AMR Sensors and Perception — Ch.02: 2D LiDAR [KR]

STATERA Library · Series 02 · Volume 03 · Chapter 02 · KR
Source: https://github.com/Statera-Library/02_Vol_03_AMR_Sensors_and_Perception/blob/main/02_2D_LiDAR/02_2D_LiDAR_KR.md

Volume 03. AMR Sensors and Perception

Chapter 02. 2D LiDAR

02.1 2D LiDAR Principles

2차원 라이다(2D Light Detection and Ranging, 2D LiDAR)는 주변 환경의 기하학적 거리를 직접 측정할 수 있기 때문에 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR)의 자율주행에 가장 널리 사용되는 센싱 기술 중 하나이다. 외관 정보를 기록하는 카메라와 달리 2D 라이다는 수평 또는 기울어진 하나의 스캔 평면(Scanning Plane)을 따라 물체 표면까지의 거리를 측정한다. 그 결과는 알려진 각도 위치와 연결된 연속적인 거리값으로 구성된다. 이러한 측정값은 로봇 주변의 벽, 장애물, 사람, 장비, 기타 구조물을 나타내는 평면 표현을 형성한다.

2D 라이다의 기본 동작 원리는 레이저광(Laser Light)을 방출하고 반사된 에너지가 센서로 되돌아오는 데 걸리는 시간을 측정하는 것이다. 센서는 레이저 펄스(Laser Pulse) 또는 변조된 광학 신호(Modulated Optical Signal)를 생성하여 환경으로 발사하고, 반사광을 수신한 뒤 반사 표면까지의 거리를 계산한다. 이 과정을 여러 각도 위치에서 반복하면 라이다는 주변 공간의 스캔(Scan)을 구성한다. 측정된 거리와 스캔 각도는 지도 작성(Mapping), 위치추정(Localization), 장애물 검출(Obstacle Detection), 자율주행(Navigation)을 위해 직교 좌표(Cartesian Coordinate)로 변환될 수 있다.

대부분의 2D 라이다는 회전하는 광학 조립체(Optical Assembly), 미러(Mirror), 프리즘(Prism), 또는 내부 측정 메커니즘을 이용하여 스캔 평면을 생성한다. 스캔 요소가 회전하면서 발사되는 레이저 빔은 정의된 각도 범위에 걸쳐 순차적으로 향한다. 일부 센서는 360도의 전체 시야를 제공하지만, 다른 센서는 180도, 270도, 300도와 같이 제한된 영역만을 스캔한다. 필요한 시야 범위는 기계적 구조, 장착 위치, 적용 목적에 따라 달라진다. 전방 장착 라이다는 전체 시야가 필요하지 않을 수 있지만, 중앙에 장착되는 자율주행 센서는 완전한 수평 관측 범위를 확보할수록 유리하다.

거리 측정은 일반적으로 비행 시간 방식(Time-of-Flight, ToF), 위상차 방식(Phase-Shift), 또는 이와 유사한 광학 거리 측정 원리로 구현된다. 비행 시간 방식은 방출된 빛이 왕복하는 시간을 통해 거리를 계산하고, 위상차 방식은 송신된 변조 신호와 수신된 신호 사이의 위상 차이를 비교한다. 빛은 매우 빠르게 이동하기 때문에 두 방식 모두 매우 정밀한 시간 측정과 신호 처리를 요구한다. 센서는 유효한 반사 신호를 주변광, 전기적 잡음, 내부 광학 반사, 다중 경로 반사(Multipath Return)와 구분하면서 안정적인 거리 정확도를 유지해야 한다.

단순화된 비행 시간 측정에서는 측정된 왕복 시간에 빛의 속도를 곱한 뒤 그 값을 2로 나누어 거리를 계산한다. 2로 나누는 이유는 레이저가 센서에서 물체까지 이동한 후 다시 센서로 돌아오기 때문이다. 실제 계산은 전자회로 지연, 내부 광학 경로, 신호 임계값 특성, 온도 변화, 시간 측정 오차 등을 보정해야 하므로 더욱 복잡하다. 제조 과정에서 수행되는 보정(Calibration)은 원시 시간 정보를 실제 사용 가능한 거리 측정값으로 변환한다.

각 라이다 스캔은 전체 각도 시야에 분포된 다수의 샘플로 구성된다. 각 샘플에는 일반적으로 최소한 측정 각도와 거리가 포함된다. 일부 센서는 반사 강도(Intensity), 신뢰도(Confidence), 에코 번호(Echo Number), 타임스탬프(Timestamp), 진단 정보(Diagnostic Information)도 함께 제공한다. 한 번의 스캔에 포함되는 샘플 수는 각도 분해능(Angular Resolution)을 결정한다. 각도 분해능이 높을수록 더 조밀한 기하학적 정보를 얻을 수 있고 작거나 멀리 있는 물체를 검출하는 데 유리하지만, 데이터량과 계산 부하가 증가하고 스캔 시간도 길어질 수 있다.

각도 분해능(Angular Resolution)과 측정 정확도(Measurement Accuracy)는 서로 다른 개념이다. 각도 분해능은 인접한 레이저 방향 사이의 각도 간격을 의미하며, 거리 정확도는 측정한 거리가 실제 거리와 얼마나 가까운지를 나타낸다. 라이다가 매우 촘촘한 각도 간격을 제공하더라도 대상의 반사율, 입사각, 환경 잡음, 센서 내부 한계 때문에 거리 오차가 클 수 있다. 반대로 거리 측정이 정확하더라도 각도 밀도가 부족하면 먼 거리의 좁은 물체를 검출하지 못할 수 있다. 따라서 두 특성을 함께 고려해야 한다.

인접한 스캔 포인트 사이의 실제 공간 거리는 대상이 멀어질수록 증가한다. 동일한 작은 각도 차이를 가진 두 레이저 빔은 가까운 거리에서는 수 밀리미터 차이로 표면에 도달할 수 있지만, 먼 거리에서는 수 센티미터 이상 벌어질 수 있다. 이러한 기하학적 특성은 가는 기둥, 케이블, 사람의 다리, 포크(Fork), 좁은 장애물의 검출 능력을 제한한다. 센서가 충분한 최대 거리 사양을 갖고 있더라도 해당 거리에서 작은 물체를 표현할 수 있는 각도 밀도가 부족할 수 있다. 따라서 검출 성능은 실제 객체 크기를 기준으로 평가해야 한다.

스캔 주파수(Scan Frequency)는 센서가 초당 몇 번의 완전한 스캔을 생성하는지를 의미한다. 일반적인 2D 라이다는 초당 수 회에서 수십 회 정도의 스캔 주파수로 동작한다. 높은 스캔 주파수는 더 자주 환경 정보를 갱신할 수 있어 빠른 로봇 주행, 동적 객체 추적, 신속한 장애물 회피에 유리하다. 그러나 빠른 스캔은 한 회전당 샘플 수를 줄이거나 통신 및 처리 부하를 증가시킬 수 있다. 적절한 주파수는 로봇 속도, 제동 거리, 제어 주기, 환경의 변화 속도에 따라 결정되어야 한다.

2D 라이다는 레이저 빔이 환경 전체를 순차적으로 스캔하기 때문에 한 스캔의 모든 지점을 정확히 동일한 순간에 측정하지 않는다. 한 회전의 첫 번째 포인트와 마지막 포인트는 서로 다른 시간에 측정될 수 있다. 로봇이나 주변 객체가 빠르게 움직이면 이러한 시간 차이로 인해 기하학적 왜곡이 발생한다. 직선 벽이 휘어져 보이거나 이동하는 사람이 늘어나거나 위치가 이동한 것처럼 보일 수 있으며, 스캔 정합(Scan Matching)의 정확도도 감소한다. 움직임 보상(Motion Compensation)은 오도메트리(Odometry), IMU, 타임스탬프, 보간(Interpolation)을 이용해 모든 측정값을 동일한 기준 시점으로 변환한다.

원시 극좌표(Polar Coordinate) 측정값은 일반적으로 스캔 각도와 거리를 이용해 직교 좌표로 변환된다. 수평 좌표는 거리와 각도의 코사인(Cosine)을 곱하여 계산하고, 스캔 평면의 다른 좌표는 거리와 각도의 사인(Sine)을 곱하여 계산한다. 이 점들은 처음에는 라이다 좌표계(LiDAR Coordinate Frame)로 표현된다. 자율주행에 사용하려면 센서 장착 위치와 방향을 나타내는 알려진 기하학적 관계를 통해 로봇 본체, 오도메트리, 또는 지도 좌표계로 변환해야 한다.

제조사나 소프트웨어 프레임워크마다 각도 방향, 0도 기준, 축 방향, 회전 규칙이 다를 수 있으므로 좌표계 규약(Coordinate Convention)은 신중하게 정의해야 한다. 이러한 규약을 잘못 해석하면 스캔이 좌우 반전되거나 회전하거나 이동된 형태로 나타날 수 있다. 이러한 오류는 지도 작성, 위치추정, 장애물 위치 계산을 손상시키지만 원인을 찾기 어려울 수 있다. 센서 드라이버는 각도 원점, 증가 방향, 좌표축 방향, 단위, 최소·최대 각도, 샘플 순서를 명확히 문서화해야 한다.

이론적으로 스캔 평면은 매우 얇지만 실제 레이저 빔은 유한한 폭과 발산각(Beam Divergence)을 가진다. 거리가 증가할수록 빔이 비추는 면적도 커진다. 큰 빔 크기는 물체의 경계, 울타리, 식물, 반사 구조물 주변에서 서로 다른 거리의 여러 표면을 동시에 비출 수 있다. 센서 설계에 따라 반환 신호는 첫 번째 반사, 마지막 반사, 가장 강한 반사, 또는 여러 반사의 조합을 나타낼 수 있다. 따라서 빔 발산은 모서리 정확도, 소형 객체 검출, 경계 부분의 측정값 해석에 영향을 준다.

레이저 파장(Laser Wavelength)은 표면 및 주변 환경과의 광학적 상호작용에 영향을 준다. 많은 산업용 2D 라이다는 근적외선(Near-Infrared) 파장을 사용한다. 근적외선용 발광기와 수광기가 널리 공급되고 일반적인 거리 측정에 적합하기 때문이다. 그러나 표면의 반사 특성은 파장, 재질, 색상, 질감, 수분 상태에 따라 달라진다. 사람 눈에 밝게 보이는 물체가 라이다 파장에서는 약하게 반사될 수 있으며, 반대로 검게 보이는 재질이 충분한 반사 신호를 제공할 수도 있다. 따라서 시각적 외관만으로 라이다 성능을 예측할 수 없다.

대상 반사율(Target Reflectivity)은 측정 거리와 안정성에 큰 영향을 준다. 반사율이 높은 표면은 일반적으로 강한 반환 신호를 생성하지만, 반사율이 낮은 재질은 최대 검출 거리를 감소시키거나 측정 잡음을 증가시킬 수 있다. 검은 고무, 검은 천, 특정 플라스틱, 젖은 표면, 코팅 금속은 일부 조건에서 검출하기 어렵다. 재귀반사체(Retroreflective Material)는 매우 강한 반사를 만들어 강도 포화(Intensity Saturation)나 특수한 측정 특성을 유발할 수 있다. 센서 사양서의 최대 거리는 특정 반사율의 대상 기준인 경우가 많으므로 모든 물체에 동일하게 적용된다고 가정해서는 안 된다.

레이저가 표면에 입사하는 각도(Incidence Angle)도 반환 에너지에 영향을 준다. 빔이 벽에 거의 수직으로 닿으면 일반적으로 강하고 안정적인 반사가 발생하지만, 얕은 각도로 스치듯 입사하면 많은 광 에너지가 수광기 반대 방향으로 반사될 수 있다. 이 경우 약하거나 누락되거나 불안정한 측정이 발생한다. 이러한 현상은 긴 복도의 벽이나 매끄러운 금속 패널을 따라 측정할 때 자주 나타난다. 센서 배치와 위치추정 알고리즘은 불리한 입사각에서 측정 신뢰도가 감소하는 현상을 고려해야 한다.

투명한 표면과 정반사 표면(Specular Surface)은 2D 라이다에 어려운 대상이다. 유리는 레이저 에너지의 상당 부분을 통과시켜 유리 뒤의 물체가 검출되거나 유효한 측정값이 생성되지 않을 수 있다. 광택 금속, 거울, 유광 패널, 젖은 바닥은 레이저를 수광기와 다른 방향으로 반사하거나 의도하지 않은 표면으로 유도할 수 있다. 이로 인해 포인트 누락, 잘못된 거리, 구조 중복, 가상의 통로가 발생할 수 있다. 이러한 표면이 예상되는 환경에서는 안전 검출을 단일 광학 원리에만 의존해서는 안 된다.

다중 경로 반사(Multipath Reflection)는 방출된 빛이 두 개 이상의 표면에 반사된 뒤 센서로 돌아오는 현상이다. 예를 들어 레이저가 광택 바닥에 반사된 후 벽으로 향하고 다시 센서로 돌아올 수 있다. 이 경우 측정된 거리는 실제 객체까지의 직접 거리 대신 여러 경로의 총 길이를 나타낼 수 있다. 다중 경로 오류가 항상 빈번한 것은 아니지만, 반사가 많은 산업 환경에서는 고립된 잘못된 포인트나 구조적인 오류를 만들 수 있다. 필터링은 보수적으로 적용해야 한다. 특이한 점을 제거하는 과정에서 실제 위험 객체까지 제거할 수 있기 때문이다.

주변광(Ambient Light)은 센서 수광기에 간섭을 줄 수 있다. 햇빛과 인공조명에는 센서의 검출 파장 범위와 겹치는 광 에너지가 포함되어 있기 때문이다. 특히 실외의 강한 햇빛은 신호 대 잡음비(Signal-to-Noise Ratio)를 낮추고 유효 검출 거리를 줄일 수 있다. 라이다는 광학 필터, 변조, 좁은 검출 시간창, 신호 상관(Correlation), 내부 보정 기능을 통해 주변광을 억제한다. 그러나 실험실 사양만을 신뢰해서는 안 되며 직사광선, 낮은 태양각, 반사 환경, 실내외 전환 상황에서 성능을 검증해야 한다.

비, 안개, 눈, 먼지, 수증기, 공기 중 입자는 레이저가 고체 물체에 도달하기 전에 빛을 반사하거나 산란시킬 수 있다. 이로 인해 가시거리 감소, 다수의 근거리 반환, 원거리 신호 약화, 불규칙한 포인트 패턴이 발생할 수 있다. 2D 라이다는 약한 악천후에서도 유용할 수 있지만, 실제 성능은 파장, 광 출력, 수광 감도, 필터링, 입자 밀도, 대상 특성에 따라 달라진다. 환경 한계는 운용 설계 영역(Operational Design Domain, ODD)에 포함되어야 하며, 성능이 저하되면 감속 운행이나 대체 센싱 전략을 적용해야 한다.

최소 측정 거리(Minimum Measurable Range)는 객체가 센서에 얼마나 가까이 접근할 때까지 신뢰성 있는 거리값을 얻을 수 있는지를 의미한다. 근거리 한계는 광학 구조, 수광기 회복 시간, 내부 반사, 보호창, 신호 포화 등에서 발생한다. 센서에 매우 가까운 물체는 보이지 않거나 무효 값으로 측정될 수 있으며, 그 결과 장치 주변에 사각 영역(Blind Region)이 형성된다. AMR 설계에서는 하나의 라이다가 차체 모서리, 범퍼, 포크, 움푹 들어간 장착부 주변의 모든 근거리 장애물을 볼 수 있다고 가정해서는 안 된다.

최대 측정 거리(Maximum Range)는 반환 신호의 강도와 센서가 이를 잡음에서 구분하는 능력에 의해 결정된다. 대상 반사율, 크기, 입사각, 주변광, 대기 상태, 오염, 수광 감도가 모두 영향을 미친다. 사양서에 표시된 최대 거리는 이상적인 조건에서 측정된 값인 경우가 많으며 모든 물체에 대한 보장된 검출 거리로 해석해서는 안 된다. 실제 설계에서는 가장 검출하기 어려운 주요 대상에 대한 검증된 거리를 기준으로 삼고, 노후화와 오염에 대한 충분한 여유를 포함해야 한다.

거리 분해능(Range Resolution)과 거리 정확도(Range Accuracy)는 서로 다른 센서 특성이다. 분해능은 센서가 표현하거나 구분할 수 있는 최소 거리 변화를 의미하고, 정확도는 측정값이 실제 거리와 얼마나 가까운지를 의미한다. 반복성(Repeatability)은 동일한 조건에서 동일한 대상을 측정할 때 얼마나 일관된 결과를 제공하는지를 나타낸다. 센서가 매우 세밀한 수치 분해능을 가지더라도 체계적인 오차가 클 수 있다. 위치추정과 정밀 도킹은 반복성과 기하학적 일관성에 크게 의존하며, 안전 계산은 전체 측정 오차를 보수적으로 이해해야 한다.

측정 잡음(Measurement Noise)은 센서와 대상이 정지해 있어도 거리값이 조금씩 변화하는 현상이다. 잡음은 거리, 반사율, 입사각, 온도, 신호 강도, 환경 간섭에 따라 달라질 수 있다. 무작위 잡음은 필터링이나 반복 관측을 통해 줄일 수 있지만, 지나친 평균 처리는 지연을 증가시키고 움직이는 객체를 흐리게 만들 수 있다. 필터는 실제 환경 변화를 유지하면서 장애물 검출을 지연시키지 않아야 한다. 허용 가능한 잡음 수준은 데이터가 지도 작성, 위치추정, 추적, 안전 감시 중 어디에 사용되는지에 따라 달라진다.

