(manual measurements)을 이용해 초기 LiDAR-카메라 자세를 설정할 수 있다. 이후 최적화는 대응되는 기하학적 관측값 사이의 잔차(residual)를 최소화하여 회전과 병진을 정밀하게 조정한다. 초기 추정값이 좋지 않으면 특히 교정 기하구조가 반복적이거나 제약이 약한 경우 잘못된 국소 최솟값(local minimum)으로 수렴할 수 있다.

잔차 함수(residual function)는 교정 방법에 따라 여러 방식으로 구성할 수 있다. 3차원 LiDAR 포인트를 타깃 평면과 비교하거나, 투영된 포인트를 이미지 특징과 비교하거나, LiDAR 에지를 시각적 에지(visual edge)와 정렬할 수 있다. 목적함수(objective function)는 여러 관측에서 얻은 이러한 잔차를 결합하고 카메라와 LiDAR 측정의 서로 다른 불확실성을 고려하면서 전체적인 불일치를 최소화하는 변환을 추정한다.

투영 기반 검증(projection-based validation)은 교정 결과를 직관적으로 평가하는 방법을 제공한다. 외부 변환을 추정한 후 LiDAR 포인트를 카메라 좌표계로 변환하고 이미지에 투영할 수 있다. 벽, 차량, 교정 타깃, 바닥 경계(floor boundary), 기둥(pole) 및 기타 구조물의 LiDAR 반사점은 영상의 대응 영역과 정렬되어야 한다. 특정 방향으로 체계적인 변위(systematic displacement)가 발생하면 랜덤 센서 잡음이 아니라 잔여 병진 또는 회전 오차를 의미할 수 있다.

재투영 오차(reprojection error)는 유용하지만 교정 품질을 평가하는 유일한 지표로 사용해서는 안 된다. 평균 픽셀 오차(pixel error)가 작더라도 국부적인 오정렬(localized misalignment), 거리 의존 오차(distance-dependent error), 시야 영역 가장자리에서의 성능 저하가 숨겨질 수 있다. 검증에서는 거리, 이미지 위치, 타깃 방향, LiDAR 채널에 따른 잔차 분포(residual distribution)를 평가해야 한다. 파라미터 추정에 사용하지 않은 독립적인 장면(independent scene)은 변환이 교정 데이터셋을 넘어 일반화되는지 확인하는 더 강력한 근거를 제공한다.

시간 동기화(temporal synchronization)는 개념적으로 공간 교정(spatial calibration)과 별개의 문제이지만 LiDAR-카메라 외부 교정과 밀접하게 관련되어 있다. LiDAR와 카메라가 움직이는 장면을 서로 다른 시간에 획득하면 객체 또는 센서의 움직임으로 인해 겉보기 기하학적 변위(apparent geometric displacement)가 발생할 수 있다. 최적화 알고리즘은 이러한 변위를 공간 변환 오차로 잘못 해석할 수 있다. 따라서 정밀한 외부 파라미터를 추정할 때는 정확한 타임스탬프(timestamp), 동기화된 데이터 획득(synchronized acquisition), 제어된 정적 장면(controlled static scene)이 중요하다.

기계적 안정성(mechanical stability)은 유효한 외부 교정 결과가 실제 운용 중에도 유지될 수 있는지를 결정한다. 진동(vibration), 열팽창(thermal expansion), 센서 브래킷 변형(sensor bracket deformation), 기계적 충격(mechanical impact), 유지보수 또는 센서 교체는 LiDAR와 카메라의 상대 자세를 변화시킬 수 있다. 따라서 실험실에서 정확하게 수행된 교정도 현장 운용에서는 성능이 저하될 수 있다. 센서 마운트(sensor mount)는 충분한 강성을 가져야 하며, 기계적 정비 이벤트와 정렬 성능 저하 검출에 따라 재교정 기준(recalibration criteria)을 설정해야 한다.

좌표계 규약(coordinate-frame convention)은 전체 교정 과정에서 명확하게 관리되어야 한다. LiDAR와 카메라 시스템은 서로 다른 축 방향(axis direction), 좌표계 손잡이 규약(handedness convention), 회전 표현(rotation representation), 변환 방향(transformation direction)을 사용할 수 있다. 카메라-LiDAR 변환(camera-to-LiDAR transformation)과 LiDAR-카메라 변환(LiDAR-to-camera transformation)을 혼동하거나 회전과 병진을 잘못된 순서로 적용하면 외관상 그럴듯하지만 근본적으로 잘못된 결과가 발생할 수 있다. 따라서 좌표계 정의는 저장되는 모든 교정 파라미터 세트와 함께 문서화해야 한다.

변환은 로봇 또는 차량의 좌표계 계층구조(coordinate hierarchy)에도 일관되게 통합되어야 한다. LiDAR-카메라 변환을 직접 저장할 수도 있고 두 센서를 각각 공통 바디 좌표계(common body frame)에 연결할 수도 있다. 이후 변환 체이닝(transformation chaining)을 통해 LiDAR, 카메라, 로봇 바디(robot body), 위치추정(localization), 지도 좌표계(map frame) 사이의 측정값을 변환할 수 있다. 일관된 좌표계 관리는 교정 결과를 인지, 위치추정, 지도작성, 시각화(visualization), 진단 소프트웨어(diagnostic software) 전체에서 재사용할 수 있도록 한다.

다중 카메라(multi-camera) 또는 다중 LiDAR(multi-LiDAR) 시스템에서는 센서 쌍별 교정(pairwise calibration)이 전체적인 기하학적 일관성(global geometric consistency)을 유지해야 한다. 센서 쌍을 독립적으로 최적화하면 센서 네트워크를 통해 변환을 연쇄적으로 연결할 때 작은 불일치가 누적될 수 있다. 공통 기준 좌표계(common reference frame) 또는 공동 최적화(joint optimization)를 이용하면 이러한 충돌을 줄일 수 있다. 이는 AMR이 차량 전체 주변의 중첩 인지 범위를 확보하기 위해 여러 카메라와 LiDAR를 사용하는 경우 더욱 중요하다.

최종 변환에는 6개의 공칭 파라미터 값만 저장하는 것이 아니라 교정 불확실성(calibration uncertainty)도 함께 관리해야 한다. 측정 잡음(measurement noise), 타깃 위치 결정 오차(target localization error), 제한된 기하학적 다양성, LiDAR 샘플링 밀도(sampling density), 카메라 특징 불확실성(camera feature uncertainty)은 모두 추정된 자세의 신뢰도에 영향을 준다. 반복 교정과 통계 분석(statistical analysis)을 통해 파라미터 반복성을 평가하고 관측 가능성이 약한 방향(weakly observable direction)을 식별할 수 있으며, 이는 단일 최적화 변환값보다 더욱 의미 있는 평가를 제공한다.

