A Fully Interpretable Statistical Approach for Roadside LiDAR Background Subtraction

Each language version is independently generated for its own context, not a direct translation.

이 논문은 도로변에 설치된 LiDAR(레이저 센서)에 대한 연구입니다.

쉽게 말해, **"도로 위를 스캔하는 레이저 카메라가 보는 세상에서, 움직이지 않는 배경 **(나무, 건물, 도로)을 개발한 것입니다.

이 복잡한 기술을 일상적인 비유로 쉽게 설명해 드릴게요.

🌟 핵심 아이디어: "기억력 좋은 경비원"

이 시스템은 마치 매우 기억력이 좋고, 논리적인 경비원처럼 작동합니다.

**배경 학습 **(기억력)
- 먼저, 아무 차도, 사람도 없는 한적한 시간에 센서가 도로를 스캔합니다. 이때는 나무, 건물, 도로 표면만 보입니다.
- 이 데이터를 바탕으로 경비원은 "여기에는 보통 이런 모양의 나무가 있고, 저기에는 이런 높이의 건물이 있구나"라고 기억해 둡니다.
- 이 논문에서는 이 기억을 **통계적인 지도 **(가우시안 분포 그리드)로 만들어 놓습니다. 단순히 "여기에 나무가 있다"가 아니라, "나무의 높이는 보통 이 정도이고, 흔들림은 이 정도까지 허용된다"는 통계적 규칙을 기억하는 거죠.
**실시간 감시 **(비교)
- 이제 실제 교통 상황이 시작되면, 센서는 새로운 데이터를 계속 받아옵니다.
- 경비원은 새로운 데이터를 자신의 **기억 **(배경 지도)과 비교합니다.
- "어? 이 높이는 기억하고 있는 나무보다 훨씬 높네? 아니면 나무가 흔들리는 범위를 벗어났네?" -> **이건 배경이 아니라 '앞에 있는 물체 **(차나 사람)라고 판단합니다.
- 반대로, "이건 기억하고 있는 나무와 똑같네?" -> 이건 그냥 배경이라고 무시합니다.
**오류 수정 **(청소부)
- 가끔 바람에 나뭇잎이 날리거나 센서 오류로 인해 이상한 점 (노이즈) 이 잡힐 수 있습니다.
- 이때 ROR(반지름 이상치 제거)라는 청소부 역할을 하는 필터가 나옵니다. "너는 혼자 떠다니고 있네? 주변에 친구도 없으니 너는 그냥 잡음 (오류) 이야"라고 판단해 버립니다.

🚀 이 방법이 특별한 이유 (왜 주목받나요?)

1. "모든 센서를 다 알아듣는 만능 열쇠"

기존의 방법들은 주로 회전하는 원통형 LiDAR에만 맞춰져 있었습니다. 마치 "회전식 문만 열 수 있는 열쇠" 같은 거죠.
하지만 이 연구팀은 새로운 형태의 LiDAR(MEMS 센서 등, 회전하지 않고 작은 거울로 레이저를 쏘는 방식)도 완벽하게 다룰 수 있는 만능 열쇠를 만들었습니다. 다양한 센서와 환경에 유연하게 적용할 수 있습니다.

2. "왜 그렇게 판단했는지 설명 가능" (해석 가능성)

최근 AI 는 "왜 그렇게 판단했는지" 설명하기 어려운 '블랙박스'인 경우가 많습니다. 하지만 이 방법은 통계적 규칙을 기반으로 하기 때문에, "높이가 기준보다 높아서 차라고 판단했다"처럼 정확하게 이유를 설명할 수 있습니다. 이는 자율주행의 안전과 신뢰를 위해 매우 중요합니다.

3. "적은 데이터로도 잘 작동"

기존 방법들은 배경을 학습하기 위해 엄청난 양의 데이터가 필요했습니다. 하지만 이 방법은 **짧은 시간 **(10 초~25 초 분량)만으로도 배경을 완벽하게 학습하고, 그 이후로는 아주 정확하게 움직이는 물체만 찾아냅니다.

📊 실험 결과: 얼마나 잘 하나요?

연구팀은 공개된 데이터셋 (RCooper) 을 이용해 실험했습니다.

