건물 수준 불확실성 인식 LiDAR 모델 정밀 정합 L2MReg

초록

L2M‑Reg은 LoD2 3D 도시 모델의 구조적 불확실성을 명시적으로 고려한 평면 기반 정밀 정합 기법이다. 신뢰할 수 있는 평면 대응을 구축하고, 의사 평면 제약을 적용한 Gauss‑Helmert 모델을 통해 6 DoF 변환을 추정하며, 수직 변위를 적응적으로 보정한다. 실험 결과, 기존 ICP 및 PLADE 계열보다 높은 정확도와 빠른 처리 속도를 보였다.

상세 분석

본 논문은 도시 디지털 트윈에서 LiDAR 포인트 클라우드와 LoD2 수준의 CityGML 모델을 건물 단위로 정합할 때, 모델이 갖는 구조적·생성 과정상의 불확실성을 무시하면 고정밀 응용에서 큰 오류가 발생한다는 점을 지적한다. 이러한 불확실성은 2D 건물 풋프린트가 건물 외벽이 아닌 플린스(바닥)와 정렬되는 경우가 많아, 수평·수직 오프셋이 존재함을 의미한다. L2M‑Reg은 이를 해결하기 위해 세 가지 핵심 절차를 제시한다.

1️⃣ 신뢰성 높은 평면 대응 구축: LoD2 모델에 내재된 의미론적 레이블(벽, 지붕, 플린스 등)을 활용해, 건물 플린스와 일치하는 평면을 우선 선택한다. 기존 방법이 필요로 하는 모델‑포인트 클라우드 변환 과정을 생략하고, CityGML의 면 정보를 직접 추출함으로써 연산량을 크게 감소시킨다. 또한, 평면의 면적·법선·위치 정보를 기반으로 매칭 후보를 제한해 외란에 강인한 대응을 확보한다.

2️⃣ 의사 평면 제약 Gauss‑Helmert 모델: 평면 대응을 관측 방정식으로 표현하고, 관측 오차와 모델 불확실성을 동시에 고려하는 Gauss‑Helmert 최소제곱 프레임워크를 도입한다. 여기서 ‘의사 평면(pseudo‑plane)’은 실제 LiDAR 포인트가 완벽히 평면에 놓여 있지 않더라도, 해당 평면에 대한 거리 오차를 최소화하도록 설계된 제약이다. 이 과정에서 6 DoF(3 회전 + 3 이동) 변환 파라미터를 동시에 추정하지만, 수직 변위는 별도로 적응적으로 보정한다.

3️⃣ 2D‑3D 변환 파라미터 디커플링: LoD2 모델의 저품질 지면(ground) 데이터가 수평 정합에 미치는 영향을 최소화하기 위해, 수평(회전·XY이동)과 수직(Z이동) 파라미터를 분리한다. 먼저 평면 대응을 이용해 XY 평면상의 회전·이동을 추정하고, 이후 남은 Z축 오프셋을 건물 플린스와 실제 LiDAR 플린스 사이의 평균 높이 차이로 보정한다. 이 전략은 특히 건물 높이가 크게 변하거나 지면 레이저 스캔이 불완전한 경우에 유리하다.

실험에서는 독일·프랑스·스위스 등 5개 도시의 실제 LiDAR 데이터와 공개된 LoD2 CityGML을 사용해, 기존 ICP‑Based, Point‑to‑Plane ICP, PLADE 등 7개 최신 방법과 비교하였다. 정량적 평가지표(RMSE, MAE, 회전 오차)에서 L2M‑Reg은 평균 30 % 이상 정확도가 향상되었으며, 처리 시간은 평균 0.8 초 수준으로 실시간 수준에 근접했다. 특히 수평 오프셋이 0.2 m 이상인 경우에도 안정적인 정합을 유지한다는 점이 강조된다.

본 연구는 (1) 모델 불확실성을 정량화·제어하는 새로운 수학적 프레임워크, (2) CityGML 표준을 그대로 활용한 경량 평면 매칭, (3) 2D‑3D 디커플링을 통한 효율적 파라미터 추정이라는 세 축으로 기존 방법론의 한계를 극복한다는 점에서 의의가 크다. 다만, 평면이 거의 없는 초고층 건물이나 복합 구조물에 대해서는 평면 대응이 부족할 수 있어 향후 라인·곡면 기반 확장이 필요하다.