[논문]복층 건물 실내외 역설계를 위한 UAV 및 LiDAR SLAM 조합 효용성 검토

강준오; 이용창

doi:10.22640/lxsiri.2020.50.2.69

복층 건물 실내외 역설계를 위한 UAV 및 LiDAR SLAM 조합 효용성 검토
UAV and LiDAR SLAM Combination Effectiveness Review for Indoor and Outdoor Reverse Engineering of Multi-Story Building 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.50 no.2, 2020년, pp.69 - 79

강준오 (인천대학교 도시융.복합학과) , 이용창 (인천대학교 도시공학과)

초록
AI-Helper

최근 IoT 기술을 기반으로 도시의 여러 문제점을 정보화하여 해결하는 스마트 시티가 각광받고 있다. 특히, 시공 및 유지보수의 원활한 관리를 위한 BIM 적용 사례가 증가하며 융합기술을 통해 공간정보를 3D 데이터화하여 안전진단에 활용하고 있다. 본 연구의 목적은 UAV 및 LiDAR 장비 중 지상 레이저 스캐너와 핸드헬드 LiDAR SLAM을 활용하여 복층 건물의 포인트 클라우드를 생성 및 조합, 각 기술의 폐색영역 및 단점을 보완하고 형상재현 및 정확도를 관측하여 실내외 역설계의 효용성을 검토하는 것이다. 검토결과, 3가지 기술을 사용하여 복층 건물의 실내외 포인트 클라우드를 생성·조합하여 데이터의 좌표 정확도가 향상됨을 확인하였다. 특히, 각 기술의 단점을 보완, 건물의 형상재현 완성도를 높이고 폐색영역 및 경계면 구분이 명확하게 나타나며 역설계의 효용성을 입증하였다.

Abstract ▼ AI-Helper

TRecently, smart cities that solve various problems in cities based on IoT technology are in the spotlight. In particular, cases of BIM application for smooth management of construction and maintenance are increasing, and spatial information is converted into 3D data through convergence technology and used for safety diagnosis. The purpose of this study is to create and combine point clouds of a multi-story building by using a ground laser scanner and a handheld LiDAR SLAM among UAV and LiDAR equipment, supplementing the Occluded area and disadvantages of each technology, examine the effectiveness of indoor and outdoor reverse design by observing shape reproduction and accuracy. As a result of the review, it was confirmed that the coordinate accuracy of the data was improved by creating and combining the indoor and outdoor point clouds of the multi-story building using three technologies. In particular, by supplementing the shortcomings of each technology, the completeness of the shape reproduction of the building was improved, the Occluded area and boundary were clearly distinguished, and the effectiveness of reverse engineering was verified.

주제어

표/그림 (18)

그림 Figure 1. The weighted parallel iterative closed point(WP-ICP) pose estimation algorithm. Source: Wang et al 2018
그림 Figure 2. Point cloud of UAV, LiDAR and LiDAR SLAM
표 Table 1. SX10 specifications
그림 Figure 3. GCP(○) and checkpoint(△) location
그림 Figure 4. LiDAR SLAM point cloud Shape-based matching
그림 Figure 5. Part of the LiDAR SLAM shape combination criteria
표 Table 2. ZEB Revo RT specifications
표 Table 3. Outdoor checkpoint coordinates (unit: m)
표 Table 4. Orientation component error and RMSE for UAV and laser scanners (unit: m)
표 Table 5. Indoor checkpoint coordinates(unit: m)
표 Table 6. Orientation component error and RMSE for LiDAR SLAM and UAV combinations (unit: m)
표 Table 7. Point cloud checkpoint error and RMSE for LiDAR SLAM and Laser scnner combinations (unit: m)
표 Table 8. Orientation component error and RMSE for UAV and Laser scnner combinations (unit: m)
표 Table 9. Point cloud checkpoint error and RMSE for LiDAR SLAM and UAV and Laser scnner combinations (unit: m)
그림 Figure 6. Compensation of laser scanner blind spots
그림 Figure 7. Complementary occlusion area due to installation restrictions
그림 Figure 8. Complementing the occluded area by obstacles
표 Table 10. Compare RMSE results (unit: m)

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구의 목적은 UAV 및 LiDAR 장비 중 지상 레이저 스캐너와 핸드헬드 LiDAR SLAM을 활용하여 복층 건물의 포인트 클라우드를 생성 및 조합, 각 기술의 사각지대 및 단점을 보완하고 형상재현 및 정확도를 관측하여 실내외 역설계의 효용성을 검토하는 것이다. 이를 위해 UAV 및 레이저 스캐너를 활용하여 실외데이터를 획득하고 레이저 스캐너 및 LiDAR SLAM을 활용하여 실내 데이터를 획득, 각 데이터를 조합하여 실내·외 정확도를 검토하고 조합에 의한 형상 재현을 검토한다.