일부 라이다는 레이저 빔이 부분적으로 투과되거나 구멍이 있거나 여러 층으로 구성된 물체를 만날 때 다중 에코(Multiple Echo)를 지원한다. 첫 번째 에코는 비, 식물, 망 구조물, 근거리 표면에서 발생하고, 후속 에코는 그 뒤의 단단한 물체에서 발생할 수 있다. 다중 에코 정보는 환경 해석을 향상시킬 수 있지만 데이터 복잡성을 증가시킨다. 시스템은 첫 번째, 가장 강한, 마지막, 또는 여러 반환 중 무엇을 사용할지 정의해야 한다. 잘못된 에코 선택은 가까운 장애물을 무시하거나 식물을 완전히 통과할 수 없는 벽으로 판단하게 만들 수 있다.

반사 강도(Return Intensity)는 수신된 반사 신호의 강도와 관련된 값을 제공한다. 강도 정보는 랜드마크 인식, 재귀반사체 검출, 재질 구분, 센서 진단, 필터링을 지원할 수 있다. 그러나 강도값은 센서마다 다르며 거리, 각도, 수광기 이득, 온도, 펌웨어에 따라 변할 수 있다. 별도의 보정 없이 이를 보편적인 반사율 값으로 해석해서는 안 된다. 강도 정보는 객체 분류의 유일한 기준보다 기하학 정보와 함께 사용하는 보조 정보로 활용하는 것이 바람직하다.

2D 라이다는 평면 자율주행을 위해 수평으로 장착하거나, 지형과 장애물 검출을 위해 기울여 장착할 수 있다. 수평 장착은 벽, 사람의 다리, 팔레트, 랙, 차량이 스캔 평면과 교차하기 때문에 실내 AMR에 일반적이다. 기울어진 센서는 예상되는 지면 교차점의 변화를 이용하여 경사로, 단차, 낭떠러지(Drop-Off), 연석, 낮은 장애물을 검출할 수 있다. 장착 높이와 각도에 따라 사람이나 물체의 어느 부분이 보이는지가 결정된다. 단일 평면은 낮은 장애물 위를 지나가거나 돌출 구조물 아래를 통과할 수 있어 중요한 수직 사각지대를 만든다.

2D 라이다는 하나의 평면만 관측하기 때문에 전체 3차원 형상을 직접 표현할 수 없다. 스캔 평면과 교차하지 않는 물체는 로봇의 진행 경로에 있더라도 검출되지 않을 수 있다. 낮은 물체, 테이블 상판, 돌출된 포크, 매달린 화물, 선반, 돌출 구조물은 다른 높이의 센서나 3차원 센서가 필요할 수 있다. 평면 센싱의 한계는 기계 설계, 다중 높이 라이다, 깊이 카메라(Depth Camera), 3D 라이다, 초음파 센서, 범퍼, 운용 규칙 등을 통해 보완해야 한다.

센서 배치(Sensor Placement)는 시야가 방해받지 않으면서 충격, 오염, 진동, 날씨로부터 보호되도록 설계되어야 한다. 차체 패널, 바퀴, 케이블, 적재물, 매니퓰레이터, 보호 커버는 스캔 일부를 가릴 수 있다. 작은 장착 장애물도 지속적인 사각 영역을 만들고 지도 작성과 안전 감시에 영향을 줄 수 있다. 장착 구조는 가속이나 충돌 중에도 센서 위치가 변하지 않을 만큼 충분히 강성이 높아야 한다. 또한 광학 창의 점검과 청소를 위해 유지보수 접근성도 확보해야 한다.

보호창(Protective Window)과 커버는 라이다 앞에 배치되는 모든 재질이 광학 경로를 변화시키므로 신중하게 선택해야 한다. 보호창은 투과 에너지를 줄이고, 반사를 만들고, 각도 왜곡을 일으키며, 결로나 오염이 쌓일 수 있다. 곡면 또는 기울어진 커버는 스캔 각도에 따라 서로 다르게 동작할 수 있다. 제조사는 일반적으로 권장 창 재질, 두께, 위치, 표면 처리를 정의한다. 사용자 정의 외함(Custom Enclosure)은 전체 각도 범위와 온도, 습기, 진동, 오염 조건에서 검증해야 한다.

산업 및 실외 환경에서는 오염 감시(Contamination Monitoring)가 필수적이다. 먼지, 오일 미스트, 물방울, 벌레, 지문, 진흙, 세척 잔여물은 광학 투과율을 낮추거나 센서 가까이에서 잘못된 반사를 만들 수 있다. 일부 라이다는 내부 신호 분석을 기반으로 오염 경고를 제공하지만 모든 고장 형태를 검출하지는 못한다. 로봇은 장치 진단, 스캔 품질 감시, 타당성 검사(Plausibility Check), 정기 청소, 작업자 점검을 함께 사용해야 한다. 심각한 오염이 발생하면 감속 운행이나 안전 대응을 수행해야 한다.

전기 인터페이스(Electrical Interface)는 센서에 전원을 공급하고 측정 데이터를 로봇 컴퓨터 또는 안전 제어기로 전달한다. 산업용 2D 라이다는 일반적으로 이더넷(Ethernet), 직렬 통신(Serial Communication), CAN 기반 인터페이스, 전용 안전 통신 프로토콜을 사용한다. 통신 아키텍처는 필요한 스캔 속도, 데이터량, 타임스탬프 정밀도, 진단 정보, 고장 검출을 지원해야 한다. 케이블 길이, 커넥터 품질, 전자기 적합성(Electromagnetic Compatibility), 접지, 차폐, 네트워크 혼잡은 광학 센서가 정상이어도 시스템 신뢰성에 영향을 줄 수 있다.

타임스탬프(Timestamp)는 라이다 데이터를 로봇 움직임, 다른 센서, 제어 의사결정과 연결하는 데 필요하다. 타임스탬프는 스캔의 시작, 중간, 끝을 나타낼 수 있으며, 개별 측정값마다 별도의 시간 관계가 정의될 수도 있다. 드라이버와 후속 소프트웨어는 이 규약을 정확히 이해해야 한다. AMR이 스캔 중 이동하면 부정확한 타임스탬프는 기하학적 왜곡과 위치추정 오차를 발생시킨다. 휠 오도메트리, IMU, 카메라, GNSS와 통합하려면 정밀 시간 프로토콜(Precision Time Protocol, PTP), 하드웨어 신호, 소프트웨어 보정이 필요할 수 있다.

라이다 드라이버(LiDAR Driver)는 장치 전용 통신 형식을 표준화된 스캔 메시지로 변환한다. 또한 스캔 주파수, 각도 범위, 각도 분해능, 필터링, 에코 모드, 네트워크 설정, 진단 동작을 구성한다. 강인한 드라이버는 패킷 누락, 무효 측정값, 장치 재시작, 설정 불일치, 통신 타임아웃을 검출해야 한다. 정확한 메타데이터와 상태 정보도 함께 제공해야 한다. 실시간 운용을 위해 드라이버 동작은 충분히 결정론적이어야 하며, 처리 지연 후에도 오래된 스캔을 계속 전달하는 무제한 큐를 사용해서는 안 된다.

전처리(Preprocessing)는 원시 스캔을 위치추정, 지도 작성, 장애물 검출에 사용할 수 있도록 준비한다. 일반적인 작업에는 거리값 검증, 무효값 제거, 로봇 자체 반사 제거, 각도 범위 선택, 강도 필터링, 시간 필터링, 점 좌표 변환이 포함된다. 전처리는 사용 목적에 맞게 설계되어야 한다. 지나친 필터링은 지도를 보기 좋게 만들 수 있지만 실제 장애물을 숨길 수 있고, 부족한 필터링은 스캔 정합을 불안정하게 만들 수 있다. 안전 관련 데이터 경로는 보수적인 규칙을 사용하고 시각화용 필터와 독립적으로 유지해야 한다.

로봇 자체 마스킹(Robot-Body Masking)은 AMR의 부품이 생성하는 스캔 포인트를 제거한다. 미러, 커버, 케이블, 적재 구조물, 바퀴, 매니퓰레이터가 라이다 시야에 들어올 수 있다. 이러한 점을 환경 장애물로 오인해서는 안 되지만, 마스크는 실제 로봇 형상과 상태를 정확히 반영해야 한다. 적재물이나 메커니즘의 형상이 변하면 고정 마스크는 실제 객체를 제거하거나 자기 반사를 남길 수 있다. 동적 마스크(Dynamic Mask)는 관절 위치, 적재 상태, 구성 정보를 이용해 움직이는 부품을 보다 정확히 반영할 수 있다.

지도 작성(Mapping)에서는 연속적인 2D 스캔과 로봇 움직임 정보를 결합하여 점유 격자 지도(Occupancy Grid) 또는 기하학적 지도를 생성한다. 스캔 정합은 현재 측정값을 이전 스캔이나 기존 지도에 맞추는 과정이다. 안정적인 벽, 기둥, 랙, 고정 장비는 유용한 기하학적 기준을 제공한다. 그러나 특징이 부족한 긴 복도, 반복 구조, 이동하는 군중, 유리벽, 자주 변경되는 배치에서는 지도 작성이 어려워진다. 휠 오도메트리와 IMU는 초기 움직임 추정치를 제공하여 스캔 정합을 지원한다.

위치추정(Localization)에서는 현재 스캔을 저장된 지도와 비교하여 로봇의 위치와 방향을 추정한다. 위치추정 품질은 지도 정확도, 센서 보정, 환경의 유사성, 스캔 밀도, 구별 가능한 기하학적 특징에 따라 달라진다. 지도에 있던 많은 객체가 이동하거나 사라지면 스캔 정합이 불안정해질 수 있다. 위치추정 시스템은 잘못된 자세(Pose)를 계속 사용하지 않도록 신뢰도와 발산(Divergence)을 보고해야 한다. 2D 기하학만으로 충분하지 않은 경우 여러 위치추정 소스를 결합하면 강인성을 높일 수 있다.

장애물 검출(Obstacle Detection)에서는 스캔 포인트를 로봇의 현재 형상, 계획 경로, 보호 영역과 비교한다. 단순 거리 임계값은 기본 정지 기능에 사용할 수 있고, 고급 시스템은 포인트를 점유 격자, 클러스터(Cluster), 선분(Line Segment), 추적 객체로 변환할 수 있다. 검출 로직은 측정 오차, 객체 크기, 스캔 주파수, 상대 속도, 로봇 제동 성능을 고려해야 한다. 하나의 고립된 포인트가 잡음일 수도 있고 실제 가는 장애물일 수도 있으므로 필터링 정책은 위험 수준에 맞게 선택해야 한다.

동적 객체 추적(Dynamic-Object Tracking)은 연속적인 2D 스캔을 이용해 사람, 차량, 카트, 기타 이동 객체의 움직임을 추정한다. 포인트를 먼저 클러스터로 묶고, 스캔 간 연관 관계를 찾은 뒤, 필터를 이용해 위치와 속도를 추정할 수 있다. 단일 평면 데이터는 서로 다른 물체가 비슷한 단면을 만들 수 있기 때문에 객체 분류에 한계가 있다. 카메라나 레이더 정보를 결합하면 의미 분류와 속도 추정이 향상된다. 일시적인 가려짐과 부분 관측이 자주 발생하므로 추적 결과에는 불확실성을 포함해야 한다.

안전 레이저 스캐너(Safety Laser Scanner)는 설정 가능한 보호 필드(Protective Field)를 감시하고 안전 인증 출력(Safety-Rated Output)을 생성하도록 설계된 특수 2D 라이다이다. 광학 원리는 일반 자율주행 라이다와 유사하지만, 하드웨어, 진단 기능, 소프트웨어, 통신, 인증 요구사항은 크게 다르다. 보호 필드는 속도, 이동 방향, 조향각, 운용 모드에 따라 변경될 수 있다. 일반 자율주행 라이다가 정상 조건에서 장애물을 정확히 검출한다고 해서 자동으로 안전 센서로 간주해서는 안 된다.

안전 스캐너는 경고 영역(Warning Field) 또는 보호 영역 내에 유효한 측정값이 존재하는지를 지속적으로 확인한다. 경고 영역에 객체가 들어오면 감속할 수 있고, 보호 영역에 진입하면 안전 정지를 시작할 수 있다. 완전한 안전 기능은 센서뿐 아니라 필드 설정, 통신 경로, 안전 제어기, 브레이크, 차량 동역학, 검증된 제동 거리를 모두 포함한다. 보호 필드는 응답 시간, 제동 거리, 측정 오차, 설치 오차, 바닥 상태, 적재 하중, 관련 객체의 접근 속도를 고려하여 설정해야 한다.

미검출(False Negative)과 오검출(False Positive)은 서로 다른 운용 결과를 초래한다. 미검출은 실제 객체가 존재하지만 감지하지 못하는 경우로 충돌 위험을 발생시킬 수 있다. 오검출은 존재하지 않는 장애물을 검출하여 불필요한 정지나 경로 변경을 유발한다. 한 오류를 줄이면 다른 오류가 증가할 수도 있다. 설계는 안전을 우선하면서 생산성을 허용 가능한 수준으로 유지해야 한다. 현장 시험은 어려운 재질, 입사각, 날씨, 복잡한 장면, 이동 환경에서 두 오류율을 함께 평가해야 한다.

2D 라이다 시스템 검증(Validation)은 센서 사양서만이 아니라 전체 센싱 체인을 포함해야 한다. 시험 대상에는 장착 구조, 보정, 통신, 타임스탬프, 전처리, 지도 작성, 위치추정, 장애물 검출, 장애 대응이 포함된다. 대표 대상은 검은색, 반사성, 투명, 얇은, 낮은, 이동하는, 부분적으로 가려진 물체를 포함해야 한다. 운용 설계 영역에 해당하는 경우 직사광선, 어둠, 먼지, 비, 진동, 온도 변화, 오염 조건에서도 시험해야 한다.

장시간 시험(Long-Duration Testing)은 열 변화, 회전 모터 마모, 광학 오염, 네트워크 불안정, 간헐적 고장이 짧은 데모에서는 나타나지 않을 수 있기 때문에 필요하다. 센서의 스캔 주파수, 거리 일관성, 데이터 누락, 시간 드리프트, 온도, 오염 경고, 진단 이벤트를 지속적으로 감시해야 한다. 반복적인 전원 재부팅, 네트워크 중단, 소프트웨어 재시작 이후에도 성능을 확인해야 한다. 신뢰할 수 있는 AMR은 비정상적인 라이다 동작을 감지하고 성능 저하 상태에서 조용히 운행을 계속하지 않고 안전하게 대응해야 한다.

유지보수 요구사항(Maintenance Requirement)은 설계 초기부터 고려되어야 한다. 작업자는 광학 표면 청소, 손상 확인, 장착 정렬 점검, 진단 상태 확인, 센서 교체 절차를 명확히 제공받아야 한다. 충격, 수리, 브래킷 교체, 구조 변경 이후에는 보정 상태를 다시 확인해야 할 수 있다. 유지보수 기록에는 센서 일련번호, 펌웨어, 설정, 보정 버전, 설치 위치, 서비스 이력이 포함되어야 한다. 체계적인 유지보수는 검증 과정에서 설정된 성능 전제조건을 장기간 유지하게 한다.

궁극적으로 2D 라이다는 정밀한 광학 거리 측정을 이용하여 주변 환경을 평면 기하학 정보로 변환한다. 주요 장점은 직접적인 거리 측정, 넓은 각도 시야, 다양한 조명 조건에서의 안정성, 지도 작성 및 위치추정과의 높은 호환성이다. 한계로는 단일 평면 관측, 특정 표면과 기상 조건에 대한 민감성, 근거리 사각지대, 스캔 왜곡, 정확한 장착과 시간 정보에 대한 의존성이 있다. 효과적인 AMR 설계에서는 2D 라이다를 독립된 장치로 보지 않고, 완전한 인지, 자율주행, 안전 아키텍처에 신중하게 통합되는 하나의 핵심 센서로 다루어야 한다.

02.2 Scan Data and Range Measurement

스캔 데이터(Scan Data)는 2차원 라이다(2D Light Detection and Ranging, 2D LiDAR) 센서가 주변 환경에 대해 한 번의 각도 스캔(Angular Sweep)을 완료했을 때 생성하는 구조화된 출력 데이터이다. 하나의 스캔은 알려진 레이저 빔 방향과 연결된 연속적인 거리 측정값의 집합으로 구성된다. 이러한 측정값은 반사 표면이 라이다의 스캔 평면(Scanning Plane)과 만나는 위치를 나타낸다. 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR)에서는 이 스캔 데이터가 장애물 검출(Obstacle Detection), 위치추정(Localization), 지도 작성(Mapping), 객체 추적(Tracking), 도킹(Docking), 안전 감시(Safety Monitoring)를 수행하기 위한 기하학적 환경 정보가 된다.

일반적인 스캔 메시지(Scan Message)는 시작 각도(Start Angle), 종료 각도(End Angle), 각도 증가량(Angular Increment), 최소 유효 거리(Minimum Valid Range), 최대 유효 거리(Maximum Valid Range), 스캔 시간(Scan Duration), 샘플 간 시간 간격(Time Interval), 그리고 순서대로 저장된 거리 배열(Range Array)을 포함한다. 많은 센서는 반사 강도(Return Intensity), 에코(Echo) 정보, 신뢰도(Confidence), 진단 상태(Diagnostic State), 타임스탬프(Timestamp)도 함께 제공한다. 이러한 정보는 단순한 메타데이터(Metadata)가 아니라 원시 측정값을 해석하고, 좌표 변환하며, 시간 동기화하고, 필터링하고, 다른 센서 및 로봇 움직임 데이터와 융합하는 기준이 된다.