AMR(Autonomous Mobile Robot) 또는 피지컬 AI 시스템(Physical AI system)에서 정확한 LiDAR-카메라 정렬은 LiDAR의 기하정보에 카메라에서 얻은 외형 및 의미 정보(appearance and semantic information)를 결합할 수 있게 한다. 3차원 포인트를 이미지 영역과 연계하고 검출된 객체에 기하학적 깊이(geometric depth)를 부여하며 시각적 분류 결과를 공간 장애물 및 지도 구조와 연결할 수 있다. 따라서 교정 정확도는 센서 융합(sensor fusion), 객체 위치추정(object localization), 시맨틱 지도작성(semantic mapping), 내비게이션(navigation), 검사(inspection), 안전 관련 인지(safety-related perception)에 직접적인 영향을 준다.

생산 교정(production calibration)을 위해서는 반복 가능한 지그 및 고정구(fixtures), 제어된 타깃(controlled targets), 자동화된 데이터 품질 검사(automated data-quality checks), 파라미터 저장(parameter storage), 명확하게 정의된 합격 기준(acceptance criteria)이 필요하다. 교정 기록에는 센서 일련번호(sensor serial numbers), 하드웨어 구성, 소프트웨어 및 펌웨어 버전, 기준 좌표계, 추정된 변환, 잔차 통계, 교정 날짜(calibration date), 검증 상태(validation status)를 기록해야 한다. 이러한 추적성(traceability)을 통해 저장된 변환이 로봇에 실제로 장착된 물리적 센서 구성과 여전히 일치하는지 판단할 수 있다.

LiDAR-카메라 외부 교정은 궁극적으로 단순한 이미지 오버레이 조정(image-overlay adjustment)이 아니라 물리적인 기하학적 관계를 추정하고 검증하는 과정으로 이해해야 한다. 신뢰성 높은 교정은 내부적으로 교정된 센서에서 시작하여 관측 가능한 교차 모달 제약(cross-modal constraint)을 확립하고, 강체 변환을 추정한 후 독립적인 측정값으로 이를 검증하며, 추적 가능한 구성 관리(configuration management)를 통해 결과를 유지한다. 이러한 과정은 이후의 다중 센서 교정(multi-sensor calibration), 온라인 모니터링(online monitoring), 강건한 자율 인지(robust autonomous perception)에 필요한 공간적 일관성(spatial consistency)을 제공한다.

07.03. Intensity Calibration

LiDAR 강도 교정(LiDAR intensity calibration)은 수신된 레이저 반사 신호(laser return)의 세기와 포인트 클라우드(point cloud)에 기록되는 강도 값(intensity value) 사이에 일관된 관계를 확립하는 과정이다. 거리, 각도 또는 센서 자세를 보정하는 기하학적 교정(geometric calibration)과 달리 강도 교정은 LiDAR의 방사 측정 특성(radiometric behavior)을 다룬다. 목적은 센서 자체로 인해 발생하는 체계적 변동(systematic variation)을 감소시켜 강도 값이 관측된 표면의 광학적 응답(optical response) 차이를 보다 안정적으로 나타내도록 하는 것이다.

보고되는 강도 값은 재료 반사율(material reflectivity)을 직접 측정한 값이 아니다. 이 값은 송신 레이저 출력(transmitted laser power), 전파 손실(propagation loss), 표면 상호작용(surface interaction), 수신기 광학계(receiver optics), 광검출기 응답(photodetector response), 증폭(amplification), 임계값 처리(thresholding), 내부 신호 처리(internal signal processing)를 포함하는 전체 센싱 체인(sensing chain)의 결과이다. 따라서 동일한 재료라도 거리, 입사각, 채널, 온도 또는 센서 동작 조건에 따라 서로 다른 강도 값을 생성할 수 있다.

유용한 개념적 모델(conceptual model)은 측정 강도를 \(I_m=f(\rho,r,\alpha,P_t,G,c,T)+\epsilon_I\)로 표현한다. 여기서 \(\rho\)는 표면 반사율(surface reflectivity), \(r\)은 거리(range), \(\alpha\)는 입사각(incidence angle), \(P_t\)는 송신 광출력(transmitted optical power), \(G\)는 수신기 이득(receiver gain), \(c\)는 레이저 채널(laser channel), \(T\)는 온도(temperature), \(\epsilon_I\)는 랜덤 변동(random variation)을 나타낸다. 교정은 이러한 측정 관계에서 선택된 체계적 의존성(systematic dependency)을 보상하는 것을 목표로 한다.

거리는 반사 강도(return intensity)에 영향을 주는 가장 중요한 요소 중 하나이다. 광학 에너지(optical energy)는 전파 과정에서 확산되며 일반적으로 타깃 거리가 증가할수록 수신 신호가 감소하지만, 정확한 특성은 LiDAR 구조와 내부 신호 처리 방식에 따라 달라진다. 따라서 가까운 거리에서 관측된 표면은 동일한 표면을 먼 거리에서 관측했을 때와 상당히 다른 강도를 생성할 수 있다. 거리 보상(range compensation)은 잡음을 부적절하게 증폭하지 않으면서 이러한 거리 의존 변동을 감소시키는 것을 목표로 한다.

표면 입사각(surface incidence angle)도 수신기로 되돌아오는 광학 에너지의 양에 영향을 준다. 빔이 표면에 거의 수직으로 입사하면 동일한 빔이 작은 각도로 비스듬하게 입사하는 경우보다 강한 반사 신호를 생성할 수 있다. 이러한 효과는 표면 산란 특성(surface scattering characteristics)에 따라 달라지므로 항상 단순한 범용 코사인 보정(universal cosine correction)으로 표현할 수 있는 것은 아니다. 따라서 교정에서는 관련된 방향 범위에서 제어된 타깃(controlled target)을 이용해 각도에 따른 응답 특성을 평가해야 한다.

재료 특성(material properties)은 강도 변화의 또 다른 주요 원인이다. 밝은 확산 표면(bright diffuse surface), 어두운 표면, 재귀반사 재료(retroreflective material), 도장 금속(painted metal), 콘크리트(concrete), 유리(glass), 식생(vegetation), 젖은 표면(wet surface)은 근본적으로 서로 다른 반사 특성을 나타낼 수 있다. 강도 교정은 이러한 물리적으로 의미 있는 차이를 제거해서는 안 된다. 대신 센서에 의해 발생하는 변동을 감소시켜 환경에 의해 발생하는 차이가 거리, 채널 및 동작 조건에 걸쳐 보다 일관되게 비교될 수 있도록 해야 한다.

다중 빔 LiDAR(multi-beam LiDAR)는 개별 송신기(emitter), 검출기(detector), 광학 경로(optical path), 전자회로가 완전히 동일하지 않기 때문에 채널 간 강도 차이(channel-to-channel intensity difference)가 크게 나타날 수 있다. 동일한 기준 표면을 관측하더라도 특정 레이저 링(laser ring)이 다른 링보다 지속적으로 높은 값을 보고할 수 있다. 채널 교정(channel calibration)은 채널별 이득(gain), 오프셋(offset) 또는 응답 함수(response function)를 추정하여 서로 다른 빔의 중첩 관측값이 보다 일관된 강도 측정값을 생성하도록 한다.