정확도: 기존 최신 기술들보다 더 정확하게 배경을 제거하고 차와 사람을 찾아냈습니다.
센서 비교: 회전형 LiDAR 보다 작은 MEMS 센서를 썼을 때 오히려 더 좋은 결과를 내기도 했습니다. (데이터가 더 촘촘해서 그런 것 같습니다.)
하드웨어: 성능이 좋은 컴퓨터가 아닌, **저가형 개발 키트 **(Jetson Nano)에서도 잘 작동했습니다. 이는 실제 도로변에 저렴한 장비로 설치해도 된다는 뜻입니다.

💡 결론: 왜 이 기술이 필요한가요?

자율주행차가 스스로만 보는 것만으로는 위험할 수 있습니다. 차가 보이지 않는 곳 (사각지대) 이나 센서가 고장 났을 때를 대비해, 도로변에 설치된 센서가 차를 대신 지켜보는 것이 중요합니다.

이 논문은 그 도로변 센서가 **"배경 소음은 깔끔하게 지우고, 진짜 위험한 물체 **(차, 사람)하는 방법을 제시했습니다.

한 줄 요약:

"이 기술은 도로변 센서가 **배경 **(나무, 건물)을 완벽하게 기억해 두었다가, 실제 움직이는 차나 사람만 정확히 골라내는 똑똑하고 설명 가능한 경비원을 만든 것입니다."

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

배경: 자율주행 시스템의 안전성과 신뢰성을 높이기 위해 차량 센서뿐만 아니라 도로 인프라 (교통 신호등, 도로 표지판, 스마트 센서 등) 에 기반한 지능형 교통 시스템 (ITS) 의 통합이 필수적입니다. 특히 LiDAR 는 카메라에 비해 3 차원 공간 매핑과 정밀한 거리 측정이 가능하여 복잡한 환경에서 우수한 성능을 보입니다.
문제점: 도로변 LiDAR 는 건물, 나무, 도로 표면 등 정적인 배경 (Background) 점들을 대량으로 수집합니다. 목표물 (차량, 보행자 등) 은 전체 점 cloud 의 극히 일부에 불과하므로, 배경을 효과적으로 제거 (Background Subtraction) 하지 않으면 후속 처리 (클러스터링, 객체 인식, 추적) 의 계산 부하가 급증하고 인식 정확도가 떨어집니다.
기존 방법의 한계:
- 기존 방법들은 주로 회전식 LiDAR 에 최적화되어 있어 MEMS 나 Risley Prism 과 같은 비회전식 센서에는 적용이 어렵습니다.
- 딥러닝 기반 방법들은 대량의 레이블 데이터가 필요하고, 다양한 센서와 환경에 대한 일반화 (Generalization) 가 어렵습니다.
- 많은 알고리즘이 '블랙박스' 성격을 띠고 있어, 자율주행과 같은 안전 필수 (Safety-critical) 분야에서 의사결정 과정의 투명성 (Interpretability) 이 부족합니다.

2. 제안된 방법론 (Methodology)

저자들은 완전히 해석 가능 (Fully Interpretable) 하고 유연한 (Flexible) 통계적 배경 제거 알고리즘을 제안합니다. 이 방법은 학습 (Training) 이 필요 없으며, 배경만 포함된 스캔 데이터 몇 개만으로 작동합니다.

핵심 구성 요소: 가우시안 분포 그리드 (Gaussian Distribution Grid, GDG)

방법론은 크게 두 단계로 구성됩니다 (그림 1 참조):

GDG 생성 (배경 모델링):
- 배경만 포함된 여러 스캔 데이터를 누적하여 고해상도 점 구름을 만듭니다.
- 이를 2D 그리드 (x, y 좌표 기반) 로 분할하고, 각 그리드 셀 내에서 점들의 수 (점 밀도) 를 카운트합니다.
- 동시에, 각 셀 내 점들의 높이 (z 축) 분포를 가우시안 분포 (평균 $\mu$ , 표준 편차 $\sigma$ ) 로 모델링합니다.
- 결과적으로 각 그리드 셀은 점의 수, 평균 높이, 분산, 최대 밀도 등의 통계 정보를 갖는 GDG 가 됩니다.
배경 제거 (Foreground Classification):
- 새로운 입력 스캔 데이터에 대해 동일한 그리드 셀에 매핑합니다.
- 점 수 비교: 현재 스캔의 점 수와 배경 모델의 점 수 차이를 임계값 ( $th\_points$ ) 과 비교합니다. 차이가 크면 전점을 전경 (Foreground) 후보로 간주합니다.
- 높이 확률 평가: 점 수 차이가 임계값을 넘지 않더라도, 각 점의 높이가 해당 셀의 가우시안 분포에서 얼마나 벗어났는지 확인합니다. 계산된 확률 밀도가 임계값 ( $th\_density$ ) 이하이면 전경으로 분류합니다.
- 노이즈 제거 (ROR): 분류된 전경 점들에 대해 반경 기반 이상치 제거 (Radius Outlier Removal, ROR) 필터를 적용하여 센서 노이즈나 오차를 제거하고 실제 객체 군집만 남깁니다.

