Subscript

AI : artificial intelligence

O&M : operations and maintenance

PR : performance ratio

UAV : unmanned aerial vehicle

SLAM : simultaneous localization and mapping

GNSS : global navigation satellite system

LiDAR : light detection and ranging

IMU : inertial measurement unit

PCD : point cloud data

Std.dev : standard deviation

1. 서 론

인공지능(AI) 및 양자 시대의 도래로 기술 발전이 가속화됨에 따라 에너지 소비량 또한 급증하여, 화석 연료와 같은 제한된 자원이 아닌 지속 가능한 에너지원에 대한 관심이 전 세계적으로 증가하고 있다. 태양광 발전 기술은 태양전지(solar cell)라고 불리는 반도체 소자를 활용해 광자를 전자로 변환하여 에너지를 생산할 수 있는 기술로 별도의 저장 공간이 없이도 설치 및 가동이 용이하며, 연소 과정 및 이에 따른 이산화탄소 배출이 없어 친환경적이고 약 35년 이상의 긴 수명을 가지고 있어 핵심적인 차세대 에너지원으로 주목받고 있다^{1, 2)}.

이러한 태양광 발전 시스템을 높은 에너지 생산 효율로 장기간 운용하기 위해서는 상시적인 유지보수(Operations and Maintenance, O&M) 기술이 매우 중요하다³⁾. 태양광 발전소의 수익성은 단순히 설치된 모듈의 성능뿐만 아니라, 운영기간 동안 얼마나 효율적으로 관리되는지에 따라 좌우된다⁴⁾. 실제로 태양광 발전소의 설치 시기에 따른 평균 성능비(Performance Ratio, PR)를 분석한 결과, 지속적인 유지보수가 실시된 발전소는 실시되지 않은 발전소 대비 5% 이상의 평균 PR 수준을 확보하는 것으로 나타났다⁵⁾. 이는 장기적인 관점에서 발전 수익에 큰 영향을 미치는 요소이며, O&M 기술의 고도화가 곧 발전 효율의 극대화로 직결됨을 시사한다⁶⁾.

그러나 현행 인력 중심의 유지보수 방식은 다음과 같은 심각한 비용적･안전성 문제점을 내포하고 있다. 먼저, 유지보수 작업간 소비되는 인적･시간적 자원이 상당한 비용을 요구한다⁷⁾. 태양광 모듈의 전기 안전 점검의 경우 30장당 약 1분 이상의 시간이 소요되며, 1 MW급 발전소 기준 2,000 ~ 3,000평 부지를 점검하고 유지보수까지 하는데 6시간 이상의 시간이 요구된다⁸⁾. 이는 국내 1 MW급 태양광 발전소 기준 연간 21,198천원 이상 높은 유지보수 비용을 요구하고 있으며, 이 중 보험료를 제외한 인건비가 약 62%를 차지하고 있어 발전소 운영을 촉진하는 데 핵심적인 장해물로 작용하고 있다⁹⁾.

나아가 태양광 발전소내 작업간 안전 문제가 대두되고 있다. 대규모 태양광 발전소는 대부분 도심지역이 아닌 산간, 오지에 위치하여 장시간 안전관리 시 다양한 위험 요소에 노출된다^{10, 11)}. 신재생 에너지원별 유지보수간 사고발생 건수는 태양광 발전소의 비율이 가장 높은 것으로 보고되었다¹²⁾. 또한 여름철 혹서기에는 열사병, 겨울철에는 동상 등 기상 조건에 따른 건강 위해 요인도 무시할 수 없다.

마지막으로, 육안 점검의 한계로 인한 사고 예방의 비효율성이 존재한다¹³⁾. 태양광 발전설비 사고유형을 분석한 결과, 전체 사고의 약 68% 가량이 원격 모니터링 및 원격 제어가 가능했다면 대부분 예방이 가능한 사고로 추정된다¹⁴⁾. 인력 점검은 대부분 분기별 또는 연 1~2회 등 정기적으로만 수행되므로 갑작스러운 설비 이상이나 환경 변화를 실시간으로 감지하기 어렵다. 이는 고장 발생 시점과 실제 인지 시점 간의 시간 격차를 야기하며 발전 효율 저하 및 2차 사고로 이어질 위험을 증대시킨다^{15, 16)}.

이러한 배경에서 무인 항공기(Unmmanned Aerial Vehicles, UAVs) 또는 드론을 활용한 자동화된 O&M 기술이 대안으로 부상하였다^{16, 17)}. 그러나 기존의 수동 조종 방식은 조종사의 숙련도에 따라 결과물의 품질이 달라질 뿐만 아니라, 광활한 부지에서 장시간 반복적인 비행을 수행해야 하는 업무 특성상 조종사의 피로 누적과 집중력 저하를 유발한다. 선행 연구에 따르면 드론 사고의 약 60% 이상이 인적 오류에 기인하며, 그중에서도 상황 인식 실패와 과도한 업무 부하가 주요 원인으로 지목된다¹⁸⁾. 특히 태양광 발전소와 같이 시각적 특징이 유사하고 장애물이 산재한 환경에서는 조종사가 기체의 정확한 위치를 파악하기 어려워 사고 위험이 가중된다. 따라서 인적 요인에 의한 불확실성을 배제하고 점검의 정밀도를 보장하기 위해서는 완전 자율주행 기반의 무인 점검 시스템 도입이 시급하다^{19, 20)}.

무인 드론의 운행 중 사고가 발생하지 않는 완전 자율주행 시스템을 구축하기 위해서는 드론이 스스로 주변 환경을 인지하고 현재 위치를 정밀하게 추정함과 동시에 3차원 지도를 생성하는 SLAM (Simultaneous Localization and Mapping) 기술이 필수적이다^{21, 22)}. 일반적으로 실외 자율주행에는 위성 항법 시스템(Global navigation satellite system, GNSS)이 널리 활용되지만, 태양광 발전소와 같이 금속 구조물이 밀집된 환경에서는 전파 간섭이나 다중 경로(Multipath) 효과로 인해 수신 신호의 신뢰도가 급격히 저하될 수 있다^{23, 24)}. 또한, 패널 하부와 같은 GNSS내 음영으로 표시된 지역의 경우에는 위치 추정 자체가 불가능하여 자율 비행간 사고가 발생할 확률이 증가한다^{23, 25, 26)}. 따라서 외부 추정 데이터를 받는 것을 넘어, 빛의 반사에 따른 거리를 측정하여 전방의 시야를 확보할 수 있는 라이다(Light Detection and Ranging, LiDAR)와 관성 측정 장치(Inertial Measurement Unit, IMU)를 결합하여 실시간 위치를 추정하고 맵을 생성하는 라이다-관성 SLAM 기술이 큰 주목을 받고 있다^{27, 28)}.