측정 체인(measurement chain)은 비선형 특성(nonlinear behavior)을 포함할 수도 있다. 수신기 증폭(receiver amplification), 자동 이득 제어(automatic gain control), 검출기 포화(detector saturation), 아날로그-디지털 변환(analog-to-digital conversion), 클리핑(clipping), 독자적인 정규화(proprietary normalization) 때문에 원시 강도(raw intensity)가 수신된 광출력에 선형적으로 비례하지 않을 수 있다. 따라서 교정 모델에는 단순한 스케일 계수와 오프셋 대신 구간별 함수(piecewise function), 룩업 테이블(lookup table), 다항식 매핑(polynomial mapping), 경험적으로 추정된 응답 곡선(response curve)이 필요할 수 있다.

제어된 조건에서 강도 응답을 특성화하기 위해서는 기준 타깃(reference target)이 필요하다. 안정적이며 알려져 있거나 반복 가능한 반사 특성(reflectance properties)을 가진 타깃을 LiDAR 시야 영역(field of view)의 여러 거리와 방향에 배치할 수 있다. 측정 데이터는 충분한 채널과 스캐닝 영역을 포함해야 하며, 이를 통해 하나의 제한된 동작 조건에만 보정값을 맞추는 대신 거리 의존성, 각도 의존성, 채널 변동 및 기타 체계적 효과를 구분할 수 있다.

데이터 수집(data collection)에서는 가능한 범위에서 환경 변수(environmental variables)를 제어해야 한다. 주변 조명(ambient illumination), 타깃 오염(target contamination), 수분(moisture), 온도, 먼지(dust), 안개(fog), 대기 조건(atmospheric conditions)은 수신 광학 에너지 또는 측정 안정성을 변화시킬 수 있다. 실내 교정 시설(indoor calibration facility)은 보다 강력한 환경 제어를 제공하며, 실외 검증(outdoor validation)을 통해 교정된 응답이 실제 로봇 운용 조건에서도 유효한지 평가할 수 있다. 교정 조건은 항상 결과 파라미터와 함께 기록되어야 한다.

교정 데이터셋(calibration dataset)은 거리, 입사각, 채널 및 온도의 다양한 조합에서 기준 타깃을 반복적으로 관측한 데이터로 구성할 수 있다. 반복 측정은 평균 응답뿐 아니라 측정 분산(measurement variance)에 대한 정보도 제공한다. 이렇게 얻어진 데이터는 다차원 응답 표면(multidimensional response surface)을 형성하며, 이를 통해 보정 계수(correction coefficient) 또는 룩업 테이블을 추정할 수 있다. 동시에 관측이 부족한 영역을 식별하여 제어되지 않은 외삽(uncontrolled extrapolation)에 의존하는 것을 방지할 수 있다.

실용적인 보정 모델(correction model)의 하나로 교정된 강도를 개념적으로 \(I_c=g(I_m,r,\alpha,c,T)\)로 표현할 수 있다. 여기서 \(I_c\)는 보정된 강도(corrected intensity), \(g\)는 교정된 보상 함수(calibrated compensation function)를 의미한다. 목적이 반드시 절대적인 물리적 반사율(absolute physical reflectance)을 복원하는 것은 아니다. 많은 로보틱스 응용에서는 실험실 수준의 재료 반사율을 추정하는 것보다 다양한 측정 조건에서 안정적인 상대 강도(relative intensity)를 확보하는 것이 더 가치 있고 현실적으로 달성 가능하다.

최적화(optimization)는 동일한 응답을 가져야 하는 측정값 사이의 차이를 최소화하여 교정 파라미터를 추정할 수 있다. 예를 들어 서로 다른 채널과 거리에서 동일한 기준 타깃을 관측한 값을 공통 기준 응답(common reference response)에 맞도록 정규화할 수 있다. 약한 반사 신호, 작은 입사각의 관측, 포화된 측정값, 매우 먼 거리의 포인트는 센서의 공칭 동작 영역(nominal operating region)에 있는 측정값보다 신뢰성이 낮을 수 있으므로 가중치(weighting)는 측정 불확실성을 반영해야 한다.

포화(saturation)는 클리핑된 측정값이 실제 반사 강도에 대한 완전한 정보를 더 이상 포함하지 않기 때문에 별도로 처리해야 한다. 반사율이 높은 교통 표지(traffic marker)나 재귀반사 타깃(retroreflective target)은 수신기의 유효 범위를 초과하여 서로 다른 물리적 반사 수준에서도 최대 강도 값을 생성할 수 있다. 이러한 측정값은 교정 과정에서 검출되어야 하며 의미 있는 진폭 정보(amplitude information)를 제공하지 못한다면 별도로 모델링하거나 파라미터 추정에서 제외해야 한다.

낮은 강도의 반사 신호(low-intensity return)는 반대의 문제를 발생시킨다. 검출 임계값(detection threshold) 부근에서는 잡음과 내부 신호 처리 결정이 보고되는 값에 큰 영향을 주어 분산을 증가시킬 수 있으며, 약한 반사 신호가 완전히 사라질 수 있기 때문에 선택 편향(selection bias)이 발생할 수도 있다. 따라서 교정에서는 검출된 포인트의 강도 값뿐 아니라 반사 신호 검출 자체가 신뢰성을 잃기 시작하는 영역도 특성화해야 하며, 이는 특히 어두운 타깃과 장거리 관측에서 중요하다.

온도는 레이저 출력(laser output power), 검출기 감도(detector sensitivity), 전자회로 이득(electronic gain), 타이밍 회로(timing circuit), 광학 정렬(optical alignment)을 변화시킬 수 있다. 센서 시동 직후 측정된 채널 응답은 열적 안정화(thermal stabilization) 이후의 응답과 다를 수 있다. 온도 특성화(temperature characterization)를 통해 고정된 교정값으로 충분한지 또는 온도 의존 계수(temperature-dependent coefficient)가 필요한지를 판단할 수 있다. 실외에서 운용되는 이동 로봇의 경우 예상되는 환경 및 센서 내부 온도 범위를 포함하여 평가해야 한다.

강도 교정은 강도 기반 인지 알고리즘(intensity-based perception algorithm)과 명확하게 구분되어야 한다. 교정은 체계적인 측정 특성을 보정하는 과정인 반면, 인지는 보정된 값을 차선 표시 검출(lane-marker detection), 표면 분류(surface classification), 랜드마크 인식(landmark recognition), 위치추정(localization), 시맨틱 지도작성(semantic mapping) 등의 작업에 활용하고 해석한다. 교정과 해석이 혼합되면 보정 모델이 후속 인지 시스템에서 구별해야 하는 의미 있는 재료 차이를 의도하지 않게 억제할 수 있다.

검증(validation)은 교정 파라미터 추정에만 사용된 데이터가 아니라 독립적인 타깃과 관측 데이터를 이용하여 수행해야 한다. 보정된 강도는 거리, 채널, 입사각, 온도, 스캐닝 방향(scanning direction)에 따른 일관성을 평가할 수 있다. 동일한 기준 표면에서는 잔여 변동(residual variation)이 감소해야 하지만 물리적으로 서로 다른 재료는 여전히 구분되어야 한다. 이를 통해 교정이 단순히 교정 데이터셋에 적합되는 것이 아니라 실제 측정 일관성을 개선했는지 확인할 수 있다.

