무인항공기에 부착된 위성 항법 시스템/관성 측정 센서(global positioning system/inertial measurement unit, GPS/IMU)와 관측 센서 사이에는 물리적인 위치와 자세 오차가 존재한다. 해당 물리 오프셋으로 인해, 관측 데이터는 비행 방향에 따라 서로 위치가 어긋나는 이격 오차가 발생한다. 특히나, 다중 센서를 활용하여 데이터를 취득하는 다중 센서 무인항공기의 경우, 관측 센서가 변경될 때마다 고액의 비용을 지불하고 외산 소프트웨어 의존하여 물리 오프셋을 조정하고 있는 실정이다. 본 연구에서는 다중 센서에 적용 가능한 초기 센서 모델식을 수립하고 물리 오프셋 추정 방법을 제안한다. 제안된 방안은 크게 3가지 단계로 구성된다. 먼저, 직접지리 참조를 위한 회전 행렬 정의 및 초기 센서 모델식을 수립한다. 다음으로, 지상기준점과 관측 센서에서 취득된 데이터 간의 대응점을 추출하여 물리 오프셋 추정을 위한 관측방정식을 수립한다. 마지막으로, 관측 자료를 기반으로 물리 오프셋을 추정하고, 추정된 파라미터를 초기 센서 모델식에 적용한다. 전주, 인천, 알래스카, 노르웨이 지역에서 취득된 데이터셋에 적용한 결과, 4개 지역 모두 물리 오프셋 적용 전에 발생되던 영상 접합부의 이격 오차가 물리 오프셋을 적용 후 제거되는 것을 확인했다. 인천 지역의 지상기준점 대비 절대 위치 정확도를 분석한 결과, 초분광 영상의 경우, X, Y 방향으로 약 0.12 m 위치 편차를 보였으며, 라이다포인트 클라우드의 경우 약 0.03 m의 위치 편차를 보여줬다. 더 나아가 영상 내 특징점에 대하여 초분광, 라이다 데이터의 상대 위치 정확도를 분석한 결과, 센서 데이터 간의 위치 편차가 약 0.07 m인 것을 확인했다. 따라서, 제안된 물리 오프셋 추정 및 적용을 통해 별도 기준점 없이 정밀한 데이터 매핑이 가능한 직접 지리 참조가 가능하다는 것을 확인했으며, 다중 센서를 부착한 무인항공기에서 취득된 센서 데이터 간의 융합 가능성에 대해 확인하였다. 본 연구를 통해 독자적인 물리 파라미터 추정 기술 보유를 통한 경제적 비용 절감 효과 및 관측 조건에 따른 유연한 다중 센서 플랫폼 시스템 운용을 기대한다.
무인항공기에 부착된 위성 항법 시스템/관성 측정 센서(global positioning system/inertial measurement unit, GPS/IMU)와 관측 센서 사이에는 물리적인 위치와 자세 오차가 존재한다. 해당 물리 오프셋으로 인해, 관측 데이터는 비행 방향에 따라 서로 위치가 어긋나는 이격 오차가 발생한다. 특히나, 다중 센서를 활용하여 데이터를 취득하는 다중 센서 무인항공기의 경우, 관측 센서가 변경될 때마다 고액의 비용을 지불하고 외산 소프트웨어 의존하여 물리 오프셋을 조정하고 있는 실정이다. 본 연구에서는 다중 센서에 적용 가능한 초기 센서 모델식을 수립하고 물리 오프셋 추정 방법을 제안한다. 제안된 방안은 크게 3가지 단계로 구성된다. 먼저, 직접지리 참조를 위한 회전 행렬 정의 및 초기 센서 모델식을 수립한다. 다음으로, 지상기준점과 관측 센서에서 취득된 데이터 간의 대응점을 추출하여 물리 오프셋 추정을 위한 관측방정식을 수립한다. 마지막으로, 관측 자료를 기반으로 물리 오프셋을 추정하고, 추정된 파라미터를 초기 센서 모델식에 적용한다. 전주, 인천, 알래스카, 노르웨이 지역에서 취득된 데이터셋에 적용한 결과, 4개 지역 모두 물리 오프셋 적용 전에 발생되던 영상 접합부의 이격 오차가 물리 오프셋을 적용 후 제거되는 것을 확인했다. 인천 지역의 지상기준점 대비 절대 위치 정확도를 분석한 결과, 초분광 영상의 경우, X, Y 방향으로 약 0.12 m 위치 편차를 보였으며, 라이다 포인트 클라우드의 경우 약 0.03 m의 위치 편차를 보여줬다. 더 나아가 영상 내 특징점에 대하여 초분광, 라이다 데이터의 상대 위치 정확도를 분석한 결과, 센서 데이터 간의 위치 편차가 약 0.07 m인 것을 확인했다. 따라서, 제안된 물리 오프셋 추정 및 적용을 통해 별도 기준점 없이 정밀한 데이터 매핑이 가능한 직접 지리 참조가 가능하다는 것을 확인했으며, 다중 센서를 부착한 무인항공기에서 취득된 센서 데이터 간의 융합 가능성에 대해 확인하였다. 본 연구를 통해 독자적인 물리 파라미터 추정 기술 보유를 통한 경제적 비용 절감 효과 및 관측 조건에 따른 유연한 다중 센서 플랫폼 시스템 운용을 기대한다.