다양한 SLAM 알고리즘 중 본 연구에서는 태양광 발전소의 환경 특성을 고려해 LIO-SAM (LiDAR Inertial Odometry via Smoothing and Mapping)을 맵핑 알고리즘으로 채택하였다²⁹⁾.

3차원 포인트맵을 생성하는 라이다 SLAM 알고리즘의 경우, 대표적으로 LOAM (LiDAR odometry and mapping)과 FAST-LIO2 (Fast direct LiDAR inertial ordometry)가 있다. 먼저, LOAM은 특징점 기반(Feature-based) 방식으로 연산이 가볍지만, IMU와 라이다가 독립적으로 작동하는 약-결합(Loosely-coupled) 구조를 가진다. 이는 드론과 같이 급격한 기동이 빈번한 환경에서 위치 추정의 안정성을 저하시키는 요인이 된다. 반면, FAST-LIO2와 같은 직접 방식은 모든 포인트 클라우드를 활용하여 정밀한 지도를 제공하지만, 방대한 데이터 처리로 인해 연산 부하가 크다. 이는 드론과 같은 배터리와 프로세서 자원이 제한된 소형 임베디드 시스템에서는 실시간 운용 효율을 떨어뜨리는 한계가 있다^{30, 31)}.

이에 비해 LIO-SAM은 특징점 기반 방식을 통해 데이터 처리량을 최소화하면서도, 팩터 그래프(Factor Graph)를 이용해 IMU와 라이다를 강-결합(Tightly-coupled) 시킴으로써 비행 안정성을 동시에 확보하였다. 그 결과, LIO-SAM은 태양광 발전소라는 구조적 환경에서 제한된 자원으로 고정밀 맵을 생성해야 하는 본 연구의 목적에 가장 적합한 알고리즘이다. LIO-SAM은 라이다 데이터의 곡률(Curvature)을 연산함으로써 평탄도에 따라 엣지(Edge)와 평면(Planar) 특징점으로 이원화하여 추출하는 특징점 기반 방식을 취한다^{29, 30, 31)}. 이러한 특징점 추출 메커니즘은 유리가 포함된 태양광 모듈의 광학적 노이즈를 필터링하는 데 결정적인 역할을 수행한다. 일반적으로 모듈 표면의 강화 유리는 레이저의 난반사나 굴절을 유도하여 실제 표면보다 하부에 허상 포인트(Ghost Points)를 생성하거나 데이터가 소실되는 현상을 유발한다³²⁾. LIO-SAM은 이러한 불규칙한 평면 데이터를 곡률 기반 필터링을 통해 신뢰도가 낮은 특징점으로 분류하여 매칭 가중치를 제한하는 반면, 프레임과 같은 구조적 경계는 뚜렷한 곡률을 가진 엣지 특징점으로 추출하여 위치 추정의 핵심 기하학적 구속 조건(Geometric Constraints)으로 활용한다.

또한, LIO-SAM은 센서 퓨전을 위해 강-결합 팩터 그래프 최적화 프레임워크를 적용한다. 이는 드론의 상태 변수를 노드로, 센서 측정값을 엣지로 정의하여 전체 시스템의 잔차(Residual)를 최소화하는 방식이다. 시스템은 IMU의 가속도 및 각속도를 사전 적분(Pre-integration)하여 기체의 빠른 기동을 예측함과 동시에, 라이다 오도메트리 인자를 통해 기하학적 위치를 보정한다. 특히 태양광 발전소 내 인버터나 고압선 주변에서 발생하는 강력한 전자기 간섭이 IMU 내부의 지자기 센서에 영향을 주어 방위각 드리프트를 유발하더라도, 시스템은 전자기장의 영향을 받지 않는 라이다의 스캔 매칭 정보를 기반으로 IMU의 바이어스를 실시간으로 추정하고 보정한다. 즉, 최적화 과정에서 라이다가 제공하는 강건한 기하학적 구속력이 IMU의 전자기적 오차를 상쇄함으로써, 복합적인 외란이 존재하는 환경에서도 정밀한 상태 추정 성능을 보장한다^{32, 33)}.

태양광 발전소는 평평한 패널과 이를 지지하는 프레임이 규칙적으로 배열되어 있어 평면과 모서리의 기하학적 특징이 뚜렷한 환경이다. 이러한 환경에서 전체 포인트 클라우드를 연산하는 대신 주요 특징점만 선별하여 활용하는 LIO-SAM의 접근 방식은 반복적인 구조물로 인한 데이터 처리량을 획기적으로 줄이면서도 핵심적인 구조 정보를 유지할 수 있어 효율적이면서도 정밀한 3차원 맵 생성이 보장된다³¹⁾.

하지만 LIO-SAM이 범용적으로 우수한 성능을 보인다 하더라도, 태양광 발전소와 같은 특수 환경에서 우수한 성능을 발휘하기 위해서는 환경 특성에 적합한 최적 모델을 개발하는 것이 필요하다. 맵핑의 정밀도를 극대화하기 위해 특징점 추출 기준을 강화하면 연산 부하가 증가하여 실시간 처리 속도가 저하될 수 있고, 반대로 속도를 우선시하면 맵의 정합도가 떨어지거나 위치 추정의 오차가 발생할 수 있는 상충 관계(Trade-off)가 존재한다³⁴⁾.

본 연구에서는 태양광 발전소 O&M 기술에 필요한 고정밀 3차원 포인트 맵 생성 모델을 개발하는 것을 목표로 하였으며, 모델내 주요 파라미터들의 제어에 따른 정밀도(Precision)와 처리 속도(Processing Speed) 상관관계를 규명하였다. 먼저 실시간 처리되는 데이터의 총량을 조절하는 downsampleRate 파라미터를 10까지 증가시킴에 따라 불필요한 데이터 처리가 감소하여, 처리 속도가 증가함과 동시에 실시간 처리 정밀도가 21.7% 이상 향상됨을 관측하였다. 하지만, 지나친 downsampleRate의 증가는 LIO-SAM에서 맵을 생성하는 데 필요한 데이터의 결핍을 초래하여, 보상 로직 동작에 따른 불필요한 포인트 데이터가 추가되어 정밀도가 크게 저하됨을 확인하였다. 또한, 평면 특징을 선정하는 최소 유효 포인트 수를 의미하는 SurfFeatureMinValidNum 파라미터의 증가는 평면 특징을 선정하는 기준을 강화함으로써 평면 특징으로 선정된 산란 노이즈 인자들을 제거하였으며, 파라미터의 수치가 500에서 약 0.09의 표면 곡률 및 0.004의 엣지 평면도를 달성함으로써 정확한 특성 추출 및 고품질의 포인트맵을 생성할 수 있었다. 하지만 1000 이상의 지나친 SurfFeatureMinValidNum 증가는 주요한 평면 및 엣지 특성도 오류로 인식하여 제거되는 과소 추출로 인해 맵 구조내 특징의 기하학적 붕괴를 초래하여 곡률 및 평면도 값의 증가를 확인할 수 있었다. 각 평면 및 엣지 특징의 복셀 격자 크기를 제어하는 MappingSurfLeafSize와 MappingSurfLeafSize 파라미터의 경우, 격자 크기에 따라 정밀도와 처리 속도간의 상충 관계가 나타남을 규명하였으며, 두 파라미터 모두 0.2의 수치에서 97.7%의 정밀도와 0.4초의 빠른 포인트 맵 생성 시간을 달성할 수 있었다. 최종적으로 본 연구진은 약 99.6%의 높은 정밀도를 갖는 3차원 포인트맵 생성형 인공지능 모델을 개발하였다.

