라이다(Lidar), 자율주행과 로보틱스의 3D 지각을 만드는 원리
라이다의 ToF·FMCW 측정 원리부터 파장 선택, 스캐닝 방식, 포인트 클라우드 파이프라인까지 실무 관점으로 정리한다.
2026-08-12 · 최초 발행 2025-12-06
레이저 펄스를 쏘고 반사되어 돌아오는 시간을 재면 거리가 나온다. 라이다(Lidar, Light Detection And Ranging)의 원리는 단순하지만, 이 측정을 초당 수백만 번 반복해 3차원 공간을 통째로 재구성하는 순간 자율주행·로보틱스·디지털 트윈의 핵심 인프라가 된다. 최근 솔리드스테이트와 FMCW 아키텍처가 상용화되면서 소형화·저가화가 빠르게 진행 중이지만, 벤더별 스펙과 가격 변동성이 커서 도입 전 검증이 필요한 영역이기도 하다.
거리와 속도는 어떻게 계산되는가
라이다는 단일 또는 다중 레이저 펄스를 방사하고 반사 시간을 측정해 거리(Depth)를 계산, 3D 포인트 클라우드를 생성한다. 측정 방식은 크게 두 갈래다.
- Time-of-Flight(ToF): 펄스를 쏘고 되돌아오는 시간을 직접 측정
- 주파수변조연속파(FMCW): 간섭 측정을 통해 거리와 상대 속도를 동시에 산출
스캐닝 메커니즘이 시야각과 샘플링 패턴을 결정하고, 결과물은 밀리언 포인트/초(pps)급 3D 포인트 클라우드에 반사강도(Intensity)와 채널·타임스탬프 메타데이터가 붙는다.
파장 선택: 905nm과 1550nm의 트레이드오프
905nm 다이오드는 비용 효율과 보급성이 강점으로, 10% 반사율 기준 수십~수백 m를 탐지한다. 1550nm 파장은 안전 등급 내에서 더 높은 출력을 활용할 수 있어 장거리 성능이 우수하다. 선택은 성능·안구 안전 기준·부품 단가·환경(비/안개)에 대한 견고성 사이의 균형 문제다.
검출기와 신호처리
수신 측에서는 Avalanche PD(APD), Single-Photon APD(SPAD) 등의 검출기가 저반사체·장거리 조건에서 신호대잡음비(SNR)를 개선한다. 고속 ADC와 TDC(Time-to-Digital Converter)가 피코초~나노초 단위의 시간 측정 정밀도를 만들어낸다.
신호처리 파이프라인은 배경광 제거, 적응형 필터링, 다중반사 분리 등을 거치며 지터·드리프트 보정으로 거리 정합성을 확보한다. PTP/GNSS 기반 시간 동기화와 카메라·IMU·레이다와의 센서퓨전이 지각 신뢰도를 끌어올린다.
스캐닝 방식: 회전형 vs 솔리드스테이트 vs FMCW
회전형 기계식(멀티레이어)과 MEMS·OPA 등 솔리드스테이트 방식이 공존한다. 회전형은 광시야각과 성숙도가 강점이고, 솔리드스테이트는 소형화·내구성·원가에서 유리하다. 스캔 패턴(균등, 비균등, 랜덤)과 프레임레이트는 공간 커버리지와 객체 추적 성능에 직접 영향을 준다.
| 유형 | 성능 | 확장성 | 일관성 | 안정성 | 운영 편의 |
|---|---|---|---|---|---|
| 회전형(기계식) | 광시야각, 수백 m급(모델 의존), pps 높음 | 물리 크기·전력 증가, 차량 복수 장착 시 난이도 | 장시간 사용 시 기계 마모 변수 | 진동·충격 취약, 방진 필요 | 설치·정렬 요구, 유지보수 주기 필요 |
| MEMS/솔리드스테이트 | 소형·저전력, 가격 경쟁력, 중거리 우수 | 모듈화 용이, 대량 생산 유리 | 스캔 패턴에 따른 공간 커버리지 변동 | 기계부 단순, 내구성 우수 | 캘리브레이션 간편, 장착 자유도 높음 |
| FMCW | 거리+속도 동시 측정, 태양광·잡광 견고 | 기술 성숙도 상승 중, 복잡도↑ | 위상 정합 중요, 온도 보정 요구 | 이동 물체 추적 안정성 우수 | 초기 비용↑, 소프트웨어 스택 정교함 요구 |
거리·정확도·pps는 모델·표면 반사율·기상 조건에 의존하므로 벤더별 데이터시트와 현장 시험 병행 검증을 권장한다.
입력에서 출력까지: 처리 흐름
강우·안개·먼지가 유입되면 SNR이 저하되면서 거리 바이어스와 헛점(ghost)이 늘어난다. 적응형 임계값, 다중반사 억제, 동적 ROI 스캔으로 복원력을 확보하고, 시간 동기가 실패하면 프레임 간 미스얼라인먼트가 발생하므로 PTP 모니터링과 재동기 절차가 필요하다.