In an unmanned aerial vehicles (UAVs) system, a physical offset can be existed between the global positioning system/inertial measurement unit (GPS/IMU) sensor and the observation sensor such as a hyperspectral sensor, and a lidar sensor. As a result of the physical offset, a misalignment between ea...
In an unmanned aerial vehicles (UAVs) system, a physical offset can be existed between the global positioning system/inertial measurement unit (GPS/IMU) sensor and the observation sensor such as a hyperspectral sensor, and a lidar sensor. As a result of the physical offset, a misalignment between each image can be occurred along with a flight direction. In particular, in a case of multi-sensor system, an observation sensor has to be replaced regularly to equip another observation sensor, and then, a high cost should be paid to acquire a calibration parameter. In this study, we establish a precise sensor model equation to apply for a multiple sensor in common and propose an independent physical offset estimation method. The proposed method consists of 3 steps. Firstly, we define an appropriate rotation matrix for our system, and an initial sensor model equation for direct-georeferencing. Next, an observation equation for the physical offset estimation is established by extracting a corresponding point between a ground control point and the observed data from a sensor. Finally, the physical offset is estimated based on the observed data, and the precise sensor model equation is established by applying the estimated parameters to the initial sensor model equation. 4 region's datasets(Jeon-ju, Incheon, Alaska, Norway) with a different latitude, longitude were compared to analyze the effects of the calibration parameter. We confirmed that a misalignment between images were adjusted after applying for the physical offset in the sensor model equation. An absolute position accuracy was analyzed in the Incheon dataset, compared to a ground control point. For the hyperspectral image, root mean square error (RMSE) for X, Y direction was calculated for 0.12 m, and for the point cloud, RMSE was calculated for 0.03 m. Furthermore, a relative position accuracy for a specific point between the adjusted point cloud and the hyperspectral images were also analyzed for 0.07 m, so we confirmed that a precise data mapping is available for an observation without a ground control point through the proposed estimation method, and we also confirmed a possibility of multi-sensor fusion. From this study, we expect that a flexible multi-sensor platform system can be operated through the independent parameter estimation method with an economic cost saving.
In an unmanned aerial vehicles (UAVs) system, a physical offset can be existed between the global positioning system/inertial measurement unit (GPS/IMU) sensor and the observation sensor such as a hyperspectral sensor, and a lidar sensor. As a result of the physical offset, a misalignment between each image can be occurred along with a flight direction. In particular, in a case of multi-sensor system, an observation sensor has to be replaced regularly to equip another observation sensor, and then, a high cost should be paid to acquire a calibration parameter. In this study, we establish a precise sensor model equation to apply for a multiple sensor in common and propose an independent physical offset estimation method. The proposed method consists of 3 steps. Firstly, we define an appropriate rotation matrix for our system, and an initial sensor model equation for direct-georeferencing. Next, an observation equation for the physical offset estimation is established by extracting a corresponding point between a ground control point and the observed data from a sensor. Finally, the physical offset is estimated based on the observed data, and the precise sensor model equation is established by applying the estimated parameters to the initial sensor model equation. 4 region's datasets(Jeon-ju, Incheon, Alaska, Norway) with a different latitude, longitude were compared to analyze the effects of the calibration parameter. We confirmed that a misalignment between images were adjusted after applying for the physical offset in the sensor model equation. An absolute position accuracy was analyzed in the Incheon dataset, compared to a ground control point. For the hyperspectral image, root mean square error (RMSE) for X, Y direction was calculated for 0.12 m, and for the point cloud, RMSE was calculated for 0.03 m. Furthermore, a relative position accuracy for a specific point between the adjusted point cloud and the hyperspectral images were also analyzed for 0.07 m, so we confirmed that a precise data mapping is available for an observation without a ground control point through the proposed estimation method, and we also confirmed a possibility of multi-sensor fusion. From this study, we expect that a flexible multi-sensor platform system can be operated through the independent parameter estimation method with an economic cost saving.