각 거리 샘플(Range Sample)은 스캔 기하학(Scan Geometry)에 의해 정의된 하나의 레이저 방향에 대응한다. 첫 번째 레이저 빔의 각도와 샘플 간 각도 증가량이 알려져 있다면, 임의의 샘플 각도는 배열 인덱스(Index)로부터 계산할 수 있다. 이러한 계산은 센서 드라이버가 제조사의 스캔 순서와 좌표계 규약(Coordinate Convention)을 그대로 유지한다는 가정에 기반한다. 샘플 순서, 시계 방향 또는 반시계 방향 회전, 0도 기준을 잘못 해석하면 환경 정보가 회전되거나 좌우가 뒤집히거나 반대로 표현될 수 있다.

거리 측정(Range Measurement)은 라이다가 대상을 향해 광학 에너지(Optical Energy)를 방출하고 반사된 신호 일부를 수신하는 과정에서 시작된다. 센서 구조에 따라 거리는 비행 시간(Time-of-Flight, ToF), 위상 비교(Phase Comparison), 펄스 상관(Pulse Correlation), 또는 다른 광학 거리 측정 방법으로 계산된다. 내부 전자회로는 유효한 반사 신호를 선택하고 이동 거리를 계산하며, 보정(Calibration)을 적용한 후 최종 거리값으로 변환한다. 이러한 과정이 전체 각도 범위에 걸쳐 반복되면서 하나의 완전한 스캔이 생성된다.

이상적인 비행 시간(Time-of-Flight) 모델에서는 빛이 왕복하는 시간을 측정하여 거리를 계산한다. 레이저는 센서에서 대상까지 이동한 후 다시 센서로 돌아오기 때문에 광학 경로는 실제 거리의 두 배가 된다. 실제 센서는 여기에 전자회로 지연(Electronic Delay), 광학 경로 오프셋(Optical Path Offset), 수광기 임계값(Receiver Threshold), 온도 변화, 내부 클록(Clock) 특성, 제조 오차 등을 보정한다. 따라서 최종 거리값은 단순한 시간 측정 결과가 아니라 정교한 신호 처리와 보정의 결과이다.

보고되는 거리값은 일반적으로 라이다의 광학 원점(Optical Origin)에서 반사 표면까지 레이저 빔 방향을 따라 측정된 거리이다. 이것이 반드시 로봇 차체에서 장애물까지의 최단 거리를 의미하는 것은 아니다. 라이다는 로봇 중심보다 위쪽, 뒤쪽, 또는 측면에 장착될 수 있기 때문이다. 따라서 자율주행 및 안전 소프트웨어는 모든 측정값을 로봇 좌표계(Robot Coordinate Frame)로 변환한 뒤, 차체 형상(Footprint), 적재물(Payload), 회전 반경(Turning Envelope), 제동 거리(Braking Path)를 함께 고려해야 한다.

스캔 데이터는 각 샘플이 각도와 거리로 표현되므로 일반적으로 극좌표(Polar Coordinate) 형태를 가진다. 지도 작성과 장애물 처리를 위해서는 극좌표를 직교 좌표(Cartesian Coordinate)로 변환해야 한다. x좌표는 거리와 각도의 코사인(Cosine)을 곱하여 계산하고, y좌표는 거리와 각도의 사인(Sine)을 곱하여 계산한다. 이렇게 생성된 좌표는 처음에는 라이다 좌표계(LiDAR Frame)에 속하며, 이후 로봇 기준(Base Frame), 오도메트리(Odometry), 또는 지도(Map) 좌표계로 변환된다.

거리 배열(Range Array)의 모든 위치가 실제 유효한 측정값을 의미하는 것은 아니다. 레이저가 최대 거리보다 멀리 있는 대상에 도달하거나, 최소 거리보다 가까운 대상에 부딪히거나, 반사율이 너무 낮거나, 수광 감도가 부족하거나, 간섭을 받은 경우에는 유효한 측정이 생성되지 않을 수 있다. 센서 드라이버는 이러한 값을 0, 무한대(Infinity), 숫자가 아님(Not-a-Number, NaN), 최대 거리값, 또는 제조사 전용 오류 코드로 표현할 수 있다. 후속 소프트웨어는 이러한 값을 실제 장애물이나 자유 공간(Free Space)으로 잘못 해석하지 않아야 한다.

반사 신호가 없다는 것(No Return)과 자유 공간이 확인되었다는 것(Confirmed Free Space)은 서로 다른 의미이다. 측정값이 없다고 해서 레이저가 장애물 없이 최대 거리까지 통과했다고 단정할 수는 없다. 유리, 검은 표면, 안개, 먼지, 불리한 입사각, 광학 고장 등이 원인일 수도 있다. 따라서 점유 격자 지도(Occupancy Grid Mapping)나 안전 로직은 이러한 상황을 보수적으로 해석해야 한다. 특히 측정 실패로 인해 실제 장애물이 숨겨질 가능성이 있는 경우에는 미관측 공간(Unknown Space)과 자유 공간을 명확히 구분해야 한다.

최소 및 최대 거리 설정(Minimum and Maximum Range)은 유효한 측정으로 인정되는 범위를 정의한다. 최소 거리는 광학 회복 시간, 내부 반사, 광학 구조 때문에 안정적인 측정이 어려운 근거리 영역을 제외하기 위해 사용된다. 최대 거리는 특정 조건에서 유효한 가장 먼 측정 거리를 의미한다. 소프트웨어는 센서 자체의 최대 성능보다 짧은 운용 거리 제한을 추가로 적용할 수도 있다. 이러한 제한은 불필요한 잡음과 계산량을 줄이면서도 정지, 경로 계획, 위치추정, 추적에 필요한 충분한 거리 정보를 유지하는 데 도움이 된다.

각도 분해능(Angular Resolution)은 인접한 레이저 빔 사이의 각도 간격을 의미한다. 각도 간격이 작을수록 동일한 시야(Field of View)에서 더 많은 샘플을 얻을 수 있으며 더욱 조밀한 스캔을 생성할 수 있다. 그러나 실제 공간에서 포인트 간격은 거리가 멀어질수록 계속 증가한다. 가까운 거리에서는 여러 개의 빔이 맞는 얇은 기둥도 먼 거리에서는 빔 사이를 통과하여 전혀 검출되지 않을 수 있다. 따라서 스캔 밀도는 대상 크기, 요구되는 검출 거리, 장착 위치, 객체가 최소 하나 이상의 빔과 교차할 확률을 기준으로 평가해야 한다.

스캔 주파수(Scan Frequency)와 각도 분해능은 하드웨어 성능에 따라 서로 영향을 줄 수 있다. 한 회전당 샘플 수를 늘리면 측정 시간이 길어지거나 스캔 속도가 감소할 수 있다. 반대로 스캔 주파수를 높이면 샘플 밀도나 측정 품질이 감소할 수 있다. 선택된 운용 모드는 로봇의 최대 주행 속도와 환경 변화 속도를 충분히 지원해야 한다. 고속으로 움직이는 로봇일수록 연속적인 스캔 사이에 이동하는 거리를 줄이고 장애물 및 환경 정보를 빠르게 갱신할 수 있도록 높은 스캔 빈도가 필요하다.

하나의 완전한 스캔은 동일한 순간에 생성되지 않는다. 센서는 내부 회전 메커니즘이 움직이는 동안 각도별로 순차적으로 데이터를 획득한다. 따라서 스캔 메시지는 일반적으로 시작 시점, 중간 시점, 종료 시점 중 하나의 타임스탬프를 포함하며, 개별 샘플의 시간은 샘플 간 시간 간격을 이용하여 계산한다. 로봇이 이동 중일 경우 모든 포인트를 동일한 시점으로 간주하면 기하학적 왜곡이 발생한다. 움직임 보상(Motion Compensation)은 오도메트리나 IMU를 이용하여 모든 샘플을 동일한 기준 시점으로 변환한다.

개별 샘플 간 시간 간격(Time Increment)은 고속 이동이나 정밀 위치추정에서 매우 중요하다. 로봇이 스캔 중 회전하면 스캔 후반부에서 획득된 포인트는 전반부와 다른 자세(Pose)에서 측정된다. 이를 보정하지 않으면 직선 벽이 휘어지고 모서리 위치가 이동하는 현상이 발생한다. 정확한 샘플별 시간 정보는 로봇 자세를 보간(Interpolation)하여 각 측정값을 올바른 위치로 변환할 수 있게 한다. 이러한 과정은 스캔 디스큐잉(Scan Deskewing), 움직임 보정(Motion Correction), 시간 보정(Temporal Compensation)이라고도 한다.

타임스탬프의 품질(Timestamp Quality)은 언제, 어디에서 시간이 기록되는지에 따라 달라진다. 센서 내부에서 실제 측정 순간에 생성된 타임스탬프는 네트워크를 통해 수신한 뒤 컴퓨터에서 생성한 타임스탬프보다 훨씬 정확하다. 통신 지연, 버퍼링, 패킷 스케줄링, 운영체제 부하는 수신 시점과 실제 측정 시점을 다르게 만들 수 있다. 여러 센서를 사용하는 시스템에서는 정밀 시간 프로토콜(Precision Time Protocol, PTP), 하드웨어 트리거(Hardware Trigger), 동기화된 카운터, 보정된 소프트웨어를 이용하여 공통 시간 기준을 유지해야 한다.

거리 정확도(Range Accuracy)는 보고된 측정값이 실제 거리와 얼마나 가까운지를 의미한다. 여기에는 일정한 오프셋(Systematic Offset), 비율 오차(Scale Error), 온도 영향, 비선형성(Nonlinearity), 대상 특성에 따른 변화가 포함된다. 사양서의 정확도는 일반적으로 제어된 실험 조건에서 측정된 값이며, 모든 재질과 거리, 각도, 환경에서 동일하게 적용되는 것은 아니다. AMR 개발자는 실제 운용 환경과 동일한 대상과 장착 조건에서 정확도를 검증해야 하며, 안전 거리와 도킹 허용 오차는 센서 자체 오차뿐 아니라 설치 오차까지 포함하여 계산해야 한다.

거리 분해능(Range Resolution)은 센서가 구분할 수 있는 최소 거리 변화이며, 반복성(Repeatability)은 동일한 조건에서 동일한 측정값을 얼마나 일관되게 반복하는지를 의미한다. 이들은 절대 정확도와 다른 개념이다. 센서는 항상 거의 같은 값을 보고하더라도 실제 거리와 일정한 오차를 가질 수 있다. 반복성은 스캔 정합과 상대 위치 계산에서 매우 중요하며, 절대 정확도는 정밀 측정, 도킹, 지도 정확도, 보호 영역 계산에서 더욱 중요하다.

측정 잡음(Measurement Noise)은 동일한 환경에서도 연속 측정값이 조금씩 변하는 현상이다. 잡음은 거리, 반사율, 입사각, 주변광, 진동, 온도 변화, 광학 오염에 의해 증가할 수 있다. 통계적 필터링은 잡음을 줄일 수 있지만 항상 부작용이 존재한다. 여러 스캔을 평균하면 안정성은 향상되지만 움직이는 객체에 대한 반응이 느려질 수 있다. 중앙값 필터(Median Filter)는 고립된 이상치를 제거할 수 있지만 얇은 장애물도 함께 제거할 위험이 있다. 따라서 필터는 후속 기능과 안전 요구사항에 맞게 선택되어야 한다.

이상치(Outlier)는 주변 공간이나 시간적 패턴과 크게 다른 측정값을 의미한다. 다중 경로 반사(Multipath Reflection), 패킷 오류(Packet Corruption), 경계 효과(Edge Effect), 공기 중 입자, 직접적인 광 간섭, 하나의 빔이 여러 표면을 동시에 비추는 경우 등이 원인이 될 수 있다. 일부 이상치는 고립된 형태이기 때문에 쉽게 제거할 수 있지만, 일부는 실제 구조처럼 보일 수도 있다. 제거 규칙은 매우 신중해야 한다. 실제 얇은 장애물도 하나의 고립된 포인트로 나타날 수 있기 때문이다.

모서리(Edge) 부근의 측정값은 레이저 빔이 유한한 폭을 가지기 때문에 특별한 주의가 필요하다. 하나의 빔이 전경과 배경을 동시에 비출 수 있으며, 센서는 첫 번째 반사, 가장 강한 반사, 평균 반사 등 제조사에 따라 서로 다른 결과를 반환할 수 있다. 이 때문에 물체 경계의 포인트는 서로 다른 표면 사이를 오가거나 중간 거리에서 측정될 수 있다. 이러한 특성은 직선 추출(Line Extraction), 벽 추정, 객체 군집화(Clustering), 지도의 선명도에 영향을 준다. 알고리즘은 모든 모서리 측정이 정확한 표면 위치를 나타낸다고 가정해서는 안 된다.

다중 에코(Multiple Echo) 라이다는 하나의 레이저 방향에 대해 여러 개의 반사 신호를 제공할 수 있다. 첫 번째 에코는 비, 먼지, 철망, 식물 등에서 발생하고, 후속 에코는 그 뒤의 단단한 물체에서 발생할 수 있다. 다중 에코는 풍부한 정보를 제공하지만 명확한 선택 전략이 필요하다. 장애물 검출은 가장 가까운 유효 에코를 우선할 수 있으며, 지도 작성은 여러 에코를 모두 사용할 수도 있다. 선택 정책은 실제 위험도와 일관성을 유지해야 한다.

반사 강도(Return Intensity)는 수신된 광학 신호의 세기를 센서별 방식으로 표현한 값이다. 이는 재귀반사체(Retroreflector) 검출, 랜드마크 인식, 오염 상태 판단, 객체 해석 등에 활용될 수 있다. 그러나 강도는 거리, 입사각, 재질, 수광기 이득, 온도, 펌웨어 처리에 따라 달라진다. 따라서 원시 강도값을 보편적인 재질 특성으로 해석해서는 안 된다. 위치추정이나 객체 분류에 활용할 경우에는 정규화(Normalization), 보정(Calibration), 센서 간 차이를 함께 고려해야 한다.

스캔 전처리(Scan Preprocessing)는 원시 데이터를 인지 알고리즘에서 사용할 수 있는 형태로 변환하는 과정이다. 일반적으로 거리값 검증, 손상된 데이터 제거, 로봇 자체 반사 제거, 각도 선택, 극좌표를 점(Point)으로 변환, 좌표계 및 시간 정보 추가 등이 포함된다. 경우에 따라 필터링, 움직임 보상, 강도 기준 처리, 에코 선택도 수행된다. 각 전처리 과정은 명확한 목적을 가져야 하며, 예상하지 못한 현장 상황에서도 원시 데이터를 분석할 수 있도록 충분한 정보를 유지해야 한다.

각도 크롭핑(Angular Cropping)은 특정 기능에 필요한 각도 범위만 선택하여 처리하는 방법이다. 전방 장애물 검출은 진행 방향 주변만 처리할 수 있고, 위치추정은 전체 시야를 활용할 수 있다. 각도 제한은 계산량을 줄이고 자기 반사를 제거하는 데 도움이 되지만 중요한 기하학 정보나 이동 객체를 제거할 수도 있다. 고정된 각도 범위는 실제 센서 장착 구조와 차량 설계를 반영해야 하며, 적재물이나 매니퓰레이터가 시야를 변경하는 경우에는 동적으로 조정되어야 한다.

거리 크롭핑(Range Cropping)은 선택한 거리 범위 안의 데이터만 처리하는 방법이다. 실내 자율주행에서는 매우 먼 거리의 데이터가 큰 의미가 없을 수 있으며, 너무 가까운 데이터는 무효값이거나 차체를 나타낼 수 있다. 서로 다른 기능은 서로 다른 거리 범위를 사용할 수 있다. 위치추정은 멀리 있는 안정적인 벽을 활용할 수 있고, 장애물 회피는 가까운 영역을 우선하며, 안전 감시는 검증된 보호 거리를 사용한다. 따라서 하나의 원시 스캔으로부터 목적에 따라 여러 개의 필터링된 데이터가 생성될 수 있다.

로봇 자체 마스킹(Robot-Body Masking)은 라이다가 로봇 자신의 구조물을 외부 장애물로 인식하지 않도록 하는 과정이다. 마스크는 고정 다각형, 특정 각도 영역, 또는 로봇 형상 모델을 이용하여 구현할 수 있다. 이 모델은 센서 위치, 차체 형상, 보호 커버, 케이블, 적재물, 포크, 움직이는 장치를 모두 반영해야 한다. 고정 마스크는 간단하지만 로봇 형상이 바뀌는 경우에는 적절하지 않을 수 있다. 동적 마스크(Dynamic Mask)는 조향각, 관절 위치, 리프트 높이, 적재 상태를 이용하여 변화하는 자기 영역을 표현할 수 있다.

공간 필터링(Spatial Filtering)은 하나의 스캔 안에서 서로 이웃한 포인트를 분석한다. 포인트는 거리 연속성(Range Continuity), 각도 거리, 예상되는 물체 형상에 따라 그룹화될 수 있다. 이는 군집화(Clustering), 직선 추출(Line Extraction), 잡음 제거에 활용된다. 그러나 인접한 포인트 간 실제 간격은 각도뿐 아니라 거리에도 의존하므로 고정 거리 기준은 가까운 곳과 먼 곳에서 서로 다른 결과를 만든다. 빔 기하학을 고려한 적응형 임계값(Adaptive Threshold)이 보다 안정적인 객체 경계를 유지할 수 있다.

