라이다는 레이저 펄스를 이용해서 대상표면에서 추출된 조밀한 3차원 좌표를 신속하게 취득할 수 있어서 대상물의 3차원 모델을 자동으로 생성하는 것에 효과적으로 이용된다. 이러한 장점에 힘입어 국방 및 안보 분야에서 특히 지능형 유도 미사일과 유무인 정찰기에 라이다의 적용이 빠르게 증가하고 있다. 이에 본 연구는 라이다의 활용가능성을 사전에 검증하기 위해 라이다데이터를 시뮬레이션을 통해 생성하는 것을 목표로 한다. 이를 위해 라이다를 구성하는 GPS, IMU, LS의 기하모델링을 통해 레이저 펄스의 3차원 좌표를 계산하는 센서 방정식을 유도하였고, 이를 기반으로 주어진 시스템변수, 비행경로 및 자세, 시스템오차, 기준 DEM 등을 입력으로 모의 라이다데이터를 생성하는 프로그램을 개발하였다. 도심지역의 모의 라이다데이터 생성에 적용하였고, 생성된 데이터를 분석하여 시뮬레이션의 정확도 및 활용성을 확인하였다. 본 연구에서 개발된 시뮬레이터는 활용 알고리즘 개발을 위해 필요한 다양한 실험 데이터를 경제적으로 제공하고, 나아가 최적의 비행 및 시스템 변수의 설정에 기여할 수 있다.
라이다는 레이저 펄스를 이용해서 대상표면에서 추출된 조밀한 3차원 좌표를 신속하게 취득할 수 있어서 대상물의 3차원 모델을 자동으로 생성하는 것에 효과적으로 이용된다. 이러한 장점에 힘입어 국방 및 안보 분야에서 특히 지능형 유도 미사일과 유무인 정찰기에 라이다의 적용이 빠르게 증가하고 있다. 이에 본 연구는 라이다의 활용가능성을 사전에 검증하기 위해 라이다데이터를 시뮬레이션을 통해 생성하는 것을 목표로 한다. 이를 위해 라이다를 구성하는 GPS, IMU, LS의 기하모델링을 통해 레이저 펄스의 3차원 좌표를 계산하는 센서 방정식을 유도하였고, 이를 기반으로 주어진 시스템변수, 비행경로 및 자세, 시스템오차, 기준 DEM 등을 입력으로 모의 라이다데이터를 생성하는 프로그램을 개발하였다. 도심지역의 모의 라이다데이터 생성에 적용하였고, 생성된 데이터를 분석하여 시뮬레이션의 정확도 및 활용성을 확인하였다. 본 연구에서 개발된 시뮬레이터는 활용 알고리즘 개발을 위해 필요한 다양한 실험 데이터를 경제적으로 제공하고, 나아가 최적의 비행 및 시스템 변수의 설정에 기여할 수 있다.
A LIDAR can rapidly generate 3D points by densely sampling the surfaces of targets using laser pulses, which has been efficiently utilized to reconstruct 3D models of the targets automatically. Due to this advantage, LIDARs are increasingly applied to the fields of Defense and Security, for examples...
A LIDAR can rapidly generate 3D points by densely sampling the surfaces of targets using laser pulses, which has been efficiently utilized to reconstruct 3D models of the targets automatically. Due to this advantage, LIDARs are increasingly applied to the fields of Defense and Security, for examples, being employed to intelligently guided missiles and manned/unmanned reconnaissance planes. For the prior verification of the LIDAR applicability, this study aims at generating simulated LIDAR data. Here, we derived the sensor equation by modelling the geometric relationships between the LIDAR sub-modules, such as GPS, IMU, LS and the systematic errors associated with them. Based on this equation, we developed a program to generate simulated data with the system parameters, the systematic errors, the flight trajectories and attitudes, and the reference terrain model given. This program had been applied to generating simulated LIDAR data for urban areas. By analyzing these simulated data, we verified the accuracy and usefulness of the simulation. The simulator developed in this study will provide economically various test data required for the development of application algorithms and contribute to the optimal establishment of the flight and system parameters.