1과 같이 총 3가지 센서로 구성되어 있으며, 순서대로 라이다 센서, 초분광 센서, 프레임 센서로 구성된다. 본 연구에서는 라이다 센서와 초분광 센서의 검보정 방안과 센서 융합 가능성에 대한 실험을 진행하였다. 라이다 센서는 벨로다인(Velodyne) 사의 VLP-16 Puck-HI 제품이 장착되어 있으며, 총 16개의 채널을 통해 55.
가설 설정
극지 연구소 운동장 데이터(KOPRI) 데이터 촬영 일자는 2022년 1월 26일이며, 추정된 물리 파라미터 적용 및 절대 정확도를 평가하기 위한 데이터이다. 전주 지역보다 고층건물 및 인공구조물을 다량 포함되어 실제 다중 센서 플랫폼이 운영되는 상황을 가정하여 실험데이터를 구성하였다. 전주 국립농업과학원 데이터셋의 위경도는 약 35°, 127°이고, 인천 극지연구소 앞 운동장 데이터셋의 위경도는 약 37°, 126°로 두 데이터 간 위경도 차이가 있는 지역에서 관측했다.
제안 방법
12(d)의 물리 오프셋을 적용한 영상에서는 동일 지역에 대하여 큰 이격 없이 영상 모자이크가 수행된 것을 확인할 수 있다. Council 지역 데이터와 Adventdalen 지역 데이터에서도 동일한 방법으로 물리 오프셋 적용 전후를 비교하였다. 해당 데이터들의 경우, 지형적 특성, 인식 가능한 객체를 확인하는 것이 쉽지 않기 때문에 이격이 있는 지역을 확대하여 비교하였다.
마지막으로 초기센서모델과 관측 데이터를 활용하여 본 연구에서 제시한 물리 오프셋 추정을 수행한다. 다음의 일련의 과정을 통해 추정된 물리 오프셋을 초기센서모델이 적용함으로써 직접 지리 참조를 위한 정밀 센서 모델을 수립할 수 있었다.
본 연구는 다중 센서 플랫폼에 부착된 센서에서 발생되는 물리적 오프셋인 보어사이트 앵글과 레버암을 추정방안을 제시하고, 센서 별 검보정 방안을 제시하였다. 또한 검증을 위한 실제 데이터 취득 및 물리 오프셋을 추정하고 적용 비교함으로써 정밀한 직접 지리 참조 수행 및 다중 센서 융합 가능성을 확인하였다.
센서 별로 관측된 영상 데이터 및 포인트 클라우드를 통해 지상 기준점에 대응되는 대응점을 추출하여 관측 자료로써 활용하였다. 마지막으로 초기센서모델과 관측 데이터를 활용하여 본 연구에서 제시한 물리 오프셋 추정을 수행한다. 다음의 일련의 과정을 통해 추정된 물리 오프셋을 초기센서모델이 적용함으로써 직접 지리 참조를 위한 정밀 센서 모델을 수립할 수 있었다.
물리 오프셋을 추정을 수행하기 위한 보조 자료로써 지상 기준점 측량을 수행했다. 지상기준점은 전주 농업과학원 데이터(NAAS_01)의 대공표지에서 RTK측량을 통해 총 10개의 지상기준점 측량을 수행했다.
본 연구는 다중 센서 플랫폼에 부착된 센서에서 발생되는 물리적 오프셋인 보어사이트 앵글과 레버암을 추정방안을 제시하고, 센서 별 검보정 방안을 제시하였다. 또한 검증을 위한 실제 데이터 취득 및 물리 오프셋을 추정하고 적용 비교함으로써 정밀한 직접 지리 참조 수행 및 다중 센서 융합 가능성을 확인하였다.
