Accuracy Analysis of Earthwork Volume Estimating for Photogrammetry, TLS, MMS

토공사 계측 방식(Photogrammetry, TLS, MMS)별 토공량 산정 정밀도 분석

Abstract

Recently, photogrammetry, TLS(Terrestrial Laser Scanner), MMS(Mobile Mapping System)-based techniques have been applied to estimate earthwork volume for construction management. The primary objective of this study is to analyze the accuracy of earthwork volume estimating between photogrammetry and TLS, MMS that improves the traditional surveying method in convenience, estimating accuracy. For this, the following research works are conducted sequentially; 1) literature review, 2) core algorithm analysis, 3) surveying data acquisition using photogrammetry, TLS, MMS, 4) estimated earthwork volume comparison according to surveying method. As a result of the experiment, it was analyzed that there were earthwork volume errors of 1,207.5m³ (14.03%) of UAV-based digital map, 391.5m³(4.55%) of UAV, TLS integrated digital map, and 294.9m³(3.43%) of UAV, MMS integrated digital map. It is expected that the result of this study will be enormous due to the availability of the analyzed data.

1. 서론

토공사는 전체 건설공사 업종 중 9.6%의 비중을 차지하고 있는 건설공사의 주요 공종으로[1], 최근에는 토공 관제 시스템[2], 토공작업경로 최적화[3][4], 토공특화 BIM 기술[5], 토공 장비군 최적화[6], 토공현장 디지털화[7] 등 토공 자동화 기술과 관련된 다양한 연구가 진행되고 있다. 특히 토공 자동화의 효과적인 운용을 위해서는 토공 현장에 대한 지형정보의 디지털화가 가장 중요한 과제로 주목받고 있다.

토공 현장 지형정보의 디지털화를 구현하기 위해서는 짧은 시간에 정확하게 주변을 계측할 수 있는 장비가 필요하다. 최근에는 드론을 활용한 사진측량(Photogrammetry), LiDAR(Light Detection and Ranging)기반 3차원 스캐너(TLS; Terrestrial Laser Scanner) 및 MMS(Mobile Mapping System) 등이 현장 계측을 위해 활용되고 있다[8].

선행연구 분석 결과, 초기에는 토공사의 계측을 위해 고가의 거리측정 센서(LiDAR)를 기반으로 한 토공 지형 계측이 수행되었으나, 측량 성과 취득의 경제성을 이유로 비교적 저가인 일반 광학 센서(디지털 카메라)를 이용하여 디지털 사진을 취득하고 취득된 사진에 해석기법을 적용하여 계측 데이터를 추출하는 Photogrammetry 방식이 주로 활용되었다[9]. 최근에는 Photogrammetry 방식이 지니는 정확도의 한계를 극복하기 위해 일부 구간에서 LiDAR 기반의 계측 결과를 Photogrammetry 방식의 결과물과 통합하는 방향으로 연구가 진행되고 있다[10].

이와 관련하여 H. Eisenbeiss[11], K. Lambers[12], B. Joshua[13]는 Photogrammetry 방식과 TLS 계측 결과의 통합 이전의 단계에서 데이터 세트를 비교하고, 디지털 표면 모델(DSM; Digital Surface Model)의 비교를 통해 그 활용성을 평가함으로써 Photogrammetry 및 TLS 데이터의 통합 가능성과 필요성을 증명하였다. 또한, Xu[14]. D. Mader[15], A. Prokop[16]은 Photogrammetry 및 TLS 기반 포인트 클라우드(Point Cloud) 데이터의 생성 및 통합 방안을 제안하고 그 결과를 비교 검증하였다. 한편, Xu[14]는 Photogrammetry 방식과 TLS 계측 결과의 통합에 있어 포인트 클라우드 데이터의 밀도 차이에 따른 제약이 있음을 증명하였으며, 이에 따라 데이터 밀도 차이를 감안한 통합 방안의 마련이 필요한 것으로 분석되었다. 반면, 현재까지 수행된 선행연구는 디지털 표면 모델, 포인트 클라우드 데이터 관점에서의 통합만을 고려함에 따라 실질적인 토공 물량 산정 결과에 대한 비교를 수행한 사례는 없는 것으로 분석되었다.

