Accuracy Analysis of Point Cloud Data Produced Via Mobile Mapping System LiDAR in Construction Site

건설현장 MMS 라이다 기반 점군 데이터의 정확도 분석

Abstract

Recently, research and development to revitalize smart construction are being actively carried out. Accordingly, 3D mapping technology that digitizes construction site is drawing attention. To create a 3D digital map for construction site a point cloud generation method based on LiDAR(Light detection and ranging) using MMS(Mobile mapping system) is mainly used. The purpose of this study is to analyze the accuracy of MMS LiDAR-based point cloud data. As a result, accuracy of MMS point cloud data was analyzed as dx = 0.048m, dy = 0.018m, dz = 0.045m on average. In future studies, accuracy comparison of point cloud data produced via UAV(Unmanned aerial vegicle) photogrammetry and MMS LiDAR should be studied.

1. 서론

스마트 건설은 재래식 공사방식에 스마트 기술을 적용하여 건설공사의 생산성 및 안전성을 제고하는 방식을 의미한다[1]. 스마트건설은 건설공사의 전 단계에서 활용될 수 있으며[2], 특히, 건설 자동화를 위한 기반기술로서 시공단계에서 3D 디지털 맵을 활용하는 연구가 지속적으로 수행되고 있다[3-10]. 건설현장의 3D 디지털 맵을 생성하는 방법으로는 드론을 활용한 사진측량, LiDAR 측량 방식과, 차량에 LiDAR 및 각종 센서를 부착하여 현장 정보를 취득하는 MMS(Mobile mapping system)가 주로 활용되고 있다[11].

이 중 MMS는 사진측량 방식이 지니는 정확도의 한계를 극복하기 위해 사용된다. 포장도로나 건설현장 내 가도 등 차량의 이동이 가능한 구간을 주행하면서 데이터를 취득하게 되는데, 이는 드론을 활용한 측량 방식 대비 근거리의 데이터를 취득함에 따라 정확도가 상대적으로 우수하다는 특징을 지닌다. 또한, 데이터를 취득하는 방향이 드론과 대조되기 때문에 드론으로 취득하지 못하는 영역에 대한 데이터 취득이 가능하다. 반면, MMS 장비는 상대적으로 고가의 장비이고, 차량의 이동이 가능한 구간에서만 데이터를 취득할 수 있어, 건설현장의 특성에 따라 현장 전체의 디지털 맵을 생성하기 어려울 수 있다는 단점도 지니고 있다.

본 연구의 목적은 실제 건설현장을 대상으로 차량형 MMS 장비를 투입하고, 생성된 점군 데이터의 정확도를 분석함으로써, 그 실질적인 활용성을 검증하는 것이다. 이를 위해 1)MMS 장비 특성 분석, 2)실제 건설현장 대상의 실험 계획 수립, 3) 검증점을 활용한 위치 정확도 분석이 수행되었다. 본 연구의 결과는 건설현장에 MMS의 도입을 고려하는 현장 관계자의 의사결정을 위한 가이드로 활용될 것이다.

2. MMS 특성 분석

2.1 시스템 구성

본 연구에서 건설현장에 투입하여 정확도 분석을 수행하고자 하는 장비는 Topcon社의 IP-S3 장비이다. 해당 시스템은 1)장비의 정확한 위치확인을 위한 GNSS 안테나(Topcon), 2)점군 데이터 취득을 위한 LiDAR(Velodine), 3) 360° 이미지취득을 위한 360카메라, 4)차량의 자세에 따른 보정 정보 취득을 위한 IMU(Inertial Measurement Unit), 5)차량의 이동속도에 따른 데이터 보정을 위한 휠엔코더, 6)타이밍 박스, 인디케이터 박스등 기타 장비로 구성되어 있다(Fig. 1).

Fig. 1 Component of MMS(Sokkia, 2020)[12]

2.2 점군 데이터 스캐닝 성능

IP-S3 시스템에는 점군 데이터의 취득을 위해 Velodine社의 32ch. LiDAR가 설치되어 있다. 해당 LiDAR의 스캐닝 성능은 수평범위 360°, 수직범위 40°, 측정거리 100m 수준이며, 이를 차량후미에 기울어지게 설치할 경우, 수직범위에 따라 최대 70m 거리의 바닥면 점군 데이터를 취득할 수 있다(Fig. 2).