본 연구를 통해 공통된 3단계 과정으로 직접 지리 참조를 위한 정밀센서모델 수립 방안을 확인했다. 첫 번째로, 회전 행렬에 대한 정의 및 센서 모델식을 수립한다.
본 연구에서 사용된 초분광 센서의 검보정은 영상에서 관측 데이터를 독취하고, 식(13)을 고려하여 상기 기술된 센서 모델링 추정 방식을 적용하여 물리 오프셋을 추정하였다.
첫 번째로, 회전 행렬에 대한 정의 및 센서 모델식을 수립한다. 본 연구에서는 Image to Body, Body to Navigation, Navigation to Map 3개의 회전 행렬에 대한 정의를 하였으며, 이를 기반으로 초기 센서모델식을 수립하였다. 두 번째로, 관측 방정식을 수립하기 위한 관측 데이터를 추출한다.
라이다 센서에서 생성된 포인트 클라우드는 수치 표면 모델(digital surface model, DSM) 형태의 2차원 데이터 변환을 통해 다른 센서 데이터의 센서 모델링을 위한 기초자료로써 활용된다. 본 연구에서는 식(1)의 공통된 센서 모델식을 활용하지만, 라이다 센서의 경우, 회전행렬을 하나 추가하여 센서 모델식을 구성하였다. 본 연구에서 활용한 라이다 센서 모델식은 하단의 식(11)과 같다.
본 연구에서는 하나의 무인기 플랫폼에 다중 센서를 장착하여 동시에 센서 데이터를 취득할 수 있도록 구성하였다. 극지연구소에서 보유 중인 무인항공기 다중 센서 시스템은 Fig.
본 연구를 통해 공통된 3단계 과정으로 직접 지리 참조를 위한 정밀센서모델 수립 방안을 확인했다. 첫 번째로, 회전 행렬에 대한 정의 및 센서 모델식을 수립한다. 본 연구에서는 Image to Body, Body to Navigation, Navigation to Map 3개의 회전 행렬에 대한 정의를 하였으며, 이를 기반으로 초기 센서모델식을 수립하였다.
초분광 센서의 물리 오프셋 적용 여부에 따른 개선효과를 확인하기 위해 보어사이트와 레버암 적용 전후 처리 결과를 비교하였다. Fig.
추정된 물리 오프셋의 적용 여부에 따른 개선효과를 확인하기 위해 보어사이트와 레버암 적용 전후의 포인트 클라우드를 산출하여 정성적 비교를 수행했다.
대응점 추출은 오픈 소프트웨어인 Cloud Compare SW를 사용하였다. 취득된 관측 자료를 기반으로 상기 기술된 물리 오프셋 추정방식을 적용하여 라이다 센서의 물리 오프셋을 추정하였다.
Council 지역 데이터와 Adventdalen 지역 데이터에서도 동일한 방법으로 물리 오프셋 적용 전후를 비교하였다. 해당 데이터들의 경우, 지형적 특성, 인식 가능한 객체를 확인하는 것이 쉽지 않기 때문에 이격이 있는 지역을 확대하여 비교하였다. Fig.
대상 데이터
Fig. 11(a) 대상 지역은 인천 극지연구소의 운동장이며, 총 4장의 초분광 영상에 대하여 기하보정 및 영상 모자이크를 수행하였다. Fig.
극지연구소에서 보유 중인 무인항공기 다중 센서 시스템은 Fig. 1과 같이 총 3가지 센서로 구성되어 있으며, 순서대로 라이다 센서, 초분광 센서, 프레임 센서로 구성된다. 본 연구에서는 라이다 센서와 초분광 센서의 검보정 방안과 센서 융합 가능성에 대한 실험을 진행하였다.
전주의 국립농업과학원 데이터(NAAS_01, NAAS_02)는 평탄지인 농경지를 대상으로 2021년 9월 9일과 2021년 9월 10일에 취득된 데이터이다. 2021년 9월 9일에 취득된 전주 데이터(NAAS_01)의 경우, 장비에 부착된 센서의 물리 오프셋을 추정하기 위한 보정 데이터셋으로 사용된다. 따라서, 지상기준점 측량을 위한 대공표지와 타깃을 설치하였고, RTK측량을 통해 총 10개의 지상 기준점을 취득하였다.