시간 필터링(Temporal Filtering)은 여러 스캔에서 동일하거나 유사한 방향의 데이터를 비교한다. 이를 통해 지속적인 구조와 순간적인 간섭을 구분하고 무작위 잡음을 줄일 수 있다. 그러나 로봇이 이동하면 동일한 빔 인덱스가 동일한 세계 위치를 관측하지 않게 된다. 따라서 정확한 시간 필터링은 움직임 보상이나 안정적인 좌표계에서 수행되어야 한다. 또한 움직이는 객체가 임시 잡음으로 잘못 제거되지 않도록 해야 한다.

스캔 군집화(Scan Clustering)는 서로 인접한 포인트를 하나의 물체 또는 표면으로 그룹화하는 과정이다. 군집은 거리 차이, 유클리드 거리(Euclidean Distance), 각도 연속성, 모델 기반 기준 등을 이용하여 생성된다. 생성된 군집은 장애물 검출, 객체 추적, 형상 추정에 활용된다. 군집 품질은 각도 분해능, 거리, 가려짐(Occlusion), 빔 발산, 객체 형상에 따라 달라진다. 하나의 객체가 여러 군집으로 분리되거나 여러 객체가 하나의 군집으로 합쳐질 수도 있으며, 이러한 현상은 특히 먼 거리에서 자주 발생한다.

직선(Line)과 모서리(Corner) 추출은 스캔 포인트를 기하학적 특징으로 변환하는 과정이다. 벽, 랙(Rack), 건물 모서리 등은 일반적으로 직선 형태를 가지므로 지도 작성, 위치추정, 복도 정렬, 도킹에 활용할 수 있다. 모서리와 교차점은 구별하기 쉬운 랜드마크(Landmark)가 된다. 특징 추출은 데이터량을 줄일 수 있지만 일부 세부 정보를 잃게 된다. 알고리즘은 잡음, 누락 구간, 부분 가림, 이동 객체가 존재하더라도 불안정한 측정값을 영구적인 지도 특징으로 잘못 저장하지 않아야 한다.

점유 격자 생성(Occupancy Grid Generation)은 레이저 빔을 이용하여 공간이 자유 공간인지, 점유 공간인지, 미관측 공간인지를 확률적으로 갱신하는 과정이다. 유효한 레이저는 센서와 반환 지점 사이가 자유 공간임을 의미하며, 반환 지점은 점유 가능성이 높다. 반대로 무효 측정이나 반환이 없는 경우에는 자유 공간으로 단정해서는 안 된다. 반복적인 관측을 통해 점유 확률이 지속적으로 갱신되며, 센서 모델(Inverse Sensor Model)은 거리 오차, 각도 확산, 객체 지속성, 동적 장애물을 고려해야 한다.

스캔 정합(Scan Matching)은 현재 스캔을 이전 스캔이나 기존 지도와 정렬하여 로봇의 상대 이동 또는 절대 위치를 추정하는 과정이다. 알고리즘은 관측된 기하학 구조를 가장 잘 일치시키는 변환(Transformation)을 찾는다. 거리 잡음, 이동 객체, 반복 구조, 특징 부족, 움직임 왜곡은 정합 품질을 저하시킬 수 있다. 휠 오도메트리와 관성측정장치(Inertial Measurement Unit, IMU)는 초기 위치 추정을 제공하여 수렴성을 향상시킨다. 위치추정 시스템은 항상 높은 신뢰도를 반환하기보다 정합 실패와 불확실성을 함께 보고해야 한다.

장애물 검출에서는 스캔 포인트를 로봇의 형상과 예상 이동 경로에 대해 평가한다. 동일한 포인트라도 현재 진행 경로 밖에 있으면 위험하지 않을 수 있지만 회전이나 후진 시에는 매우 위험한 장애물이 될 수 있다. 따라서 단순한 거리만으로 위험도를 판단해서는 안 된다. 시스템은 포인트를 로봇 좌표계로 변환하고, 속도와 조향을 고려하며, 안전 여유를 포함한 장애물 영역을 생성하고, 정지 영역 및 회피 영역과 비교해야 한다. 또한 측정 시각과 불확실성도 보호 동작 결정에 반영되어야 한다.

동적 추적(Dynamic Tracking)은 연속적인 스캔을 이용하여 이동 객체의 위치와 속도를 추정한다. 객체 군집은 프레임 간에 연결되고, 필터는 일시적인 가려짐이나 누락된 측정을 보완하여 움직임을 예측한다. 스캔의 시간 정보는 속도 계산의 핵심이므로 매우 중요하다. 지연되거나 불규칙하거나 잘못된 타임스탬프를 가진 스캔은 잘못된 움직임을 생성할 수 있다. 측정이 부족하거나 모호하거나 예측과 일치하지 않으면 추적 신뢰도도 함께 감소해야 한다.

데이터 품질 모니터링(Data Quality Monitoring)은 단순히 스캔 메시지가 도착했는지만 확인해서는 안 된다. 스캔 주파수, 타임스탬프 연속성, 유효 거리 비율, 각도 커버리지, 강도 분포, 패킷 손실, 반복 데이터, 온도, 오염 경고, 예상하지 못한 기하학적 패턴 등을 함께 평가해야 한다. 센서는 정상적으로 통신하더라도 광학 성능이 저하될 수 있다. 따라서 장치 내부 진단과 외부 타당성 검사(Plausibility Check)를 함께 활용해야 한다.

통신(Communication)은 스캔 데이터의 완전성과 최신성(Freshness)에 직접적인 영향을 준다. 이더넷(Ethernet)이나 직렬 통신은 하나의 스캔을 여러 패킷으로 나누어 전송하므로 드라이버는 이를 올바른 순서로 재구성해야 한다. 패킷 손실은 일부 각도 영역이 비거나 스캔이 불완전해지는 원인이 된다. 네트워크 혼잡은 모든 패킷이 도착하더라도 전체 스캔을 늦게 전달할 수 있다. 드라이버는 순서 오류, 오래된 스캔, 부분 스캔, 장치 재시작을 감지해야 하며, 완전성과 시간 정보가 확인된 데이터만 전달하거나 상태를 명확하게 표시해야 한다.

큐(Queue)의 동작은 처리 속도가 센서 입력을 따라가지 못할 때 매우 중요하다. 무제한 큐는 모든 스캔을 보존하지만 시간이 지날수록 데이터가 오래되어 현재 로봇 위치와 맞지 않게 된다. 즉각적인 장애물 검출에서는 오래된 스캔을 유지하기보다 최신 스캔만 처리하는 것이 더 안전한 경우가 많다. 지도 작성은 연속성을 더 중요하게 생각할 수 있지만, 역시 지연 시간이 제한되어야 한다. 큐 크기, 삭제 정책(Drop Policy), 마감 시간 감시(Deadline Monitoring)는 기능별로 별도로 정의해야 한다.

스캔 데이터 기록(Scan Data Recording)은 개발, 검증, 사고 분석, 회귀 시험(Regression Testing)을 위해 필수적이다. 기록에는 원시 거리값, 강도, 에코 정보, 타임스탬프, 좌표 변환, 보정 정보, 센서 설정, 로봇 상태, 진단 정보가 포함되어야 한다. 처리된 점군(Point Cloud)만 저장하면 드라이버 동작이나 측정 이상을 분석하는 데 필요한 중요한 정보가 사라질 수 있다. 데이터 형식과 메타데이터는 동일한 기록을 이후 소프트웨어 버전에서도 정확하게 재생할 수 있도록 설계되어야 한다.

재생 시험(Replay Testing)은 동일한 센서 조건에서 여러 알고리즘을 비교할 수 있게 한다. 새로운 필터, 스캔 정합 알고리즘, 장애물 검출기, 진단 기능을 모든 현장 시험을 반복하지 않고도 평가할 수 있다. 그러나 재생은 실제 네트워크 지연, 프로세서 부하, 열 특성, 센서 노후화, 제어 시스템과의 상호작용을 완전히 재현하지는 못한다. 따라서 재생 시험은 반복성 확보에는 매우 유용하지만, 하드웨어-인-더-루프(Hardware-in-the-Loop, HIL) 시험과 실제 로봇 시험을 함께 수행해야 최종 검증이 가능하다.

거리 측정 검증(Validation of Range Measurement)은 알려진 거리, 각도, 반사율을 가진 기준 대상(Target)을 이용하여 수행해야 한다. 시험에서는 정확도, 반복성, 잡음, 누락 측정, 최소 거리, 최대 유효 거리, 모서리 특성, 움직임 응답 등을 평가해야 한다. 대표적인 대상에는 검은 재질, 반사 재질, 유리, 얇은 기둥, 낮은 장애물, 곡면, 부분적으로 가려진 물체가 포함되어야 한다. 운용 설계 영역(ODD)에 해당하는 경우에는 조명, 온도, 진동, 오염, 먼지, 비, 안개 조건도 함께 시험해야 한다.

시스템 수준 검증(System-Level Validation)은 스캔 데이터가 단순히 센서 성능을 만족하는 것이 아니라 실제 로봇 동작을 지원하는지를 확인해야 한다. 위치추정은 안정적이어야 하고, 지도는 실제 구조를 정확히 표현해야 하며, 장애물은 충분히 빠르게 검출되어야 하고, 불필요한 정지는 운용 가능한 수준으로 유지되어야 한다. 시험은 최대 속도, 적재 상태, 회전 주행, 혼잡한 환경, 통신 부하, 센서 성능 저하 상황까지 포함해야 한다. 광학 측정에서부터 최종 제어 명령까지의 전체 처리 과정이 요구된 시간과 안전 기준을 만족해야 한다.

궁극적으로 스캔 데이터는 단순한 거리 배열이 아니다. 그것은 광학 물리학(Optical Physics), 스캔 메커니즘(Scan Mechanics), 좌표계 규약(Coordinate Convention), 보정(Calibration), 통신(Communication), 로봇 움직임(Motion), 필터링(Filtering), 환경 조건(Environmental Condition)이 모두 반영된 시간 의존적인 기하학적 측정 데이터이다. 신뢰할 수 있는 AMR 인지 시스템은 모든 거리값을 각도, 타임스탬프, 유효성, 불확실성, 센서 상태와 함께 해석해야 한다. 이러한 전체 문맥(Context)이 유지될 때 2D 라이다 스캔 데이터는 지도 작성, 위치추정, 장애물 검출, 객체 추적, 도킹, 안전한 자율주행을 위한 신뢰성 있는 기반이 된다.

02.3 Indoor AMR Applications

2차원 라이다(2D Light Detection and Ranging, 2D LiDAR)는 실내 환경의 안정적인 기하학 구조를 수평 스캔 평면(Horizontal Scanning Plane)에서 신뢰성 있게 측정할 수 있기 때문에 실내 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR) 응용 분야에서 널리 사용된다. 벽, 기둥, 랙(Rack), 기계, 팔레트, 출입문, 사람은 일반적으로 센서의 스캔 높이와 교차하면서 자율주행에 유용한 정보를 제공한다. 2D 라이다가 생성하는 직접적인 거리 측정값을 이용하면 AMR은 바닥 마커(Floor Marker)나 고정 유도 경로에 전적으로 의존하지 않고도 자유 공간을 파악하고 장애물을 검출하며 자신의 위치를 추정하고 안전하게 이동할 수 있다.

실내 AMR은 공장, 창고, 병원, 사무실, 쇼핑 시설, 연구소, 공항, 물류센터, 공공건물 등 다양한 장소에서 운용된다. 각 환경은 라이다의 측정 거리, 각도 커버리지(Angular Coverage), 스캔 주파수(Scan Rate), 장착 높이, 정확도, 안전 성능에 서로 다른 요구사항을 부과한다. 창고 운반 로봇은 랙, 팔레트, 지게차, 좁은 통로를 중점적으로 처리해야 하는 반면, 병원 배송 로봇은 사람, 침대, 카트, 유리문, 빈번하게 변하는 복도 통행 상황을 처리해야 한다. 따라서 적용 환경에 따라 2D 라이다 데이터를 수집하고 해석하는 방식도 달라져야 한다.

가장 일반적인 실내 응용 중 하나는 미리 정의된 픽업 및 배송 지점 사이를 자율주행하는 것이다. AMR은 라이다 측정값을 이용해 현재 위치를 추정하고, 주행 가능한 공간을 식별하며, 장애물을 회피하고, 계획된 경로를 따라 이동한다. 자기 테이프, 매설 와이어, 고정 반사판에 의존하는 자동 유도 차량(Automated Guided Vehicle, AGV)과 달리 라이다 기반 AMR은 지도화된 환경에서 더욱 유연하게 이동할 수 있다. 경로는 소프트웨어로 변경할 수 있으며, 시설 바닥을 물리적으로 수정하지 않고도 일시적인 경로 차단에 대응할 수 있다.

지도 작성(Mapping)은 일반적으로 실내 배치 과정에서 2D 라이다가 가장 먼저 수행하는 주요 기능이다. 로봇이 시설 내부를 이동하는 동안 연속적인 스캔 데이터는 휠 오도메트리(Wheel Odometry) 및 가능한 경우 관성측정장치(Inertial Measurement Unit, IMU) 데이터와 결합된다. 안정적인 기하학 구조는 점유 격자 지도(Occupancy Grid) 또는 특징 기반 지도(Feature-Based Map)로 변환된다. 벽과 기둥은 일반적으로 강한 기준 정보를 제공하며, 이동하는 사람과 차량은 일시적인 객체로 필터링되어야 한다. 생성된 지도는 위치추정, 경로 계획, 교통 관리, 도킹, 운용 모니터링의 기하학적 기반이 된다.

유용한 실내 지도는 모든 시각적 세부사항을 표현하기보다 로봇의 이동에 필요한 환경 요소를 나타내야 한다. 지도에는 라이다 스캔 평면과 교차하는 영구적인 벽, 구조 기둥, 고정 기계, 랙 경계, 기타 안정적인 객체가 포함되어야 한다. 임시 팔레트, 카트, 상자, 사람은 일반적으로 영구적인 지도 특징으로 저장되어서는 안 된다. 동적 객체가 잘못 저장되면 로봇은 나중에 빈 공간을 막힌 공간으로 판단하거나 더 이상 존재하지 않는 구조물에 맞추어 위치를 추정할 수 있다. 따라서 지도 작성에는 통제된 데이터 수집과 검토가 필요하다.

동시 위치추정 및 지도 작성(Simultaneous Localization and Mapping, SLAM)은 AMR이 자신의 움직임을 추정하면서 동시에 지도를 생성하도록 한다. 알려지지 않은 실내 환경에서 각 새로운 라이다 스캔은 이전 스캔과 움직임 추정치에 정합되어 로봇의 자세(Pose)와 환경 모델을 함께 갱신한다. 실내의 벽, 모서리, 랙 가장자리, 기계 설비는 스캔 정합(Scan Matching)에 강한 기하학적 제약을 제공하는 경우가 많다. 그러나 특징이 부족한 긴 복도, 반복적인 랙 통로, 넓은 개방 공간, 유리 칸막이는 서로 다른 위치가 비슷하게 보이게 하여 위치추정 모호성을 증가시킬 수 있다.

지도가 생성된 이후 AMR은 현재 라이다 스캔과 저장된 지도를 비교하여 지도 기반 위치추정(Map-Based Localization)을 수행한다. 위치추정 알고리즘은 관측된 기하학 구조와 지도를 가장 잘 정렬하는 이동량과 회전량을 계산한다. 휠 오도메트리는 단기 이동을 예측하고, 라이다 측정값은 누적 오차(Drift)를 보정한다. 안정적인 위치추정은 정확한 경로 추종, 교차로 통과, 도킹 준비, Fleet 조정을 가능하게 한다. 또한 위치추정 시스템은 정합이 불안정해졌을 때 이를 인식할 수 있도록 신뢰도(Confidence)를 제공해야 한다.

실내 위치추정 품질은 환경의 안정성에 크게 의존한다. 공장과 창고에서는 팔레트, 자재, 임시 펜스, 생산 장비, 작업대가 자주 이동할 수 있다. 현재 스캔의 많은 부분이 저장된 지도와 다르면 위치추정이 불안정해질 수 있다. 강인한 시스템은 안정적인 구조 특징을 중심으로 위치를 추정하고 일시적인 변화는 허용해야 한다. 또한 여러 지도 계층(Map Layer)을 유지하거나, 매우 동적인 영역을 제외하거나, 선택된 영역만 통제된 유지보수 절차를 통해 갱신할 수 있다.

반복적인 실내 기하학 구조는 라이다 위치추정에 특별한 어려움을 만든다. 거의 동일한 랙, 문, 기둥, 저장 구역이 연속적으로 배치되면 서로 다른 위치에서 매우 유사한 스캔 패턴이 생성된다. 로봇은 잘못된 통로나 구역에서도 국부적으로는 좋은 정합 결과를 얻을 수 있다. 휠 오도메트리, 초기 위치 제약, 기준 마커(Fiducial Marker), 반사판 랜드마크(Reflector Landmark), 카메라 정보, 위상 경로 문맥(Topological Route Context)은 이러한 모호성을 줄일 수 있다. 반복 구조가 많은 환경에서는 하나의 국부적으로 일치하는 스캔 정합만으로 전역 위치를 판단해서는 안 된다.