통계적 지표(statistical metrics)는 합격 기준(acceptance criteria)을 설정하기 위한 실용적인 기반을 제공한다. 평균 채널 편차(mean channel deviation), 변동계수(coefficient of variation), 거리 의존 잔차 오차(range-dependent residual error), 반복성(repeatability), 온도 드리프트(temperature drift), 포화율(saturation rate)을 교정 전후에 모니터링할 수 있다. 평면 타깃 전체에 대한 보정 강도의 공간적 시각화(spatial visualization)도 유용하며, 체계적인 줄무늬나 링 패턴은 하나의 종합 오차 값에서는 쉽게 확인되지 않는 잔여 채널 의존 특성을 보여줄 수 있다.

강도 교정은 동일한 AMR(Autonomous Mobile Robot) 또는 로봇 플랫폼에 여러 LiDAR를 사용하는 경우 특히 중요해진다. 동일한 모델의 센서라도 제조 공차(manufacturing tolerance), 노화(aging), 펌웨어, 동작 온도에 따라 서로 다른 강도 분포(intensity distribution)를 보고할 수 있다. 센서 간 정규화(sensor-to-sensor normalization)는 포인트 클라우드를 결합할 때 일관성을 향상시킬 수 있지만, 어떤 센서가 각 측정값을 생성했는지 그리고 어떤 보정 모델이 적용되었는지를 식별하는 메타데이터(metadata)는 유지해야 한다.

교정된 강도 신호(calibrated intensity signal)는 순수한 기하정보 이상의 정보를 제공하여 위치추정과 지도작성(localization and mapping)을 지원할 수 있다. 형상은 유사하지만 광학 응답이 서로 다른 표면을 구분할 수 있으며, 안정적인 강도 패턴(intensity pattern)은 정합(registration)을 위한 추가 랜드마크(landmark)를 제공할 수 있다. 검사 로봇(inspection robot)에서는 환경 및 재료 효과를 신중하게 해석한다는 전제하에 강도 변화가 표시(marking), 표면 전이(surface transition), 오염(contamination) 또는 기타 상태를 검출하는 데 기여할 수 있다.

교정 파라미터는 해당 파라미터가 생성된 특정 LiDAR, 펌웨어, 동작 모드(operating mode), 교정 절차와 연결되어 추적 가능해야 한다. 레이저 출력 설정, 리턴 모드(return mode), 펌웨어 처리 방식, 센서 교체, 광학계 수리(optical repair), 심각한 노화 변화는 이전의 보정값을 무효화할 수 있다. 따라서 교정 기록(calibration record)에는 센서 식별정보(sensor identity), 기준 타깃, 환경 조건, 응답 모델(response model), 잔차 통계(residual statistics), 소프트웨어 버전 및 검증 결과를 보존해야 한다.

LiDAR 강도 교정은 궁극적으로 센서 의존적인 진폭 값(sensor-dependent amplitude value)을 보다 안정적이고 해석 가능한 측정값으로 변환하면서 표면 응답의 물리적으로 의미 있는 차이를 보존하는 과정이다. 고유 기하 교정(intrinsic geometric calibration) 및 LiDAR-카메라 외부 교정(LiDAR-camera extrinsic calibration)과 결합하면 전체 센싱 파이프라인(sensing pipeline)의 일관성을 향상시키며, 다중 LiDAR 통합(multi-LiDAR integration), 센서 융합(sensor fusion), 지도작성(mapping), 인지(perception), 신뢰성 높은 피지컬 AI(Physical AI) 운용을 위한 LiDAR 데이터를 준비할 수 있다.

07.04. Multi LiDAR Calibration

다중 LiDAR 교정(Multi-LiDAR calibration)은 두 개 이상의 LiDAR 센서 사이의 공간적 관계(spatial relationships)를 설정하여 각 센서의 측정값을 공통 좌표계(common coordinate frame)에서 일관되게 표현할 수 있도록 하는 과정이다. 단일 센서 고유 교정(single-sensor intrinsic calibration)이 내부의 거리 및 각도 특성을 보정하는 것과 달리, 다중 LiDAR 교정은 주로 센서 사이의 상대 강체 변환(relative rigid-body transformations)을 결정한다. 이를 통해 개별 포인트 클라우드(point cloud)를 주변 환경에 대한 하나의 기하학적으로 일관된 표현으로 통합할 수 있다.

두 개의 LiDAR를 사용하는 경우 상대 변환(relative transformation)은 \(\mathbf{p}B=\mathbf{R}{BA}\mathbf{p}A+\mathbf{t}{BA}\)로 표현할 수 있다. 여기서 \(\mathbf{p}A\)는 LiDAR A 좌표계에서 표현된 포인트이고, \(\mathbf{p}_B\)는 LiDAR B 좌표계에서 표현된 동일 포인트이며, \(\mathbf{R}{BA}\)는 상대 회전(relative rotation), \(\mathbf{t}_{BA}\)는 병진(translation)을 의미한다. 이 여섯 개의 변환 파라미터는 센서 좌표계 사이의 완전한 강체 기하학적 관계(rigid geometric relationship)를 나타낸다.

여러 개의 LiDAR를 장착한 로봇은 센서 간 변환만을 유지하기보다 일반적으로 공통 바디 또는 베이스 좌표계(common body or base frame)를 사용한다. 각 LiDAR는 \(\mathbf{T}_{BL_i}\)와 같이 이 기준 좌표계에 대해 교정될 수 있으며, 여기서 \(B\)는 바디 좌표계(body frame), \(L_i\)는 개별 LiDAR를 나타낸다. 이러한 구조는 변환 체이닝(transformation chaining)을 단순화하고 모든 포인트 클라우드를 인지(perception), 위치추정(localization), 지도작성(mapping), 내비게이션(navigation)이 공유하는 좌표계로 직접 변환할 수 있게 한다.

다중 LiDAR 교정은 각 개별 센서의 고유 기하구조(intrinsic geometry)가 충분히 정확하다는 것을 전제로 한다. 체계적인 거리 바이어스(systematic range bias), 빔 각도 오차(beam-angle error), 채널 의존 왜곡(channel-dependent distortion)이 존재하면 센서 간 불일치로 나타나 외부 변환(extrinsic transformation)에 잘못 흡수될 수 있다. 따라서 요구되는 정확도가 공장 출하 센서 파라미터의 불확실성을 초과한다면 다중 센서 공간 교정 전에 고유 교정을 수행해야 한다.

가장 유용한 교정 정보는 여러 LiDAR가 동일한 물리적 구조를 관측하는 영역에서 얻어진다. 중첩 시야 영역(overlapping fields of view)은 상대 센서 자세(relative sensor pose)를 제약할 수 있는 공통 평면, 에지(edge), 코너(corner), 기둥(pole), 벽, 바닥 또는 기타 기하학적 특징을 제공한다. 중첩 영역의 크기와 기하학적 다양성(geometric diversity)은 관측 가능성(observability)에 큰 영향을 미치며, 하나의 단순한 평면만 포함하는 좁은 중첩 영역으로는 6자유도(six degrees of freedom)를 모두 신뢰성 있게 제약하기 어려울 수 있다.

