자율주행 자동차와 첨단 운전자 보조 시스템(ADAS)에서 라이다(LiDAR)는 주변 환경을 3차원으로 인식하는 중요한 센서입니다. 카메라가 주변 사물의 색상과 형태를 영상으로 인식한다면 라이다는 레이저 펄스를 주변으로 발사한 뒤 반사되어 돌아오는 시간을 측정해 물체까지의 거리와 위치를 계산합니다.
맑은 날에는 매우 정밀한 거리 정보를 제공할 수 있지만 안개나 비가 내리는 환경에서는 라이다의 점군(Point Cloud)에 불필요한 데이터가 증가할 수 있습니다.
문제는 단순히 레이저의 신호가 약해지는 것만이 아닙니다. 대기 중에 존재하는 물방울이나 미세한 입자에 레이저가 산란되면서 실제 도로와 물체가 아닌 위치에 점이 생성될 수 있습니다.
이러한 현상을 이해하기 위해서는 라이다의 기본 원리와 함께 대기 중 빛의 산란 현상을 살펴볼 필요가 있습니다.
1. 라이다는 어떻게 주변을 측정할까?
라이다는 기본적으로 빛을 이용해 거리를 측정하는 센서입니다.
센서에서 레이저를 발사하고 물체에서 반사되어 돌아오는 신호를 측정합니다. 레이저를 발사한 시점과 반사 신호가 돌아온 시점 사이의 시간을 측정하면 센서와 물체 사이의 거리를 계산할 수 있습니다.
이 과정을 매우 빠르게 반복하면 차량 주변에 수많은 거리 측정값이 쌓입니다.
이 데이터가 3차원 좌표로 변환되면서 우리가 흔히 말하는 점군(Point Cloud)이 만들어집니다.
점 하나는 특정 방향과 거리에서 측정된 정보를 의미하고, 수많은 점을 모으면 자동차·보행자·도로·건물 등의 형태를 3차원으로 표현할 수 있습니다.
하지만 라이다가 발사한 빛이 항상 원하는 물체에서만 반사되는 것은 아닙니다.
2. 안개와 비가 라이다에 영향을 주는 이유
맑은 날에는 레이저가 비교적 자유롭게 이동하다가 자동차나 건물 같은 물체에 도달합니다.
하지만 안개가 발생하면 공기 중에 작은 물방울이 많이 존재하게 됩니다.
비가 내릴 때는 더 큰 물방울이 센서와 주변 물체 사이에 존재합니다.
레이저가 이러한 입자와 만나면 일부 에너지가 다른 방향으로 퍼질 수 있습니다.
이 과정이 바로 산란(Scattering)입니다.
센서 입장에서는 원래 도로 위의 차량을 측정하려고 했지만, 중간에 존재하는 물방울에서 신호가 되돌아올 수 있습니다.
그러면 실제 물체가 아닌 위치에 측정점이 만들어집니다.
결과적으로 점군에는 불필요한 점이 섞이고 물체의 형태가 흐려질 수 있습니다.
3. 라만 스캐터링은 무엇인가?
여기서 중요한 개념이 라만 산란(Raman Scattering)입니다.
라만 산란은 빛이 물질과 상호작용하면서 일부 광자가 입자의 진동이나 회전 상태와 에너지를 교환해 원래와 다른 에너지를 갖는 현상을 말합니다.
다만 라이다의 안개·우천 환경 문제를 설명할 때는 라만 산란만을 단독 원인으로 보는 것보다 대기 입자에 의한 다양한 산란과 신호 감쇠를 종합적으로 이해하는 것이 중요합니다.
실제 자율주행용 라이다에서 안개와 비가 문제가 되는 주요 이유는 물방울이나 입자에 의한 산란과 흡수, 그로 인한 신호 감쇠, 그리고 센서가 원치 않는 반사 신호를 받는 현상 등이 복합적으로 작용하기 때문입니다.
따라서 ‘안개 속 라이다 문제 = 라만 산란 하나의 문제’라고 단순화하면 정확한 설명이 되기 어렵습니다.
이러한 구분은 라이다 센서의 환경 대응 기술을 이해하는 데 중요한 부분입니다.
4. 안개에서는 점군에 어떤 문제가 발생할까?
안개가 짙어질수록 레이저가 센서에서 목표물까지 이동하는 경로에 많은 물방울이 존재하게 됩니다.
이때 센서가 수집하는 데이터에는 여러 종류의 신호가 섞일 수 있습니다.
첫 번째는 실제 차량이나 보행자에서 반사된 신호입니다.
두 번째는 안개 입자에서 산란되어 돌아오는 신호입니다.
세 번째는 여러 환경 요인에 의해 약해지거나 왜곡된 신호입니다.
이러한 데이터가 하나의 점군에 함께 들어오면 센서가 주변 환경을 정확하게 해석하기 어려워질 수 있습니다.
