LiDAR‑차량 캘리브레이션 오류 탐지를 위한 FlowCalib

초록

FlowCalib은 정적 물체의 3D 씬 플로우를 이용해 LiDAR와 차량 좌표계 사이의 회전 오차를 자동으로 감지하는 최초의 프레임워크이다. 신경망 기반 씬 플로우 추정기와 손으로 만든 기하학적 디스크립터를 결합한 이중‑브랜치 네트워크가 전역 및 축별 이진 분류를 수행한다. nuScenes 데이터셋 실험을 통해 추가 센서 없이도 높은 검출 정확도를 입증하였다.

상세 분석

본 논문은 LiDAR‑to‑Vehicle(S2V) 캘리브레이션 오류가 자율주행 시스템의 안전성에 미치는 영향을 정량화하고, 기존의 센서‑to‑센서(S2S) 보정 방식이 개별 센서의 오차를 식별하지 못한다는 한계를 지적한다. 핵심 아이디어는 회전 오차가 존재할 경우 정적 물체의 점들이 시간에 따라 보이는 흐름(씬 플로우)이 거리‑의존적인 편향을 나타낸다는 점이다. 차량이 직선으로 이동할 때 정상적인 플로우는 전역 좌표계에서 일관된 방향을 유지하지만, 회전 오차가 있으면 플로우 벡터가 축별로 일정한 각도만큼 회전하고, 물체와의 거리 증가에 따라 그 편향이 커진다. 이러한 현상은 물리적인 기하학적 제약 없이도 관측 가능하므로, 별도의 IMU·GPS·카메라와 같은 보조 센서가 필요하지 않다.

FlowCalib은 두 단계 학습 파이프라인을 채택한다. 첫 번째 단계에서는 Neural Scene Flow Prior(NSFP)를 이용해 두 연속 프레임 사이의 씬 플로우를 추정한다. NSFP는 명시적 사전 학습 없이 신경망을 정규화 항으로 사용해 최적화 문제를 풀어, 잡음이 많은 라이다 포인트 클라우드에서도 견고한 플로우를 생성한다. 두 번째 단계에서는 생성된 플로우를 입력으로 두 개의 인코더가 동작한다. 하나는 PointNet 기반의 전역 플로우 피처를 학습하고, 다른 하나는 손으로 만든 기하학적 디스크립터(예: 플로우 벡터의 평균·최대값, 거리‑편향 통계)를 추출한다. 이 두 피처를 결합해 두 개의 디코더가 각각 전역 오차 존재 여부와 roll·pitch·yaw 축별 오차 여부를 0‑1 스코어로 출력한다.

데이터 전처리 단계에서도 중요한 공헌이 있다. 지면 포인트는 UNION·RANSAC 기반 필터링으로 제거하고, 라이다 좌표계를 차량 좌표계로 변환한 뒤, 동적 객체(라벨링된 바운딩 박스)를 제외한다. 이는 정적 물체만을 대상으로 플로우를 계산함으로써 오차 신호를 깨끗하게 만든다. 또한, nuScenes의 2 Hz 키프레임 사이에 20 Hz 스윕을 활용해 적절한 시간 간격을 선택함으로써 포인트 매칭 오류를 최소화한다.

실험에서는 회전 오차를 –5°~–0.5° 및 0.5°~5° 범위에서 균등하게 주입하고, 각 축별 오차를 독립적으로 변형시켜 데이터셋을 구성하였다. 검증 결과, 전역 검출 정확도는 94% 이상, 축별 검출 정확도는 yaw 96%, pitch 93%, roll 91% 수준을 기록했다. 특히, 기존 S2S 보정 방법과 비교했을 때 라이다 자체의 캘리브레이션 오류가 객체 검출 성능에 미치는 영향을 명확히 드러내며, FlowCalib이 실시간 운행 중 캘리브레이션 상태를 모니터링하는 데 유용함을 입증한다.

한계점으로는 현재 회전 오차만을 다루며, 평행이동(translation) 오차에 대한 탐지는 포함되지 않는다. 또한, 정적 물체가 충분히 존재하지 않는 고속도로 직선 구간에서는 플로우 편향이 작아 검출 민감도가 떨어질 수 있다. 향후 연구에서는 translation 오차를 포함한 다중 자유도 탐지와, 라이다 외 다른 센서와의 융합을 통해 검출 신뢰성을 강화할 여지가 있다.