제안 방법

레이저 스캐너와 LiDAR SLAM의 형상기반 조합은 6층 상단 모서리, 1 층 하단 모서리 및 3층 계단 모서리를 조합 기준으로 활용하였다. UAV 및 레이저 스캐너 데이터는 획득 시 같은 좌표계로 획득·처리하여 좌표기반으로 조합하였고 3가지 데이터 조합은 UAV 데이터를 기준으로 형상 기반으로 조합된 레이저 스캐너 및 LiDAR SLAM 데이터와 좌표기반으로 조합하였다.
건물 실내 데이터는 LiDAR SLAM의 좌표데이터 부재로 LiDAR SLAM 데이터를 UAV 및 레이저 스캐너데이터의 좌표계를 기준으로 각각 형상기반 조합, UAV 와 레이저 스캐너 조합, 3가지 데이터 조합 등 총 4개로 분류하여 조합하였다.
활용하였다. 데이터 정확도는 Table 3과 같이 GNSS Network RTK를 통해 획득한 4개의 데이터를 검사점으로 UAV와 지상 레이저 스캐너의 데이터를 검토하였다.
복층 건물을 대상으로 역설계를 위해 UAV, 레이저스캐너 및 LiDAR SLAM 데이터를 조합 해석하여 정확도 및 형상 재현 완성도를 검토한 결과 다음의 결론을 얻었다.
1981) 등의 영상정합 알고리즘을 적용, 번들조정(bundle adjustment) 또는 영상삼각측량(imagel triangulation) 과필터링의 순환 조정을 통해 모든 이미지 내 각 특징점의 영상 간 최적 정합상태를 유도한다. 이 조정에서 산출된 정밀 내･외부 표정요소와 지상 기준점(GCP)을 적용하여 실세계 좌표계상의 고밀도 측점군, Depth map 기반의 수치표면모형(DSM), 수치표고모형(DEM) 및 정사영상(ortho_photomap)등을 종합적으로 재현한다(이용창·강준오 2019).
이를 위해 UAV 및 레이저 스캐너를 활용하여 실외데이터를 획득하고 레이저 스캐너 및 LiDAR SLAM을 활용하여 실내 데이터를 획득, 각 데이터를 조합하여 실내·외 정확도를 검토하고 조합에 의한 형상 재현을 검토한다.
추적·정합하여 공액점을 선정한다. 특히, 이미지의 공액 기하 구속조건이 만족되도록 RANSAC(RANdom Sampling And Consensus, Martin et al. 1981) 등의 영상정합 알고리즘을 적용, 번들조정(bundle adjustment) 또는 영상삼각측량(imagel triangulation) 과필터링의 순환 조정을 통해 모든 이미지 내 각 특징점의 영상 간 최적 정합상태를 유도한다. 이 조정에서 산출된 정밀 내･외부 표정요소와 지상 기준점(GCP)을 적용하여 실세계 좌표계상의 고밀도 측점군, Depth map 기반의 수치표면모형(DSM), 수치표고모형(DEM) 및 정사영상(ortho_photomap)등을 종합적으로 재현한다(이용창·강준오 2019).