A LIDAR can rapidly generate 3D points by densely sampling the surfaces of targets using laser pulses, which has been efficiently utilized to reconstruct 3D models of the targets automatically. Due to this advantage, LIDARs are increasingly applied to the fields of Defense and Security, for examples, being employed to intelligently guided missiles and manned/unmanned reconnaissance planes. For the prior verification of the LIDAR applicability, this study aims at generating simulated LIDAR data. Here, we derived the sensor equation by modelling the geometric relationships between the LIDAR sub-modules, such as GPS, IMU, LS and the systematic errors associated with them. Based on this equation, we developed a program to generate simulated data with the system parameters, the systematic errors, the flight trajectories and attitudes, and the reference terrain model given. This program had been applied to generating simulated LIDAR data for urban areas. By analyzing these simulated data, we verified the accuracy and usefulness of the simulation. The simulator developed in this study will provide economically various test data required for the development of application algorithms and contribute to the optimal establishment of the flight and system parameters.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서 제안하는 라이다데이터를 모의 생성하는 방법을 적용하여, 주어진 기준(Reference) DEM을 이용하여 모의 라이다데이터를 생성하고자 한다. 또한, 동일 지역에 대해 각각 다른 비행경로로 설정되어 생성된 모의 라이다데이터를 비교해봄으로써, 라이다시스템 변수 중에 비행기의 이동경로(trajectory)가 실제 라이다데이터에어떤 영향을 미치는지에 대해 알아보고자 한다.
본 지역은 도심지역으로 다양한 형태 및 높이의 건물들이 포함되어 있고, 비행기의 이동경로에 따라 폐색지역이 나타날 가능성이 높은 지역이다. 본 연구에서는 제안한 시뮬레이션 방법이 다양한 지형지물에 대해서 적용이 가능한지 알아보고자 한다. DEM 격자간격은 1m, 면적은 0.
가설 설정
시스템 오차는 표 2에서 명 시된 것 중에서 오차의 크기가 상대적으로 큰 것을 선택 하였으며, 선택된 변수에 대해서 실제 라이다 측량에서 발생할 수 있는 정도의 크기로 합리적으로 설정하였다. GPS의 Bias는 l-2m 정도로 IMU Bias는 0.1-0.2°정도로 가정하였다. 이상과 같이 시스템 변수를 설정한 결과, 종 방향과 횡방향의 점 간격이 이론적으로 약 0.
본 연구에서는 생성될 모의 데이터의 점 간격을 기준으로 시스템 변수를 설정하였다. 또한, 라이다는 선형, 타원형 등 다양한 스캔 방식으로 구현되어 있으나, 본 실험에서는 가장 일반적으로 많이 활용되는 선형방식을 가정하였다. 비행방향을 기준으로 종(along)방향과 횡(across)방향에 대한 점 간격이 대략 1m가 되도록 설계하였다 종방향의 점 간격(dalong)은 식(11)과 이 플랫폼의 속도(v) 및 초당 스캔 회수(스캔레이트, rscan)를 조합하면 계산할 수 있고 횡방향의 점 간격(dacross)은 식(12)와 같이 초당 펄스 송신 회수(펄스레이트 rpulse), 초당 스캔 회수, 비행고도(H), 스캔앵글(θscan)을 이용하여 계산이 가능하다.
비행기의 비행경로는 시점과 종점을 설정함으로써 결정한다. 본 연구에서는 그림 3과 같이 총 네 번의 비행촬 을 가정하여, 네 개의 스트립(strip)에 대해 비행속도는 65.66 m/s, 비행고도는 500m이며 시점과 종점의 좌표는 표 4와 같이 설정하였다. 각 스트립간의 중첩은 약 20% 정도로 설정하였다.