이때, 주행속도와 점군 데이터의 취득은 상관관계를 가지게 되는데, 주행속도가 느릴 경우 밀도 높은 점군 데이터를 얻을 수 있으나, 데이터의 취득에 시간이 다소 소요되고 필요 이상의 밀도를 가지는 점군 데이터를 얻을 수 있다. 반면, 주행속도가 빠를 경우 데이터 취득에 걸리는 시간은 짧아지나, 포인트 밀도가 낮아지고, 일정 속도를 넘어갈 경우 오버랩 구간이 없어져 점군데이터의 소실 구간이 발생할 수 있다. 제조사에서 제공하는 적정 주행속도는 70㎞/h 이하 수준으로, 건설현장에서 활용할 경우 특별한 고려 없이 주행하여도 적정 데이터의 취득이 가능하다(Fig. 3).

Fig. 2 Scanning range of MMS(Sokkia, 2020)[12]

Fig. 3 Relation between point cloud acquisition and driving speed(Sokkia, 2020)[12]

2.3 현장 데이터의 취득

IP-S3를 활용하여 데이터를 취득하기 위해서는 전용 프로그램인 Mobile Master Field를 활용해야 한다. 이는 MMS의 센서 데이터를 결합하고, 프로젝션 및 작업을 위한 인터페이스를 제공한다. 이동 경로, 포인트 클라우드 및 파노라마 이미지를 활용할 수 있고, 배경 맵의 데이터를 3D 또는 파노라마로 확인할 수 있다. 이때 점군 데이터가 오버레이된 이미지가 표시되므로, 원하는 객체(점, 폴리라인, 다각형 등)를 추출하여 *.dxf 또는 *.dwg 확장자 형식으로 내보낼 수 있다(Fig. 4, Table 1).

Fig. 4 Mobile master field (Sokkia, 2020)[12]

Table 1. Feature of mobile master field[12]

2.4 취득 데이터의 처리

IP-S3를 통해 취득된 데이터는 전용 프로그램인 MAGNET Collage를 통해 후처리된다. MAGNET Collage는 Topcon社의 레이저스캐너, MMS, UAV의 취득 점군 데이터를 처리, 결합 및 분석하는 역할을 수행한다. 측량 기준점, 국토지리원 제공 좌표 등을 활용하여 데이터 세트의 처리를 수행할 수 있다. IP-S3를 통해 취득된 데이터의 처리는 아래 Fig. 5의 프로세스를 따라 후처리되며, 출력 결과는 아래 Fig. 6과 같다.

Fig. 5 Postprocessing process of MAGNET Collage

Fig. 6 Postprocessing result

3. 건설현장 대상 실험계획 수립

3.1 대상현장 개요

본 연구에서 MMS 라이다 기반 점군데이터의 정확도 분석을 위해 선정한 건설현장은 서울시 동작구 흑석동에 위치한 공동주택 건설현장으로, 이에 대한 사업부지 배치도 및 사업 개요는 아래 Fig. 7, Table 2와 같다. 해당 현장은 410×310m (68,514.4㎡) 규모의 현장으로, 데이터 취득 시점에서는 토공사 및 기초공사를 수행 중에 있었다. 현장 내 고저차는 최대 55m 정도 수준으로, MMS의 활용을 위해서는 차량의 주행 경로 계획을 사전에 수립해야 한다.

Fig. 7 Target site plan

Table 2. Target site specification

3.2 데이터 취득 장비

2장의 연구에서 기술한 것처럼 본 연구에서 MMS 라이다 기반 점군 데이터 수집을 위해 사용된 장비는 Topcon社의 IP-S3이다. 해당 장비의 건설현장 내 운용을 고려하여 기아 카니발 차량을 선정하고 MMS 장비를 설치하였다. 또한 보다 정밀한 데이터 수집을 위해 휠 엔코더를 설치하여 차량 이동속도에 대한 데이터 보정에 활용하였으며, 현장 외부에 GNSS 안테나를 설치하여 취득데이터 보정에 활용하였다(Fig. 8).