따라서 본 연구의 목적은 Photogrammetry 방식, LiDAR 기반 계측 방식의 원천기술을 분석하고, 실제 건설현장에서 Photogrammetry, TLS, MMS 기반 계측 데이터를 활용하여 토공 물량 산정 결과를 비교 분석하는 것이다. 본 연구 결과는 추후 계측 장비별 포인트 클라우드 데이터의 통합을 위한 기준으로 활용될 수 있으며, 나아가 토공 현장 정밀 디지털화를 가능하게 할 수 있을 것으로 기대된다.

2. Photogrammetry, LiDAR 기반 토공 Digital Map 생성 기술

2.1 Photogrammetry 기반 토공 Digital Map

Photogrammetry를 활용하여 3차원 Digital Map을 생성하는 기술은 1) 특징점 서술자(SIFT 등)를 활용한 이미지간 매칭 포인트 추출, 2) Structure from Motion(SfM)을 통한 이미지 간 매개변수 추출, 3) Multi View Stereo(MVS)를 활용한 고밀도 포인트 클라우드 생성의 3단계로 구분된다.

2.1.1 특징점 서술자(SIFT 등)를 활용한 이미지간 매칭 포인트 추출

David Lowe(2004)[17]에 의해 개발된 Scale-Invariant Feature Transform(이하 SIFT)은 SfM 과정에서 이미지들 간에 매칭포인트를 찾는 가장 일반적인 알고리즘이다. SIFT는 먼저 가우시안 필터를 사용한 점진적 블러링을 통해 스케일/방향 불변의 특징점을 추출한다. 해당 과정은 아래 식 (1)과 같이 표현된다.

\(\begin{align}L(x, y, \sigma)=G(x, y, \sigma) \times I(x, y)\end{align}\)       (1)

(L: 블러 처리된 이미지, G: 가우시안 필터, I: 실제 이미지, σ: scale 파라미터)

위 과정을 통해 추출된 scale space를 기반으로 Difference of Gaussian(DoG) 과정을 통해 스케일 불변성(Scale-invariant) 특징점을 추출하고, 특징점이 회전 불변성(Rotation invariance)을 갖도록 각 키포인트 주변의 그레디언트 방향과 크기를 아래 식 (2)와 같이 계산한다.

\(\begin{align}\begin{aligned} &m(x, y)=\sqrt{(L(x+1, y)-L(x-1, y))^{2}+(L(x, y+1)-L(x, y-1))^{2}} \\ &\theta(x, y)=\tan ^{-1}((L(x, y+1)-L(x, y-1)) /(L(x+1, y)-L(x-1, y)) \end{aligned}\end{align}\)       (2)

이러한 위치, 스케일, 방향에 불변하는 특징점을 SIFT Descriptor를 통해 128개의 값(8방향 정보 * 16개 패치)으로 표현하고, 추출된 특징점을 각 이미지에서 비교하여 매칭 포인트를 찾아 연결한다(Fig. 1).

FIg. 1 SIFT descriptor

최근에는 ASIFT, MODS 등 3차원 아핀변환까지 고려하여 특징점을 찾는 알고리즘들이 개발되어 중첩영역이 작고 촬영 각도 차이가 큰 이미지에서도 매칭포인트를 잘 찾아낼 수 있다. 이러한 매칭 포인트들은 SfM과정에서 이미지들 사이의 구조를 판단하고 카메라의 외부파라미터를 결정하는데 사용된다(Fig. 2).

Fig. 2 Extraction of matching points from UAV image

2.1.2 Structure from Motion(SfM)을 통한 이미지간 매개변수 추출

SfM은 사진측량 원천기술의 하나로, 특징점 기술자를 통해 추출된 매칭포인트를 활용하여 비선형 최소자승법을 활용한 Bundle Adjustment를 활용하여 카메라의 포즈와 파라미터를 아래 식 (3)과 같이 계산한다.