수평범위에 포함된 DEM의 고도값의 범위를 이용해서 교차점의 수직방향의 범위(V2)를 재설 정한다. 재설정된 수직방향의 범위로부터 가정된 두 개의 가상 수평면과 직선이 만나는 위치로 수평범위(H2)를 재설정한다. 이와 같이 교차점에 대한 수직방향의 범위 및 수평방향의 범위를 반복적으로 재설정하여 축소시킨다.
먼저 전체 DEM의 최대 및 최소 고도값을 이용하여 교차점의 수직방향의 범위(VI)를 설정한다. 최대 및 최소 고도값을 갖는 가상의 수평면을 가정하고, 각각의 평면이 레이저 펄스가 비행하는 직선과 만나는 위치를 결정한다. 결정된 위치의 수평범위는 결국 교차점의 수평 범위(H1)가 된다.
제안 방법
LS좌표계의 원점은 레이저펄스의 송신원점에 위치하고， X-Y 평면은 레이저 펄스의 스캔면과 Z축은 순간(IMU tantaneous) 스캔각이 0도 일 때 레이저펄스의 송신방향 에 일치하도록 정의하였다. LS초기좌표계는 LS좌표계와 동일한 원점을 가지며 X-Y평면은 LS좌표계와 일치하고 +Z축은 순간 스캔각에 따라 달라지는 특정한 레이저 펄스가 발사되는 방향으로 설정하였다. 지상의 기준좌표계 로 WGS84좌표계를 설정하였다.
센서 방정식은 라이다를 구성하는 개별센서인 GPS, IMU 및 LS의정보를 조합하여 대상물의 표면에서 레이저 펄스가 반사된 지점의 3차원 좌표를 계산하기 위한 공식이다. 먼저 시스템 오차가 고려되지 않은 센서방정식을 수립하고, 여기에 시스템 오차 요소를 포함하여 시스템 오차 요소가 포함된 최종적인 센서방정식을 유도한다.
기하모델링을 통해 센서방정식을 수립하기 위해 먼저 그림 1에 보는 바와 같이 개별세서 및 지상에서 정의된 다양한 좌표계를 설정해야 한다. 먼저 항공기에 탑재된 라이다시스템을 구성하는 세 개의 개별센서의 원점에 위치한 GPS좌표계, IMU좌표계와 LS좌표계를 정의하였다. LS좌표계의 원점은 레이저펄스의 송신원점에 위치하고， X-Y 평면은 레이저 펄스의 스캔면과 Z축은 순간(IMU tantaneous) 스캔각이 0도 일 때 레이저펄스의 송신방향 에 일치하도록 정의하였다.
597-614). 본 연구에서 사용된 Ray-Tracing 알고리즘은 기존의 알고리즘을 약간 변형하여 사용하였다. 사용된 알고리즘을 이용하여 레이저 펄스와 DEM이 교차하는 지점을 찾아내는 원리를 그림 2에서 보여준다.
본 연구에서 제안하는 라이다데이터를 모의 생성하는 방법을 적용하여, 주어진 기준(Reference) DEM을 이용하여 모의 라이다데이터를 생성하고자 한다. 또한, 동일 지역에 대해 각각 다른 비행경로로 설정되어 생성된 모의 라이다데이터를 비교해봄으로써, 라이다시스템 변수 중에 비행기의 이동경로(trajectory)가 실제 라이다데이터에어떤 영향을 미치는지에 대해 알아보고자 한다.
본 연구에서는 다양한 활용 알고리즘의 성능평가를 위해 모의 라이다데이터를 시뮬레이션을 통해 생성하였다. 이를 위해 센서의 기하모델링을 통해 레이저 펄스의 3차원 좌표를 계산하는 센서 방정식을 유도하였다.
모의 라이다데이터를 생성하기 위해서 LS의 시스템 변수, 비행경로 및 자세, 시스템오치- 등을 설정해야 한다. 본 연구에서는 생성될 모의 데이터의 점 간격을 기준으로 시스템 변수를 설정하였다. 또한, 라이다는 선형, 타원형 등 다양한 스캔 방식으로 구현되어 있으나, 본 실험에서는 가장 일반적으로 많이 활용되는 선형방식을 가정하였다.