장애물 검출(Obstacle Detection)은 또 다른 핵심 실내 AMR 응용이다. 라이다 스캔은 로봇 운용 평면과 교차하는 표면을 식별하고, 자율주행 시스템이 계획된 경로가 계속 비어 있는지를 판단하게 한다. 장애물에는 사람, 카트, 팔레트, 상자, 지게차, 청소 장비, 열린 문, 임시 장벽, 다른 로봇 등이 포함될 수 있다. 포인트 측정값은 로봇 좌표계로 변환되어 현재 차체 형상(Footprint), 회전 영역(Turning Envelope), 정지 영역, 지역 경로와 비교된다. 검출은 안전한 제동이나 회피를 수행할 수 있을 만큼 충분히 일찍 이루어져야 한다.

장애물 검출기는 로봇을 하나의 점으로 취급하지 않고 AMR의 전체 형상을 고려해야 한다. 차체, 범퍼, 적재물, 선반, 포크, 컨베이어, 매니퓰레이터는 센서 위치보다 바깥쪽으로 돌출될 수 있다. 회전 중에는 로봇의 후방이나 측면이 전방에서 직접 관측되지 않은 영역을 휩쓸 수 있다. 따라서 코스트맵(Costmap)과 충돌 검사 알고리즘은 장애물을 확장하거나 후보 경로를 따라 전체 예상 차체 형상을 평가한다. 이러한 기하학적 처리는 좁은 공장 통로와 혼잡한 물류 공간에서 특히 중요하다.

2D 라이다는 스캔 평면과 교차하는 객체만 검출한다. 따라서 장착 높이는 실내 응용에서 매우 중요한 설계 요소이다. 낮게 장착된 센서는 팔레트 다리, 사람의 다리, 낮은 카트, 바닥 장애물을 검출할 수 있지만 테이블 상판, 매달린 화물, 돌출 구조물을 놓칠 수 있다. 높게 장착된 센서는 벽과 사람의 상체를 볼 수 있지만 작은 상자나 낮은 포크 위를 지나칠 수 있다. 많은 AMR은 서로 다른 높이에 여러 센서를 배치하거나 깊이 카메라(Depth Camera), 초음파 센서(Ultrasonic Sensor), 범퍼, 3D 라이다를 추가로 사용한다.

사람 검출(Human Detection)은 사람이 함께 활동하는 실내 환경에서 매우 중요하다. 수평으로 장착된 라이다는 사람의 다리나 하체를 검출하고 로봇과의 상대 위치를 계산할 수 있다. 연속적인 스캔은 객체 추적과 속도 추정을 지원한다. 그러나 사람의 기하학적 단면은 자세, 의복, 가려짐, 주변 객체에 따라 변할 수 있다. 카트 바퀴, 의자 다리, 좁은 기계 부품도 유사한 형태를 만들 수 있다. 라이다는 신뢰성 있는 기하학적 존재 정보를 제공할 수 있지만 의미적 식별(Semantic Identification)은 카메라나 레이더 융합의 도움을 받을 수 있다.

사람은 실내 AMR 주변에서 예측하기 어렵게 움직이는 경우가 많다. 랙 뒤에서 갑자기 나타나거나, 로봇 옆을 걷거나, 좁은 통로에 멈추거나, 사각 코너에서 접근할 수 있다. 로봇은 스캔 갱신을 이용해 추적 상태를 유지하고 단기 움직임을 예측하면서도 보수적인 안전 여유를 확보해야 한다. 사람 중심 자율주행(Human-Aware Navigation)은 사람 근처에서 감속하고, 교차로에서 양보하며, 지나치게 가까이 통과하지 않고, 경로가 확보될 때까지 기다리는 동작을 포함할 수 있다. 인지 시스템은 사람이 항상 이상적이거나 협조적인 경로로 움직인다고 가정해서는 안 된다.

동적 장애물 회피(Dynamic Obstacle Avoidance)는 현재 라이다 측정값을 이용해 전체 임무 경로를 유지하면서 지역 경로를 수정한다. 사람, 카트, 차량이 계획된 경로를 막으면 지역 경로 계획기(Local Planner)는 감속, 정지, 또는 장애물 주변의 대체 궤적을 생성할 수 있다. 의사결정은 사용 가능한 자유 공간, 장애물 움직임, 로봇 크기, 안전 여유, 시설 규칙에 따라 달라진다. 좁은 통로에서는 우회가 불가능할 수 있으므로 무리한 기동보다 대기하거나 교통 조정을 요청하는 것이 더 안전할 수 있다.

실내 교차로는 객체가 처음에는 보이지 않는 방향에서 접근할 수 있기 때문에 특별한 인지 및 계획 전략을 요구한다. 랙 끝, 벽, 기계, 출입문은 사람이거나 지게차가 갑자기 나타날 수 있는 가려짐 영역(Occlusion Zone)을 만든다. 전방형 2D 라이다는 로봇이 교차로에 가까이 접근할 때까지 횡방향 교통을 관측하지 못할 수 있다. 360도 전체 커버리지, 접근 속도 감소, 가상 정지선(Virtual Stop Line), 지도 기반 위험 구역, 측면 센서 추가를 통해 안전성을 높일 수 있다. 경로 계획기는 사각 교차로를 일반적인 개방 공간이 아니라 예측 가능한 위험 구역으로 처리해야 한다.

출입문 통과(Doorway Passage)도 일반적인 응용이다. 라이다는 문틀의 위치와 폭을 측정하고 로봇이 진입 전에 정렬하도록 지원한다. 경로 계획기는 사용 가능한 개구부가 로봇과 적재물 폭보다 충분히 넓은지 안전 여유를 포함해 판단해야 한다. 여닫이문, 미닫이문, 부분적으로 열린 문, 유리 패널, 주변의 사람은 이 과정을 복잡하게 만든다. 건물 제어 시스템(Building Control System)과 연동하면 AMR이 자동문 개방을 요청할 수 있지만, 라이다는 실제 통로가 비어 있는지를 현장에서 다시 확인해야 한다.

유리문과 투명 칸막이는 레이저가 유리를 통과하거나 불규칙하게 반사되거나 뒤쪽 구조물을 검출할 수 있어 여전히 어렵다. 실내 지도에는 유리벽이 존재하더라도 현재 스캔에서는 약하거나 불안정한 반환값만 나타날 수 있다. AMR은 포인트가 없다고 해서 통로가 열려 있다고 판단해서는 안 된다. 카메라, 초음파 센서, 레이더, 문 상태 신호, 고정 지도 제약, 보이는 프레임 구조를 추가로 활용할 수 있다. 투명 표면은 시설 조사 단계에서 식별되어 응용 위험 분석에 포함되어야 한다.

좁은 통로 자율주행(Narrow-Aisle Navigation)은 창고와 생산 구역에서 자주 요구된다. AMR은 위치추정과 장애물 회피를 위한 충분한 여유를 확보하면서 랙, 기계, 벽 사이의 중앙을 유지해야 한다. 라이다는 복도 추종과 지역 정렬을 지원하는 정밀한 좌우 거리 측정값을 제공한다. 그러나 통로 폭이 로봇보다 조금만 넓을 경우 작은 위치 오차도 중요해진다. 시스템은 센서 보정, 지도 정확도, 휠 슬립(Wheel Slip), 적재물 돌출, 랙 변형, 임시 돌출 장애물을 모두 고려해야 한다.

팔레트 검출(Pallet Detection)은 실내 물류에서 중요한 응용이다. 2D 라이다는 팔레트 다리, 모서리, 포크 삽입구, 주변 구조를 검출하여 픽업과 배치를 지원할 수 있다. 효과는 장착 높이와 팔레트 구조가 스캔 평면과 교차하는지에 따라 달라진다. 표준 팔레트도 방향, 파손 상태, 적재물, 랩 포장, 주변 물체에 따라 다르게 나타날 수 있다. 하나의 2D 스캔만으로 정밀한 포크 삽입에 충분하지 않을 수 있으므로 카메라, 근거리 라이다, 깊이 센서, 기계 가이드를 최종 정렬에 추가하는 경우가 많다.

정밀 도킹(Precision Docking)은 AMR이 충전기, 컨베이어, 리프트, 작업 셀, 이송 인터페이스에 정확한 위치와 방향으로 접근하도록 한다. 2D 라이다는 도킹 스테이션 주변의 기하학 구조, 반사판, 벽, 전용 타깃을 검출하여 도킹을 지원할 수 있다. 로봇은 먼저 전역 자율주행으로 도킹 구역에 접근한 뒤 지역 정밀 모드(Local Precision Mode)로 전환한다. 최종 자세는 직선 특징, 모서리, 반사 강도, 알려진 스테이션 형상으로 계산할 수 있다. 도킹 정확도는 반복성, 보정, 바닥 마찰, 제어 성능에 의존한다.

재귀반사 마커(Retroreflective Marker)는 실내 도킹과 위치추정 정확도를 높이기 위해 자주 사용된다. 이러한 재질은 강한 광학 반환을 생성하여 라이다 데이터에서 높은 강도 포인트로 나타난다. 시스템은 특정 반사판 배열을 인식하고 로봇의 상대 자세를 계산할 수 있다. 반사판은 반복 구조나 기하학 특징이 부족한 영역에서 유용하지만, 정확한 설치, 유지보수, 가림 방지가 필요하다. 위치를 정밀하게 측정해야 하며, 소프트웨어는 의도하지 않은 반사 표면을 전용 랜드마크로 혼동하지 않아야 한다.

자동 충전(Automatic Charging)은 신뢰성 있는 자율주행과 도킹에 의존한다. AMR은 충전 위치에 도달하고, 전기 접점 또는 무선 충전 영역에 정렬하고, 연결 성공을 확인하며, 충전 중 안전한 위치를 유지해야 한다. 2D 라이다는 접근을 안내하고 주변 장애물을 감시할 수 있지만, 최종 전기 결합에는 추가 근접 센서, 접촉 감지, 스테이션 통신이 필요할 수 있다. 충전 스테이션은 주변 교통이 반복적으로 로봇을 막거나 도킹 중 위험한 상호작용을 만들지 않는 곳에 배치해야 한다.

작업장 간 자재 운반(Material Transport Between Workstations)은 제조 분야의 대표적인 활용 사례이다. AMR은 부품, 공구, 완제품을 운반하면서 지정된 경로를 따라 이동한다. 라이다 기반 위치추정은 영구적인 바닥 가이드 없이 자율주행을 가능하게 하고, 장애물 검출은 작업자 및 차량과 함께 운용될 수 있도록 지원한다. 인지 시스템은 변경되는 생산 배치, 임시 카트, 열린 캐비닛 문, 반사성 기계, 적재 자재에도 안정적으로 동작해야 한다. 임무 소프트웨어는 일시적인 차단, 경로 폐쇄, 작업장 점유, 위치추정 실패를 구분해야 한다.

창고 주문 이행(Warehouse Order Fulfillment) 시스템은 다수의 AMR을 사용하여 선반, 빈(Bin), 토트(Tote)를 저장 구역과 피킹 구역 사이에서 이동시킨다. 이러한 환경에서는 많은 로봇이 좁은 경로를 공유하며 근접 운행한다. 각 로봇은 라이다를 이용해 지역 위치추정과 충돌 회피를 수행하고, Fleet 관리자는 경로를 할당하고 교통을 조정한다. 중앙 교통 제어가 있더라도 사람, 떨어진 물체, 예상하지 못한 장비가 경로에 진입할 수 있으므로 로봇 자체의 지역 인지는 반드시 필요하다.

Fleet 운용에서는 여러 라이다 탑재 로봇 간의 상호작용이 발생한다. 한 로봇은 다른 로봇을 중앙 시스템이 조정하고 있더라도 이동 장애물로 검출할 수 있다. 지역 시스템은 Fleet 명령과 독립적으로 충돌 회피를 유지해야 한다. 동시에 Fleet 관리자는 로봇 위치, 경로 예약, 교차로 우선순위를 이용하여 교착상태(Deadlock)를 방지할 수 있다. 전역 교통 조정과 지역 안전 행동 사이의 책임을 명확히 구분해야 한다. 중앙 시스템이 경로가 비어 있다고 예측했다는 이유만으로 로봇이 계속 이동해서는 안 된다.

실내 견인형 AMR(Tugger AMR)은 회전 중 형상이 변하는 카트나 트레일러를 견인하면서 라이다를 사용한다. 트레일러는 바깥쪽으로 크게 회전하고, 후방 시야를 줄이며, 추가적인 반사 표면을 만들 수 있다. 자율주행과 충돌 검사는 구동 차량만이 아니라 전체 연결 차량 조합을 표현해야 한다. 후방이나 측면에 추가 라이다를 장착할 수 있으며, 관절각(Articulation Angle)을 이용해 동적 차체 형상(Dynamic Footprint)을 갱신할 수 있다. 견인 장비가 스캔을 가리더라도 위치추정은 안정적으로 유지되어야 한다.

지게차형 AMR(Forklift-Style AMR)은 포크, 마스트, 적재물이 로봇의 가시 형상을 바꾸기 때문에 추가적인 인지 문제를 가진다. 낮게 장착된 라이다는 적재물에 가려지거나 포크 자체를 장애물로 볼 수 있다. 적재물은 큰 사각지대를 만들고 제동 성능도 변화시킨다. 동적 마스킹(Dynamic Masking)은 알려진 로봇 구성요소를 표현해야 하며, 별도 센서는 적재물 뒤에 숨겨진 공간을 감시해야 한다. 자율주행 시스템은 포크가 상승했는지, 하강했는지, 적재되었는지, 비어 있는지에 따라 속도와 안전 여유를 조정해야 한다.

모바일 매니퓰레이터(Mobile Manipulator)는 AMR 베이스와 로봇 팔을 결합한다. 로봇 팔은 라이다 시야에 들어오거나 차체 형상을 변화시키고 플랫폼 밖으로 물체를 운반할 수 있다. 주행 중에는 인지와 충돌 모델을 예측 가능하게 유지하기 위해 로봇 팔을 정해진 이동 자세(Transport Pose)에 배치하는 경우가 많다. 작업장에서는 베이스가 정지한 상태에서 로봇 팔이 움직일 수 있다. 시스템은 라이다 마스킹, 작업 공간 감시, 자율주행 상태, 조작 안전을 조정하여 한 서브시스템이 다른 서브시스템의 계획된 움직임을 장애물로 오인하지 않도록 해야 한다.

병원 배송 AMR(Hospital Delivery AMR)은 약품, 린넨, 식사, 폐기물, 검사 시료를 복도와 엘리베이터를 통해 운반한다. 이러한 환경에는 다양한 이동 능력을 가진 사람, 침대, 휠체어, 의료 카트, 출입문, 광택 표면이 존재한다. 로봇은 불필요한 통행 방해를 줄이면서 조용하고 보수적으로 운행해야 한다. 길고 비슷한 복도와 자주 이동하는 장비는 위치추정에 영향을 줄 수 있다. 엘리베이터, 자동문, 출입 통제 시스템과의 연동이 필요하지만, 로봇은 움직이기 전에 라이다로 주변 통로가 실제로 비어 있는지 확인해야 한다.

엘리베이터 이용(Elevator Use)은 복잡한 실내 응용이다. AMR은 엘리베이터에 접근하고, 사람의 통행을 방해하지 않으며 대기하고, 문이 열렸는지 검출하고, 내부로 진입하고, 좁고 반사성이 높은 공간에서 위치를 유지하며, 올바른 층에서 빠져나와야 한다. 라이다 기하학은 문틀과 내부 경계를 확인할 수 있지만 거울, 스테인리스강, 유리, 움직이는 문은 불안정한 측정을 만들 수 있다. 건물 시스템 통신은 층 정보와 문 상태를 제공하고, 지역 센서는 진입 및 퇴출 경로가 실제로 비어 있는지를 확인한다.

사무실, 호텔, 상업용 건물의 서비스 로봇(Service Robot)은 배송, 안내, 청소, 순찰을 위해 라이다를 사용한다. 이러한 환경에는 장식용 유리, 거울, 부드러운 가구, 이동식 의자, 혼잡한 공공 공간이 존재할 수 있다. 로봇의 행동은 단순히 충돌을 피하는 것뿐 아니라 사회적으로 자연스러워야 한다. 사람 무리 근처에서 감속하고, 개인 공간을 유지하며, 사람 사이를 무리하게 통과하지 않고, 좁은 길에서 기다려야 할 수 있다. 라이다는 기하학적 인지를 제공하고 카메라 등 다른 센서는 의미적 문맥을 보완한다.

청소 로봇(Cleaning Robot)은 2D 라이다를 이용해 바닥을 지도화하고, 체계적인 커버리지 경로를 계획하고, 가구를 피하며, 충전 스테이션으로 복귀한다. 이들의 인지 요구사항은 정밀한 지점 간 운반보다 전체 영역 커버리지가 더 중요할 수 있다는 점에서 운반형 AMR과 다르다. 가구와 사람은 청소 주기 사이에 이동할 수 있으므로 지도는 영구 구조와 임시 장애물을 구분해야 한다. 낮은 형태의 청소 로봇은 테이블 상판을 고려하면서도 의자 다리, 테이블 지지대, 낮은 물체를 검출할 수 있어야 한다.