예를 들어 실제 차량 앞쪽에 불규칙하게 흩어진 점이 많이 나타난다면 인식 알고리즘이 이를 실제 장애물의 일부로 판단할 가능성이 있습니다.
따라서 점군 필터링(Point Cloud Filtering)이 필요합니다.
5. 비가 올 때는 어떤 문제가 생길까?
비는 안개와 다른 형태의 문제를 일으킵니다.
빗방울은 안개 입자보다 크기 때문에 레이저가 빗방울에 맞고 돌아오는 신호가 발생할 수 있습니다.
이러한 신호는 센서 가까운 곳에서 나타나는 경우가 있어 점군에 불규칙한 노이즈가 추가될 수 있습니다.
특히 강한 비가 내리면 짧은 시간 동안 많은 산란 신호가 발생할 수 있습니다.
도로 표면에 물이 고이면 또 다른 문제가 생깁니다.
젖은 도로는 건조한 도로와 다른 반사 특성을 보일 수 있기 때문에 라이다 데이터의 품질에 영향을 줄 수 있습니다.
결국 우천 환경에서는 빗방울 자체와 젖은 노면, 차량에서 발생하는 물보라까지 함께 고려해야 합니다.
6. 점군 필터링이 필요한 이유
라이다에서 수집한 원시 점군 데이터를 그대로 객체 인식 알고리즘에 넣는 것은 환경에 따라 비효율적일 수 있습니다.
따라서 먼저 센서 데이터에 포함된 불필요한 점을 제거하거나 신뢰도가 낮은 점을 분류하는 전처리 과정이 필요합니다.
대표적인 접근 방법으로는 다음과 같은 방식이 있습니다.
- 거리 기반 필터링
- 공간적 밀도 기반 필터링
- 통계적 이상치 제거
- 시간적 연속성 분석
- 반사 강도 기반 필터링
- 여러 센서 데이터를 이용한 융합
각 방법에는 장단점이 있습니다.
7. 거리 기반 필터링
가장 기본적인 방법 가운데 하나는 센서에서 지나치게 가까운 위치에 나타나는 점을 별도로 처리하는 것입니다.
안개나 빗방울에서 발생한 산란 신호는 실제 먼 거리의 물체보다 센서에 가까운 곳에서 나타나는 경우가 있습니다.
따라서 특정 조건에 맞는 근거리 점을 제거하면 일부 노이즈를 줄일 수 있습니다.
하지만 이 방법에는 한계가 있습니다.
차량이나 보행자가 실제로 센서 가까이에 존재할 수도 있기 때문입니다.
단순히 ‘가까운 점 = 노이즈’라고 판단하면 중요한 객체까지 제거할 수 있습니다.
따라서 다른 정보와 함께 판단해야 합니다.
8. 공간적 밀도를 이용한 필터링
실제 물체는 일반적으로 일정한 공간적 구조를 가진 점들을 형성합니다.
반면 빗방울이나 안개에 의해 발생하는 일부 노이즈는 공간적으로 불규칙하게 분포할 수 있습니다.
따라서 주변 점들과의 거리와 밀도를 분석해 고립된 점을 제거하는 방법을 사용할 수 있습니다.
예를 들어 주변에 충분한 이웃 점이 없는 데이터를 이상치로 분류하는 방식입니다.
이 방법은 점군에서 흔히 사용되는 이상치 제거 방법 가운데 하나입니다.
그러나 역시 지나치게 강한 필터를 적용하면 작은 물체나 멀리 있는 보행자의 데이터까지 사라질 수 있다는 문제가 있습니다.
9. 시간 정보를 이용한 필터링
라이다 점군을 한 프레임만 보고 판단하지 않고 여러 프레임에 걸쳐 분석하는 방법도 있습니다.
실제 차량이나 건물 같은 물체는 연속된 시간 동안 일정한 공간적 패턴을 유지합니다.
반면 일부 빗방울이나 산란 노이즈는 한 프레임에 나타났다가 다음 프레임에서 사라질 수 있습니다.
따라서 여러 프레임의 데이터를 비교하면 일시적으로 발생한 노이즈와 지속적으로 관찰되는 실제 객체를 구분하는 데 도움이 될 수 있습니다.
이러한 방식은 시간적 일관성(Temporal Consistency)을 활용하는 접근이라고 볼 수 있습니다.
10. 반사 강도 정보도 활용할 수 있다
일부 라이다 센서는 거리뿐 아니라 레이저 신호의 반사 강도와 관련된 정보도 제공합니다.
이 정보를 활용하면 단순히 위치만으로 판단하는 것보다 점군을 더욱 세밀하게 분석할 수 있습니다.
다만 반사 강도 역시 재질과 입사각, 거리, 환경 조건 등에 영향을 받을 수 있기 때문에 하나의 기준만으로 노이즈 여부를 결정하는 것은 위험합니다.
결국 거리, 공간 분포, 반사 특성, 시간적 변화 등을 함께 분석하는 것이 더욱 안정적인 방법이 될 수 있습니다.