이를 위해 센서의 기하모델링을 통해 레이저 펄스의 3차원 좌표를 계산하는 센서 방정식을 유도하였다. 센서방정식은 먼저 시스템오차가 전혀 고려되지 않고 유도한 방정식에 개별센서에 수반된 오차와 센서들의 통합에 따라 발생하는 오차를 추가하여 수립하였다 수립된 센서방정식 을 기반으로 주어진 LS 시스템변수, 비행경로 및 자세, 시스템오차, 기준 DEM 등을 입력으로 시뮬레이션을 통해 모의 라이다데이터를 생성하는 방법을 제시하였다. 제시된 방법을 일산지역의 기준 DEM에 적용하여 모의 라 이다데이터를 생성하였다.
시뮬레이션에서 고려된 개별센서의 시스템 오차는 표 5와 같다. 시스템 오차는 표 2에서 명 시된 것 중에서 오차의 크기가 상대적으로 큰 것을 선택 하였으며, 선택된 변수에 대해서 실제 라이다 측량에서 발생할 수 있는 정도의 크기로 합리적으로 설정하였다. GPS의 Bias는 l-2m 정도로 IMU Bias는 0.
라 이다의 시스템 변수는 개별센서의 운용 특성을 나타내는 변수와 라이다를 구성하는 개별센서 사이의 기하학적 관계를 설정하는 표 1 에 명시된 이동벡터와 회전행렬, 표 2 에 명시된 다양한 종류의 오차변수 등을 의미한다. 위와 같은 3가지 종류의 입력 데이터를 바탕으로 실제 항공 라이다 측량을 통해 취득될 수 있는 데이터를 시뮬레이션을 통해 생성하고자 한다.
본 연구에서는 다양한 활용 알고리즘의 성능평가를 위해 모의 라이다데이터를 시뮬레이션을 통해 생성하였다. 이를 위해 센서의 기하모델링을 통해 레이저 펄스의 3차원 좌표를 계산하는 센서 방정식을 유도하였다. 센서방정식은 먼저 시스템오차가 전혀 고려되지 않고 유도한 방정식에 개별센서에 수반된 오차와 센서들의 통합에 따라 발생하는 오차를 추가하여 수립하였다 수립된 센서방정식 을 기반으로 주어진 LS 시스템변수, 비행경로 및 자세, 시스템오차, 기준 DEM 등을 입력으로 시뮬레이션을 통해 모의 라이다데이터를 생성하는 방법을 제시하였다.
대상 데이터
시뮬레이션을 수행한 결과로 약 7.4812초 동안 149,243 （경로]）, 149,246（경로2）, 149,152（경로3）, [49,325（경로4） 개의 점이 획득되었다. 그림 5는 생성된 가상데이터의 지 상커버리지（ground coverage） 및 비행경로를 시뮬레이션을 위해 주어진 기준 DEM과 함께 나타낸다.
실험대상지역은 경기도 고양시 일산구의 일부 지역으로 선정하였다. 그림 4는 일산지역의 DEM을 나타낸다.