2. 연구 방법

2.1 시스템 구성 및 실험 환경 구축

본 연구에서 제안하는 태양광 발전소 O&M을 위한 임베디드 기반 맵핑 시스템의 전체적인 아키텍처와 데이터 처리 파이프라인은 Fig. 1에 도식화되어 있다. 해당 그림은 하드웨어 센서 입력부터 최종 3D 맵 생성에 이르는 소프트웨어의 논리적 흐름을 나타낸다. 데이터 처리 과정은 Fig. 1의 LIO-SAM을 시작으로 우측에서 좌측으로 이어지는 흐름에 따라 IMU 사전 적분, 이미지 투영 및 전처리, 특징점 추출, 그리고 맵 최적화의 4단계로 구성되며, 각 모듈은 ROS 미들웨어를 통해 유기적으로 연결된다.

Fig. 1

Overview of the proposed system architecture and experimental setup. Data processing pipeline based on the LIO-SAM framework. The parameters highlighted in red dashed boxes represent the key optimization targets analyzed in this study to enhance mapping performance

데이터 처리의 첫 단계는 ImuPreintegration 모듈에서 시작된다. Livox Mid-360 라이다는 기계적으로 회전하거나 스캐닝하는 동안 기체가 이동할 경우, 포인트 클라우드에 모션 왜곡(Motion Distortion)이 발생한다. 이를 해결하기 위해 해당 모듈은 고빈도 IMU 데이터를 사전 적분하여 스캔 사이의 기체 움직임을 정밀하게 추정하고, 이를 통해 포인트 클라우드의 왜곡 보정에 필요한 6축 포즈 추정값을 생성해 다음 단계로 전달한다.

추정된 기체 움직임 정보와 초기 라이다 데이터는 ImageProjection 모듈로 입력된다. 이곳에서는 앞서 계산된 IMU 변환 행렬을 적용하여 포인트 클라우드의 물리적 왜곡을 보정하고, 3차원 점군을 처리 효율이 높은 2차원 범위 이미지(Range Image) 형태로 투영한다. 특히 이 단계에서는 본 연구의 핵심 최적화 파라미터인 downsampleRate이 적용된다. 이는 맵핑 정밀도에 기여도가 낮은 중복 데이터를 1차적으로 선별하여(Downsampling), 제한된 임베디드 자원 내에서 후속 단계의 연산 부하를 사전에 경감하는 중요한 역할을 수행한다.

전처리가 완료된 데이터는 featureExtraction 모듈로 전달되어 기하학적 특징 분석이 수행된다. 해당 단계에서는 각 포인트의 로컬 곡률(Local Curvature)을 계산하여, 평탄한 영역인 평면 특징과 곡률이 급격히 변하는 엣지 특징으로 데이터를 분류한다. 이때 태양광 패널과 같이 유사 패턴이 반복되는 환경에서의 오인식을 방지하기 위해 SurfFeatureMinValidNum 파라미터를 적용하여, 일정 개수 이상의 포인트가 군집을 이룬 경우에만 유효한 특징으로 선별하는 필터링 과정을 거친다.

선별된 특징점들의 경우, mapOptimization 모듈로 수렴하여 팩터 그래프 기반의 Scan-to-map 최적화를 수행한다. 해당 영역은 현재 프레임의 특징점들을 기존에 구축된 로컬 맵과 정합하여 누적 오차를 최소화하고 글로벌 맵을 갱신한다. 이에 mappingSurfLeafSize, mappingCornerLeafSize 파라미터들을 통해 최종 맵에 등록될 특징점의 해상도를 의미하는 복셀 그리드 크기(Voxel Grid Size)를 결정하게 되며, 해당 데이터를 바탕으로 Globalmap.pcd, Surfmap.pcd, Cornermap.pcd가 생성된다.

본 연구에서는 태양광 발전소의 자율주행 및 맵핑을 위한 하드웨어 시스템을 구축하였다. 특히 배터리로 구동되는 무인 항공기(UAVs) 플랫폼의 특성을 고려하여 제한된 탑재 중량(Payload) 내에서 비행 시간을 확보할 수 있도록 시스템의 경량화와 소형화를 최우선 설계 요소로 반영하였다.

메인 프로세서는 소형 폼팩터임에도 불구하고 임베디드 환경에서 고속 실시간 데이터 처리가 가능한 NVIDIA Jetson Xavier NX를 채택하였다. 해당 모듈은 384개의 CUDA 코어와 48개의 Tensor 코어를 포함한 Volta 아키텍처 GPU를 탑재하여 초당 21조 이상의 AI 연산 성능을 제공한다. 이는 15 W 이하의 저전력 환경에서도 LIO-SAM 알고리즘의 복잡한 연산을 실시간으로 처리하기에 적합하다. 기본적인 소프트웨어 플랫폼은 Ubuntu-20.04 LTS와 ROS1 (Robot Operating System 1, Noetic)을 사용한다. Linux 기반의 오픈소스 운영체제인 Ubuntu는 여러 프로그래밍 언어 지원과 개발 도구들의 확장성이 우수하여 연구 개발 환경에 적합하다. 또한, ROS1은 로봇 소프트웨어의 개발을 위한 표준 미들웨어로서 노드 간의 효율적인 메시지 전달 기능을 제공한다. 특히, 본 연구의 핵심 알고리즘인 LIO-SAM과 Livox 드라이버가 ROS1 환경에서 가장 안정적인 호환성을 보이며, 기존의 연구들과 방대한 오픈소스 패키지 생태계를 통해 신뢰성을 확보할 수 있는 장점이 있다.

라이다 센서는 드론의 비행 역학에 미치는 영향을 최소화하기 위해 약 265 g의 초경량 무게를 가진 Livox Mid-360을 선정하였다. 이 센서는 기계식 회전 방식이 아닌 3D 스피닝(Spinning) 방식을 채택하여 수평 360° 수직 59°의 넓은 시야각(Field of View, FOV)을 확보하였다. 또한, 초당 200,000 포인트의 고밀도 데이터 수집이 가능하여, 비행 중 기체 하부와 측면의 사각지대를 제거하고 태양광 패널의 기하학적 특징을 정밀하게 취득하는 데 유리하다. 전원 공급은 22,000 mAh 리튬 폴리머 배터리를 통해 독립적으로 구동되도록 설계하였다.