8(b)와 같이 전주 지역(NAAS_01)에 설치한 지상기준점 대공표지의 중심점에 대한 포인트 좌표값을 취득한다. 2개 스트립에 대하여 총 20개의 관측데이터를 추출하였으며, 해당 데이터는 물리 오프셋 추정을 위한 관측자료로써 사용된다. 대응점 추출은 오픈 소프트웨어인 Cloud Compare SW를 사용하였다.
본 연구의 실험 대상지는 국내 3개 지역과 해외 2개 지역에서 취득하였다. 국내의 경우, 전주 2개 지역과 인천지역에서 데이터를 취득하였고, 해외의 경우 극지에 가까운 Alaska의 Council 지역과 Norway의 Adventdalen 지역에서 데이터를 취득하였다. 전주의 국립농업과학원 데이터(NAAS_01, NAAS_02)는 평탄지인 농경지를 대상으로 2021년 9월 9일과 2021년 9월 10일에 취득된 데이터이다.
반면에, 2021년 9월 10일 취득된 데이터(NAAS_02)는 추정된 물리 오프셋을 적용하여 정밀 센서 모델이 정확히 수립되었는지 검증하기 위한 데이터셋으로 활용된다. 극지 연구소 운동장 데이터(KOPRI) 데이터 촬영 일자는 2022년 1월 26일이며, 추정된 물리 파라미터 적용 및 절대 정확도를 평가하기 위한 데이터이다. 전주 지역보다 고층건물 및 인공구조물을 다량 포함되어 실제 다중 센서 플랫폼이 운영되는 상황을 가정하여 실험데이터를 구성하였다.
전주 국립농업과학원 데이터셋의 위경도는 약 35°, 127°이고, 인천 극지연구소 앞 운동장 데이터셋의 위경도는 약 37°, 126°로 두 데이터 간 위경도 차이가 있는 지역에서 관측했다. 극지에 가까운 Alaska의 Council과 Norway의 Adventdalen 지역에서 취득된 데이터는 국내와 위경도 차이가 큰 지역에서 동일한 물리 오프셋의 적용 가능성 여부와 극지 탐사 활용 가능성에 대한 실험을 위해 취득하였다.
9(c), (d)는 전주 지역 데이터 셋이며 총 4개의 비행 스트립을 동일 좌표계 상에 매핑 시킨 결과이다. 두 개의 데이터셋 모두 측면, 옆면에서 바라본 시점이며, 건물 및 인공구조물 등에서 포인트들이 큰 이격 없이 제대로 매핑이 된 것을 육안 검사를 통해 확인하였다.
2021년 9월 9일에 취득된 전주 데이터(NAAS_01)의 경우, 장비에 부착된 센서의 물리 오프셋을 추정하기 위한 보정 데이터셋으로 사용된다. 따라서, 지상기준점 측량을 위한 대공표지와 타깃을 설치하였고, RTK측량을 통해 총 10개의 지상 기준점을 취득하였다. 반면에, 2021년 9월 10일 취득된 데이터(NAAS_02)는 추정된 물리 오프셋을 적용하여 정밀 센서 모델이 정확히 수립되었는지 검증하기 위한 데이터셋으로 활용된다.
11(b)는 전주 농림과학원 지역 데이터(NAAS_02)이며 총 5장의 초분광 영상에 대하여 기하보정 및 영상 모자이크를 수행하였다. 또한, 극지 활용 가능성을 확인하기 위하여, 위경도 차이가 큰 데이터 알래스카 Council 지역의 11장의 초분광 영상과 노르웨이 Adventdalen 지역에서 촬영된 13장의 데이터에 대하여 기하보정 및 모자이크를 추가적으로 수행하였다(Fig. 11(c), (d)).
라이다 센서는 벨로다인(Velodyne) 사의 VLP-16 Puck-HI 제품이 장착되어 있으며, 총 16개의 채널을 통해 55.296 µs 간격으로 레이저 펄스를 방사 및 충전을 반복하여 지형에 대한 절대 좌표 정보를 취득한다
Table 1는 본 연구에서 사용된 실험 데이터에 대한 정보이다. 본 연구의 실험 대상지는 국내 3개 지역과 해외 2개 지역에서 취득하였다. 국내의 경우, 전주 2개 지역과 인천지역에서 데이터를 취득하였고, 해외의 경우 극지에 가까운 Alaska의 Council 지역과 Norway의 Adventdalen 지역에서 데이터를 취득하였다.