\(\begin{align}E(P, M)=\sum_{j} \sum_{i \in V(j)}\left|P_{i}\left(M^{j}\right)-m_{i}^{j}\right|^{2}\end{align}\)       (3)

(P: 카메라 파라미터, M: 3차원 좌표, m: 2차원 투영 좌표)

Bundle adjustment minimizing non-linear least square를 통해 최종적으로 이미지간 구조를 파악하고 3차원 Sparse Point Cloud를 생성한다(Fig 3).

Fig. 3 3D point cloud generation using SfM-MVS

2.1.3 Multi View Stereo(MVS)를 활용한 고밀도 포인트 클라우드 생성

일반적으로 UAV를 통해 작성되는 포인트 클라우드는 고밀도 포인트 클라우드(Dense Point Cloud)를 의미하며, 이는 Multi-View Streo(MVS) 과정을 통해 생성된다. 카메라 포즈와 파라미터는 MVS 과정에서 고밀도 포인트 클라우드를 생성하기 위해 사용되며, 이 과정을 통해 최종적으로 RGB 컬러가 수록된 고밀도 포인트 클라우드가 생성된다(Fig. 4).

Fig. 4 Pixel matching via match point and camera parameters

2.2 LiDAR 기반 3차원 Digital Map 생성

LiDAR 기반 3차원 Digital Map 생성 원천 기술은 1)데이터 필터링, 2)3D 특징점 및 키포인트 추출, 3)변환 매트릭스를 통한 포인트 클라우드 정합의 3단계로 진행된다(Fig. 5).

Fig. 5 Framework of the automatic point cloud registration[18]

2.2.1 포인트 클라우드 데이터 필터링

포인트 클라우드 데이터 필터링은 크게 Outlier 제거, 다운샘플링으로 나뉜다. Outlier 제거 필터링 방법 중 고전적이고 많이 쓰이는 방법은 Random Sample Consensus(RANSAC)으로, 랜덤으로 선택된 포인트의 공통성 추출을 통해 아래 식 (4)와 같이 샘플 수를 생성한다.

\(\begin{align}N=\left[\frac{\log (1-p)}{\log \left(1-(1-\eta)^{m}\right.}\right]\end{align}\)      (4)

(η: outlier 비율, m: 서브셋 크기, p: 목표 성공 확률)

RANSAC기반 Outlier 제거 알고리즘은 랜덤으로 추출된 포인트에서 최소자승법을 만족시키는 공통성을 추출하고 특정 임계값을 벗어나는 포인트를 제거하는 방식으로 Outlier를 정리한다. 이 중 k-d tree는 공간적으로 구분된 데이터 구조를 사용하여 포인트들을 정리하고 이를 통해 Outlier들을 구분한다(Fig. 6).

Fig. 6 Outlier example separated by k-d tree

Moving Least Square(MLS)는 투영방식 필터링으로 가장 많이 사용되는 필터링이다(Fig. 7). 이는 ① 편차를 최소화 하는 로컬 평면 추출 (H = [x ∈ R³| <n, x> - D = 0]), ② 궤적 다항식 근사치 산출의 두 단계로 진행된다[<19].

Fig. 7 MLS projection method

또한, Voxel Grid(VG) 필터링 방식은 먼저 임의의 3차원 격자 그리드를 생성하고 격자 안에 포인트들의 밀도를 산출하여 이를 통해 Outlier들을 제거하는 방식이며, 이외에도 Normal-based Bilateral Filter(NBF), Weighted Locally Optimal Projection(WLOP), Edge Aware Resample(EAR) and L0 m inimization(L0) 방식들이 3차원 포인트 클라우드 Outlier 제거를 위해 많이 사용되고 있다.

2.2.2 3D 특징점 및 키포인트 추출

3D 특징점(feature point)을 추출하는 기술은 뒤에 설명될 포인트 클라우드 자동 정합을 위한 사전 처리 기술로 2D 특징점 추출 기술의 상위 기술이다. 3D 특징점 기술자(3D feature descriptor)는 3D 기하학적 모델에서 원초적 특성(평면, 엣지, 코너 등)을 수치적으로 표현해주는 방법으로 아래와 같은 기술이 발표되었다.