2.2 파라미터 선정 및 개발 전략

본 연구의 파라미터 선정 및 최적화 전략은 자율 비행을 위한 주행 안정성(Flight Stability)과 정밀 안전 진단을 위한 데이터 신뢰성(Data Reliability)이라는 두 가지 목표를 확보하는 데 목적을 두었다. 태양광 발전소 점검 드론은 고속 비행 중 즉각적인 장애물 회피와 경로 생성을 수행해야 함은 물론, 제한된 배터리 용량 내에서 최대한의 체공 시간을 확보해야 하므로 불필요한 전력 소모를 줄이는 신속한 연산 처리가 필수적이다. 또한, 단순한 위치 인식을 넘어 패널의 미세한 뒤틀림이나 지지대의 변형을 식별하기 위해서는, 반복적인 평면 구조(Long Corridor)로 인해 위치 추정이 모호해지는 기하학적 난제(Geometric Degeneracy) 속에서도 cm 단위의 맵핑 정밀도를 보장해야 한다. 이러한 복합적인 문제를 해결하기 위해, 본 연구진은 하드웨어 부하를 제어하는 입력 데이터 최적화와 환경 특성을 반영한 적응형 특징점 추출 전략을 유기적으로 결합하였다. 이를 통해 Jetson Xavier NX의 제한된 자원 환경에서도 실시간성과 고정밀도, 그리고 에너지 효율성을 동시에 만족하기 위한 파라미터를 선정하였다.

제한된 연산 자원과 배터리 효율을 고려하여 입력 데이터의 밀도 제어를 최우선으로 수행하였다. 이를 위해 전체 SLAM 파이프라인으로 유입되는 데이터의 총량을 결정하는 downsampleRate를 핵심 파라미터로 선정하였다. Livox Mid-360 센서와 같은 고해상도 라이다는 초당 수십만 개의 포인트 데이터를 생성하는데, 이를 여과 없이 사용할 경우, Jetson Xavier NX와 같은 임베디드 시스템에서는 처리 지연(Latency)이 발생하여 고속 비행 시 실시간 위치 추정간 기하학적 오류를 형성한다. 따라서 본 연구는 downsampleRate 파라미터의 제어를 통해 시스템의 실시간성을 보장하는 동시에 3차원 포인트맵 생성 정밀도에 기여하지 않는 불필요한 중복 데이터를 제거하여 연산 효율을 극대화하는 방향으로 최적화를 진행하였다.

또한 본 연구진은 반복적인 구조로 인한 위치 추정 오류를 방지하기 위해 특징점 유효 임계값 파라미터를 조정하고자 하며, 이를 위해 평면 특징으로 선정되기 위한 최소 유효 포인트 수를 결정하는 ‘SurfFeatureMinValidNum’을 핵심 파라미터로 선정하였다. 태양광 발전소와 같은 유사한 패턴이 반복되는 긴 복도 환경에서는 노이즈를 유효한 특징점으로 오인할 수 있으며, 반대로 유효한 데이터를 과도하게 필터링할 경우, 맵핑 실패(Geometric Degeneracy)로 이어질 위험이 크다. 따라서 본 연구는 해당 파라미터 조정을 통해 센서 노이즈에 의한 Fail-logic 동작을 방지하고, 발전소 환경에서 실제로 유효한 평면 데이터만을 엄밀하게 선별하여 맵의 전역적 일관성(Global Consistency)을 확보하는 데 주력하였다.

나아가 본 연구진은 태양광 발전소의 구조적 특성을 반영하기 위해 특징점 추출 해상도를 기능별로 차별화하였다. 발전소 환경은 넓은 면적의 패널 평면(Surface)과 지지대 및 프레임(Frame)의 모서리(Corner)가 명확히 구분되는 기하학적 특성을 가진다. 이에 본 연구진은 평면 특징을 처리하는 ‘mappingSurfLeafSize’와 모서리 특징을 처리하는 ‘mappingCornerLeafSize’를 주요 파라미터들로 선정하였다. 주행 안정성을 위해서는 데이터양이 방대한 평면 특징을 효율적으로 추상화하여 연산 부하를 줄이는 것이 중요하나, 구조물 변형 진단을 위해서는 모서리 특징을 고해상도로 유지해야 한다. 따라서 평면은 주행 효율성에, 모서리는 진단 정밀도에 가중치를 두는 접근법을 통해, 자율 비행과 정밀 점검이라는 서로 상충하는 목표를 동시에 만족시키고자 했다.

본 연구에서는 선정된 핵심 파라미터들을 평가하기 위해 실시간성, 맵핑 정밀도 그리고 특징점 품질(Feature Quality)에 대한 정량적 평가를 수행하였다. 먼저, 시스템의 연산 부하와 직결되는 실시간성 평가는 ROS 환경에서 제공하는 토픽 지연 측정 도구를 활용하고자 하였으며, 구체적으로는 ‘/lio_sam/ mapping/odometry’ 토픽의 수신 지연 시간(Delay)을 측정함과 동시에 데이터의 일시적인 이상값을 배제하고 일반적인 주행 상황을 대변하기 위해 윈도우 크기(Window Size)를 100으로 설정하여 평균 지연 시간을 산출하였다. 이 방식은 downsampleRate과 LeafSize 파라미터가 시스템의 실시간성에 미치는 영향을 분석하는 척도로 활용되었다.

포인트맵 정밀도 평가는 생성된 3차원 포인트 클라우드 데이터(PCD)를 오픈소스 3D 데이터 처리 소프트웨어인 CloudCompare를 이용하여 분석하였다. 전체 맵 데이터에서 태양광 패널 구역만을 별도로 분할(Segmentation)한 후, Fit Plane 기능을 사용하여 해당 포인트 집합에 가장 부합하는 참조 평면을 생성하였다. 이후 생성된 참조 평면과 각 포인트 간의 유클리드 거리(Euclidean Distance)를 계산하고, 이에 대한 표준 편차(Std. Dev.)를 산출하여 맵의 평탄도와 정밀도를 정량화하였다. 또한, 파라미터 변화에 따른 데이터 밀도 변화를 추적하기 위해 동일 소프트웨어를 통해 포인트 개수(Point Count)를 측정하였다.