대상 데이터

LiDAR SLAMe Table 2와 같은 제원의 GeoSlam 사 ZEB Revo RT 장비를 활용하였다. 핸드헬드 형으로 장비 무게가 가벼워야 하며 360° 스캔이 가능하고 실시간 스캔이 가능한 장비로 실내 스캔에 적절한 장비지만 장비의 특성상 1회 10분 이상 스캔이 불가능하고 시작지점에서 스캔을 종료해야 스캔 데이터 정합도가 상승하는 조건에 의해 UAV 데이터와 형상 기반 정합을 고려하여 건물 실외 일부 스캔 및 건물 한 층당 2회씩 총 12번의 스캔을 진행하여 Figure 4와 같은 포인트 11, 242, 159개의 클라우드 데이터를 획득하였다.
UAV 데이터는 DJI사 팬텀4 프로 장비를 활용하여 70m의 고도에서 격자 Grid로 80%의 종·횡 중복도로 촬영 후 벽면 재현을 위해 건물을 중심으로 360° 회전하며 건물 측면을 촬영, 총 378장의 사진 데이터(해상도 5472×3648)를 획득하였다. 또한, Bently사의 Context Capture를 통해 8개의 GCP를 활용하여 영상해석 후 Figure 2의 A와 같이 건물 외관에 대한 포인트 447, 163, 662개의 클라우드 데이터를 생성하였다.
검사점 10점을 획득하였다. UAV는 장비 특성상 외관 데이터만 획득하고 지상 레이저 스캐너는 실내외 모두 스캔하여 데이터를 획득하였다. LiDAR SLAMe 데이터 조합을 위한 외관 일부와 실내 전체를 스캔하였다.
건물 실내 데이터는 LiDAR SLAM의 좌표데이터 부재로 LiDAR SLAM 데이터를 UAV 및 레이저 스캐너데이터의 좌표계를 기준으로 각각 형상기반 조합, UAV 와 레이저 스캐너의 좌표기반 조합, 3가지 데이터 조합 등 총 4개로 분류하여 Table 5의 검사점을 기준으로 검토하였다.
건물 실외 데이터는 LiDAR SLAM의 측정거리 한계로 데이터 정합도가 낮아 UAV와 지상 레이저 스캐너만 활용하였다. 데이터 정확도는 Table 3과 같이 GNSS Network RTK를 통해 획득한 4개의 데이터를 검사점으로 UAV와 지상 레이저 스캐너의 데이터를 검토하였다.
스캔하였다. 건물 외부 및 내부 스캔의 경우 별도의 타겟이 존재하지 않아 높은 Nontarget 정확도가 요구되며 SX10의 경우 Nontarget 정확도 2mm+1.5ppm으로 본 연구 대상에 활용하기 양호한 것으로 판단하여 건물 외부 및 내부를 스캔과 동시에 실시간 데이터 처리로 Figure 2의 B와 같이 포인트 193, 968, 427개의 클라우드 데이터를 획득하였다.
5472×3648)를 획득하였다. 또한, Bently사의 Context Capture를 통해 8개의 GCP를 활용하여 영상해석 후 Figure 2의 A와 같이 건물 외관에 대한 포인트 447, 163, 662개의 클라우드 데이터를 생성하였다.
또한, 토탈 스테이션을 활용, 실외에서 실내로 기준점을 연결하여 24개의 실내 기준점을 설치하고, 실외 11개, 실내 24개의 총 35개 기계점을 기준으로 Table 1과 같은 Trimble사의 지상 레이저 스캐너인 SX10을 활용하여 스캔하였다. 건물 외부 및 내부 스캔의 경우 별도의 타겟이 존재하지 않아 높은 Nontarget 정확도가 요구되며 SX10의 경우 Nontarget 정확도 2mm+1.
조합 기준으로 활용하였다. 레이저 스캐너와 LiDAR SLAM의 형상기반 조합은 6층 상단 모서리, 1 층 하단 모서리 및 3층 계단 모서리를 조합 기준으로 활용하였다. UAV 및 레이저 스캐너 데이터는 획득 시 같은 좌표계로 획득·처리하여 좌표기반으로 조합하였고 3가지 데이터 조합은 UAV 데이터를 기준으로 형상 기반으로 조합된 레이저 스캐너 및 LiDAR SLAM 데이터와 좌표기반으로 조합하였다.
연구 대상지는 6층 건물인 인천대학교 28호관 건물을 선정하고 GNSS Network RTK로 건물과 이격하여 Figure 3과 같이 실외 12점의 GCP(Ground Control Point) 및 검사점과 토탈 스테이션을 통해 실내 지상 레이저 스캐너의 기계점 및 후시점을 위한 기준점을 각 층별로 3점씩 18점, 계단 중간층 각 1점씩 6점으로 총 24개의 기준점을 설치하고 실내 정확도 검측을 위한 검사점 10점을 획득하였다. UAV는 장비 특성상 외관 데이터만 획득하고 지상 레이저 스캐너는 실내외 모두 스캔하여 데이터를 획득하였다.
ZEB Revo RT 장비를 활용하였다. 핸드헬드 형으로 장비 무게가 가벼워야 하며 360° 스캔이 가능하고 실시간 스캔이 가능한 장비로 실내 스캔에 적절한 장비지만 장비의 특성상 1회 10분 이상 스캔이 불가능하고 시작지점에서 스캔을 종료해야 스캔 데이터 정합도가 상승하는 조건에 의해 UAV 데이터와 형상 기반 정합을 고려하여 건물 실외 일부 스캔 및 건물 한 층당 2회씩 총 12번의 스캔을 진행하여 Figure 4와 같은 포인트 11, 242, 159개의 클라우드 데이터를 획득하였다. 특히, 좌표데이터 부재로 무질서하게 형성된 데이터를 Trimble 사의 Realwokrs 프로그램을 활용, 중앙에 위치한 계단을 기준으로 형상기반으로 정합하여 Figure 2의 C와 같이 나타내었다.