두 번째로, 관측 방정식을 수립하기 위한 관측 데이터를 추출한다. 센서 별로 관측된 영상 데이터 및 포인트 클라우드를 통해 지상 기준점에 대응되는 대응점을 추출하여 관측 자료로써 활용하였다. 마지막으로 초기센서모델과 관측 데이터를 활용하여 본 연구에서 제시한 물리 오프셋 추정을 수행한다.
전주 국립농업과학원 데이터셋의 위경도는 약 35°, 127°이고, 인천 극지연구소 앞 운동장 데이터셋의 위경도는 약 37°, 126°로 두 데이터 간 위경도 차이가 있는 지역에서 관측했다
전주 지역에 설치된 10개의 지상기준점에 대하여 고도 60 m, 90 m, 120 m에서 취득된 총 18장의 초분광 영상에서 식별 가능한 영상좌표를 취득하여 추정된 초분광 센서의 물리 오프셋은 Table 5와 같다.
국내의 경우, 전주 2개 지역과 인천지역에서 데이터를 취득하였고, 해외의 경우 극지에 가까운 Alaska의 Council 지역과 Norway의 Adventdalen 지역에서 데이터를 취득하였다. 전주의 국립농업과학원 데이터(NAAS_01, NAAS_02)는 평탄지인 농경지를 대상으로 2021년 9월 9일과 2021년 9월 10일에 취득된 데이터이다. 2021년 9월 9일에 취득된 전주 데이터(NAAS_01)의 경우, 장비에 부착된 센서의 물리 오프셋을 추정하기 위한 보정 데이터셋으로 사용된다.
물리 오프셋을 추정을 수행하기 위한 보조 자료로써 지상 기준점 측량을 수행했다. 지상기준점은 전주 농업과학원 데이터(NAAS_01)의 대공표지에서 RTK측량을 통해 총 10개의 지상기준점 측량을 수행했다. Table 2는 취득된 10개의 지상 기준점 좌표 정보다.
해당 제품의 경우 400 nm–900 nm 파장 대역을 가지며 총 270개의 분광 밴드를 사용하여 데이터를 취득하게 된다.
데이터처리
또한, 정량적 분석을 수행하기 위해 지상기준점이 확보된 인천 극지연구소 운동장 초분광 영상 데이터에 대하여 14개의 지상기준점에 대한 절대 위치 정확도를 분석하였다. Table 6은 초분광 센서의 물리 오프셋 적용 후 지상 기준점 대비 절대 위치에 대한 RMSE값을 계산한 표이다.
보어사이트와 레버암이 적용된 초분광 영상과 라이다 센서의 처리 결과에 대한 상대적인 위치 오차를 분석하여 다중 센서 간의 융합 결과를 비교하였다. 라이다 센서의 처리결과인 포인트 클라우드는 2차원 데이터 형태인 수치 표고 모델로 변환하였다.
이론/모형
2개 스트립에 대하여 총 20개의 관측데이터를 추출하였으며, 해당 데이터는 물리 오프셋 추정을 위한 관측자료로써 사용된다. 대응점 추출은 오픈 소프트웨어인 Cloud Compare SW를 사용하였다. 취득된 관측 자료를 기반으로 상기 기술된 물리 오프셋 추정방식을 적용하여 라이다 센서의 물리 오프셋을 추정하였다.
성능/효과
RMSE 계산을 통해 물리 오프셋이 적용된 모자이크 초분광 영상과 지상 기준점 간에 X, Y방향으로 약 0.12 m의 위치 편차가 발생한 것을 확인할 수 있었다. 초분광 영상의 공간해상도는 약 0.