타깃 기반 방법(target-based method)은 중첩 센싱 영역에 알려진 교정 객체(calibration object)를 배치한다. 평면 보드(planar board), 기하학적 패널(geometric panel), 기둥 또는 특별히 설계된 3차원 타깃은 여러 LiDAR에서 반복적으로 검출 가능한 특징을 제공할 수 있다. 서로 다른 위치, 거리, 높이 및 방향에서 타깃을 관측하면 다양한 제약 조건을 생성하여 변환 추정 과정에서 회전 파라미터와 병진 파라미터 사이의 모호성(ambiguity)을 감소시킬 수 있다.

무타깃 교정(targetless calibration)은 별도의 교정 장비 대신 자연적으로 존재하는 환경 기하구조(environmental geometry)를 사용한다. 벽, 건물 구조, 도로 표면, 연석(curb), 기둥 및 기타 안정적인 객체는 전용 교정 장비 없이도 대응관계(correspondence)를 제공할 수 있다. 이 방법은 현장 재교정(field recalibration)에 유용하지만 정확도는 환경 구조, 대응관계의 품질, 움직이는 객체와 측정 잡음으로부터 정적인 기하구조를 구분하는 능력에 크게 좌우된다.

초기 변환 추정값(initial transformation estimate)은 일반적으로 기계 도면(mechanical drawing), CAD 기하구조(CAD geometry), 장착 치수(mounting dimensions), 대략적인 수동 측정값을 이용해 얻는다. 이 추정값이 최종 교정 정확도를 제공할 필요는 없지만, 대응하는 포인트 클라우드가 정합(registration) 또는 비선형 최적화(nonlinear optimization)가 올바르게 수렴할 수 있을 정도로 가까워야 한다. 초기 오차가 크면 잘못된 특징 대응이 발생하여 기하학적으로 그럴듯하지만 잘못된 해에 수렴할 수 있다.

포인트 클라우드 정합(point-cloud registration)은 상대 변환을 정밀하게 조정하는 직접적인 방법을 제공한다. 반복 최근접점(Iterative Closest Point, ICP) 및 관련 방법은 기하학적 관측값 사이의 대응관계를 반복적으로 설정하고 정렬 오차를 줄이도록 회전과 병진을 최적화한다. 구조화된 환경에서는 평면 표면이 강력한 기하학적 제약을 제공하고 LiDAR 샘플링 위치 차이에 대한 민감도를 감소시키므로 단순한 점-점 거리(point-to-point distance)보다 점-평면 잔차(point-to-plane residual)가 유용한 경우가 많다.

교정 목적함수(calibration objective)는 개념적으로 \(\sum_i w_i d(\mathbf{T}\mathbf{p}_i,\mathcal{S}_i)^2\)를 최소화하는 형태로 표현할 수 있다. 여기서 \(\mathbf{T}\)는 후보 변환(candidate transformation), \(\mathbf{p}_i\)는 한 센서에서 측정된 포인트, \(\mathcal{S}_i\)는 다른 센서가 측정한 대응 기하학적 특징, \(d\)는 적절한 잔차 함수(residual function), \(w_i\)는 신뢰도 가중치(confidence weight)를 의미한다. 강건 손실 함수(robust loss)는 잘못된 대응관계와 이상치(outlier)의 영향을 줄이는 데 사용할 수 있다.

서로 다른 기하구조는 서로 다른 변환 성분을 제약하기 때문에 기하학적 다양성이 필수적이다. 수평 바닥(horizontal floor)은 수직 방향의 변위와 일부 회전을 강하게 제약하지만 평면을 따라 발생하는 병진에 대해서는 제한된 정보만 제공한다. 수직 벽(vertical wall)은 보완적인 제약을 제공하며, 코너, 기둥 및 여러 비평행 평면(nonparallel planes)은 관측 가능성을 더욱 향상시킨다. 따라서 교정 데이터셋에는 하나의 지배적인 표면이 아니라 충분히 다양한 3차원 구조가 포함되어야 한다.

로봇이나 주변 객체가 교정 중 움직이는 경우 시간 동기화(temporal synchronization)가 중요하다. 동일한 환경을 서로 다른 시간에 스캔하는 LiDAR는 객체를 서로 다른 위치에서 관측하거나 서로 다른 로봇 자세(robot pose)를 포착할 수 있다. 이러한 시간 차이는 공간적 오정렬(spatial misalignment)처럼 나타나 추정된 외부 파라미터를 왜곡할 수 있다. 따라서 요구되는 교정 정밀도에 따라 하드웨어 동기화(hardware synchronization), 정확한 타임스탬프(timestamp), 정적 장면(static scene), 모션 보상(motion compensation)을 사용해야 한다.

회전형 LiDAR(rotating LiDAR)는 하나의 전체 스캔이 순간적으로 획득되는 것이 아니라 일정한 시간에 걸쳐 획득되기 때문에 모션 왜곡(motion distortion)이라는 추가적인 문제가 발생한다. 로봇이 이동하면 동일한 스캔 내부의 포인트들도 서로 다른 센서 자세에서 측정된다. 여러 LiDAR의 스캐닝 위상(scanning phase)이나 주파수가 서로 다르면 각 포인트 클라우드에 서로 다른 왜곡이 나타날 수 있다. 고정밀 다중 LiDAR 정합을 수행하기 전에 디스큐잉(deskewing) 또는 궤적 기반 보상(trajectory-based compensation)이 필요할 수 있다.

두 센서가 충분한 중첩 영역을 가지는 경우 센서 쌍별 교정(pairwise calibration)은 비교적 간단하지만, 센서 네트워크가 커지면 일관성 문제가 발생한다. 인접한 LiDAR 쌍 사이의 변환을 독립적으로 추정하면 작은 오차가 변환 체인(transformation chain)을 따라 누적될 수 있다. 예를 들어 여러 센서의 변환을 순차적으로 거쳐 시작 좌표계로 돌아왔을 때 항등 변환(identity transformation)이 얻어지지 않을 수 있으며, 이러한 불일치는 누적된 교정 오차를 의미한다.

공동 최적화(joint optimization)는 모든 센서 쌍을 독립적으로 처리하지 않고 여러 센서 자세를 동시에 추정하여 이러한 문제를 해결한다. 중첩되는 모든 센서 조합의 측정값이 하나의 공통 목적함수에 기여하며, 하나의 센서 또는 로봇 바디 좌표계를 기준으로 고정한다. 이러한 접근법은 측정 오차를 센서 네트워크 전체에 분배하고 전방, 후방 및 측면 LiDAR를 사용하는 로봇에서 특히 중요한 전역적으로 일관된 변환(globally consistent transformation)을 구현할 수 있다.

교정 그래프(calibration graph)는 대규모 시스템을 표현하는 데 유용하다. 각각의 LiDAR 좌표계를 노드(node)로 표현하고 측정된 상대 변환 또는 공유된 기하학적 관측값을 에지(edge)로 표현할 수 있다. 그래프 최적화(graph optimization)는 사용 가능한 모든 제약 조건을 가장 잘 만족하는 센서 자세를 추정한다. 센서 사이에 여러 개의 독립적인 경로를 제공하는 중복 중첩(redundant overlap)은 일관되지 않은 측정값이나 교정이 취약한 결과를 검출하는 데 추가적인 정보를 제공하므로 유용하다.