① Radius-Based Surface Descriptor(RSD): 인접 포인트간의 곡선 반경을 계산하고 단위 각과의 최대, 최소 분포를 계산하여 기록하는 것으로, 포인트 노말간의 거리와 각도는 아래 식 (5)와 같이 계산된다(Fig. 8).

\(\begin{align}d(\alpha)=\sqrt{2} r \sqrt{1-\cos \alpha}\end{align}\)       (5)

(여기서 d: 포인트간 거리, α: 포인트 각도)

Fig. 8 Normal vector point angle(left), RSD feature point(right)

② Fast Point Feature Histograms(FPFH): FPFH는 Point Feature Histogram(PFH)의 수정된 방식으로 특징점 식별을 위한 컴퓨팅 코스트를 최적화하기 위해 Simplified Point Feature Histogram (SPFH)을 선별된 인접 포인트에서 추출하여 이를 사용한다(식 6, Fig. 9).

\(\begin{align}F P F H\left(p_{i}\right)=S P F H\left(p_{i}\right)+\frac{1}{k} \sum_{j=1}^{k} \frac{1}{w_{j}} S P F H\left(p_{j}\right)\end{align}\)       (6)

Fig. 9 Point pairs tied via FPFH

③ 3D Shape Context(3DSC): 3DSC는 선택된 포인트의 곡률 반경을 활용하여 구체를 생성하고 이를 통해 특징점 기술자를 생성하는 방식으로 방위각, 표고, 방사각의 크기를 표현한다.

④ Signature of Histograms of Orientations(SHOT): SHOT은 앞서 설명한 3DSC와 유사하게 구형 구조 내의 위상에 대한 정보를 인코딩 하는 방식으로 32 바이너리 혹은 Volume으로 표현된다.

⑤ Normal Aligned Radial Feature(NARF): NARF는 3차원 포인트 클라우드를 깊이 값을 가진 이미지(RGB-D)로 투영시켜 특징점을 기술하는 방식으로 모든 픽셀들은 가시광선 스펙트럼 내에서 표현된다.

2.2.3 변환 매트릭스를 통한 포인트 클라우드 정합

일반적으로 3차원 포인트 클라우드 자동 정합 과정은 크게 특징점을 활용한 Course alignment, ICP(Iterative Closest Point)를 활용한 Fine alignment로 나눠진다(Fig. 10).

FIg. 10 3D point cloud automatic registration process

3차원 특징점 기술자를 활용한 Course alignment는 앞서 설명한 3차원 특징점 기술자를 통해 두 포인트 클라우드 간의 매칭포인트를 최소 3개 이상 추출하고 이를 통해 변환 매트릭스를 생성하는 과정이다. 다양한 논문들에서 3D 특징점 기술자의 종류에 따른 자동정합 정확도를 비교분석하였으며, 데이터의 품질, 종류에 따라 상이한 결과가 도출됨에 따라, 각 데이터의 종류에 따른 보다 최적화된 특징점 기술자가 선택되었다. 일반적으로 고전적인 방식에서는 SHOT와 FPFH가 가장 높은 정확성 및 효율을 보이지만, 최근 들어 개발되는 머신러닝 방식의 Course alignment가 중첩률이 매우 작은 두 포인트 클라우드 등에서 보다 높은 효율성을 보이는 것으로 조사되었다(Fig. 11).

Fig. 11 Matching accuracy of noise and point cloud resolution

3차원 특징점 기술자를 통해 Course Alignment된 포인트 클라우드는 ICP를 통해 보다 상세하게 정합된다. ICP는 순차적인 모델 변형을 통해 두 포인트 모델간의 차이를 최소화하는 변형(translation: t), 회전(rotation: R)을 찾는 알고리즘이며, 두 모델간의 공통성(중첩률)이 어느 정도 확보되어야만 높은 정합 성능을 보이기 때문에 특징점 기반 Course alignment를 먼저 수행한 후 ICP를 수행하는 것이 일반적이다(식 7, Fig. 12).