3. 주요 기여 (Key Contributions)

해석 가능성 (Interpretability): 알고리즘의 내부 작동 원리가 명확하여, 왜 특정 점이 배경 또는 전경으로 분류되었는지 모델 구조와 통계적 기준만으로 직접 이해할 수 있습니다.
센서 무관성 및 유연성: 회전식 LiDAR 뿐만 아니라 MEMS, Risley Prism 등 다양한 유형의 LiDAR 센서와 단일/다중 센서 구성 모두에 적용 가능합니다.
최적화된 데이터 요구량: 대량의 학습 데이터가 필요하지 않으며, 최소한의 배경 스캔 데이터 (10~25 개) 만으로도 높은 성능을 발휘합니다.
재현성 확보: 공개된 RCooper 데이터셋을 사용하여 평가함으로써, 다른 연구와의 직접적인 비교와 재현성을 보장했습니다.

4. 실험 결과 (Results)

RCooper 데이터셋 (Corridor 및 Intersection 시나리오) 을 사용하여 평가하였으며, 기존 최첨단 (SOTA) 방법 [10] 과 비교했습니다.

정확도 (Accuracy):
- 제안된 방법은 IoU(교집합 비율), F1 점수, 정밀도 (Precision), 재현율 (Recall) 등 모든 지표에서 기존 SOTA 방법을 능가했습니다.
- 특히 Intersection(교차로) 시나리오에서 MEMS 센서 단독 사용 시 IoU 0.8154, TPR 0.8471 등의 우수한 성능을 보였습니다.
- Corridor(통로) 시나리오에서는 25 개의 배경 스캔으로 최적의 성능을 보였으며, 배경 데이터가 너무 많으면 오히려 성능이 저하되는 경향을 발견했습니다.
객체 수준 평가:
- 객체 단위 True Positive Rate (TPR) 와 Completeness(완전성) 에서도 높은 성능을 유지했습니다.
- 차량, 트럭, 버스 등 대형 객체에서 매우 높은 성능을 보였으나, 보행자, 자전거 등 작고 얇은 객체에서는 상대적으로 낮은 점수를 기록했습니다 (LiDAR 특성상 어려움).
성능 비교:
- 기존 방법 [10] 은 400 개의 배경 스캔을 사용해야 최적 성능을 냈으나, 제안된 방법은 10~25 개의 스캔으로 더 높은 IoU 를 기록했습니다. 이는 제안된 방법이 데이터 효율성이 매우 높음을 의미합니다.
연산 효율성 (Time Performance):
- 저사양 하드웨어인 Jetson Nano 2GB에서 C++ 로 구현하여 테스트했습니다.
- 단일 MEMS 센서 기준 약 298ms, 단일 360° LiDAR 기준 약 575ms의 실행 시간을 기록했습니다.
- 실시간 (Real-time) 처리는 Jetson Nano 에서 어렵지만, 더 강력한 하드웨어나 중앙 집중식 처리를 통해 확장 가능한 수준임을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

신뢰성 있는 인프라 기반 인식: 해석 가능한 통계적 모델을 통해 자율주행 시스템의 의사결정 투명성을 높이고, 규제 기관과 사용자의 신뢰를 확보할 수 있습니다.
실용적 배포 가능성: 복잡한 딥러닝 모델이 아닌 경량화된 통계적 접근법을 사용하여 저비용 하드웨어에서도 실행 가능하며, 다양한 센서 타입에 호환되어 실제 도시 규모의 인프라 배포에 적합합니다.
향후 과제: 처리 시간 단축을 통한 실시간성 확보 및, 전경 객체의 의미론적 분류 (차량, 보행자 등) 기능 추가를 계획하고 있습니다.

이 논문은 도로변 LiDAR 기반의 배경 제거 문제를 해결하기 위해, 데이터 효율성과 해석 가능성을 동시에 만족시키는 새로운 통계적 패러다임을 제시했다는 점에서 중요한 의의를 가집니다.