가능한 경우 검증(validation)은 파라미터 추정에 사용하지 않은 독립적인 관측 데이터를 이용해야 한다. 모든 포인트 클라우드를 공통 좌표계로 변환한 후 서로 다른 LiDAR가 관측한 동일한 물리적 표면은 체계적인 이중 에지(double edge), 분리된 평면(separated plane), 중복 구조(duplicated structure) 없이 일치해야 한다. 벽, 기둥, 바닥 경계, 차량 및 교정 타깃은 잔여 오정렬(residual misalignment)을 검출하기 위한 직관적인 시각적·정량적 기준을 제공한다.

수치적 검증(numerical validation)에서는 점-평면 잔차, 중첩 영역 정합 오차(overlap registration error), 변환 반복성(transformation repeatability), 회전 편차(rotational deviation), 병진 편차(translational deviation), 교정 루프 일관성(calibration-loop consistency)을 평가할 수 있다. 이러한 지표는 하나의 전체 평균값으로만 요약하지 않고 공유 시야 영역의 여러 위치에서 평가해야 한다. 국부적인 잔차 패턴은 특정 센서, 채널, 거리, 장착 방향 또는 충분히 제약되지 않은 파라미터와 관련된 오차를 나타낼 수 있다.

교정 불확실성(calibration uncertainty)은 추정된 모든 변환과 함께 관리되어야 한다. 제한된 중첩 영역, 낮은 포인트 밀도, 측정 잡음, 부적절한 타깃 기하구조, 환경의 동적 변화, 불확실한 초기값은 모두 파라미터 신뢰도(parameter confidence)에 영향을 준다. 독립적인 데이터셋으로 교정을 반복하면 변환 안정성(transformation stability)에 대한 정보를 얻을 수 있으며, 공분산(covariance) 또는 민감도 분석(sensitivity analysis)을 통해 사용 가능한 관측값으로 충분히 제약되지 않는 자유도를 식별할 수 있다.

기계적 장착 정확도와 안정성(mechanical mounting accuracy and stability)은 교정 결과가 얼마나 오랫동안 유효하게 유지되는지를 결정한다. 센서 브래킷(sensor bracket)은 진동, 충격, 열팽창, 페이로드 하중(payload loading), 유지보수 또는 로봇 섀시의 구조적 휨(structural flex)으로 변형될 수 있다. 작은 각도 변화도 장거리에서는 상당한 불일치를 발생시킬 수 있다. 따라서 기계 설계는 강성이 높고 반복 가능한 장착 구조를 제공해야 하며, 정비 절차에서는 센서 제거 또는 구조 작업 이후 재교정이 필요한 조건을 정의해야 한다.

AMR(Autonomous Mobile Robot)에서는 수평 방향의 인지 범위를 확대하고 사각지대(blind region)를 감소시키며 장애물 검출을 향상시키거나 상호 보완적인 센싱 거리를 확보하기 위해 여러 LiDAR를 사용하는 경우가 많다. 교정이 완료되면 각 센서의 측정값을 차량 좌표계(vehicle frame)로 변환하여 위치추정, 지도작성, 자유 공간 추정(free-space estimation), 충돌 회피(collision avoidance), 도킹(docking), 환경 모델링(environmental modeling)에 통합할 수 있다. 올바른 교정은 하나의 물리적 장애물이 융합된 표현에서 여러 개의 서로 어긋난 객체로 나타나는 것을 방지한다.

서로 다른 구조나 사양을 가진 LiDAR를 사용하는 경우 교정은 특히 중요하다. 하나의 시스템에서 2D LiDAR와 3D LiDAR를 결합하거나 서로 다른 수직 시야각(vertical field of view), 각도 분해능(angular resolution), 스캐닝 주파수를 가진 센서를 사용할 수 있다. 이들 포인트 클라우드가 동일한 샘플링 패턴을 가질 것으로 기대해서는 안 된다. 따라서 교정은 각 센서의 측정 분포를 동일하게 만드는 것이 아니라 센서들이 측정하는 기본 기하구조(underlying geometry)를 정렬하는 과정이다.

생산 및 현장 교정(production and field calibration)에서는 제어된 파라미터 관리(controlled parameter management)가 필요하다. 각 변환은 센서 일련번호(sensor serial number), 장착 위치(mounting position), 펌웨어 버전(firmware version), 로봇 구성(robot configuration), 교정 소프트웨어, 기준 좌표계, 타임스탬프, 잔차 통계 및 검증 결과와 연결되어야 한다. 물리적으로 동일한 모델의 LiDAR를 교체하더라도 장착 공차(mounting tolerance)에 의해 실제 센서 자세가 달라질 수 있으므로 기존 변환이 자동으로 유효하다고 가정해서는 안 된다.

다중 LiDAR 교정은 궁극적으로 물리적으로 분리된 여러 LiDAR 장치를 하나의 통합된 기하학적 센싱 시스템(unified geometric sensing system)으로 만드는 과정이다. 정확한 고유 측정(intrinsic measurement), 충분한 중첩 기하구조(overlapping geometry), 신뢰할 수 있는 대응관계, 동기화된 데이터 획득(synchronized acquisition), 강건한 최적화(robust optimization), 불확실성 분석 및 독립적인 검증이 함께 교정 품질을 결정한다. 그 결과 생성되는 공통 좌표계 포인트 클라우드(common-frame point cloud)는 다중 센서 인지, 지도작성, 위치추정, 내비게이션, 안전(safety), 피지컬 AI(Physical AI) 운용에 필요한 기하학적 일관성을 제공한다.

07.05. LiDAR Calibration Target Design

LiDAR 교정 타깃 설계(LiDAR calibration target design)는 LiDAR 교정 파라미터를 추정하고 검증하기 위해 사용하는 기준 객체(reference object)의 물리적 기하구조, 치수, 표면 특성 및 장착 특성을 정의한다. LiDAR 교정 워크플로(workflow)에서 타깃은 고유 교정(intrinsic calibration), 외부 교정(extrinsic calibration), 강도 교정(intensity calibration), 다중 LiDAR 교정(multi-LiDAR calibration)을 위한 제어된 기하학적 제약 조건을 제공한다. 잘 설계된 타깃은 LiDAR에서 안정적으로 관측될 수 있어야 하며 물리적 위치를 충분히 낮은 불확실성으로 결정할 수 있는 특징을 제공해야 한다.

가장 기본적인 요구사항은 관측 가능성(observability)이다. 교정 타깃은 추정하려는 파라미터를 제약할 수 있을 만큼 충분히 독립적인 기하학적 정보를 생성해야 한다. 하나의 큰 평면은 매우 우수한 평면 제약(plane constraint)을 제공하지만 모든 병진 및 회전 성분을 독립적으로 결정하지 못할 수 있다. 에지(edge), 코너(corner), 구멍(hole), 다중 평면(multiple planes), 3차원 특징을 추가하면 기하학적 다양성이 증가하고 최적화 과정의 모호성(ambiguity)을 줄일 수 있다.