센서방정식은 먼저 시스템오차가 전혀 고려되지 않고 유도한 방정식에 개별센서에 수반된 오차와 센서들의 통합에 따라 발생하는 오차를 추가하여 수립하였다 수립된 센서방정식 을 기반으로 주어진 LS 시스템변수, 비행경로 및 자세, 시스템오차, 기준 DEM 등을 입력으로 시뮬레이션을 통해 모의 라이다데이터를 생성하는 방법을 제시하였다. 제시된 방법을 일산지역의 기준 DEM에 적용하여 모의 라 이다데이터를 생성하였다. 생성된 데이터를 기준DEM가 비교하여 정확도를 확인하였고, 또한, 국부 점밀도 계산하여 데이터의 Gap 분포를 분석하였다
데이터처리
제시된 방법을 일산지역의 기준 DEM에 적용하여 모의 라 이다데이터를 생성하였다. 생성된 데이터를 기준DEM가 비교하여 정확도를 확인하였고, 또한, 국부 점밀도 계산하여 데이터의 Gap 분포를 분석하였다
이론/모형
먼저 PL과 uL은 라이다를 탑재한 항공기의 경로 및 자세에 대한 정보를 이용하여 결정한다. 결정된 PL을 시점으로 uL의 방향을 갖는 직선을 정의하고, 정의된 직선과 DEM이 만나는 교점을 “Ray-Tracing” 알고리즘을 이용하여 탐색한다. 그리고 결정된 교점과 레이저펄스의 송신원점까지의 거리(r)을 계산한다
결국 식(6)의 반사지점의 위치를 나타내는 WGS84좌표계로 표현된 직선의 방정식이다. 레이저 펄스의 송신원점 및 방향으로 정의된 직선과 시뮬레이션의 입력데이터로 지형지물에 대한 정보로 주어진 DEM과의교차점을 “Ray-Tracing” 알고리즘을 사용하여 탐색하고 그 위치를 결정한다.
성능/효과
점밀도가 0인 셀들을 세어본 결그림 7. 시뮬레이션 결과(경로2)와 고도 차이 히스토그램(좌오차X, 우:오차O) 과, Set 1에서는 6,849 개, Set 2에서는 6,356개로 나타났다. Set 1과 Set 2의 전체 영역(Set 1: 493x475, Set 2: 475x493)에서 각각 2.
2°정도로 가정하였다. 이상과 같이 시스템 변수를 설정한 결과, 종 방향과 횡방향의 점 간격이 이론적으로 약 0.9m로 계산되었다.
후속연구
추후 연구에서는 시뮬레이션을 통해 생성된 모의데이터를 이용해 분할(Segmentation), 빌딩모델링, 분류(Classiecation) 등의 다양한 알고리즘을 구체적으로 적용하여 그 성능을 평가하고자 한다. 본 연구는 라이다센서에 관한 알고리즘 연구를 위해 다양한 표적 및 지표에서 취득되는 데이터를 모의 생성하여 제공해 줄 수 있으며, 나아가 최적의 비행 및 시스템 변수를 설정하는 연구에 도움이 될 것이다.
추후 연구에서는 시뮬레이션을 통해 생성된 모의데이터를 이용해 분할(Segmentation), 빌딩모델링, 분류(Classiecation) 등의 다양한 알고리즘을 구체적으로 적용하여 그 성능을 평가하고자 한다. 본 연구는 라이다센서에 관한 알고리즘 연구를 위해 다양한 표적 및 지표에서 취득되는 데이터를 모의 생성하여 제공해 줄 수 있으며, 나아가 최적의 비행 및 시스템 변수를 설정하는 연구에 도움이 될 것이다.
참고문헌 (6)
이임평, (2003). '고해상도 DEM을 이용한 시뮬레이션에 기반하는 라이다데이터의 검증 및 보정에 관한 연구', 대한토목학회 2003년도 정기 학술대회 논문집, pp. 4436-4440
이임평 외, (2005). '다차원공간정보구축에 관한 연구', 국토지리정보원
Allen, J. (2005). Lockheed Martin Successfully Flight Tests Low-Cost Autonomous Attack System, Lockheed Martin, Orlando, http://www.lockheedmartin.com/products/LOCAAS/index.html
Hearn, D. and Baker M. P. (2004). Computer Graphics with OpenGL, 3rd Ed., Pearson Prentice Hall, Upper Saddle River, NJ, USA
Lockheed Martin (2006). Low Cost Autonomous Attack System, International Online Defense Magazine, the United Kingdom, http://www.defense-update.com/products/l/locaas.htm
Schenk, T. (2001). 'Modeling and analyzing systematic errors of airborne laser scanners', Technical Notes in Photogrammetry No. 19, The Ohio State University, Columbus, OH, USA
※ AI-Helper는 부적절한 답변을 할 수 있습니다.