마지막으로 생성한 특징점들의 성능 및 품질 평가의 경우에는 ‘SurfFeatureMinValidNum’파라미터의 조절을 통해 수행되었다. LIO-SAM 알고리즘은 평면 특징(Surface)과 엣지 특징(Edge/Corner)을 각각 surf.pcd와 edge.pcd 파일로 분리하여 저장하며, 이를 활용하여 각 특징의 기하학적 정밀성을 분석하였다. surf.pcd에서는 태양광 패널 영역을 추출하여 표면의 거칠기를 나타내는 곡률(Curvature)을 측정하였고, edge.pcd에서는 구조물 프레임 영역을 추출하여 직선성을 나타내는 평면도(Planarity)를 측정하였다. 이를 활용하여 노이즈가 제거된 각 평면 및 엣지 유효 특징점들의 정밀한 추출을 정량화하는 지표로 선정하였다.

3. 연구 결과

3.1 입력 데이터 밀도 제어

SLAM 알고리즘의 3차원 포인트맵 생성 성능은 입력된 포인트 클라우드의 품질과 정보 밀도에 의해 결정적인 영향을 받는다. 특히 본 연구에서 활용한 Jetson Xavier NX와 같은 고성능 연산이 제한된 임베디드 시스템의 경우, 데이터의 기하학적 정보량은 유지함과 동시에 연산 부하를 최소화할 수 있는 최적 조건에서 데이터 밀도를 산출하는 것이 핵심이다. 따라서 본 연구진은 프론트엔드(Front-end) 단계에서 데이터 유입량을 제어하는 핵심 인자인 downsampleRate를 1부터 50까지 단계적으로 증가해 시스템 지연 시간과 맵핑 정밀도간 상관관계를 정량적으로 분석하였다.

본격적인 분석에 앞서 3차원 포인트맵의 품질을 객관적으로 평가하기 위해 실험 환경의 물리적 제약 조건을 반영한 정밀도 산출 기준을 수립하였다. 본 실험은 실제 태양광 발전소의 환경적 변수를 통제하고 파라미터의 영향력을 정량적으로 분석하기 위해, 교내에 구축된 태양광 패널 모의 환경에서 수행되었다. 본 연구진은 상용 태양광 모듈의 통상적인 규격(약 1.0 m × 1.6 m, 비율 1:1.6)을 기하학적으로 모사하기 위해, 이와 유사한 1:1.5 비율의 0.6 m × 0.9 m 패널 모형 2개로 구성하였다. 이를 실제 발전소에서 효율 극대화를 위해 주로 채택하는 설치 규격에 맞추어 지면 기준 30°의 경사각으로 나란히 배치하였으며, 두 패널 모형 사이에는 모듈 간격을 모사하기 위해 0.1 m의 물리적 이격 거리를 설정하였다. 이 0.1 m의 간격은 맵생성의 유효성을 판단하는 결정적인 임계값(Threshold)으로 작용한다. 또한, 본 논문의 Fig. 2부터 Fig. 4까지 제시된 모든 측정 결과는 파라미터별 성능을 객관적으로 비교하기 위해, 해당 모의 환경으로부터 약 10 m 거리의 동일한 위치에서 취득된 데이터임을 밝힌다. 만약 점군 데이터의 표준 편차(std.dev)가 0.1 m를 초과할 경우, 노이즈로 인해 두 패널 사이의 간격이 메워져 시각적, 구조적 구분이 불가능해지기 때문이다. 따라서 본 연구에서는 이 0.1 m를 허용 오차의 한계선으로 설정하고, 산출된 표준 편차를 이 임계값에 대해 백분율로 환산한 식 (1), P를 최종 정밀도 지표로 정의하여 분석을 수행하였다.

먼저 다운샘플링을 적용하지 않은 초기 설정(downsampleRate: 1)에 대한 결과는 Fig. 2 (a)와 같다. 분석 결과, 프레임당 약 102,895개에 달하는 방대한 포인트 데이터가 필터링 없이 알고리즘에 유입되는 것으로 확인되었다. 이 경우 시스템의 평균 처리 지연 시간은 Table 1에 제시된 바와 같이 0.416초로 측정되었는데, 이는 사용된 Livox Mid-360 라이다 센서의 데이터 송출 주기인 0.1초(10 Hz)를 4배 이상 초과하는 수치이다. 이러한 입력과 처리 시간 사이의 병목 현상은 고속 비행 드론의 위치 추정 오차를 누적시키는 결정적인 원인이 된다. 또한 정밀도 측면에서도 Fig. 2 (f)의 히스토그램은 0.0279 m(약 2.8 cm)의 높은 표준 편차를 보였으며, 앞서 정의한 식에 따른 정밀도는 72.1%에 그쳤다(Fig. 2 (k)). 이는 데이터가 많을수록 정확하다는 일반적인 직관과 배치되는 결과로, 센서 고유의 측정 노이즈와 불필요한 산란 데이터까지 모두 최적화 연산에 포함됨에 따라 전역적 정합(Global Registration)의 품질이 오히려 저하되는 과적합(Overfitting to Noise) 현상이 발생했기 때문이다.

반면, downsampleRate 파라미터의 수치가 증가함에 따라 성능 지표의 향상이 뚜렷하게 관측되었다. downsampleRate를 5로 설정한 Fig. 2 (b)의 경우, 포인트 수는 40,723개로 초기 대비 약 60% 감소하였으며, 이에 따라 정밀도는 85.2%로 대폭 상승하였으며, 지연 시간 또한 0.373초로 단축되어 실시간성 확보의 가능성을 보여주었다(Fig. 2 (g)). 나아가 downsampleRate 수치를 10으로 설정한 Fig. 2 (c)에서는 지연 시간이 0.370초(약 2.7 Hz)로 더욱 단축되어 실험군 중 가장 빠른 처리 속도를 기록하였다. 특히 downsampleRate = 10에서의 표준 편차는 0.0062 m (약 6.2 mm)로 초기 조건인 downsampleRate = 1에서의 표준 편차 0.028 m (약 28 mm) 대비 4배 이상 감소하였으며, 약 93.8% 이상의 높은 정밀도를 달성하였다. 이는 적절한 수준의 다운샘플링이 공간적 노이즈를 평균화하여 제거하는 스무딩(Smoothing) 효과를 제공했기 때문이다. 실험에 설정된 패널 간격이 0.1 m임을 고려할 때, 6.2 mm 수준의 오차는 두 구조물을 명확히 구분할 수 있는 충분한 공간 분해능이 확보되었음을 의미하며, 동시에 연산 효율성이 극대화되어 실시간성과 정밀도라는 두 가지 목표를 동시에 달성하는 최적점임을 확인하였다.

