산업 현장 GDPR 준수 인체 인식 MEMS LiDAR와 합성 데이터 융합

초록

본 논문은 개인정보 보호 규정(GDPR)을 위반하지 않으면서 산업용 실내·외 환경에서 사람을 정확히 탐지하기 위해 MEMS‑LiDAR 기반 3D 포인트 클라우드와 CARLA 시뮬레이션으로 생성한 합성 데이터를 결합한 학습 방식을 제안한다. 실제 데이터와 합성 데이터를 50:50, 70:30 비율로 혼합 학습시 평균 정밀도(AP)가 최대 44 %포인트 상승했으며, 수작업 라벨링 비용을 절반으로 절감하였다.

상세 분석

이 연구는 GDPR 준수라는 법적 제약을 기술적 설계에 직접 반영한 점이 가장 큰 혁신이다. 기존 영상 기반 딥러닝은 얼굴이나 의복 등 식별 가능한 정보를 수집해 개인 프라이버시 침해 위험이 높았지만, MEMS‑LiDAR는 색상·텍스처 정보를 전혀 제공하지 않으며, 3차원 좌표만을 반환한다. 따라서 개인을 식별할 수 없는 익명화된 포인트 클라우드만을 활용함으로써 GDPR 요구사항을 자연스럽게 만족한다.

센서 선택에서도 차별점을 두었다. 회전식 LiDAR와 달리 MEMS‑LiDAR는 소형·경량·고해상도·고속 스캔을 구현하면서도 시야각이 제한적이어서 특정 작업 구역을 집중 감시하기에 최적이다. 논문에서는 200 라인, 수평 72°, 수직 30°의 파라미터를 채택해 사람의 손과 같은 작은 부위까지 포착할 수 있게 설계하였다.

데이터 부족 문제를 해결하기 위해 CARLA 시뮬레이터를 활용한 합성 데이터 생성 파이프라인을 구축했다. MEMS‑LiDAR 스캔 모델을 수학적 사인·코사인 함수와 깊이 카메라의 내재된 정보를 결합해 3D 포인트를 재현하고, 가상 인물을 API로 자동 배치·이동시켜 실시간 바운딩 박스를 생성한다. 이렇게 하면 라벨링 비용이 0에 가깝게 감소하고, 다양한 인구·동작·그룹 구성을 손쉽게 재현할 수 있다.

학습 모델로는 SECOND( Sparse Embedded Convolutional Detection )를 선택했는데, 이는 포인트 클라우드를 voxel화해 효율적인 3D CNN 처리를 가능하게 한다. 실험에서는 네 가지 데이터 구성(M1 전용 실데이터, M2 전용 합성데이터, M3 50/50, M4 70/30)으로 동일 하이퍼파라미터와 OneCycleLR 스케줄러(초기 학습률 1e‑4, 120 epoch)를 적용했다. 결과는 M3이 AP 0.54, M4가 0.45를 기록해 실데이터만 사용한 M1(0.10) 대비 각각 44 %·35 % 향상했으며, 순수 합성 데이터(M2)도 0.27로 17 % 상승했다. 이는 합성 데이터가 실제 환경의 변동성을 충분히 보강한다는 증거이며, 특히 복수 인물·부분 가림 상황에서 바운딩 박스 정밀도가 크게 개선된 것을 시각화 결과에서도 확인할 수 있다.

또한, 테스트용으로 별도 산업 현장(스마트 팩토리 OWL)에서 수집한 230개 포인트 클라우드에 대해 일반화 성능을 검증했으며, 혼합 학습 모델이 가장 높은 검출률을 보였다. 이는 시뮬레이션이 실제 산업 환경의 조명·반사·구조적 특성을 충분히 모사했음을 의미한다.

전체적으로 본 논문은 (1) MEMS‑LiDAR를 통한 개인정보 비식별 데이터 확보, (2) CARLA 기반 고품질 합성 데이터 자동 라벨링, (3) 기존 3D 객체 탐지 네트워크와의 원활한 통합이라는 세 축을 결합해, 비용·시간·법적 제약을 동시에 해결한 실용적인 사람 탐지 파이프라인을 제시한다. 향후 연구에서는 다양한 센서 모델링, 도메인 적응 기법, 실시간 추적 알고리즘을 추가해 시스템의 확장성을 높일 여지가 있다.