“라이다 센서 기반”… 3차원 시맨틱 세그멘테이션 기술

[디지털비즈온 김맹근 기자] 딥러닝 기술의 발전에 따라 2010년대 초부터 비약적으로 성장한 여타의 인지 인공지능 기술들과 달리 라이다 기반의 3차원 시맨틱 세그멘테이션 기술은 데이터 취득의 어려움 알고리즘의 난해함, 결과 해석의 복잡함 등으로 인해 최근에서야 활발히 연구되고 있다.

먼저, 점 기반 방법은 라이다 센서가 취득하는 점 군 데이터의 좌표를 토대로 각 점의 클래스를 예측하는 방법이다. 이 방법은 복셀, 사영 기반 방법 등에 비해 계산 비용이 매우 적고 별도의 전, 후처리가 필요하지 않아 최근의 3D Sem. Seg. 분야에서 가장 주목받는 연구 방법이다.

이어서 복셀 기반 방법은 점 군으로 만든 복셀을 단위로 클래스를 예측하는 방법이다. 이 방법은 복셀 구성에 필요한 많은 전처리 비용과 복셀 내 데이터 희소성 및 클래스 폐색과 같은 단점에도 불구하고, 3D 컨벌루션의 활용이 가능하고, 추론 결과의 시각화가 비교적 쉽다는 등의 장점으로 3D Sem. Seg. 분야가 연구되기 시작한 이래 꾸준히 시도되고 있다.

사영 기반 방법은 2D 평면에 사영된 점 군의 이미지를 토대로 각 픽셀의 클래스를 예측하는 방법으로 II장에서 전술한 RV 사영 방법과 수직축(Z축) 값을 제거하여 XY 평면에 사영하는 BEV 사영 방법 등이 주로 사용된다. 이처럼 사영 기반 방법은 데이터를 2D 이미지 형태로 바꿔 사용하기 때문에 인지 인공지능에서 흔히 사용되는 2D 컨벌루션 기반 방법들을 전용하기 쉽다.

또한, 지식 증류나 미세조정과 같이 대량의 데이터 세트를 이용한 사전 학습이 필요한 학습 테크닉들을 쉽게 적용할 수 있어서 데이터의 변환 및 결과 해석을 위해 추가적인 전 · 후처리 알고리즘이 필요로 한다는 단점에도 불구하고 3D Sem. Seg.에 많이 활용되고 있다.

먼저, 센서 융합의 경우에는 주로 환경 변화에 강인하지만, 가시거리가 짧고 세밀함이 떨어지는 라이다 센서의 점 군 데이터와 가시거리가 길고 조밀한 데이터 구성을 가지지만 환경 변화에 민감한 카메라 센서의 영상 데이터를 함께 활용하고, 시점 융합의 경우에는 BEV 사영 방법과 RV 사영 방법을 함께 사용하는 방법이나 포인트와 복셀을 함께 사용하는 방법이 주로 사용된다.

결론적으로 자율주행 산업 분야는 새 시대에 필수 불가결해질 대표적인 분야로 차세대 국가 성장 동력의 원천이 될 것으로 평가되고 있다. 본 고에서 소개한 3D Sem. Seg. 기술은 이러한 자율주행 산업 분야를 구성하는 기술군 중 인지 기술에서 매우 중요한 위치를 차지할 수 있는 기술이며 4단계 이상의 완전자율주행 기술이 요구하는 차량 주행 환경의 4D(시공간적) 인식에 매우 부합하는 기술이다.

국내에서도 상용 자율주행이 가능할 정도로 정확하고 빠른 추론이 가능한 초정밀 인공지능 기술이 활발히 연구 개발된다면, 동 분야에 대한 기술적 리더쉽을 충분히 확보할 수 있을 것으로 전망된다.