Fig. 2

Effect of downsampleRate on Mapping Quality and Processing Efficiency. (a)-(e) Visualized point cloud maps generated with downsampleRate of 1, 5, 10, 25, and 50, respectively. (f)-(j) Corresponding histograms of signed distances (surface deviation) for each map. (k) Mapping precision trend, calculated based on the std.dev with a 0.1 m reference threshold. (l) Processing speed (1/s), derived from the inverse of the processing delay. Red squares describe the optimal operating condition, representing the balance between precision and delay time in (k) and (l)

특히 6.2 mm의 표준 편차는 센서 노이즈를 포함하더라도 실제 현장의 1 cm 미만 미세 간격을 구분할 수 있는 분해능을 확보했음을 시사하며, 이는 좁은 간격은 갖는 태양광 모듈 구조에서의 정밀한 3차원 맵데이터를 확보할 수 있을 것으로 기대한다. 단, 1 mm 이하의 초근접 환경에서는 데이터 병합 가능성이 존재하기에 LeafSize의 추가적인 미세 조정이나 포인트 클라우드 기반의 객체 분할(Instance Segmentation) 알고리즘 적용을 통해 보완할 수 있다.

그러나 실험 과정에서 다운샘플링 강도를 높였음에도 불구하고 포인트 수가 증가하는 데이터 역전 현상이 Fig. 2(c) 지점에서부터 관찰되기 시작했다는 점은 주목할 만하다. 이론적으로 비율을 5에서 10으로 높이면 포인트 수는 감소해야 하나, Table 1을 보면 40,723개(downsampleRate: 5)에서 42,691개(downsampleRate: 10)로 오히려 소폭 상승하였다. 이는 데이터 밀도가 낮아짐에 따라, LIO-SAM 알고리즘이 맵핑에 필요한 최소한의 특징점 개수를 확보하기 위해 내부적으로 임계값을 조절하는 적응형 보상 로직이 작동하기 시작했음을 시사한다. downsampleRate이 10인 경우에는 이러한 내부 보상 로직이 탐색 반경을 확장해 기존에는 포착되지 않았던 유효 특징점을 선별해 내면서 정밀도가 향상됨을 관측하였다.

하지만 downsampleRate 파라미터를 25로 강화할 경우, Fig. 2(d)에서는 이 보상 로직이 지나친 탐색 반경 확장으로 인해 역효과가 보임을 확인하였다. 맵 형성에 필요한 포인트 수의 경우, 47,737개로 더욱 증가하였으나, 이는 희소해진 환경에서 알고리즘이 평소라면 버려졌을 낮은 품질의 포인트들까지 대거 유입시켰기 때문이다. 그 결과, Fig. 2 (i)의 정밀도는 82.1%로 급격히 하락하고 표준 편차는 0.0179 m로 증가하는 역설적인 상황이 발생하였다. 더 나아가 downsampleRate를 50으로 설정한 Fig. 2 (e)에서는 정밀도가 80.7%로 크게 감소함을 관측하였으며, 이는 시각적으로도 구조물의 형상이 뭉개지는 등 기하학적 충실도가 심각하게 훼손됨을 의미한다(Fig. 2 (j)).

종합적으로 Table 1과 Fig. 2 (k)를 통해 downsampleRate와 성능 지표 간의 상관관계를 분석한 결과, 처리 지연 시간은 downsampleRate = 5 이후 약 0.37초에서 포화(Saturation)되는 경향을 보였으나, 정밀도는 downsampleRate 10에서 가장 높은 성능을 보인 후에 하락하는 경향을 보인다. 따라서 본 연구진은 보상 로직이 긍정적으로 작용하여 시스템 효율과 데이터 신뢰성의 최적 균형을 이룬 downsampleRate = 10에서 최적의 3차원 포인트맵을 생성할 수 있음을 규명했다.

3.2 특징점 유효 임계값 제어

LIO-SAM의 맵핑 성능을 결정짓는 핵심 요소는 추출된 점군이 실제 구조물의 형상을 얼마나 신뢰성 있게 대변하는지를 검증하는 것이다. 태양광 패널과 같이 정형화된 평면과 엣지(Edge)가 반복되는 환경의 경우, 단순한 산란 노이즈를 유효한 특징점으로 오인하거나 반대로 실제 구조물을 노이즈로 치부하여 제거하는 오류를 최소화해야 한다. 본 연구진은 특징점으로 선정하는 최소 포인트 군집 수를 결정하는 SurfFeatureMinValidNum을 가변하며 3차원 포인트맵 생성간 양적･질적 변화를 규명하고자 한다.

Table 2와 Fig. 3은 SurfFeatureMinValidNum 변화에 따른 시각적 맵핑 결과와 정량적 성능 지표를 종합적으로 보여준다. 분석 결과, 파라미터 설정에 따라 특징점의 거동은 초기 필터링, 응집 및 최적화, 그리고 과소 추출(Under-extraction)의 세 단계로 구분되는 독특한 양상을 보였다. 먼저 SurfFeatureMinValidNum을 가장 낮은 값인 20으로 설정할 경우, 시스템은 엣지 포인트 1,499개와 평면 포인트 945개로 최대치의 데이터를 확보하였다(Fig. 3 (a), (f), Table 2). 특히, 엣지 평면도가 0.0093으로 다소 높게 측정됨으로써 엣지 포인트내 평면 포인트가 혼재됨을 확인할 수 있는데, 이는 패널의 전체적인 윤곽을 잡는데 유리한 설정이나 엣지 주변의 미세한 노이즈 포인트들이 다수 포함되어 있음을 시사한다(Fig. 3 (f)). 나아가 해당 파라미터를 100까지 증가시킬 경우, 엣지 포인트 수는 740개, 평면 포인트 수는 437개로 급격히 감소함을 관측하였다(Fig. 3 (b), (g)). 이는 낮은 밀도로 분포해 있던 불안정한 노이즈성 포인트들이 1차적으로 필터링되며 데이터의 순도가 높아지는 과정으로 해석된다.

주목할 점은 SurfFeatureMinValidNum을 100에서 500으로 증가시켰을 때 나타난 데이터의 역전 현상이다. 일반적인 필터링 이론에 따르면 임계값이 높아질수록 통과하는 데이터 수는 줄어들어야 하나, 본 실험에서는 500 설정 시 엣지 포인트가 740개에서 837개로, 평면 포인트가 437개에서 512개로 오히려 증가하는 경향을 보였다(Fig. 3 (k)). 이는 500이라는 설정값이 태양광 패널의 물리적 크기와 포인트 밀도에 가장 부합하는 임계점으로 작용했기 때문이다. 설정값 100에서는 흩어져 있던 포인트들이 독립적인 노이즈로 간주되어 소거되었던 반면, 500에서는 알고리즘이 더 넓은 영역의 포인트들을 하나의 견고한 특징으로 강력하게 응집(Clustering)시키며 유효 데이터로 편입시킨 것이며, 이러한 응집 효과는 기하학적 정밀도의 비약적인 향상으로 이어졌다. Table 2와 Fig. 3 (l), (m)을 살펴보면, 500에서 평면 곡률(Surface Curvature) 0.090, 엣지 평면도(Edge Planarity) 0.0045로 전체 실험군 대비 가장 낮은 값을 보이며, 이는 SurfFeatureMinValidNum = 500에서 20이나 100 만큼의 충분한 데이터를 유지하면서도, 가장 직선에 가깝고 평평한 고품질의 맵을 생성하는 최적점임을 입증한다.

