날씨에 강인한 LiDAR 포인트 클라우드 처리를 위한 강도·거리 인식 통계적 이상치 제거

초록

본 논문은 비·눈 등 악천후에서 발생하는 날씨 유도 반환을 효과적으로 제거하기 위해, 거리별 강도와 밀도 정보를 결합한 IDSOR(Intensity‑ and Distance‑aware Statistical Outlier Removal) 필터를 제안한다. Gamma 분포를 이용한 거리‑종속 날씨 반환 모델을 임계값에 반영하고, 강도 가중치를 거리별로 조정함으로써 수동 파라미터 튜닝 없이도 정밀도와 재현율을 90 % 이상 유지한다. 시뮬레이션 및 실제 Winter Adverse Driving Dataset(WADS) 실험에서 기존 DSOR, DROR, DDIOR 대비 우수한 성능을 보였다.

상세 분석

IDSOR는 기존 통계적 이상치 제거 기법인 SOR·DSOR의 한계를 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 악천후에 의해 발생하는 반환의 거리‑분포를 실험적으로 측정하고 Gamma 분포(k=2.15, θ=2.38)로 모델링한다. 이 모델은 “근거리에서는 반환이 밀집하고 강도가 낮다, 원거리에서는 반환이 희박하고 강도 감소가 발생한다”는 물리적 특성을 정량화한다. 둘째, 각 포인트의 강도 정규화값 i_norm을 이용해 강도 기반 스코어 h_i=1−i_norm을 정의하고, 거리‑가중치 α_i=ρ·f_r(r_i)/(ρ·f_r(r_i)+1)와 결합한다. 최종 임계값 T_IDSOR = s·T_g·(1−α_i·h_i)는 전역 SOR 임계값 T_g에 강도·거리 가중치를 곱해 동적으로 조정된다. α_i가 클수록(즉, 날씨 반환이 많이 예상되는 근거리) 강도 영향이 크게 반영되어 낮은 강도 반환이 더 쉽게 제거되고, α_i가 작아질수록(원거리) 기하학적 밀도 기반 판단이 우세해진다. 파라미터 ρ는 강우·강설 강도를 조정하고, s는 전체 필터 강도를 스케일링한다. 또한 DROR‑Prior 변형에서는 DROR을 사전 필터링 단계로 사용해 데이터‑드리븐 f̂_r을 추정함으로써 사전 분포가 없는 상황에서도 동일한 구조를 적용한다. 실험에서는 시뮬레이션 레벨 교차 데이터와 WADS의 낙설 눈 시퀀스를 대상으로 정밀도·재현율을 측정했으며, IDSOR는 정밀도 0.91·재현율 0.93을 달성해 DSOR(0.83/0.93)와 DDIOR(0.47/0.97)보다 균형 잡힌 성능을 보였다. 특히, 철도 트랙과 신호탑 같은 미세 구조가 보존되는 점이 눈에 띈다. 알고리즘 복잡도는 K‑NN 기반 평균 거리 계산에 의존하므로 O(N·k) 수준이며, 기존 SOR·DSOR와 동일한 파이프라인을 공유해 실시간 적용이 가능하다. 전반적으로 거리‑강도 가중치를 통계적 모델에 매핑한 설계는 파라미터 튜닝 부담을 크게 낮추면서도 악천후 환경에서의 라이다 데이터 신뢰성을 크게 향상시킨다.