\(\begin{align}E(R, t)=\frac{1}{N_{p}} \sum_{i=1}^{N_{p}}\left\|x_{i}-R p_{i}-t\right\|^{2}\end{align}\)       (7)

(t: 변형, R: 회전, x, p: 공통 포인트)

Fig. 12 Model matching process using ICP

2.3 소결

2장의 연구를 통해 Photogrammetry 및 LiDAR 기반 3차원 Digital Map 생성의 원천기술에 대해 분석하였다. 분석 결과, 두 방식은 포인트 클라우드 데이터를 생성하는 프로세스가 완전히 다르다는 특징을 지니고 있으며, 이에 따라 생성되는 데이터도 밀도, 특성 등에서 차이를 보이는 것으로 분석되었다. 따라서 상기 두 종류 데이터의 적절한 통합을 위해서는 적정 통합 기준의 마련이 필요하며, 각 데이터의 특성이 산정된 토공 물량에 미치는 영향 정도를 분석하는 것이 필요할 것으로 판단된다.

따라서 본 연구에서는 현재 토공사가 진행 중인 현장을 대상으로, UAV(Phtogrammetry), TLS(고정 LiDAR), MMS(이동 LiDAR)를 활용하여 포인트 클라우드 계측 데이터를 수집하고, 이를 토대로 계측 방식(Photogrammetry, TLS, MMS)에 따른 토공량(절/성토량) 산정 정밀도를 분석하고자 한다.

3. UAV, TLS, MMS 기반 토공현장 계측 데이터 수집

3.1 실험 개요

본 연구에서 토공사 계측 방식(Photogrammetry, TLS, MMS)별 토공량 분석을 수행할 대상 현장은 서울시 동작구에 위치한 410×310m 규모의 공동주택 현장이다. 해당 현장은 토공사를 진행 중에 있으며, 현장 내에서 동시 다발적으로 굴삭 작업이 이뤄지고 있어 지형의 변화가 빈번히 발생하고 있다. 또한, 현장 내의 고저차가 최대 55m이므로, UAV, TLS, MMS 기반 계측 데이터 수집의 난이도가 높고 오차가 발생할 수 있는 가혹조건을 갖추고 있다(Fig. 13).

Fig. 13 Target construction site

3.2 실험 방법

본 연구의 목적은 UAV(Photogrammetry), TLS, MMS 기반 실제 건설현장 계측 데이터를 활용하여 토공 물량 산정 결과를 비교 분석하는 것이다. 이를 분석하기 위한 본 연구의 실험 방법은 아래와 같다.

먼저 Photogrammetry 방식을 활용하여 UAV로 현장 전체에 대한 이미지 데이터를 취득하고, 차량 통행이 가능한 가도를 기준으로 MMS 기반 포인트 클라우드 데이터를 취득하였으며, 현장 북쪽 작업자 통행로를 기준으로 TLS를 설치하여 포인트 클라우드 데이터 취득을 수행하였다. 데이터 취득에 대한 상세사항은 아래 Table 1, Fig. 14에서 확인할 수 있다.

Table 1. Summary of experimental method

Fig. 14 Data acquisition area by measurement equipment

계측 데이터의 취득은 당일 공사 진행 현황 반영이 최소화 될 수 있도록 각 계측장비별로 동시 데이터 취득을 진행하였다.

4. Photogrammetry, TLS, MMS 기반 토공 물량 산정 결과 비교 분석

4.1 데이터 취득 개요

세 종류의 계측장비를 통해 수집된 포인트 클라우드 데이터의 통합을 위해서 한국건설기술연구원에서 개발된 SERK-Mapper가 활용되었으며, 통합 방식으로는 약 3억점의 포인트 클라우드 데이터를 통시에 불러들여 일정 간격으로 균일화 하는 방식을 적용하였다.

토공량의 산정 방식은 부피산정을 위해 일반적으로 사용되는 Voxel Grid를 활용하였으며, 세부 물량의 산정은 총 Voxel의 개수 및 각 Voxel의 충진 정도를 계산하는 방식이 적용되었다.