그러나 파라미터를 1000 이상으로 과도하게 높일 경우, 시스템 성능은 저하되었다(Fig. 3 (d), (e), (i), (j)). 엣지 포인트 수의 경우, 파라미터의 최적 수치인 500에서 837개와 대비하여 1000에서는 353개, 1500에서는 314개로 지속적인 감소를 보이며, 이는 유효한 패널 구조물이라 할지라도 1,000개 이상의 밀집된 포인트를 확보하지 못하면 가차 없이 제거되는 과소 추출 현상이 발생했기 때문이다(Table 2). 그 결과, 엣지 평면도 오차는 다시 0.0093까지 큰 상승을 보이고 있으며, 포인트맵 상에서 패널의 모서리가 끊어지거나 형상이 뭉개지는 구조적 손실이 발생하였다(Fig. 3 (m)). 특히 패널 간의 0.1 m 이격 공간을 정의하는 핵심 엣지 포인트들이 소실되는 현상은 Fig. 3 (i), (j)의 붉은 점선으로 표시된 영역에서 명확하게 관찰된다.

종합적으로 SurfFeatureMinValidNum이 20과 100인 구간 역시 높은 포인트 수를 보이며 맵핑에 유의미한 기여를 하였으나, 노이즈 제거와 형상 정밀도 측면에서는 한계를 보였다. 따라서 본 연구에서는 데이터의 양적 풍부함을 유지함과 동시에 기하학적 오차를 최소화하여 질적 우수성을 확보할 수 있는 SurfFeatureMinValidNum = 500을 태양광 발전소 점검을 위한 최적의 유효성 제어 파라미터로 최종 선정하였다.

Fig. 3

Effect of SurfFeatureMinValidNum on Point Density and Geometric Error. (a)-(e) Visualized surface feature maps generated with SurfFeatureMinValidNum of 20, 100, 500, 1000, and 1500, respectively. (f)-(j) Corresponding visualized edge feature maps; the red dotted boxes in (i) and (j) indicate structural loss due to under-extraction. (k) Feature point count trend for surface and edge features. (l) Surface curvature index, indicating surface smoothness. (m) Edge planarity score, indicating linearity error. Red squares indicate the optimal operating condition, where both geometric errors are minimized in (l) and (m)

3.3 특징점 추출 해상도 제어

LIO-SAM의 백엔드(Back-end) 최적화 단계로 넘어가기 전, 추출된 특징점들의 공간적 해상도를 결정하는 최종 관문이 바로 mappingSurfLeafSize와 mappingCornerLeafSize 파라미터이다. 이 두 인자는 각 평면 및 엣지 복셀 그리드 필터의 격자 크기를 제어하며, 낮은 값에서는 특징점들간 간격이 조밀하여 고해상도 포인트맵을 생성하나 연산량이 증가하여 부하가 커지고, 높은 값에서는 데이터를 희소화(Sparsification)하여 빠른 처리 속도를 보이지만 형상 정보의 손실을 초래한다. 본 연구진은 두 파라미터를 0.01(정밀)부터 0.6(희소)까지 제어하면서 특징점의 유형(면/선)에 따른 정밀도 민감도와 시스템 효율성을 분석하였다.

Fig. 4 (a)~(h)의 시각적 결과는 해상도 저하에 따른 포인트맵 품질 변화를 직관적으로 보여준다. mappingSurfLeafSize와 mappingCornerLeafSize가 각각 0.01인 초기 설정에서는 패널의 표면과 모서리가 구분이 가능할 정도의 선명한 점들로 표현되었다(Fig. 4 (a), (e)). 그러나 LeafSize를 0.2, 0.4로 증가시킴에 따라 점 간의 간격이 증가하였으며, LeafSize가 0.6에 도달한 시점에서는 패널의 표면 질감이 거칠어지고 엣지 라인이 듬성듬성 끊어지는 격자화 현상이 가속화됨을 관찰하였다(Fig. 4 (b), (c), (d), (f), (g), (h)).

나아가 처리 속도 측면에서도 두 파라미터 모두 0.2 구간을 기점으로 속도 향상 폭이 급격히 둔화된 포화 단계에 진입함을 관측하였다(Fig. 4 (j)). mappingSurfLeafSize이 0.01에서 0.2로 증가할 경우, 데이터의 처리 지연 시간은 0.552초에서 0.405초로 약 27% 이상 속도가 증가하였으며, mappingCornerLeafSize를 0.01에서 0.2로 변경했을 때 역시 0.424초에서 0.403초로 단축됨으로써 속도 향상을 관측하였다(Table 3). 그러나 0.2 이후인 0.4와 0.6 구간에서는 지연 시간이 0.39초 ~ 0.40초 대역에 머무르며 속도 향상 폭이 포화되는 경향을 보인다. 이는 0.2 이상의 해상도 감축이 추가적인 연산 이득보다는 데이터 손실만을 가중시키는 비효율적 구간임을 시사한다.

정밀도 측면 분석에 앞서, 본 연구진은 정밀도 산출 기준으로 선정한 임계값을 1.0 m로 설정하였다 (Fig. 4 (i)). 이는 본 실험에서 최대 0.6 m 크기의 복셀 격자를 사용하여 데이터를 강제 병합 및 희소화하는 과정이 포함되므로, 격자 크기에 비례하여 점군 간의 공간적 오차가 필연적으로 증가하기 때문이다. 따라서 미세한 센서 노이즈를 평가하던 기존의 0.1 m 기준을 그대로 적용할 경우, 데이터의 경향성을 파악하기 어려워 거시적인 관점에서 맵의 전체적인 구조 유지 성능을 평가하기 위해 완화된 기준인 1.0 m를 적용하였다.

mappingCornerLeafSize 파라미터가 0.01에서 0.6으로 증가할 경우, 표준 편차가 0.008 m에서 0.023 m로 소폭 증가하는 데 그쳤으며, 정밀도 또한 99.2%에서 97.7%로 약 1.5%의 미미한 감소가 관측되었다(Fig. 4 (i), Table 3). 이는 1차원 선(Line) 형태인 Corner 특징점은 복셀 크기의 증가에 따른 해상도 저하에도 안정적으로 유효 특징을 선별할 수 있음을 의미하며, 태양광 발전소 환경에서 mappingCornerLeafSize 파라미터를 증가해 해상도가 낮아지더라도 패널의 외곽 프레임이나 어레이의 전체적인 정렬 상태를 정밀하게 식별하여 3차원 포인트맵의 골격이 유지됨을 시사한다.