검증 자료로 사용된 인천 극지연구소 운동장, 전주(NAAS_02), Council, Adventdalen 데이터셋의 물리 오프셋 적용 전후 처리결과를 비교 및 지상기준점 대비 절대 위치 정확도를 분석함으로써, 물리 오프셋의 적용 여부에 따라 산출물의 절대 위치 정확도에 큰 영향을 준다는 사실을 확인할 수 있었으며, 추정된 물리 오프셋 파라미터가 적용되는 경우 비행 스트립에 따라 발생하는 이격 오차가 효과적으로 제거되는 것을 여러 데이터셋에 대한 실험을 통해 확인할 수 있었다. 특히 Council, Adventdalen과 같이 위도, 경도 차이가 큰 국외 지역에서도 추정된 파라미터가 적용될 수 있다는 사실을 확인할 수 있었다.
07 m이다. 두 데이터의 동일 위치에 대한 정확도 RMSE 계산 결과 X, Y 방향으로 약 0.12 m의 위치 편차가 있는 것을 확인하였다. 전주 데이터도 이전과 마찬가지로 초분광 영상의 공간 해상도를 기준으로 약 2 픽셀 정도의 차이가 발생한 것을 확인했으며, 이는 두 데이터의 위치 편차가 크지 않다는 점을 확인할 수 있다.
12(g), (h)에서 영상 중앙과 우측의 선형의 지형물이 물리 오프셋 적용 이후, 매끄럽게 연결되는 것을 확인할 수 있다. 따라서, 네 가지의 데이터셋 모두 물리 오프셋 적용 전후에 따라 개선효과가 있었다는 것을 확인할 수 있다. 특히, Council과 Adventdalen과 같이 위경도 차이가 큰 지역에서도 추정된 물리 오프셋이 효과가 있음을 확인할 수 있었다.
5픽셀의 차이가 존재하는 것을 확인했다. 따라서, 본 연구에서 제안된 방법론을 통해 추정된 보어사이트와 레버암이 초분광 센서의 정밀한 직접 지리 참조 수행을 위해 효과적으로 적용된 것을 확인할 수 있다.
전주 데이터도 이전과 마찬가지로 초분광 영상의 공간 해상도를 기준으로 약 2 픽셀 정도의 차이가 발생한 것을 확인했으며, 이는 두 데이터의 위치 편차가 크지 않다는 점을 확인할 수 있다. 따라서, 인천, 전주 지역 데이터 모두에서 제안된 방법으로 추정된 파라미터를 적용함에 따라 하나의 플랫폼에서 취득된 다중 센서 간의 융합이 가능함을 확인했고, 추정 파라미터가 효과적으로 적용되었다는 점을 확인하였다.
03 m로 계산되었고, 지상기준점 대비 편차가 크지 않기 때문에 지상기준점에서 거의 일치되게 매핑이 되었다는 것을 간접적으로 확인할 수 있다. 따라서, 제안된 방법론을 통해 추정된 보어사이트와 레버암이 라이다 센서의 정밀한 직접 지리 참조 수행을 위해 효과적으로 적용된 것을 확인할 수 있다.
10(d)의 물리 오프셋이 적용된 센서모델식을 통해 추출된 포인트 클라우드는 건물 지붕의 위치오차가 정렬되며, 건물의 지붕의 형상이 제대로 표시되는 것을 확인할 수 있다. 따라서, 제안된 방법을 통해 추정된 보어사이트 앵글과 레버암 적용 여부에 따라 위치 오 정렬에 대한 개선효과가 있다는 것을 확인할 수 있다.
특히 Council, Adventdalen과 같이 위도, 경도 차이가 큰 국외 지역에서도 추정된 파라미터가 적용될 수 있다는 사실을 확인할 수 있었다. 지상기준점 대비 절대위치 정확도뿐만 아니라, 다중 센서 산출물 간의 상대적인 위치 오차 분석을 통해 2픽셀 이내의 다중 센서 융합 가능성에 대해서도 확인할 수 있었다.
따라서, 네 가지의 데이터셋 모두 물리 오프셋 적용 전후에 따라 개선효과가 있었다는 것을 확인할 수 있다. 특히, Council과 Adventdalen과 같이 위경도 차이가 큰 지역에서도 추정된 물리 오프셋이 효과가 있음을 확인할 수 있었다.
포인트 클라우드 정성적 비교 결과와 마찬가지로 지상기준점 대비하여 보어사이트 앵글과 레버암을 적용 후, X, Y 방향으로 위치 편차가 약 0.03 m로 계산되었고, 지상기준점 대비 편차가 크지 않기 때문에 지상기준점에서 거의 일치되게 매핑이 되었다는 것을 간접적으로 확인할 수 있다. 따라서, 제안된 방법론을 통해 추정된 보어사이트와 레버암이 라이다 센서의 정밀한 직접 지리 참조 수행을 위해 효과적으로 적용된 것을 확인할 수 있다.