실내 보안 및 순찰 AMR(Indoor Security and Patrol AMR)은 정기적 또는 연속적인 순찰 임무 중 반복 경로 자율주행과 장애물 검출을 위해 라이다를 사용한다. 정상 근무시간 이후에는 배치가 안정적일 수 있지만, 예상하지 못한 사람, 열린 문, 이동된 물체, 차단된 통로를 검출해야 한다. 라이다는 현재 스캔과 기대 지도를 비교하여 기하학적 변화 검출(Geometric Change Detection)을 지원할 수 있다. 그러나 모든 변화가 보안 이벤트를 의미하지는 않으므로 카메라, 열화상 센서, 마이크, 임무 규칙을 함께 사용해 해석할 수 있다.

검사 AMR(Inspection AMR)은 산업 시설을 이동하며 영상, 열화상, 음향, 가스, 장비 상태 데이터를 수집한다. 2D 라이다는 로봇을 검사 지점까지 이동시키는 자율주행 기반을 제공한다. 검사 센서는 반복 가능한 시점(Viewpoint)을 요구하는 경우가 많기 때문에 정밀 정지가 중요하다. 지역 기하학 특징이나 반사판은 스테이션 정렬 정확도를 높일 수 있다. 시스템은 일반 자율주행 정확도와 검사 정확도를 구분해야 하며, 검사 위치에 도달한 뒤 별도의 정밀 위치결정 방법이 필요할 수 있다.

실내 건설 및 공정 모니터링 로봇(Indoor Construction and Progress-Monitoring Robot)은 환경이 계속 변하는 공간에서 라이다를 사용한다. 벽, 자재, 공구, 비계, 임시 장벽이 매일 나타나거나 사라질 수 있다. 정적 지도는 빠르게 오래될 수 있으며 위치추정과 경로 계획이 어려워진다. 시스템은 주기적으로 갱신되는 지도, 지역 SLAM, 시각 정보, 현장 전용 마커를 사용할 수 있다. 먼지, 반사성 재질, 고르지 않은 바닥, 좁고 미완성된 통로는 강인한 인지와 보수적인 운용 제한을 요구한다.

클린룸 및 연구소 AMR(Cleanroom and Laboratory AMR)은 오염, 공기 흐름, 제한 구역이 중요한 통제 환경에서 운용된다. 2D 라이다는 청소가 어려운 바닥 마커 없이 비접촉식 자율주행을 지원할 수 있다. 로봇은 부드러운 움직임, 높은 위치 반복성, 민감한 장비와의 엄격한 분리를 요구할 수 있다. 반사성 스테인리스강과 유리 외함은 측정에 영향을 줄 수 있다. 센서 하우징과 청소 절차는 광학 시야와 보정 성능을 손상시키지 않으면서 환경 요구사항을 만족해야 한다.

식품 및 제약 생산 시설은 위생적인 자재 운반을 위해 AMR을 사용한다. 라이다는 생산 및 저장 구역에서 자율주행을 지원하지만, 센서는 세척, 결로, 수증기, 화학 세정제에 노출될 수 있다. 보호창과 밀폐 외함은 광학 성능을 유지해야 한다. 작업자, 카트, 출입문의 일시적인 변화는 동적 장애물 처리를 요구한다. 운용 설계 영역(Operational Design Domain, ODD)은 세척 작업, 짙은 수증기, 바닥 세척 중 운용 가능 여부를 정의해야 하며, 시야가 충분하지 않으면 로봇은 안전 상태로 전환해야 한다.

실내 주차장, 하역 구역, 혼합 물류 구역은 일반 창고보다 큰 차량이 더 빠른 속도로 움직일 수 있다. 2D 라이다는 차량과 구조물을 검출할 수 있지만, 측정 거리, 스캔 주파수, 커버리지는 증가한 제동 거리와 상대 속도에 맞아야 한다. 더 안정적인 속도 추정과 수직 커버리지를 위해 레이더 또는 3D 센싱을 추가할 수 있다. AMR은 지게차나 트럭이 갑자기 나타날 수 있는 사각 코너, 하역장, 교차 지점에서 감속 운행해야 한다.

낭떠러지 및 가장자리 검출(Drop-Off and Edge Detection)은 일반 수평 라이다가 주로 표면을 검출하고 지면이 사라지는 현상을 직접 관측하지 못하기 때문에 특별한 처리가 필요하다. 기울어진 2D 라이다는 예상되는 지면 교차 위치를 관측할 수 있으며, 해당 반환점이 사라지거나 이동하면 단차, 구덩이, 경사로, 플랫폼 가장자리로 추정할 수 있다. 이 방식은 바닥 반사율, 장착 각도, 로봇의 피치(Pitch), 표면 형상에 의존한다. 안전이 중요한 가장자리 보호에는 자율주행용 라이다만이 아니라 인증된 전용 센서나 물리적 차단 구조가 필요할 수 있다.

주요 라이다가 높은 위치에 장착되면 바닥 수준 장애물(Floor-Level Obstacle)을 검출하기 어렵다. 작은 상자, 스트랩, 케이블, 팔레트 파편, 낮은 포크는 스캔 평면 아래에 위치할 수 있다. 이러한 물체는 차체 상부와 충돌하지 않더라도 바퀴를 걸리게 하거나 차체를 손상시키거나 적재물을 불안정하게 만들 수 있다. 낮게 장착된 추가 라이다, 깊이 카메라, 초음파 센서, 기계식 범퍼, 바닥 검사 방법을 사용하여 위험을 줄일 수 있다. 센서 커버리지는 큰 시험 물체뿐 아니라 실제적인 소형 장애물을 이용해 검증해야 한다.

돌출 장애물(Overhanging Obstacle)은 반대 문제를 만든다. 베이스 근처에 장착된 수평 라이다는 테이블, 선반, 열린 캐비닛 문, 기계 부품, 매달린 화물 아래의 공간을 자유 공간으로 볼 수 있지만, 로봇 상부 구조나 적재물은 충돌할 수 있다. 자율주행 차체 형상은 로봇의 전체 높이와 적재물을 표현해야 하지만, 하나의 2D 스캔만으로 모든 수직 높이를 관측할 수는 없다. 깊이 카메라, 상부 라이다, 3D 라이다, 기계적 높이 제한, 제한 경로 정의가 필요한 경우가 많다.

실내 조명은 일반 카메라보다 라이다에 미치는 영향이 적은 경우가 많으며, 이는 조명 변화가 큰 시설에서 2D 라이다가 유리한 이유 중 하나이다. 라이다는 어두운 환경에서도 동작하며 가시광선 질감에 의존하지 않는다. 그러나 문이나 창문으로 들어오는 직사광선은 광학 성능을 낮출 수 있고, 매우 반사성이 높은 표면은 비정상적인 반환값을 만들 수 있다. 하역장이나 유리 외벽 근처를 이동하는 AMR은 시간대에 따라 햇빛 방향과 강도가 달라지는 조건에서 시험되어야 한다.

먼지, 연기, 수증기, 공기 중 입자는 제조, 청소, 용접, 조리, 자재 운반 과정에서 실내에 발생할 수 있다. 이러한 입자는 근거리 반사를 생성하거나 먼 거리의 반환 신호를 약화시킬 수 있다. 시스템은 유효 반환 비율, 거리 일관성, 오염 경고, 환경 상태를 모니터링해야 한다. 스캔 품질이 저하되면 AMR은 감속하거나, 다른 센서를 사용하거나, 해당 구역을 피하거나, 정지할 수 있다. 신뢰할 수 없는 라이다 데이터를 사용하면서 정상 속도로 계속 운행하는 것은 숨겨진 안전 위험을 만든다.

라이다 오염(LiDAR Contamination)은 장기간 실내 운용에서 흔히 발생한다. 먼지, 오일 미스트, 지문, 물방울, 세척 잔여물이 광학 창에 축적될 수 있다. 센서는 계속 통신하더라도 검출 거리와 각도 일관성이 저하될 수 있다. 유지보수 계획에는 점검 주기, 승인된 청소 재료, 오염 진단, 교체 기준이 포함되어야 한다. 로봇은 광학 창이 막히거나 더러워졌음을 나타내는 비정상적인 지속 근거리 반환이나 유효 데이터 감소도 감지할 수 있어야 한다.

자율주행 라이다(Navigation LiDAR)와 안전 라이다(Safety LiDAR)의 역할은 명확하게 구분되어야 한다. 일반 자율주행 라이다는 뛰어난 지도 작성 및 장애물 정보를 제공할 수 있지만 안전 기능에 필요한 진단, 아키텍처, 인증을 갖추지 않을 수 있다. 안전 레이저 스캐너(Safety Laser Scanner)는 검증된 보호 필드를 감시하고 안전 인증 통신을 통해 데이터를 전달한다. 실내 AMR은 자율주행용 센서와 안전용 센서를 별도로 사용할 수 있으며, 통합 장치를 사용하더라도 기능 책임은 명확히 분리되어야 한다. 소프트웨어 편의성을 이유로 안전 책임 경계를 모호하게 해서는 안 된다.

보호 필드(Protective Field)는 일반적으로 실내 AMR 주변에 설정되어 경고, 감속, 정지 동작을 지원한다. 필드 형상은 주행 방향, 속도, 조향각, 적재 상태에 따라 변경될 수 있다. 속도가 높을수록 센싱 지연과 제동 거리가 증가하므로 더 긴 필드가 필요하다. 회전과 후진 시에는 측면 및 후방 필드도 중요하다. 전체 필드 설계에는 측정 허용 오차, 센서 장착 오차, 로봇 차체 형상, 바닥 마찰, 적재 질량, 제어 지연, 브레이크 응답이 반영되어야 한다.

실내 Fleet 성능은 인지 정확도뿐 아니라 불필요한 정지(False Stop) 특성에도 영향을 받는다. 반사, 자기 검출, 임시 장애물, 지나치게 보수적인 필터링으로 오검출이 많아지면 생산성이 떨어지고 교통 혼잡이 발생할 수 있다. 로봇이 지나치게 자주 정지하면 작업자는 시스템을 신뢰하지 않거나 위험한 우회 방법을 시도할 수 있다. 시스템은 올바른 장착, 보정, 마스킹, 필터링, 지도 설정, 경로 설계를 통해 불필요한 정지를 줄여야 하지만, 실제 위험일 수 있는 불확실한 측정을 무시해서는 안 된다.

위치추정 실패(Localization Failure)는 드문 소프트웨어 예외가 아니라 명확한 운용 상태로 관리되어야 한다. 지도 노후화, 반복 구조, 센서 가림, 휠 슬립으로 인해 위치 신뢰도가 감소할 수 있다. 로봇은 이러한 상태를 감지하고 감속하거나 정지하며, 통제된 재위치추정(Relocalization)을 시도하고, 필요한 경우 작업자 지원을 요청해야 한다. 장애물 검출이 계속 동작한다는 이유만으로 잘못된 위치 자세를 사용하며 주행해서는 안 된다. 지역 충돌 회피가 정상이라고 해서 임무 수준 자율주행까지 올바르다는 의미는 아니다.

시간이 지나며 변화하는 시설에서는 지도 유지보수(Map Maintenance)가 필수적이다. 영구적인 구조 변경, 새로운 기계 설치, 랙 배치 변경, 폐쇄된 복도, 도킹 스테이션 변경은 통제된 지도 갱신 절차에 반영되어야 한다. 임시 객체 때문에 매번 전체 지도를 다시 작성할 필요는 없다. 시스템은 현장 데이터와 저장된 지도를 비교하고 지속적인 차이를 식별하여 검토용 갱신안을 제시할 수 있다. 버전 관리를 통해 로봇, Fleet 시스템, 시뮬레이션 환경이 호환되는 지도 버전을 사용하도록 해야 한다.

실내 라이다 자율주행 시스템의 시운전(Commissioning)에는 세밀한 현장 조사와 시험이 필요하다. 엔지니어는 유리벽, 거울, 반복 통로, 좁은 구간, 급경사, 낭떠러지, 움직이는 문, 교통량이 많은 교차로, 반사성 기계, 햇빛이나 먼지에 노출되는 구역을 식별해야 한다. 센서 장착, 지도 품질, 보호 필드, 도킹 타깃, 속도 제한, 교통 규칙은 실제 시설에서 검증되어야 한다. 넓고 빈 공간에서 성공한 시연만으로 복잡한 산업 현장의 신뢰성을 입증할 수는 없다.

검증(Validation)은 일반 상황과 어려운 상황을 모두 포함해야 한다. AMR은 여러 방향에서 접근하는 사람, 경로를 가로지르는 카트, 갑자기 나타나는 장애물, 부분적으로 열린 문, 좁은 통로 회전, 도킹 오차, 네트워크 지연, 라이다 오염, 위치추정 교란, 지도 변경 조건에서 시험되어야 한다. 성능 지표에는 경로 완료율, 위치추정 신뢰도, 정지 거리, 장애물 검출, 작업자 개입률, 불필요한 정지율, 복구 동작, 실제 부하에서의 지속 운용이 포함되어야 한다.

장시간 시험(Long-Duration Testing)은 실내 AMR이 하루 동안 여러 시간 운용될 수 있기 때문에 특히 중요하다. 짧은 시험에서는 열 변화, 점진적 오염, 네트워크 혼잡, 메모리 누적, 스캔 타이밍 불안정, 반복 임무 중 발생하는 지도 불일치를 발견하지 못할 수 있다. Fleet 통신, 데이터 기록, 사용자 인터페이스, 임무 제어를 포함한 전체 양산 소프트웨어 스택이 활성화된 상태에서 시험해야 한다. 신뢰성 있는 실내 배치는 전체 근무 시간과 반복 충전 주기 동안 안정적인 성능을 요구한다.

운용 모니터링(Operational Monitoring)은 배포 이후에도 계속되어야 한다. 시스템은 스캔 주파수, 유효 반환 비율, 위치추정 품질, 재위치추정 이벤트, 장애물 밀도, 비상 정지, 보호 필드 작동, 임무 지연, 작업자 개입을 추적할 수 있다. 라이다 스캔, 로봇 자세, 제어 명령, 진단 정보를 포함한 이벤트 기록은 사고 분석을 지원한다. 현장 데이터는 통제된 피드백 절차를 통해 지도, 경로, 속도 구역, 센서 배치, 필터, 유지보수 일정, 작업자 교육을 개선하는 데 활용되어야 한다.

궁극적으로 2D 라이다는 안정적인 시설 기하학을 실제 자율 행동으로 변환할 수 있게 한다. 지도 작성, 위치추정, 자유 공간 추정, 장애물 검출, 사람 중심 자율주행, 도킹, 교통 상호작용, 안전 감시를 다양한 실내 응용에서 지원한다. 그 가치는 올바른 센서 배치, 신뢰성 있는 타이밍, 정확한 보정, 미관측 공간에 대한 보수적 처리, 적절한 보완 센서, 지속적인 검증에 의해 결정된다. 완전한 자율주행 및 안전 아키텍처의 일부로 통합될 때 2D 라이다는 유연하고 효율적이며 신뢰성 있는 실내 AMR 운용을 위한 강력한 기반을 제공한다.

02.4 Safety LiDAR and Protective Fields

안전 라이다(Safety Light Detection and Ranging, Safety LiDAR)는 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR) 주변의 정의된 영역을 지속적으로 감시하여 사람, 장비, 이동 로봇을 보호하는 특수 센싱 기술이다. 광학 원리는 자율주행용 라이다(Navigation LiDAR)와 유사할 수 있지만, 안전 라이다는 인증된 하드웨어, 진단 기능, 통신, 설정 제어, 고장 대응 체계를 기반으로 설계된다. 그 목적은 단순히 장애물을 검출하는 것이 아니라 완전한 보호 시스템 안에서 검증된 안전 기능(Safety Function)을 수행하는 데 있다.

안전 라이다는 2차원 스캔 평면(Scanning Plane)을 따라 레이저광을 방출하고, 정의된 각도 범위에서 반사 객체까지의 거리를 측정한다. 센서는 각각의 유효 측정값을 하나 이상의 설정된 보호 필드(Protective Field)와 비교한다. 객체가 필드 안으로 들어오면 센서는 안전 관련 출력(Safety-Related Output)을 발생시켜 감속, 이동 방지, 또는 정지를 수행하게 한다. 실제 동작은 필드 종류, 로봇 상태, 안전 제어기(Safety Controller) 로직, 전체 기계의 검증된 정지 성능에 따라 결정된다.

보호 필드(Protective Field)는 일반적으로 침입이 발생할 경우 반드시 안전 대응을 유발해야 하는 영역을 의미한다. 보호 필드 바깥에는 경고 필드(Warning Field)를 추가로 설정하여 사람이 최종 정지 영역에 진입하기 전에 감속, 음향 경고, 경로 재계획과 같은 비안전 동작을 수행할 수 있다. 일부 시스템은 상태 감시나 자동화 로직을 위한 검출 필드(Detection Field)도 사용한다. 이러한 필드의 의미는 명확히 구분되어야 하며, 위험 저감에 의존할 수 있는 것은 인증된 보호 기능뿐이다.

보호 필드는 단순히 AMR 주변에 색상으로 표시된 도형이 아니다. 그 크기는 로봇 속도, 제동 성능, 제어기 응답 시간, 라이다 응답 시간, 통신 지연, 액추에이터 지연, 적재 하중, 바닥 상태, 측정 허용 오차, 설치 오차를 기준으로 결정되어야 한다. 이러한 요소 중 하나라도 과소평가하면 사람이 검출된 후에도 로봇이 지나치게 멀리 이동할 수 있다. 따라서 필드 설계는 시각적 선호나 사용 가능한 바닥 공간이 아니라 실제 측정되고 검증된 시스템 성능에 기반해야 한다.