반면, mappingSurfLeafSize는 0.2 설정 이후 급격한 성능 저하를 보였다(Fig. 4 (i)). 해당 파라미터가 0.6으로 증가할 경우, 표준 편차는 0.020 m에서 0.106 m로 5배 이상 급증하였으며, 정밀도는 97.9%에서 89.4%로 8.5%p나 급락하였다. 이는 2차원 면(Plane)을 정의하기 위해서는 일정 수준 이상의 포인트 밀도를 확보하는 것이 중요하며, 과도한 희소화가 표면의 법선 벡터 추정 오차를 증폭시켰기 때문이다. 이러한 오차는 실제 평탄한 태양광 패널의 표면 특성이 데이터상에서는 마치 0.1 m가량 굴곡지거나 뒤틀린 것처럼 왜곡된 데이터를 처리함을 의미한다.

Fig. 4

Comparison of Standard Deviation and Processing Delay under Varying Mapping Leaf Size

결론적으로 처리 속도는 두 파라미터 모두 0.2 구간에서 이미 한계 효용에 도달하였음을 확인하였으며, 이에 정밀도와 속도 간의 최적 성능 지점을 도출한 결과, 표면과 엣지 특징점에 대한 mappingSurfLeafSize, mappingCornerLeafSize 모두 0.2에서 가장 우수한 특성이 보임을 규명하였다.

단, 그 선정 배경에는 명확한 차이가 존재한다. mappingSurfLeafSize의 경우 0.2가 패널의 표면 결함을 식별할 수 있는 기하학적 마지노선이기 때문에 선정되었다. 그 이상으로 증가할 경우, 왜곡된 데이터로 인해 패널 진단 자체가 불가능해지기 때문이다. 반면, mappingCornerLeafSize는 해상도 저하에 안정적인 유효 특징점을 추출하여 더 높은 값(0.4 ~ 0.6)을 설정할 수도 있으나, 0.2 이후로는 추가적인 연산 속도 이득이 발생하지 않는 효율성의 마지노선이기 때문에 0.2로 선정되었다. 즉, 코너 데이터는 굳이 정밀도를 희생하면서까지 값을 더 높일 실익이 없다고 판단하였다. 특히, mappingCornerLeafSize를 0.6까지 증가시켜 해상도를 낮췄음에도 맵의 구조적 정밀도가 유지된 점은 주목할 만하다. 이는 본 모델이 패널의 표면보다는 프레임을 맵핑의 핵심 뼈대로 활용하고 있음을 시사하며, 앞서 기술한 바와 같이 태양광 발전소 특유의 광학적, 전기적 왜곡 환경에서도 구조적 정밀도를 유지할 수 있는 알고리즘의 강건함이 실험적으로 입증되었음을 의미한다^{33, 34)}.

4. 결 론

본 연구에서는 태양광 발전소의 효율적인 유지보수에 활용할 무인 자율주행 드론에 최적화된 임베디드 시스템 기반의 3차원 포인트맵 생성 모델을 개발하였다. 태양광 발전소는 반복적인 패널 구조로 인한 기하학적 난제와 GNSS 거부 환경이라는 제약이 존재하며, 이를 극복하기 위해서는 제한된 연산 자원 내에서 실시간성과 정밀도를 동시에 확보하는 것이 반드시 필요하다. 이에 본 연구에서는 LIO-SAM 기반의 인공지능 모델을 활용해 입력 데이터 밀도, 특징점 유효성 임계값, 그리고 추출 해상도라는 세 가지 핵심 차원에서 정량적 분석을 수행하였으며, 도출된 결론은 다음과 같다.

첫째, 입력 데이터 제어 단계에서 downsampleRate를 10으로 최적화한 결과, 초기 설정(Rate 1) 대비 표준 편차는 0.0279 m에서 0.0062 m로 약 78% 감소하였으며, 이에 따라 맵핑 정밀도는 72.1%에서 93.8%로 21.7%p 대폭 향상되었다. 또한 시스템 지연 시간은 0.416초에서 0.370초로 약 11% 단축되어, 센서 고유 노이즈를 평탄화함과 동시에 임베디드 환경에서의 실시간성을 확보하는 최적의 결과를 얻었다.

나아가, SurfFeatureMinValidNum을 500으로 설정함으로써, 특징점 유효성 제어 단계에서 패널의 기하학적 형상에 대한 높은 신뢰성을 확보하였다. 해당 설정은 초기값(20) 대비 엣지 평면도 오차를 0.0093에서 0.0045로 약 51.6% 감소시켜 구조적 선명도를 극대화하였다. 이는 낮은 임계값에서의 노이즈 문제와 높은 임계값에서 과소 추출 문제 사이에서 최적의 균형점임을 규명하였다.

또한, 본 연구진은 특징점 추출 해상도 제어 단계에서 mappingSurfLeafSize와 mappingCornerLeafSize를 모두 0.2로 선정하여 연산 효율을 극대화하였다. 특히 표면 특징점 처리 지연 시간은 고해상도 설정(0.01) 대비 0.552초에서 0.405초로 약 27% 단축되었다. 반면, 0.2를 초과하는 설정에서는 정밀도가 97.9%에서 89.4%로 급격히 하락하고 속도 개선폭은 포화되는 현상이 관찰되어, 0.2가 패널 결함 진단을 위한 기하학적 신뢰성과 연산 효율성의 마지노선임을 규명하였다. 최종적으로 본 연구에서 개발한 최적 모델은 기존 모델 대비 맵핑 정밀도가 27.5%p 향상된 99.6%를 기록하였으며, 처리 속도 또한 2.04 Hz에서 2.73 Hz로 약 33% 개선되었다 (Table 4). 이는 본 연구가 제안하는 파라미터 튜닝이 정밀도와 실시간성을 동시에 확보하는 최적의 솔루션임을 입증한다.

종합적으로 본 연구에서 제안한 파라미터 최적화 모델은 태양광 패널 간의 0.1 m 이하의 이격 공간과 미세한 표면 굴곡을 식별할 수 있는 cm급 정밀도를 달성하면서도 임베디드 보드의 연산 부하를 최소화하여 약 0.4초의 처리 시간 및 93.8%의 정밀도를 달성한 실시간 고정밀 3차원 포인트맵 생성 모델을 시연하였다. 더 나아가, 태양광 발전소내 패널 영역이 아닌 불규칙적인 구조물을 기하학적 랜드마크로 설정하여 과거 위치와 현재 위치간의 오차를 보정하는 루프 결합 알고리즘이 해당 연구와 병행된다면 광활한 태양광 단지에서도 전역적 정합성을 보장하는 완전 자율 맵핑 솔루션을 확보할 수 있을 것으로 기대된다.