후속연구
따라서, 본 연구에서 제안한 방법을 통해 기존의 외산 소프트웨어 의존성에서 벗어나 독자적인 물리 오프셋 추정이 가능할 것으로 보이며, 기체 플랫폼에 부착된 센서의 변경에도 자체적인 파라미터 추정 방법을 통해 시스템 운용의 유연성을 부여할 수 있을 것으로 기대한다. 본 연구에서는 초분광 센서와 라이다 센서 간의 센서 융합 가능성에 대해 확인하였지만, 향후 연구를 통해 프레임 카메라의 정밀센서모델 및 센서 융합 가능성에 대해 연구가 필요하며, 이를 통해 통합된 플랫폼에서 동시 운용 가능한 다중 센서 플랫폼 시스템이 구성될 수 있을 것이라 사료된다.
따라서, 본 연구에서 제안한 방법을 통해 기존의 외산 소프트웨어 의존성에서 벗어나 독자적인 물리 오프셋 추정이 가능할 것으로 보이며, 기체 플랫폼에 부착된 센서의 변경에도 자체적인 파라미터 추정 방법을 통해 시스템 운용의 유연성을 부여할 수 있을 것으로 기대한다. 본 연구에서는 초분광 센서와 라이다 센서 간의 센서 융합 가능성에 대해 확인하였지만, 향후 연구를 통해 프레임 카메라의 정밀센서모델 및 센서 융합 가능성에 대해 연구가 필요하며, 이를 통해 통합된 플랫폼에서 동시 운용 가능한 다중 센서 플랫폼 시스템이 구성될 수 있을 것이라 사료된다.
참고문헌 (9)
de Oliveira Junior, E.M. and D.R. dos Santos, 2019. Rigorous Calibration of UAV-Based LiDAR Systems with Refinement of the Boresight Angles Using a Point-to-Plane Approach, Sensors, 19(23): 5224. https://doi.org/10.3390/s19235224
Habib, A., T. Zhou, A. Masjedi, Z. Zhang, J.E. Flatt, and M. Crawford, 2018. Boresight calibration of GNSS/INS-assisted push-broom hyperspectral scanners on UAV platforms, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(5): 1734-1749. https://doi.org/10.1109/jstars.2018.2813263
Keyetieu, R. and N. Seube, 2019. Automatic Data Selection and Boresight Adjustment of LiDAR Systems, Remote Sensing, 11(9): 1087. https://doi.org/10.3390/rs11091087
Kim, J.I., C.U. Hyun, H. Han, and H.C. Kim, 2021. Digital surface model generation for drifting Arctic sea ice with low-textured surfaces based on drone images, ISPRS Journal of Photogrammetry and Remote Sensing, 172: 147-159. https://doi.org/10.1016/j.isprsjprs.2020.12.008
Li, Z., J. Tan, and H. Liu, 2019. Rigorous Boresight Self-Calibration of Mobile and UAV LiDAR Scanning Systems by Strip Adjustment, Remote Sensing, 11(4): 442. https://doi.org/10.3390/rs11040442
Mian, O., J. Lutes, G. Lipa, J.J. Hutton, E. Gavelle, and S. Borghini, 2015. Direct georeferencing on small unmanned aerial platforms for improved reliability and accuracy of mapping without the need for ground control points, The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 40(1): 397. https://doi.org/10.5194/isprsarchives-xl-1-w4-397-2015
Stuchlik, R., Z. Stachon, K. Laska, and P. Kubicek, 2015. Unmanned Aerial Vehicle-Efficient mapping tool available for recent research in polar regions, Czech Polar Reports, 5(2): 210-221. https://doi.org/10.5817/cpr2015-2-18
Zeybek, M., 2021. Accuracy assessment of direct georeferencing UAV images with onboard global navigation satellite system and comparison of CORS/RTK surveying methods, Measurement Science and Technology, 32(6): 065402. https://doi.org/10.1088/1361-6501/abf25d
※ AI-Helper는 부적절한 답변을 할 수 있습니다.