정지 거리(Stopping Distance)는 보호 필드 설계에서 가장 중요한 입력값 중 하나이다. 여기에는 센서 검출, 신호 처리, 통신, 안전 제어기 실행, 브레이크 작동, 기계적 감속 동안 이동하는 거리가 모두 포함된다. 객체가 필드 경계를 통과하는 순간 로봇이 즉시 멈추는 것은 아니다. 전체 응답 시간 동안 로봇은 계속 이동한다. 따라서 계산된 보호 필드는 최악의 승인된 운용 조건에서도 AMR이 사람이나 장애물에 도달하기 전에 완전히 정지할 수 있는 충분한 이격 거리를 제공해야 한다.

정지 거리 중 제동 구간(Braking Component)은 속도, 총질량, 적재물 분포, 타이어 상태, 바닥 마찰, 경사, 브레이크 특성, 차량 동역학에 따라 달라진다. 적재된 AMR은 무부하 상태의 동일한 로봇보다 더 긴 정지 거리를 요구할 수 있다. 젖거나 먼지가 많거나 광택이 있거나 경사진 바닥은 제동 거리를 더욱 증가시킬 수 있다. 보호 필드는 무부하 시제품의 명목 계산만 사용하지 않고, 최대 승인 질량과 속도, 대표적인 최악의 바닥 조건에서 실제로 검증되어야 한다.

안전 라이다 자체의 응답 시간(Response Time)은 스캔 주파수, 평가 방식, 설정된 검출 동작, 내부 처리에 의해 결정된다. 일부 장치는 오작동을 줄이기 위해 객체가 두 번 이상의 스캔에서 검출되도록 요구할 수 있으며, 이는 검출 신뢰성을 높이는 대신 추가 지연을 발생시킨다. 선택된 설정은 전체 안전 응답 시간 계산에 포함되어야 한다. 따라서 검출 지속성(Detection Persistence)이나 스캔 동작을 변경하는 설정 변경은 보호 필드 크기의 재평가를 요구할 수 있다.

측정 허용 오차(Measurement Tolerance)도 반드시 포함되어야 한다. 보고되는 객체 위치는 완벽하게 정확하지 않기 때문이다. 거리 정확도, 각도 분해능, 빔 직경, 대상 반사율, 입사각, 환경 간섭, 장착 오차가 모두 불확실성에 영향을 준다. 인증된 검출 경계가 보수적으로 유지되도록 보호 필드는 적절한 추가 거리만큼 확장되어야 한다. 측정 여유 없이 명목상의 기하학적 경계만 사용하면 필드 가장자리 근처에 보호되지 않는 영역이 생길 수 있다.

로봇의 물리적 크기는 정확하게 표현되어야 한다. 보호 필드는 일반적으로 라이다 원점이나 차량 중심이 아니라 AMR에서 가장 바깥쪽에 있는 관련 구조물부터 확장된다. 범퍼, 바퀴, 적재 랙, 포크, 컨베이어, 매니퓰레이터, 트레일러, 돌출 적재물은 기본 차체보다 바깥으로 나갈 수 있다. 회전 중에는 로봇의 측면이나 후방이 추가 공간을 휩쓸 수 있다. 따라서 필드 설계는 전체 차량 구성의 정적 및 동적 차체 형상(Static and Dynamic Footprint)을 반영해야 한다.

주행 방향에 따라 서로 다른 필드 형상이 필요하다. 전진하는 로봇은 정지 거리가 주로 전방으로 형성되므로 일반적으로 앞쪽에 더 긴 필드가 필요하다. 후진할 때는 이에 상응하는 후방 필드가 요구된다. 횡이동, 회전, 곡선 주행에서는 측면 필드도 중요해진다. 전방향 AMR(Omnidirectional AMR)은 차체를 먼저 회전하지 않고 여러 방향으로 움직일 수 있기 때문에 전체 둘레에 적응형 보호 필드(Adaptive Protective Field)가 필요할 수 있다.

동적 보호 필드(Dynamic Protective Field)는 로봇의 현재 운용 상태에 따라 변경된다. 필드 선택은 속도, 이동 방향, 조향각, 주행 모드, 적재 상태, 리프트 위치, 트레일러 각도, 임무 상황에 따라 달라질 수 있다. 저속에서는 좁은 공간의 생산성을 높이기 위해 더 짧은 필드를 사용할 수 있다. 고속에서는 충분한 정지 거리를 확보하기 위해 필드를 확장해야 한다. 안전 시스템은 로봇이 해당 움직임 상태에 진입하기 전에 올바른 필드가 활성화되었음을 보장해야 한다.

속도 연동 필드 전환(Speed-Dependent Field Switching)에는 신뢰성 있는 안전 관련 속도 신호가 필요하다. 안전 제어기는 휠 엔코더, 모터 피드백, 또는 인증된 속도 추정치를 받을 수 있다. 이후 미리 정의된 속도 구간에 따라 필드 세트를 선택한다. 속도 신호가 무효이거나 불일치하거나 사용할 수 없는 경우 시스템은 보수적인 필드를 선택하거나 안전 상태로 전환해야 한다. 비안전 소프트웨어 명령이 낮은 속도를 주장하는 동안 로봇이 실제로 더 빠르게 이동하도록 허용해서는 안 된다.

방향 연동 전환(Direction-Dependent Switching)도 검증되어야 한다. 전진 중인 로봇이 후방 보호 필드에 의존해서는 안 되며, 방향 전환 과정에서 보호 범위가 부족한 순간이 생겨서도 안 된다. 시스템은 전환 중 필드 간 중첩을 요구하거나, 새로운 필드가 활성화된 것이 확인될 때까지 움직임을 지연시킬 수 있다. 선택된 필드 상태는 안전 제어기와 진단 시스템에 제공되어 명령된 이동과 실제 보호 상태의 불일치를 감지할 수 있어야 한다.

조향 연동 필드(Steering-Dependent Field)는 곡선 경로를 따라가는 AMR에 유용하다. 모든 상황에서 큰 직사각형 필드를 사용하는 대신 예상되는 회전 궤적을 따라 필드를 형성할 수 있다. 이를 통해 좁은 통로나 코너에서 생산성을 높이면서도 안전을 유지할 수 있다. 그러나 조향각이나 곡률 입력은 신뢰할 수 있어야 하며, 필드는 조향 응답, 휠 슬립, 위치추정, 제어 지연의 불확실성을 포함해야 한다. 부정확한 궤적 예측에 기반한 좁은 곡선 필드는 차량 이동 경로 일부를 보호하지 못할 수 있다.

보호 필드는 서로 다른 대응을 갖는 여러 영역으로 나눌 수 있다. 외부 경고 영역은 제어된 감속을 명령하고, 내부 보호 영역은 안전 정지를 시작할 수 있다. 이러한 단계적 동작은 급정지를 줄이고 사람, 적재물, 기계 구조의 안정성을 향상시킨다. 또한 사람이 최종 정지 필드에 진입하기 전에 벗어날 수 있도록 감속만 수행하여 운용 중단을 줄일 수 있다. 다만 외부 영역이 적절한 인증을 받은 안전 기능으로 구현되지 않았다면 유일한 안전 계층으로 간주해서는 안 된다.

경고 필드(Warning Field)는 생산성과 사람 중심 동작(Human-Aware Behavior)을 지원하는 경우가 많다. 사람이 경고 영역에 들어오면 AMR은 감속하고, 표시등을 켜고, 음향 알림을 제공하거나 경로를 조정할 수 있다. 이러한 동작은 보호 필드 진입을 방지하고 로봇 행동을 더 이해하기 쉽게 만든다. 그러나 경고 필드는 일반적으로 비안전 출력(Standard Output)인 경우가 많다. 경고 필드가 고장 나더라도 독립된 보호 필드는 반드시 필요한 안전 정지를 수행해야 한다.

안전 정지(Safety Stop)는 기계와 적용되는 안전 아키텍처에 따라 서로 다른 정지 범주로 구현될 수 있다. 어떤 시스템에서는 구동 토크를 제거하고 기계식 브레이크로 정지한다. 다른 시스템에서는 제어된 감속을 수행한 후 전원을 안전하게 제거하거나 감시된 상태에서 유지할 수 있다. 완전한 정지 체인은 라이다, 안전 제어기, 구동 시스템, 브레이크, 접촉기, 통신, 에너지 차단 동작을 모두 포함하여 분석되어야 한다.

안전 라이다는 일반적으로 이중 안전 출력(Dual Safety Output), 안전 통신망(Safety-Rated Network), 또는 다른 인증 인터페이스를 통해 안전 제어기와 통신한다. 이중 채널 출력은 배선 단선, 단락, 채널 불일치를 감지하는 데 사용된다. 네트워크 기반 안전 통신은 프로토콜의 무결성 메커니즘을 유지하면서 필드 상태, 진단 정보, 추가 안전 데이터를 전달할 수 있다. 인터페이스 종류와 관계없이 통신 지연과 고장 대응은 전체 안전 검증에 포함되어야 한다.

출력 신호 개폐 장치(Output Signal Switching Device, OSSD) 채널은 보호 필드가 비어 있는지를 나타내기 위해 안전 스캐너에서 일반적으로 사용된다. 정상 동작 시 두 채널은 안전 허용 상태를 유지한다. 객체가 필드에 진입하거나 고장이 감지되면 두 채널은 정지 상태로 전환된다. 안전 제어기는 두 채널을 모두 감시하여 불일치나 비정상 타이밍을 검출한다. OSSD 배선은 전원, 접지, 케이블 경로, 테스트 펄스, 고장 배제 조건에 대한 제조사 요구사항을 따라야 한다.

안전 라이다는 검출 능력 상실이 숨겨진 상태로 남지 않도록 광범위한 자체 진단(Self-Diagnostics)을 수행한다. 내부 감시는 레이저 방출, 수광기 동작, 스캔 모터 속도, 타이밍, 메모리 무결성, 처리 로직, 출력 회로, 오염, 온도, 전압, 설정 유효성을 확인할 수 있다. 중대한 고장이 발견되면 장치는 출력을 안전 상태로 강제해야 한다. 이러한 진단 아키텍처는 내부 고장이 감지되지 않은 채 데이터를 계속 제공할 수 있는 일반 자율주행 센서와 안전 스캐너를 구분하는 핵심 요소이다.

오염 감시(Contamination Monitoring)는 먼지, 물, 오일, 지문, 진흙, 결로, 세척 잔여물이 광학 성능을 저하시킬 수 있기 때문에 특히 중요하다. 일부 센서는 보호창의 특정 영역을 통과하는 신호를 감시하여 오염 수준이 증가하면 경고나 오류 상태를 발생시킨다. 초기 경고는 운용이 위험해지기 전에 유지보수 인력이 장치를 청소할 수 있도록 하고, 심각한 오염은 보호 동작을 유발해야 한다. 운용 절차는 오염 경고를 얼마나 신속하게 점검하고 해결해야 하는지 정의해야 한다.

안전 라이다의 장착 위치는 사람의 어느 신체 부위와 객체가 스캔 평면을 통과하는지를 결정한다. 낮게 장착된 스캐너는 AMR 주변의 다리, 바퀴, 팔레트, 낮은 장애물을 검출하는 데 일반적으로 사용된다. 그러나 사람이 필드 위로 몸을 기울이거나, 객체가 스캔 평면 위에 매달려 있거나, 상부 돌출 구조물이 있는 경우에는 검출하지 못할 수 있다. 하나의 평면으로 충분한지, 또는 추가 스캐너, 범퍼, 카메라, 압력 감지 장치, 물리적 방호가 필요한지를 안전 설계에서 검토해야 한다.

스캐너는 진동, 가속, 충격, 유지보수 중에도 위치와 방향을 유지할 수 있는 강성 구조에 장착되어야 한다. 작은 각도 변화도 먼 거리에서는 보호 경계를 크게 이동시킬 수 있다. 장착 브래킷은 변형을 견디고 반복 가능한 정렬을 지원하는 구조를 가져야 한다. 또한 센서는 충돌로부터 보호되어야 하지만 보호 커버나 구조물이 시야를 막아서는 안 된다. 기계 구조가 변경되면 점검과 필요 시 재검증을 수행해야 한다.

스캔 평면은 사람이 넘어가거나, 기어 아래로 들어가거나, 예측 가능한 방식으로 감시되지 않는 틈을 통해 위험 동작에 접근하지 못하도록 배치되어야 한다. 적절한 높이는 적용 분야, 인체 형상, 바닥 상태, 로봇 구조, 관련 표준에 따라 달라진다. 고르지 않은 바닥, 경사로, 서스펜션 움직임, 차체 피치는 스캔 평면과 지면 사이의 높이를 변화시킬 수 있다. 보호 필드는 승인된 전체 운용 환경에서 유효해야 한다.

사각지대(Blind Zone)는 센서 근처, 차체 구조 뒤, 여러 스캐너 사이, 또는 각도 시야 밖에서 발생할 수 있다. 보호 설계는 모든 사각 영역을 식별하고 위험한 움직임에 접근할 수 있는지 평가해야 한다. 여러 스캐너는 AMR 주변에 중첩 커버리지를 제공하도록 배치될 수 있다. 중첩은 장착 구조에 의한 가림을 보완하고 사람이 감시되지 않는 틈으로 접근하는 것을 방지한다. 각 중첩 영역은 완성된 차량 구성에서 확인되어야 한다.

AMR 자체가 안전 라이다의 시야를 가릴 수도 있다. 바퀴, 범퍼, 포크, 브래킷, 적재 지지대, 차체 패널은 레이저 빔을 차단하고 그림자 영역(Shadow Region)을 만들 수 있다. 알려진 구조물 뒤의 그림자는 그 구조물이 실제로 사람의 접근을 막는 경우에만 허용될 수 있다. 사람이 그 그림자 영역에 들어갈 수 있다면 추가 센싱이나 물리적 방호가 필요하다. 자기 가림(Self-Occlusion)은 무부하 정지 상태뿐 아니라 모든 움직이는 구성에서 평가되어야 한다.

지게차형 AMR(Forklift-Style AMR)은 포크와 적재물이 보호 형상을 변화시키기 때문에 특별한 안전 필드 문제를 가진다. 포크는 차체 밖으로 돌출되고, 스캔 평면을 통과하며, 센서를 가릴 수 있다. 상승된 적재물은 넓은 전방 사각지대를 만들고, 비어 있는 낮은 포크는 끝부분 근처의 사람을 검출해야 할 수 있다. 필드 세트와 센서 커버리지는 리프트 높이와 적재 상태에 따라 변경되어야 할 수 있으며, 적재물로 가려지는 영역을 보호하기 위해 추가 스캐너나 센서가 필요한 경우가 많다.

견인형 AMR(Tugger AMR)과 관절형 로봇은 트레일러 움직임을 고려한 필드를 필요로 한다. 회전 중 트레일러는 안쪽으로 파고들거나 바깥쪽으로 크게 휘어질 수 있다. 구동 차량 전방에 장착된 스캐너 하나만으로 전체 조합을 보호할 수 없다. 후방 또는 측면 스캐너, 관절각 감시, 동적 차체 형상 로직이 필요할 수 있다. 트레일러 센싱이나 각도 정보가 사용할 수 없게 되었을 때 운용을 계속할 수 있는지도 안전 아키텍처에서 명확히 정의해야 한다.

전방향 및 메카넘 휠 AMR(Omnidirectional and Mecanum-Wheel AMR)은 측면, 대각선, 회전 방향으로 이동할 수 있다. 따라서 보호 필드는 전진과 후진만을 기준으로 설계할 수 없다. 안전 시스템은 실제 속도 벡터(Velocity Vector)와 회전 움직임에 따라 커버리지를 선택해야 한다. 실제 설계에서는 여러 방향 필드를 중첩하거나 복잡한 움직임 중에는 더 큰 전방위 필드를 사용할 수 있다. 회전 시에는 로봇 중심 속도가 낮더라도 모서리의 접선 속도가 높아질 수 있으므로 특별한 주의가 필요하다.

보호 필드는 접근하는 사람의 움직임도 고려해야 한다. 사람이 AMR을 향해 움직이고 로봇도 사람을 향해 이동하면 상대 간격은 로봇 속도만 고려한 경우보다 더 빠르게 줄어든다. 따라서 안전 거리 계산에는 사람 또는 신체 부위의 가정 접근 속도(Assumed Approach Speed)를 포함할 수 있다. 적절한 값은 적용되는 안전 방법론과 사용 환경에 따라 결정된다. 사람의 접근 속도를 무시하면 정지한 장애물에 대해서만 충분한 필드가 될 수 있다.

필드 형상은 불필요하게 복잡하지 않으면서 위험 형상을 따라야 한다. 지나치게 큰 필드는 생산성을 떨어뜨리고 빈번한 정지를 유발할 수 있으며, 지나치게 좁거나 불규칙한 필드는 보호되지 않는 영역을 만들 수 있다. 가능한 경우 단순하고 이해하기 쉬운 형상을 사용하고, 예상 경로 주변에 충분한 여유를 유지해야 한다. 설정 도구에서 많은 윤곽점을 사용할 수 있다고 해서 점검과 검증, 유지보수가 어려운 복잡한 필드를 정당화할 수는 없다.

시설 배치는 보호 필드 성능에 큰 영향을 준다. 좁은 통로, 벽, 기둥, 랙, 고정 방호물, 작업대가 긴 필드 안에 있으면 지속적으로 정지가 발생할 수 있다. 이 경우 단순히 필드를 줄이기보다 저속 구역, 경로 제한, 필드 전환, 물리적 분리와 같은 방법이 더 적절할 수 있다. 안전과 생산성은 보호 기능을 약화시키는 방식이 아니라 로봇 속도, 교통 설계, 시설 구조, 운용 규칙을 함께 조정하여 해결해야 한다.