토공량(절토량)은 해당 현장에 대한 직전 회차(1개월 간격)의 디지털 맵에서의 Voxel 변화량을 분석하여 산정하였다. 이때, 물량 산정을 위한 기준이 되는 디지털 맵은 레퍼런스를 기준으로 정확도가 가장 높다고 판단되는 TLS, MMS, UAV 데이터 통합 디지털 맵이 활용되었다. 이를 기준으로 [UAV], [TLS+UAV], [MMS+UAV] 기반의 디지털 맵을 각각 토공량을 비교하여 최종적으로 각 디지털 맵을 통해 산정된 Voxel 물량을 비교하는 방식으로 수행되었다.

4.2 토공 물량 산정 결과 비교 분석

4.2.1 TLS, MMS, UAV 통합 디지털 맵

본 연구에서 분석의 기준이 되는 UAV, TLS, MMS 통합 디지털 맵은 각 계측장비로부터 취득된 3개의 데이터를 통합하여 생성되었다. 통합의 기준은 각 계측장비의 정밀도에 따라 TLS, MMS, UAV 데이터의 순서로 통합 우선순위를 설정하였으며, 단순 통합된 포인트 클라우드 데이터를 일정 간격의 Voxel 형태로 변환하여 물량 산정을 수행하였다.

아래 Fig. 15는 통합 디지털 맵에 대한 물량 산정 결과를 나타내고 있으며, 물량 분석에 대한 상세 사항은 아래 Table 2와 같다. 분석 결과 TLS, MMS, UAV 통합 디지털 맵에서 계산면적 68,135.0㎡(삼각망 157,351개)내 절토량 8,609.6㎥(면적오차 0.55%)로 산정되었다.

Fig. 15 Volume estimating result of integrated digital map

Table 2. Earthwork volume estimating result (TLS+MMS+UAV)

4.2.2 UAV 기반 디지털 맵

UAV 기반 디지털 맵은 UAV에 설치된 광학 센서로 Photogrammetry를 활용하여 포인트 클라우드 데이터를 추출하는 방식을 활용하였다. 이 때 데이터의 추출을 위해서는 Pix4D Mapper ver.4.6.4가 활용되었다. 데이터 추출에 대한 상세한 사항은 아래 Table 3과 같다.

Table 3. Summary of photogrammetry result

아래 Fig. 16은 UAV 기반 디지털 맵에 대한 물량 산정 결과를 나타내고 있으며, 물량 분석에 대한 상세 사항은 아래 Table 4와 같다. 분석 결과, UAV 기반 디지털 맵을 기준으로 계산면적 68,132.4㎡(삼각망 157,345개)내 절토량 9,817.2㎥(면적오차 0.56%)로 산정되었다.

Fig. 16 Volume estimating result of UAV digital map

Table 4. Earthwork volume estimating result(UAV)

4.2.3 TLS, UAV 통합 디지털 맵

TLS, UAV 통합 디지털 맵은 UAV로 취득된 전체 디지털맵 중에서 TLS로 취득한 일부 구간을 업데이트하는 방식으로 제작되었다. 아래 Fig. 17은 TLS, UAV 통합 디지털 맵에 대한 물량 산정 결과를 나타내고 있으며, 물량 분석에 대한 상세 사항은 아래 Table 5와 같다.

Fig. 17 Volume estimating result of integrated (TLS+UAV) digital map

Table 5. Earthwork volume estimating result (TLS+UAV)

분석 결과, TLS, UAV 통합 디지털 맵을 기준으로 계산면적 68,140.6㎡(삼각망 157,364개)내 절토량 9,001.1㎥(면적오차 0.55%)로 산정되었다.

4.2.4 MMS, UAV 통합 디지털 맵

MMS, UAV 통합 디지털 맵은 UAV로 취득된 전체 디지털맵 중에서 MMS로 취득한 구간을 업데이트하는 방식으로 제작되었다. 아래 Fig. 18은 MMS, UAV 통합 디지털 맵에 대한 물량 산정 결과를 나타내고 있으며, 물량 분석에 대한 상세 사항은 아래 Table 6과 같다.

Fig. 18 Volume estimating result of integrated (MMS+UAV) digital map

Table 6. Earthwork volume estimating result (MMS+UAV)

분석 결과, TLS, UAV 통합 디지털 맵 기준 계산면적 68,126.3㎡(삼각망 157,331개)내 절토량 8,904.5㎥(면적오차 0.75%)로 산정되었다.