타깃 치수(target dimensions)는 LiDAR의 각도 분해능(angular resolution), 빔 간격(beam spacing), 동작 거리(operating distance), 목표 교정 정확도에 따라 선정해야 한다. 2미터 거리에서는 충분히 큰 타깃이라도 20미터 거리에서는 매우 적은 수의 레이저 반사점만 얻을 수 있다. 빔 사이의 각도 간격을 \(\Delta\theta\)라고 하면 인접한 관측점 사이의 대략적인 간격은 거리가 증가함에 따라 커지므로 타깃 크기와 특징 치수는 목표 교정 거리와 밀접한 관계를 가진다.

평면 타깃(planar target)은 여러 LiDAR 포인트를 이용해 평면을 강건하게 추정할 수 있기 때문에 널리 사용된다. 평평한 보드(flat board)는 거리 검증(range validation), 각도 교정(angular calibration), 센서 정렬(sensor alignment), 포인트 클라우드 정합(point-cloud registration)에 효과적인 점-평면 제약(point-to-plane constraint)을 제공한다. 보드는 자체 무게, 장착력, 온도 변화, 반복적인 취급에서도 충분한 평탄도(flatness)를 유지해야 한다. 물리적 변형은 교정 과정에서 센서 측정 오차와 구별하기 어렵기 때문이다.

평면의 방향(plane orientation)은 타깃 크기만큼 중요하다. 모든 교정 관측에서 거의 동일한 타깃 방향을 사용하면 일부 변환 파라미터가 충분히 관측되지 않을 수 있다. 타깃을 기울이고 회전시키면 서로 다른 LiDAR 채널이 사용되고 다양한 공간 방향의 제약 조건이 생성된다. 따라서 센서의 시야 영역(field of view) 전체에 분포된 여러 타깃 자세(target pose)는 하나의 고정된 정면 평면을 반복적으로 측정하는 것보다 훨씬 강력한 교정 정보를 제공한다.

에지와 코너는 평면 제약을 보완하는 국부적인 기하학적 특징(localized geometric feature)을 제공한다. 직사각형 보드는 식별 가능한 경계를 형성하며, 특별히 설계된 절개부(cutout)나 기하학적 프로파일(geometric profile)은 포인트 클라우드에서 추가적인 불연속 특징을 생성할 수 있다. 특징 치수는 예상되는 LiDAR 샘플링 간격(sampling interval)보다 충분히 커야 하며, 하나의 빔이나 불확실한 에지 측정에 의존하지 않고 충분한 수의 반사점으로 특징을 표현할 수 있어야 한다.

3차원 타깃(three-dimensional target)은 하나의 물리적 구조 안에 여러 개의 비평행 표면(nonparallel surfaces)을 제공함으로써 교정 성능을 향상시킬 수 있다. 큐브(cube), 박스(box), 계단형 구조(stepped structure), 다중 평면 조립체(multi-plane assembly)는 여러 회전 및 병진 방향을 동시에 제약할 수 있다. 그러나 이러한 타깃의 유용성은 정확하게 알려진 기하구조와 제작 품질에 좌우된다. 타깃 표면 사이의 상대 각도가 불확실하면 최적화 알고리즘이 타깃 자체에서 발생한 오차를 센서 파라미터 오차로 추정할 수 있다.

타깃 제작 공차(target manufacturing tolerance)는 평가하려는 교정 정확도보다 충분히 작아야 한다. 따라서 치수, 평면 평탄도, 직각도(perpendicularity), 특징 위치(feature location), 장착 인터페이스(mounting interface)는 요구되는 불확실성 예산(uncertainty budget)에 따라 규정해야 한다. 센티미터 수준의 정확도를 목표로 하는 교정 시스템은 비교적 단순하게 제작된 타깃을 사용할 수 있지만, 밀리미터 수준의 교정에는 보다 정밀한 제작, 측정 및 기준 기하구조 검증이 필요하다.

타깃 좌표계(target coordinate frame)는 모호하지 않도록 명확하게 정의해야 한다. 편리한 원점(origin)은 보드 중심, 코너, 특정 기하학적 특징 또는 기계적 데이텀(mechanical datum)에 설정할 수 있으며 축 방향도 명확하게 규정해야 한다. 모든 타깃 치수와 검출된 특징은 이 좌표계를 기준으로 표현해야 한다. 안정적으로 정의된 타깃 좌표계는 변환 추정을 단순화하고 여러 자세, 센서 및 교정 세션에서 얻은 관측값을 일관되게 비교할 수 있도록 한다.

표면 재료(surface material)는 단순한 시각적 외관이 아니라 LiDAR 파장(wavelength)과 측정 원리에 따라 선정해야 한다. 사람의 눈에 밝게 보이는 표면이 반드시 원하는 근적외선 응답(near-infrared response)을 제공하는 것은 아니다. 타깃은 과도한 정반사(specular reflection), 다중경로 효과(multipath effect), 포화(saturation)를 발생시키지 않으면서 충분히 강하고 안정적인 반사 신호를 생성해야 한다. 기하학적 일관성이 최대 신호 강도보다 중요한 경우에는 무광 및 확산 표면(matte and diffuse surface)이 일반적으로 유용하다.

강도 교정(intensity calibration)은 순수한 기하학적 교정보다 더욱 엄격하게 제어된 표면 특성을 요구한다. 기준 영역(reference region)에는 서로 다르지만 반복 가능한 반사율 수준(reflectance level)을 가진 재료를 사용하여 유효한 강도 범위에서 센서 응답을 특성화할 수 있다. 높은 반사율, 중간 응답 및 낮은 응답 영역을 이용하면 비선형 특성(nonlinear behavior), 채널 변동(channel variation), 검출 임계값(detection threshold), 포화 특성을 확인할 수 있으며, 교정 과정 전체에서 광학적 특성이 안정적으로 유지되어야 한다.

재귀반사 재료(retroreflective material)는 특징적인 고강도 반사 신호를 생성하므로 타깃 경계 또는 랜드마크(landmark)를 검출하는 데 유용하다. 그러나 이러한 재료의 응답은 LiDAR 수신기를 포화시킬 수 있고 기하학적 조건에 따라 크게 달라질 수 있으므로 주의해서 사용해야 한다. 기하학적 표면과 선택적인 재귀반사 마커(retroreflective marker)를 결합한 타깃은 전체 교정 표면을 센서의 최대 강도 범위 근처에서 동작시키지 않으면서도 강건한 식별 성능을 제공할 수 있다.

LiDAR-카메라 교정(LiDAR-camera calibration)에는 두 센싱 모달리티(sensing modalities)에서 모두 안정적으로 검출할 수 있는 타깃이 필요하다. 카메라는 체커보드 코너(checkerboard corner)나 기타 시각적 패턴을 정밀하게 식별할 수 있지만 LiDAR는 주로 보드의 물리적 표면과 경계를 관측한다. 따라서 시각 패턴과 LiDAR에서 관측 가능한 물리적 특징 사이의 기하학적 관계를 정확하게 알고 있어야 한다. 인쇄 정확도가 높더라도 인쇄 패턴이 보드 기하구조와 정확하게 정렬되지 않았다면 충분하지 않다.