11. 센서 융합이 중요한 이유
라이다만으로 악천후 환경을 완벽하게 해결하는 데에는 한계가 있습니다.
그래서 자율주행 기술에서는 카메라, 레이더, 라이다 등 서로 다른 센서의 정보를 함께 사용하는 센서 퓨전(Sensor Fusion)이 중요한 연구 분야가 되고 있습니다.
예를 들어 카메라는 시각적 정보를 제공하고, 라이다는 정밀한 거리와 3차원 구조 정보를 제공하며, 레이더는 악천후 환경에서 상대적으로 강점을 가질 수 있습니다.
각 센서의 약점이 서로 다르기 때문에 여러 데이터를 결합하면 특정 환경에서 하나의 센서가 제공하지 못하는 정보를 보완할 가능성이 있습니다.
12. 점군 필터링에서 가장 어려운 문제
점군 필터링의 가장 어려운 부분은 노이즈를 제거하면서 실제 객체의 정보는 보존하는 것입니다.
필터를 너무 약하게 적용하면 노이즈가 남습니다.
반대로 필터를 너무 강하게 적용하면 실제 자동차나 보행자, 자전거 등의 일부 데이터까지 삭제될 수 있습니다.
자율주행 시스템에서는 작은 객체 하나를 놓치는 것도 중요한 문제가 될 수 있기 때문에 단순히 점의 개수를 줄이는 것만으로는 충분하지 않습니다.
따라서 필터링 알고리즘은 센서의 특성과 차량 속도, 주변 환경, 객체의 움직임 등을 종합적으로 고려해야 합니다.
13. 앞으로의 라이다 악천후 대응 기술
앞으로 라이다 기술이 발전하기 위해서는 센서 자체의 성능 개선과 데이터 처리 알고리즘이 함께 발전해야 합니다.
하드웨어 측면에서는 수신 신호의 품질을 높이고 불필요한 산란 신호에 대한 영향을 줄이는 기술이 중요합니다.
소프트웨어 측면에서는 인공지능과 머신러닝을 활용해 정상적인 점군과 악천후에서 발생한 노이즈를 구분하는 기술이 발전할 가능성이 있습니다.
또한 라이다와 카메라, 레이더의 데이터를 통합하는 센서 퓨전 기술 역시 중요한 역할을 할 수 있습니다.
궁극적으로는 날씨가 좋을 때만 정확한 자율주행 시스템이 아니라 비·안개·눈 등 다양한 환경에서도 안정적으로 주변을 인식할 수 있는 시스템이 필요합니다.
결론
라이다는 자율주행 자동차가 주변 환경을 3차원으로 파악하는 데 매우 유용한 센서입니다.
그러나 안개와 비가 발생하면 공기 중의 물방울과 빗방울에 의해 레이저 신호가 산란되거나 감쇠되면서 점군 품질이 떨어질 수 있습니다.
이때 중요한 것은 단순히 ‘라이다는 악천후에 약하다’고 결론 내리는 것이 아닙니다.
어떤 신호가 실제 물체에서 발생한 것이고 어떤 신호가 환경에 의해 발생한 노이즈인지 구분하는 점군 필터링 기술이 함께 발전해야 합니다.
거리와 공간 밀도, 시간적 연속성, 반사 특성 등을 이용한 필터링은 이러한 문제를 해결하기 위한 대표적인 접근 방법입니다.
또한 라이다 하나에 모든 인식 기능을 의존하기보다 카메라와 레이더 등의 센서를 함께 사용하는 센서 퓨전 역시 중요한 해결책이 될 수 있습니다.
결국 악천후 환경에서의 라이다 기술 경쟁력은 센서의 출력 성능뿐 아니라 오염된 데이터를 얼마나 정확하게 해석하고 필요한 정보만 추출할 수 있는가에 달려 있다고 볼 수 있습니다.
앞으로 자율주행 기술이 다양한 날씨와 도로 환경에서 안정적으로 작동하기 위해서는 라이다 하드웨어, 점군 처리 알고리즘, 인공지능 및 센서 퓨전 기술이 함께 발전하는 것이 중요할 것입니다.
핵심 내용 정리
| 구분 | 핵심 내용 |
|---|---|
| LiDAR | 레이저를 이용해 주변 물체의 거리와 3차원 정보를 측정 |
| 안개 | 미세한 물방울에 의한 산란과 신호 감쇠가 발생 |
| 비 | 빗방울 및 물보라 등에 의해 불필요한 반사점이 발생할 수 있음 |
| 점군 | 라이다가 수집한 3차원 공간 데이터 |
| 필터링 | 불필요한 점과 이상치를 제거하고 실제 객체 정보를 보존 |
| 시간 분석 | 여러 프레임의 연속성을 이용해 일시적 노이즈를 구분 |
| 센서 퓨전 | 라이다·카메라·레이더의 서로 다른 장점을 결합 |
| 핵심 과제 | 노이즈 제거와 실제 객체 정보 보존 사이의 균형 |