이론/모형

핸드헬드 형으로 장비 무게가 가벼워야 하며 360° 스캔이 가능하고 실시간 스캔이 가능한 장비로 실내 스캔에 적절한 장비지만 장비의 특성상 1회 10분 이상 스캔이 불가능하고 시작지점에서 스캔을 종료해야 스캔 데이터 정합도가 상승하는 조건에 의해 UAV 데이터와 형상 기반 정합을 고려하여 건물 실외 일부 스캔 및 건물 한 층당 2회씩 총 12번의 스캔을 진행하여 Figure 4와 같은 포인트 11, 242, 159개의 클라우드 데이터를 획득하였다. 특히, 좌표데이터 부재로 무질서하게 형성된 데이터를 Trimble 사의 Realwokrs 프로그램을 활용, 중앙에 위치한 계단을 기준으로 형상기반으로 정합하여 Figure 2의 C와 같이 나타내었다.

성능/효과

LiDAR SLAM과 UAV가 조합된 포인트 클라우드의 평균제곱근오차는 0.064m, Y축 0.130m, Z축 0.363m 으로 전체적으로 큰 오차가 발생하였다.
각 조합에 의해 나타난 RMSE 결과값을 Table 10과 같이 비교한 결과 X축, Y축은 각각 0.005m 및 0.008m 로 LiDAR SLAM 및 레이저스캐너 조합데이터와 3가지 조합 데이터가 양호한 결과로 동일하게 나타났지만 Z축에서 0.004m로 3가지 조합 데이터가 가장 양호하게 나타나 종합적으로 3가지 조합 데이터가 정확도 효율이 높게 나타났다.
이는 다수의 실내 데이터가 서로 보정· 해석되어 정확도가 향상되는 것으로 사료된다. 다만, 실외 데이터 정확도는 UAV 데이터가 높아 3 가지 데이터를 모두 조합하는 것이 적확도가 높게 나타났다.
둘째, 역설계에 주로 활용되는 레이저 스캐너의 단점 중 하나인 건물 상부 데이터를 UAV 데이터로 보완하여 실외 데이터 완성도를 높이고, 장애물 및 유동인구에 의한 레이저 스캐너 폐색영역 및 경계면을 LiDAR SLAM을 활용하여 보완, 실내외 데이터의 형상 재현도를 향상시켰다.
006m 나타났다. 레이저 스캐너의 평균제곱근오차는 0.006m, Y축 0.004m, Z축 0.005m, 최대오차는 X축의 0.010m 로 UAV가 우수하게 나타났다.
반면, LiDAR SLAM의 경우 핸드헬드형의 특성상 이동이 매우 간편하며, 가구 및 유동인구에 국한되지 않고 가구 사이로 자유롭게 스캔이 가능하여 데이터조합을 통해 Figures 7, 8의 표시와 같이 실내의 폐색 영역이 보완, 형상 재현이 향상되었다.
셋째, 레이저 스캐너 및 LiDAR SLAM의 경우 실시간으로 데이터가 처리되었으나 UAV 데이터는 별도의 영상해석으로 포인트 클라우드를 추출하여 시간 소요가 존재하였다. 특히, 레이저 스캐너와 LiDAR SLAM 의 데이터 크기는 두 데이터를 합산해도 1GB 이하로 생성되었지만, UAV 데이터가 8GB로 생성되어 원활한 활용을 위한 데이터 용량 조절이 필요하다.
첫째, LiDAR SLAMe 좌표데이터 부재로 단독활용이 불가능하며, UAV데이터와의 조합 대비 같은 실내데이터가 존재하는 레이저 스캐너 데이터와의 조합이 정확도 효율이 높았다. 이는 다수의 실내 데이터가 서로 보정· 해석되어 정확도가 향상되는 것으로 사료된다.

