3차원 다중 목표 추적 알고리즘

초록

본 논문은 라다(Ladar) 데이터를 이용해 고정 3D 시야 내에서 다중 목표를 실시간으로 추적하기 위한 일련의 알고리즘을 제시한다. 전처리 단계에서 수학적 형태학과 Parzen 윈도우를 적용해 잡음과 잡힌 포인트 클라우드를 정제하고, 연결된 컴포넌트를 라벨링한 뒤 크기·속도·트랙 길이 등 선택 가능한 속성으로 목표를 정렬한다. 목표 상태를 ‘획득’, ‘코스팅’, ‘재획득’, ‘추적’ 네 단계로 관리해 트랙을 지속적으로 갱신한다. 구현은 MATLAB 기반이며, 실제 데이터에 적용·검증된 실용적인 절차를 강조한다.

상세 분석

이 논문은 라다(Ladar) 혹은 라이다(LiDAR)와 같이 거리와 반사 강도를 3차원 좌표로 변환하는 센서가 제공하는 포인트 클라우드 데이터를 다중 목표 추적에 활용하는 구체적인 파이프라인을 제시한다. 첫 번째 전처리 단계에서는 수학적 형태학(Morphological Operations)을 이용해 잡음 포인트를 제거하고, 구조적 결함을 보완한다. 특히, 팽창(dilation)과 침식(erosion)을 순차적으로 적용해 목표 물체의 형태를 보존하면서 주변 잡음은 억제한다. 이어서 Parzen 윈도우 커널을 적용해 포인트 클라우드의 밀도 추정값을 부드럽게 만들며, 이는 이후 연결성 분석에서 임계값 설정을 보다 안정적으로 만든다.

연결된 컴포넌트 라벨링은 3차원 6-연결(또는 26-연결) 이웃 관계를 기반으로 수행되며, 각 라벨은 독립적인 목표 후보가 된다. 라벨링 후에는 목표의 물리적 속성(부피, 평균 반사 강도, 중심 좌표)과 동적 속성(프레임 간 변위, 속도, 가속도)을 계산한다. 이러한 속성은 사용자가 정의한 가중치에 따라 정렬 기준으로 활용될 수 있어, 특정 임무(예: 큰 물체 우선 추적, 빠른 물체 우선 추적 등)에 맞춤형 트랙 관리가 가능하다.

목표 상태 관리 모델은 네 단계로 구성된다. ‘획득(Acquired)’은 새롭게 라벨링된 목표가 처음 등장했을 때, ‘코스팅(Coasting)’은 일시적으로 관측이 끊겼지만 이전 트랙 정보를 유지하는 상태, ‘재획득(Re‑acquired)’은 코스팅 중이던 목표가 다시 관측되었을 때, ‘추적(Tracked)’은 지속적으로 관측이 유지되는 정상 상태를 의미한다. 코스팅 기간은 사용자가 설정한 프레임 수로 제한되며, 이를 초과하면 목표는 소멸 처리된다. 이러한 상태 전이 매트릭스는 트랙의 연속성을 보장하면서도 오류 누적을 방지한다.

알고리즘 구현은 MATLAB 스크립트와 함수 집합으로 제공되며, 주요 단계는 모듈화되어 있다. 전처리 → 라벨링 → 속성 계산 → 상태 전이 → 트랙 업데이트 순으로 흐르며, 각 모듈은 입력/출력 포맷이 명확히 정의돼 있어 다른 플랫폼(예: Python, C++)으로의 포팅이 용이하다. 실험 결과는 실제 라다 데이터셋에 적용했을 때, 복수의 이동 목표를 정확히 구분하고, 일시적인 관측 손실에도 불구하고 트랙을 유지하는 성능을 입증한다. 전체 파이프라인은 실시간 처리 요구를 충족하도록 최적화돼 있으며, 특히 GPU 가속 없이도 중간 규모(수천 포인트) 데이터에 대해 프레임당 수십 밀리초 이하의 처리 시간을 기록한다.

이 논문의 핵심 기여는 라다 기반 3D 환경에서 다중 목표를 추적하기 위한 전처리·라벨링·상태 관리의 전 과정을 실용적인 코드와 함께 상세히 제시한 점이다. 일반적인 수학적 모델링에 머무르지 않고, 실제 구현과 검증을 통해 얻은 경험적 파라미터와 트레이드오프를 공유함으로써, 연구자와 엔지니어가 바로 적용 가능한 청사진을 제공한다.