Fig. 8 MMS setup

3.3 현장실험 계획 수립

본 연구에서는 대상현장에 대한 실험계획을 수립하기 위해, MMS 라이다 기반 점군데이터 취득이전에 드론을 활용하여 현장 촬영 데이터 취득을 수행하였다. 이때 사용된 드론은 DJI社 Phantom 4 가 사용되었으며, 이미지 취득을 위한 카메라로는FC330(4000×3000px)이 사용되었다. 현장실험계획 수립 결과, 현장의 경사도로 인해 MMS 탑재 차량이 접근 가능한 지역이 현장 북부로 제한 되었으며, 이를 고려하여 경로 계획을 수립하였다. 또한, 차량 이동 경로에 4개의 검증점(Check Point)를 설정하여 정확도 검증을 위해 활용하고자 한다(Fig. 9). 이를 드론 취득 데이터 위에 상세히 표현한 것은 아래 Fig. 10과 같다.

Fig. 9 Check point install

Fig. 10 Site experiment plan (MMS path, check point)

4. 건설현장 MMS 라이다 기반 점군 데이터의 정확도 분석

4.1 건설현장 MMS 라이다 기반 점군 데이터 수집

Fig. 10의 MMS 차량 이동 경로를 통해 취득된 MMS 점군 데이터 영역은 아래 Fig. 11과 같다.

점군 데이터 취득 결과 전체 현장 68,514.4㎡를 기준으로 약 65.9%인 45,150㎡ 영역의 점군 데이터가 취득되었다. 이때, 취득된 점군 데이터의 수는 168,864,176점으로 1㎡당 3,740점 정도의 점군 데이터가 존재하는 것으로 분석되었다. 아래 Fig. 12는 MMS 점군 데이터를 본 연구진이 개발한 PDMS-v1.0 소프트웨어를 활용하여 시각화한 것이다.

Fig. 11 MMS point cloud data acquisition area

Fig. 12 MMS point cloud data (PDMS-v1.0)

4.2 건설현장 MMS 라이다 기반 점군 데이터 정확도 분석

MMS 점군 데이터의 정확도 분석은 드론으로 취득된 사진 데이터를 활용하여 정사영상을 생성 하고, 생성된 정사영상을 기준으로, 해당 지점의실제 GNSS 측량 좌표(Fig. 9)와 MMS 점군 데이터의 좌표 값을 비교하는 방식으로 수행되었다 (Fig. 13).

Fig. 13 Compare between MMS and GNSS data

이 때, 계산되는 Dxy, Dz 값은 아래 식 (1), (2)를 통해 산정된다.

\(D _ { x y } = \sqrt { ( [ X ( G P S ) ] - [ X ( M M S ) ] ) ^ { 2 } + ( [ Y ( G P S ) ] - [ Y ( M M S ) ] ) ^ { 2 } }\)       (1)

\(D _ { z } = \sqrt { ( [ Z ( G P S ) ] - [ Z ( M M S ) ] ) ^ { 2 } }\)       (2)

드론 영상 분석에는 Pix4D Mapper Ver. 4.6.4가 활용되었으며, 다수의 비교군 데이터 생성을위해 드론 기반 정사영상 생성 시 지상기준점 (GCP; Ground Control Point) 좌표 개수의 변화를 주어 8종류의 정사영상을 생성하였으며, 이때 지상기준점의 수는 6-8점 사이로 현장 크기 대비 충분한 수를 확보하였다. Pix4D Mapper 분석 결과, GSD(Ground Sample Distance)는 평균 5.12㎝/px이며, 지상기준점의 RMSE(Root Mean Square Error)는 Dx, Dy, Dz 평균 0.025162m 수준인 것으로 분석되었다. 이에 따라 현장 내 설치된 4 개의 검증점(CP; Check Point)에 대해 총 32개의 정확도 검증 결과를 도출할 수 있으며, 그 결과는 아래 Table 3과 같다.

Table 3. Accuracy analysis of MMS point cloud data

4.2.1 평면 오차 분석

MMS 점군 데이터의 평면 오차인 Dxy에 대한 통계량 분석 결과, 관측 수 32개 표본에 대해 RMSE 0.0534m, 분산 0.001973m, 최대값 0.1918m, 최소값 0.0066m으로 분석되었다. 아래 Fig. 14는 Dxy의 RMSE에 대한 산점도를 나타낸 것으로, 대부분의 데이터가 오차 0.1m 이내에 포함되나, 일부 데이터는 그 이상의 오차를 보이는 것으로 분석되었다.