후속연구

넷째, 댐, 교량, 터널등 대형 구조물 뿐 아닌 건물 문화재와 같이 실내외 역설계가 필요한 다양한 시설물을 대상으로 UAV와 LiDAR 장비를 활용한 조합 해석으로 공간정보에 의한 역설계 BIM 데이터를 시계열로 구축하여 변위 측정, 안전진단 및 유지보수 관리에 효율적인 활용이 기대된다.

참고문헌 (13)

Kang JO, Lee YC. 2019. Construction of 3D Spatial Information of Vertical Structure by Combining UAS and Terrestrial LiDAR. Journal of Cadastre & Land InformatiX. 49(2):57-66.
Kim HJ, Lee JM, Bae KH, Eo YD. 2018. Application Research on Obstruction Area Detection of Building Wall using R-CNN Technique. Journal of Cadastre & Land InformatiX. 48(2): 213-225.

원문보기 상세보기
Moon HS, Won JS, Shin JY. 2018. BIMRoadmap and Activation Strategies for Public SOC Projects. KICT 2018-029.
Park HJ, Ryu JR, Woo SH, Choo SY. 2016. An Improvement of the Building Safety Inspection Survey Method using Laser Scanner and BIM-based Reverse Engineering. Journal of The Architectural Institute of Korea Planning & Design 32(12):79-90.

상세보기
Lee YC, Kang JO. 2019. The Precise Three Dimensional Phenomenon Modeling of the Cultural Heritage based on UAS Imagery. Journal of Cadastre & Land InformatiX. 49(1):85-101.

원문보기 상세보기
Jung RK, Koo BS, Yu YS. 2019. Using Drone and Laser Scanners for As-built Building Information Model Creation of a Cultural Heritage Building. Journal of KIBIM 9(2):11-20
PPS. 2020. Expansion of BIM Application Range [internet]. [https://www.pps.go.kr/bbs/selectBoard.do?boardSeqNo3035&pageIndex1&boardIdPPS093] Last accessed 14 Aug. 2019.
Han SH. 2019. Reverse Engineering for Building Remodeling Using Drone and LiDAR. Proceedings of Korean Society for Geospatial Information Science. 93-94.
Hong SH, Cho HS, Kim NH, Sohn HG. 2015. 3D Indoor Modeling Based on Terrestrial Laser Scanning, Journal of the Korean Society of Civil Engineers. 35(2):525-531.

원문보기 상세보기
Chong HY, Lopez R, Wang J, Wang X, Zhao Z. 2016. Comparative Analysis on the Adoption and Use of BIM in Road Infrastructure Projects. Journal of Management in Engineering. 32. DOI: 05016021.10.1061/(ASCE)ME.1943-5479.0000460.

상세보기
Martin A. Fischler & Robert C. Bolles. 1981. "Random Sample Consensus: A paradigm for modelfitting with applications to image analysis and automated cartography" (PDF). Comm. ACM. 24(6):381-395. doi:10.1145/358669.358692

상세보기
Wang YT, Peng CC, Ravankar AA, Ravankar A. 2018. A Single LiDAR-Based Feature Fusion Indoor Localization Algorithm. DOI: 10.3390/s18041294.

상세보기
Zhang P, Millos E, Gu J. 2009. General Concept of 3D SLAM. Mobile Robots - State of the Art in Land, Sea, Air, and Collaborative Missions. IntechOpen. DOI: 10.5772/6993.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증