실무에서 어디에 쓰이나
- 자율주행/ADAS: 차선·장애물·보행자 3D 인식, V2X와 결합한 예측 제어. 도심의 비정형 객체 처리와 야간·역광 견고성 확보
- 로보틱스(AMR/AGV): 실내 SLAM, 장애물 회피, 협업 구역 안전 펜싱. 정밀 도킹과 선반 감지 자동화
- 드론 매핑/측량: 지면·수목·구조물 포인트 클라우드 기반 수치표면모델(DSM) 생성, 토공량 산정
- 스마트시티/ITS: 교차로 3D 트래픽 센싱, 보행자 보호 구역 모니터링, 위반 탐지
- 보안/산업 안전: 경계 침입 감지, 크레인·로봇 작업 구역 충돌 예방, BLZ(Blanking Zone) 설정
설계·운영에서 부딪히는 지점
하드웨어 측면에서는 하우징 IP 등급, 발열 경로 설계, 난반사 억제 코팅으로 발열·오염을 관리해야 하고, 905nm(원가/보급)과 1550nm(장거리/안전성) 사이에서 지역별 레이저 안전 규정을 준수해야 한다(최신 정보 확인 필요).
소프트웨어 쪽은 강도 보정, 반사율 기반 아웃라이어 제거, 지면 분리 같은 전처리와 GNSS/INS·PTP 동기화 검증이 필수다. 시스템 설계에서는 엣지 추론(지연·대역폭 절감)과 클라우드(장기 맵 관리) 사이의 트레이드오프, 그리고 원거리 해상도 조정과 비식별 처리를 포함한 데이터 거버넌스 정책이 필요하다.
파이프라인 구현 예시
환경: Python 3.10+, open3d 0.18+, NumPy. 포인트 클라우드 파일(pointcloud.pcd)이 있고, 좌표계는 전방+X, 좌측+Y, 상방+Z를 가정한다.
import open3d as o3d
import numpy as np
# 1) 로드
pcd = o3d.io.read_point_cloud("pointcloud.pcd")
print("points:", np.asarray(pcd.points).shape)
# 2) 다운샘플링
pcd_ds = pcd.voxel_down_sample(voxel_size=0.1)
# 3) 지면 분리(RANSAC)
plane_model, inliers = pcd_ds.segment_plane(distance_threshold=0.15,
ransac_n=3, num_iterations=1000)
[a, b, c, d] = plane_model
ground = pcd_ds.select_by_index(inliers)
non_ground = pcd_ds.select_by_index(inliers, invert=True)
# 4) 클러스터링(DBSCAN)
labels = np.array(non_ground.cluster_dbscan(eps=0.5, min_points=10, print_progress=False))
max_label = labels.max()
clusters = [non_ground.select_by_index(np.where(labels==i)[0]) for i in range(max_label+1)]
# 5) 결과 시각화
ground.paint_uniform_color([0.6, 0.6, 0.6])
for i, c in enumerate(clusters):
color = np.random.rand(3)
c.paint_uniform_color(color)
o3d.visualization.draw_geometries([ground] + clusters)실시간 적용 시에는 다운샘플링→지면 분리→ROI 필터→클러스터→추적 순으로 파이프라인을 구성하고, 레이 트레이싱·RANSAC·DBSCAN에는 CUDA/ROCm 가속을 검토할 만하다. 강도·채널 같은 라벨·메타데이터를 보존하면 후처리 품질이 올라간다.
도입했을 때 얻는 것
정량적으로는 거리 정확도 ±25cm(중거리, 표준 반사율 기준), 프레임레이트 1020Hz, pps 수백만 포인트/초 수준을 기대할 수 있다. 카메라 대비 야간·역광에서 탐지 Recall이 향상되고, 복합 센서퓨전 적용 시 FPR(오탐률)이 2040% 저감된 사례가 보고된다(도메인·설정 의존). 정밀 매핑·체적 산정 자동화로 현장 체류 시간이 3060% 단축되는 운영 효율도 확인된다.
정성적으로는 3D 장애물 정보로 방어 운전·충돌 회피가 강화되고, 조명 변화·그림자·색상에 덜 민감해 환경 일반화 능력이 높아지며, 차량·드론·로봇 등 다양한 플랫폼에서 동일한 포인트 클라우드 파이프라인을 재사용할 수 있다는 확장성이 있다.
도입을 검토한다면 벤더 2~3사를 파일럿으로 비교하고, 야간·우천 등 환경 적합성 시험을 거친 뒤 퓨전 파이프라인에 통합하고, Recall/Latency/MTBF 같은 운영 지표 관리 체계를 갖추는 순서가 현실적이다.