Fig. 14 MMS point cloud error of Dxy

4.2.2 수직 오차 분석

MMS 점군 데이터의 수직 오차인 Dz에 대한 통계량 분석 결과, 관측 수 32개 표본에 대해 RMSE 0.0427m, 분산 0.00059m, 최대값 0.0783m, 최소값 0.0016m으로 분석되었다. 아래 Fig. 15는 Dz의 RMSE에 대한 산점도를 나타낸 것으로, 분석된 모든 데이터가 오차 0.1m 이내에 포함되는 것으로 분석되었다.

Fig. 15 MMS point cloud error of Dz

4.3 소결

MMS 점군 데이터의 정확도 분석 결과, Dxy의 RMSE는 0.0534m, Dz의 RMSE는 0.0427m로 분석되었으며, Dx, Dy, Dz 오차에 대한 종합적인 RMSE는 0.0492m로 분석되어, MMS의 종합적인 평균 오차를 5㎝ 이내로 판단할 수 있었다. 이때, 평면 오차보다 수직 오차의 분산이 작게 도출되었으며, Dz의 관측값이 안정적인 모습을 보이는 것으로 확인되었는데, 이는 데이터 취득 매커니즘에 따른 것으로 판단된다.

예컨대, 드론을 기반으로 취득된 영상, 라이다데이터의 경우 드론이 지상 평면과 수직으로 데이터를 취득하기 때문에 Dxy의 오차에 비해 Dz 오차가 두 배 가량 크게 나타나는 것으로 알려져 있다. 반면에 MMS는 데이터를 취득하는 각도가 드론과 직교하므로, Dz 오차에 비해 Dxy 오차가 보다 크게 발생한다. 이와 같은 논리로 분석 데이터에서 일부 점이 0.1m 이상의 오차를 포함하는 것을 설명할 수 있으며, 반면 MMS의 경우 데이터 취득시 축이 계속 회전함에 따라, Dz 오차에 비해 Dxy 오차가 두 배까지는 커지지 않는 것으로 판단된다.

5. 결론

본 연구를 통해 얻은 결론은 다음과 같다.

1) MMS 특성 분석 결과, MMS의 시스템 구성, 점군 데이터 스캐닝 성능 등을 파악하고, 이에 따른 현장 데이터의 취득 및 취득 데이터의 처리 프로세스 등이 분석되었다.

2) 건설현장 대상 실험계획 수립 결과, 서울시 동작구 흑석동에 위치한 공동주택 건설현장을 대상으로, MMS 투입 계획이 수립되었으며, 이를 토대로 MMS 탑재 차량의 이동 경로, 4개의 검증점 위치 등이 설정되었다.

3) 건설현장 MMS 기반 점군 데이터 수집 결과, 전체 현장 68,514.4㎡를 기준으로 약 65.9% 인 45,150㎡ 영역의 점군 데이터가 취득되었으며, 이때, 취득된 점군 데이터의 수는 168,864,176점으로 1㎡당 3,740점 정도의 점군 데이터가 존재하는 것으로 분석되었다.

4) 건설현장 MMS 라이다 기반 점군 데이터 정확도 분석 결과, 평면 오차인 Dxy에 대해 RMSE 0.0534m, 분산 0.001973m, 최대값 0.1918m, 최소값 0.0066m으로, 수직 오차인 Dz에 대해 RMSE 0.0427m, 분산 0.00059m, 최대값 0.0783m, 최소값 0.0016m으로 분석되었다.

5) 해당 현장에 대한 MMS 점군 데이터의 정확도는 0.0492m로 분석되어, MMS의 종합적인 평균 오차를 5㎝ 이내로 판단할 수 있었으며, 이때, 평면 오차보다 수직 오차의 분산이 작게 도출되었다.

본 연구를 통해 도출된 결과를 활용할 경우, MMS의 투입을 고려하는 건설현장에서 가이드라인으로 활용될 수 있다. 또한, Dz 오차가 크게 발생하는 드론 취득 데이터에 대한 보완책으로서 MMS 점군데이터와의 데이터 퓨전 등을 고려할 수 있으며, 이를 통해 보다 정확하고 활용성이 높은 건설현장의 Digital Map 생성이 가능하다. 추후 연구를 통해 취득 데이터를 활용한 체적 분석을 수행하여 토공사의 물량을 산정하는 측면에서 해당 기술이 유용하게 활용될 수 있도록 분석 기술의 고도화가 수행되어야 할 것이다.

감사의 글

본 연구는 국토교통부/국토교통과학기술진흥원의 지원으로 수행되었음(스마트 건설기술 개발사업: 22SMIP-A158708-03).