4.3 소결

아래 Table 7은 4.2절의 실험 데이터를 정리하여 TLS, MMS, UAV 통합 디지털 맵을 기준으로 발생한 절토량 오차를 분석한 것이다.

Table 7. Estimated earthwork volume comparison result

분석 결과, Photogrammetry 방식을 활용하는 UAV 기반 디지털 맵에 비해 LiDAR 기반 디지털 맵(TLS, MMS)에서의 절토량이 적게 산정되는 것으로 분석되었다. 이는 Point Cloud 데이터 생성 과정에서 발생하는 이상치에 따른 오차로 판단되며, Photogrammetry 방식으로 생성된 Point Cloud 데이터의 Z값이 LiDAR 기반의 Point Cloud 데이터에 비해 이상치를 많이 포함하기 때문인 것으로 사료된다.

실제 현장에서 재래식 방식을 통해 계측한 절토량은 Photogrammetry 방식보다 LiDAR 기반의 디지털 맵에서 분석된 절토량과 유사한 것을 확인하였으며, 절토량 차이의 최대값은 1,207.6㎥으로 해당 현장의 전체 토공사 절토량에 비교하면 작은 오차이지만 15Ton 덤프트럭을 기준으로 약 121대의 분량이므로 무시할 수 있는 수준이 아님을 알 수 있다. 따라서 보다 정확한 토공량 산정을 위해서는 Photogrammetry 방식에만 의존하기 보다는 LiDAR 기반의 센서 데이터를 활용한 디지털 맵 보정이 필요한 것으로 분석되었다.

5. 결론

본 연구를 통해 얻은 결론은 다음과 같다.

1) 선행연구 분석 결과, Photogrammetry 및 LiDAR 기반 3차원 Digital Map 생성의 원천기술은 생성되는 데이터도 밀도, 특성 등에서 큰 차이를 보이는 것으로 분석되었다. 따라서 각 데이터의 특성이 산정된 토공 물량에 미치는 영향 정도의 분석이 필요한 것으로 판단된다.

2) 실험 대상 현장에 대한 UAV, TLS, MMS 계측 데이터 수집 결과, 전체 68,513㎡ 크기 현장에 대해, UAV 68,513㎡(100%), MMS 45,150㎡(65.9%), TLS 12,136㎡(17.7%) 영역에 대한 계측 데이터를 수집하였다.

3) 수집 데이터 비교 분석 결과, 비교 기준인 TLS, MMS, UAV 통합 디지털 맵과 비교하여 UAV 기반 디지털 맵 1,207.5㎥(14.03%), UAV+TLS 통합 디지털 맵 391.5㎥(4.55%), UAV+MMS 통합 디지털 맵 294.9㎥(3.43%)의 절토량 오차가 있는 것으로 분석되었다.

실제 현장에서 재래식 방식을 통해 계측한 절토량 검증 결과, Photogrammetry 방식보다 LiDAR 기반의 디지털 맵에서 분석된 절토량이 보다 정확한 것을 확인하였으며, 계측 방식별 절토량 차이의 최대값은 1,207.6㎥으로 15Ton 덤프트럭을 기준으로 약 121대만큼의 차이가 있는 것으로 분석되었다. 따라서 보다 정확한 토공량 산정을 위해서는 Photogrammetry 방식에만 의존하기보다는 LiDAR 기반의 계측 방식과의 데이터 퓨전이 필요할 것으로 사료된다.

본 연구를 통해 개발된 기술의 정확도가 검증되고 현업에서 활발히 활용될 경우, 스마트 계측 장비를 활용한 계측 결과의 신뢰성 향상으로 재래식 방식을 대체할 수 있을 것으로 기대된다. 추후 연구를 통해 계측 장비별로 실질적인 정확도 비교를 수행하여 데이터 특성을 파악하고, 데이터 특성에 따른 최적의 통합 디지털 맵 생성 방안 마련 을 위한 연구가 수행되어야 할 것으로 사료된다.

감사의 글

본 연구는 국토교통부/국토교통과학기술진흥원의 지원으로 수행되었음(스마트 건설기술 개발사업: 20SMIP-A158708-01).