다중 LiDAR 교정(multi-LiDAR calibration)의 경우 서로 다른 장착 위치와 시야 영역을 가진 센서에서 타깃을 동시에 또는 순차적으로 관측할 수 있어야 한다. 센서 사이의 중첩 영역(overlap)이 제한적일 때는 대형 평면 보드나 3차원 타깃이 유용하다. 각 센서에서 충분한 포인트 밀도(point density)를 확보할 수 있는 위치에 타깃을 배치해야 한다. 하나의 기하학적으로 취약한 중첩 구성만으로 시스템을 교정하는 것을 방지하기 위해 일반적으로 여러 타깃 자세가 필요하다.

타깃 배치(target placement)는 시야 영역 중앙에만 집중하지 않고 목표 동작 공간(intended operating volume) 전체를 포함해야 한다. 서로 다른 수평 및 수직 위치에서 측정하면 각도 또는 채널 의존 오차를 확인할 수 있으며, 여러 거리에서의 관측을 통해 거리 의존 특성(range-dependent behavior)을 파악할 수 있다. 따라서 교정 데이터셋은 센서의 유효 측정 영역에서 대표적인 근거리, 중거리 및 원거리 범위에 타깃 관측값이 분포하도록 구성해야 한다.

기계적 장착(mechanical mounting)은 데이터 수집 과정 전체에서 타깃의 기하구조를 유지해야 한다. 유연한 삼각대(flexible tripod)나 충분히 고정되지 않은 지지대에 장착된 타깃은 진동, 공기 흐름, 바닥 움직임 또는 우발적인 접촉으로 이동할 수 있다. 높은 정확도가 요구되는 경우 작은 움직임도 반복 관측값을 손상시킬 수 있다. 따라서 지지 구조는 충분한 강성, 안정성 및 반복성을 제공하면서도 타깃의 위치와 방향을 제어된 방식으로 변경할 수 있어야 한다.

생산 교정(production calibration)에서는 타깃 취급과 반복성(repeatability)이 주요 설계 고려사항이 된다. 고정구(fixtures)를 이용하여 알려진 타깃 위치와 방향을 정의하면 모든 로봇 또는 센서 조립체가 거의 동일한 교정 기하구조를 경험하도록 할 수 있다. 기계적 데이텀, 위치결정 핀(locating pin), 스토퍼(stop), 제어된 장착 인터페이스를 사용하면 작업자에 따른 변동(operator-dependent variation)을 줄일 수 있다. 자동화 시스템에서는 추가적으로 타깃 존재 여부를 확인하고 포인트 밀도나 방향이 부적절한 측정값을 거부할 수 있다.

휴대형 타깃(portable target)은 대형 정밀 고정구를 사용할 수 없는 현장 재교정(field recalibration)에 더욱 적합하다. 휴대성을 높이려면 크기, 강성, 무게, 설치 정확도 및 측정 거리 사이의 절충(tradeoff)이 필요하다. 접이식 또는 모듈형 타깃(foldable or modular target)은 운반성을 향상시킬 수 있지만 연결부와 조립 인터페이스가 제어되지 않은 기하학적 오차를 발생시켜서는 안 된다. 현장 절차에는 조립된 타깃이 요구되는 치수 공차 내에 있는지를 확인하는 간단한 검사가 포함되어야 한다.

환경 내구성(environmental durability)도 고려해야 한다. 온도, 습도, 햇빛, 비, 먼지, 오염 및 반복적인 세척은 타깃의 기하구조 또는 광학 응답을 변화시킬 수 있다. 재료는 예상되는 교정 환경 전체에서 치수 안정성(dimensional stability)과 표면 특성을 유지할 수 있도록 선정해야 한다. 특히 강도 교정용 타깃은 표면 노화(surface aging)나 오염이 물리적 기하구조의 변화 없이도 반사율을 변화시킬 수 있으므로 더욱 세심한 관리가 필요하다.

교정 타깃 품질(calibration-target quality)은 설계 치수만을 신뢰하지 말고 독립적으로 검증해야 한다. 중요한 치수는 적절한 계측 장비(metrology equipment)를 이용해 측정할 수 있으며 평면 표면은 평탄도를 검사할 수 있다. 이렇게 측정된 실제 기하구조(measured geometry)를 공칭 CAD 치수에만 의존하는 대신 실제 기준 모델(reference model)로 저장할 수 있다. 이를 통해 제작 편차가 LiDAR 교정 오차로 잘못 해석되는 것을 방지할 수 있다.

타깃 검출 소프트웨어(target detection software)와 물리적 타깃 설계는 함께 개발되어야 한다. 기하학적으로 복잡한 타깃이라도 희소하거나 잡음이 많은 포인트 클라우드에서 특징을 안정적으로 추출할 수 없다면 실질적인 이점이 거의 없다. 반대로 강한 평면, 에지 및 코너 특징을 가진 단순한 형상은 강건한 자동 검출(automated detection)을 지원할 수 있다. 따라서 특징 추출 불확실성(feature extraction uncertainty)을 고려하여 타깃 치수, 특징 간격, 표면 재료 및 교정에 필요한 관측 횟수를 결정해야 한다.

검증 타깃(validation target)은 교정 파라미터 추정에 사용하는 타깃과 분리하여 교정 품질을 독립적으로 평가할 수 있다. 교정 파라미터를 추정한 후 서로 다른 타깃 자세 또는 별도의 기준 객체를 측정하여 거리 잔차(range residual), 평면 정렬(plane alignment), 각도 일관성(angular consistency), 재투영 정확도(reprojection accuracy), 다중 LiDAR 정합(multi-LiDAR registration)을 평가할 수 있다. 독립적인 검증은 특정 교정 타깃 구성에는 잘 맞지만 다른 기하구조에는 일반화되지 않는 파라미터를 승인할 위험을 감소시킨다.

완전한 타깃 사양(target specification)에는 기하구조, 재료, 필요한 경우 반사 특성(reflectance characteristics), 치수 공차, 좌표계 정의, 장착 방법, 승인된 동작 거리, 허용 가능한 입사각(acceptable incidence angle), 환경 제한 조건 및 검사 절차를 문서화해야 한다. 타깃 식별정보(target identity)와 리비전(revision)도 교정 결과와 함께 기록하여 물리적 기준물의 변경 사항을 생산 및 현장 교정 이력 전체에서 추적할 수 있도록 해야 한다.

LiDAR 교정 타깃 설계는 궁극적으로 추상적인 교정 파라미터를 관측 가능한 물리적 제약 조건(observable physical constraints)으로 변환하는 과정이다. 타깃 기하구조는 파라미터 관측 가능성을 결정하고, 제작 정확도는 기준 불확실성(reference uncertainty)을 설정하며, 표면 특성은 측정 품질을 결정하고, 장착 안정성은 데이터 획득 과정에서 이러한 특성을 유지한다. 따라서 적절한 타깃 설계는 전체 LiDAR 교정 워크플로에서 신뢰성 높은 고유 교정, LiDAR-카메라 교정, 강도 교정 및 다중 LiDAR 교정을 가능하게 하는 물리적 기반을 제공한다.

---

저자: Richard Minsoo Go

LinkedIn: Richard Minsoo Go