고정 장애물은 경우에 따라 필드 윤곽 조정(Field Contouring)을 통해 제외할 수 있지만 주의가 필요하다. 알려진 기둥이나 기계 주변을 제외하면 로봇이 그 구조물 가까이 이동해도 정지하지 않을 수 있다. 그러나 해당 객체가 이동하거나, 배치가 변경되거나, 사람이 제외 영역에 서면 보호가 상실될 수 있다. 제외 영역은 물리적 상태가 안정적이고, 사람이 접근할 수 없거나 별도로 보호되며, 결과 형상이 충분히 평가된 경우에만 사용해야 한다.

일부 응용에서는 기준 윤곽 감시(Reference Contour Monitoring)를 사용하여 스캐너 장착 위치가 올바른지 또는 고정 경계가 존재하는지를 확인할 수 있다. 안전 라이다는 알려진 벽, 방호 구조, 고정 설비를 감시하고, 변화가 발생하면 정렬 불량, 변조, 환경 변경으로 판단할 수 있다. 이 기능은 설치 상태 감시를 강화할 수 있지만 안정적인 기준 형상과 정확한 설정이 필요하다. 또한 장착 상태, 필드 커버리지, 기계 상태에 대한 정기 점검을 대체하지는 않는다.

뮤팅(Muting)이나 보호 기능의 일시적 억제는 엄격하게 통제되어야 한다. 일부 산업 공정에서는 알려진 객체가 시스템을 정지시키지 않고 감시 구역에 진입해야 할 수 있다. 그러나 뮤팅이 잘못 활성화되거나 의도한 조건보다 오래 지속되면 매우 위험하다. 이동 로봇에서는 동일한 보호를 제공하는 완전한 안전 개념이 없는 한 보호 필드 우회를 일반적으로 피해야 한다. 일반 임무 소프트웨어가 인증된 감독 없이 안전 스캐너를 비활성화할 수 있어서는 안 된다.

보호 정지 후 재시작(Restart) 동작은 신중하게 정의되어야 한다. 필드가 비어 있고 사람이 숨은 위험 영역에 남아 있을 수 없는 일부 이동 응용에서는 자동 재시작이 허용될 수 있다. 다른 응용에서는 수동 리셋이나 추가적인 존재 확인이 필요할 수 있다. 사람이 필드에서 한 발 벗어나는 즉시 로봇이 갑자기 가속해서는 안 된다. 재시작 지연, 경고 신호, 명령된 움직임, 경로 상태, 주변 가시성을 통해 예측 가능한 동작을 제공해야 한다.

보호 정지(Protective Stop)와 비상 정지(Emergency Stop)는 구분되어야 한다. 보호 정지는 정상 운용 중 감지된 침입이나 안전 조건에 대한 자동 반응이다. 비상 정지는 일반적으로 사람이나 중대한 시스템 이벤트가 즉각적인 위험에 대응하기 위해 시작한다. 두 기능 모두 결국 움직임을 제거할 수 있지만, 시작 조건, 리셋 동작, 진단 의미, 필요한 아키텍처는 서로 다를 수 있다. AMR 안전 개념은 이 두 기능을 별도로 문서화해야 한다.

안전 라이다 성능은 환경 조건의 영향을 받을 수 있다. 강한 햇빛, 반사 표면, 비, 안개, 눈, 먼지, 수증기, 용접광, 광학 간섭은 검출 능력을 낮추거나 불필요한 정지를 유발할 수 있다. 장치의 승인된 환경 한계는 운용 설계 영역(Operational Design Domain, ODD)에 포함되어야 한다. 환경 조건이 한계를 초과한 경우 스캔 데이터가 계속 수신된다는 이유만으로 로봇이 정상 운용을 계속해서는 안 된다.

어두운 재질, 저반사 의류, 검은 고무, 광택 금속, 유리, 거울, 큰 입사각의 표면은 검출이 어려울 수 있다. 인증된 안전 스캐너는 정의된 검출 성능에 따라 시험되지만, 실제 응용에 대한 별도 검증도 필요하다. 시스템은 실제 사용 환경의 의류, 신발, 카트, 공구, 시설 재질을 이용해 시험해야 한다. 모든 실제 표면이 레이저에 수직인 큰 무광 시험 대상처럼 동작한다고 가정해서는 안 된다.

여러 라이다가 가까이에서 작동하거나 다른 광학 장비가 유사한 파장을 방출하면 광학 간섭(Optical Interference)이 발생할 수 있다. 안전 스캐너는 부호화, 타이밍, 필터링, 내부 진단을 통해 간섭을 관리하지만, 다수의 AMR이 밀집 운용되는 환경은 더 어려울 수 있다. 설치 시험에는 여러 로봇이 근접 주행하고, 반대 방향으로 통과하고, 충전 구역이나 교통 대기 구역에 모이는 상황이 포함되어야 한다. Fleet 수준 검증에서는 간섭 경고, 불필요한 정지, 데이터 누락을 모니터링해야 한다.

안전 필드 설정(Safety-Field Configuration)은 안전 중요 데이터이므로 이에 맞게 통제되어야 한다. 승인된 인력만 필드 형상, 응답 설정, 입력 로직, 장치 파라미터를 수정할 수 있어야 한다. 설정 파일은 버전 관리, 백업, 검토가 이루어져야 하며 특정 로봇 하드웨어와 안전 평가에 연결되어야 한다. 비밀번호 보호만으로는 충분하지 않으며 조직적 통제가 필요하다. 모든 필드 변경은 변경 사유, 검토, 시험 결과, 승인된 배포 기록과 연결되어야 한다.

설정 파일을 센서에 다운로드한 후에는 실제 설치 상태와 비교하여 확인해야 한다. 올바른 파일이라도 다른 로봇에 로드되거나, 장착 위치가 달라졌거나, 제동 성능이 변경된 경우에는 위험할 수 있다. 시운전(Commissioning)은 적절한 시험 객체를 이용해 대표 위치에서 필드 경계를 검증해야 한다. 또한 모든 관련 속도, 방향, 조향, 적재, 운용 모드에서 활성 필드 세트가 올바른지 확인해야 한다.

설정 도구에 보이는 필드는 소프트웨어상의 표현일 뿐이다. 실제 검증에서는 로봇과 바닥을 기준으로 검출이 어디에서 발생하는지를 확인해야 한다. 시험 객체를 여러 각도와 거리에서 경계 방향으로 이동시켜야 한다. 코너, 좁은 돌출 영역, 중첩 구간, 근거리 영역, 필드 전환 경계는 특별히 주의해야 한다. 장착 작업, 펌웨어 변경, 센서 교체, 구조 변경 이후에는 검증을 반복해야 한다.

정지 시험(Stopping Test)은 AMR이 보호 위험 경계에 도달하기 전에 완전히 멈추는지를 확인해야 한다. 시험은 최대 승인 속도, 최대 적재, 최악의 예상 바닥 마찰, 관련 경사, 허용 가능한 마모 상태의 타이어, 실제적인 브레이크 온도 조건을 포함해야 한다. 정지 거리는 매번 동일하지 않기 때문에 여러 번 반복해야 한다. 검증값은 평균이 아니라 가장 긴 신뢰 가능한 정지 결과와 필요한 안전 여유를 반영해야 한다.

필드 전환 시험(Field-Switching Test)은 올바른 필드 선택과 전환 타이밍을 모두 검증해야 한다. AMR은 속도 임계값 통과, 방향 전환, 곡선 주행, 후진, 모드 변경을 수행하는 동안 활성 필드가 모니터링되어야 한다. 더 위험한 움직임 중 짧거나 잘못된 필드가 순간적으로 활성화되는 구간이 없어야 한다. 속도, 조향, 방향, 필드 선택 입력의 고장은 예상된 보수적 대응을 유발해야 한다.

고장 주입 시험(Fault-Injection Testing)은 안전 고장이 안전 상태로 이어지는지를 확인하기 위해 필요하다. 승인된 절차에 따라 채널 연결 해제, 네트워크 통신 중단, 입력 신호 변경, 스캐너 창 가림, 공급 전압 변화, 동기화 교란, 내부 고장 모의 등을 수행할 수 있다. 안전 제어기는 불일치를 감지하고 설계된 대로 움직임을 정지해야 한다. 고장 주입은 제조사 제한을 우회하거나 시험 중 새로운 위험을 만들지 않도록 신중하게 통제해야 한다.

진단 정보는 작업자와 유지보수 담당자가 쉽게 이해할 수 있도록 제공되어야 한다. 시스템은 보호 필드 침입, 경고 필드 작동, 오염 경고, 장치 고장, 통신 고장, 설정 불일치, 비상 정지를 구분해야 한다. 단순한 "안전 오류(Safety Error)" 메시지만으로는 효율적인 복구가 어렵다. 동시에 진단 정보가 비숙련 인력이 안전 조건을 우회하도록 유도해서도 안 된다. 복구 절차는 역할에 따라 구분되고 승인된 유지보수 절차와 일치해야 한다.

불필요한 보호 정지(False Protective Stop)는 생산성을 낮추고, 교통 혼잡을 만들고, 작업자의 신뢰를 떨어뜨릴 수 있다. 일반적인 원인은 오염, 자기 반사, 벽과 필드의 접촉, 불안정한 필드 전환, 광학 간섭, 진동, 경계 근처 객체이다. 이러한 문제는 장착, 청소, 설정, 교통 설계, 속도 관리, 환경 제어를 통해 해결해야 한다. 검증된 안전 요구보다 필드를 줄이거나 어려운 측정값을 평가 없이 억제하는 방식으로 해결해서는 안 된다.

안전 이벤트는 이후 분석에 충분한 문맥을 포함하여 기록되어야 한다. 유용한 정보에는 타임스탬프, 활성 필드 세트, 속도, 방향, 스캐너 상태, 안전 제어기 상태, 정지 명령, 로봇 자세, 진단 코드, 관련 비안전 인지 데이터가 포함된다. 이벤트 로그는 특정 위치에서 반복되는 작동, 오염 추세, 필드 선택 오류, 예상하지 못한 제동 거리 변화를 발견하는 데 도움이 된다. 안전 로그는 무단 변경으로부터 보호되고 조직의 운용 정책에 따라 보존되어야 한다.

정기 점검(Routine Inspection)은 시운전에서 설정된 전제조건을 유지하는 데 도움이 된다. 작업자는 스캐너 창, 장착 상태, 눈에 보이는 손상, 활성 진단 상태, 주변 가림 요소를 확인해야 한다. 유지보수 담당자는 정렬, 커넥터, 케이블, 설정 체크섬(Configuration Checksum), 필드 동작, 정지 성능을 더 상세히 점검할 수 있다. 점검 주기는 환경, 운용 시간, 오염 위험, 충격 가능성, 제조사 지침을 반영해야 한다.

센서 교체는 동일한 부품을 장착하는 것만으로 끝나지 않는다. 새 장치는 펌웨어, 일련번호, 보정 상태, 설정 상태, 통신 설정이 다를 수 있다. 올바른 인증 설정을 로드하고 검증해야 하며, 장착 정렬과 필드 경계를 다시 확인해야 한다. 교체가 성능이나 호환성을 변경한다면 안전 평가도 수정해야 할 수 있다. 서비스 기록에는 설치된 스캐너와 검증된 로봇 구성의 관계가 유지되어야 한다.

안전 라이다 펌웨어가 변경되지 않더라도 소프트웨어 업데이트는 안전 동작에 영향을 줄 수 있다. 속도 추정, 방향 로직, 조향 입력, 브레이크 제어, 안전 통신, 필드 선택 소프트웨어의 변경은 전체 보호 기능을 변화시킬 수 있다. 업데이트 영향은 요구사항 추적성(Requirements Traceability)과 회귀 시험(Regression Testing)을 통해 평가해야 한다. 비안전 자율주행 소프트웨어 변경도 로봇이 필드 경계에 접근하는 빈도나 보호 정지 후의 행동에 영향을 줄 수 있다.

안전 라이다는 자율주행 인지와 통합되더라도 역할이 혼동되어서는 안 된다. 자율주행 소프트웨어는 스캐너 데이터를 지도 작성과 장애물 회피에 사용할 수 있고, 인증된 안전 경로는 독립적으로 보호 필드를 평가한다. 측정 데이터를 공유하는 것은 효율적일 수 있지만, 안전 출력은 안전 설계에서 명시적으로 허용되지 않는 한 비인증 지도, 객체 분류, AI 추론에 의존해서는 안 된다. 자율주행은 더 일찍 정지할 수 있지만 안전 정지를 무시하거나 지연시켜서는 안 된다.

가장 효과적인 AMR 동작은 계층형 보호(Layered Protection)를 사용한다. 자율주행 인지는 장애물을 조기에 검출하여 부드러운 회피를 계획한다. 경고 필드는 제어된 감속을 유도한다. 보호 필드는 최소 인증 정지 동작을 보장한다. 기계식 범퍼나 비상 정지 장치는 접촉 또는 예상하지 못한 고장에 대한 추가 보호를 제공한다. 시설 규칙, 속도 구역, 표지, 물리적 방호, 작업자 교육은 노출 가능성을 더 줄인다. 어떤 하나의 센서도 모든 안전 문제를 독립적으로 해결하도록 기대해서는 안 된다.

로봇 임무가 변경되면 보호 필드의 적절성도 다시 검토해야 한다. 새로운 적재물, 속도 증가, 다른 경로, 변경된 바닥, 추가 매니퓰레이터, 트레일러, 실외 전환은 정지 거리와 커버리지를 바꿀 수 있다. 실내 무부하 운반 로봇에 검증된 필드는 고중량 자재 운반용으로 변경된 후에는 충분하지 않을 수 있다. 변경 관리(Change Management)는 수정된 운용을 승인하기 전에 위험 검토, 재계산, 설정 갱신, 물리적 검증을 수행하도록 해야 한다.

궁극적으로 안전 라이다와 보호 필드는 측정된 이격 거리를 검증된 보호 동작으로 변환하는 체계적인 방법을 제공한다. 그 효과는 인증된 센서 동작, 올바른 필드 형상, 신뢰할 수 있는 전환 입력, 정확한 정지 데이터, 강인한 통신, 적절한 환경 조건, 통제된 설정, 지속적인 유지보수에 달려 있다. 보호 필드는 최악의 승인 조건에서 사람이 위험한 움직임에 도달하기 전에 전체 AMR이 안전하게 정지할 때만 유효하다. 계층형 안전 아키텍처의 일부로 설계되고 검증될 때 안전 라이다는 핵심적인 사람 보호를 유지하면서 생산적인 공유 운용을 가능하게 한다.

02.5 Obstacle Detection with 2D LiDAR

2차원 라이다(2D Light Detection and Ranging, 2D LiDAR)는 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR)의 장애물 검출(Obstacle Detection)에 가장 널리 사용되는 센서 중 하나이다. 넓은 수평 시야에서 정밀한 거리 정보를 측정할 수 있기 때문에 로봇은 동적인 실내 환경에서도 실시간으로 장애물을 인식할 수 있다. 조명 조건에 크게 의존하는 카메라나 제한적인 거리 정보만 제공하는 초음파 센서와 달리, 2D 라이다는 스캔 평면 전체에 걸쳐 높은 밀도의 거리 측정 데이터를 지속적으로 생성한다. 이러한 기하학적 정보는 장애물 검출, 충돌 회피, 안전 감시, 지역 자율주행(Local Navigation)의 기반이 된다. 따라서 신뢰성 있는 장애물 검출은 2D 라이다 기반 인지 시스템이 제공하는 가장 중요한 기능 중 하나이다.

장애물 검출은 레이저 거리 측정 데이터의 획득부터 시작된다. 각 스캔 동안 라이다는 미리 정의된 각도 범위에 레이저를 방출하고, 각 방향에서 처음 만나는 물체까지의 거리를 측정한다. 결과적으로 생성되는 스캔은 각도와 거리 값이 대응되는 수많은 측정 데이터로 구성된다. 이러한 측정값들은 스캔 평면 내에서 로봇 주변 환경의 기하학적 구조를 표현한다. 장애물 검출의 품질은 거리 측정 정확도, 각도 분해능(Angular Resolution), 스캔 주파수, 환경 조건, 그리고 적절한 센서 보정(Calibration)에 크게 의존한다. 고품질 거리 데이터는 이후 수행되는 모든 인지 알고리즘의 기초가 된다.

원시 스캔(Raw Scan)은 그대로는 자율주행 판단에 적합하지 않다. 장애물 추출을 시작하기 전에 인지 시스템은 여러 전처리(Preprocessing) 과정을 수행하여 잘못된 측정값을 제거하고 데이터의 일관성을 향상시킨다. 최대 측정 거리 밖의 포인트, 반환 신호가 없는 데이터, 불안정한 반사, 센서 아티팩트(Artifact)는 필터링된다. 시간적 필터링(Temporal Filtering)은 실제 장애물은 유지하면서 순간적인 노이즈를 제거할 수 있다. 일부 시스템은 필요할 경우 인접 측정 사이의 작은 공백을 보간(Interpolation)하여 메운다. 이러한 전처리는 실시간 성능을 크게 저하시키지 않으면서 장애물 검출의 신뢰성을 향상시킨다.

각 유효한 라이다 측정값은 거리와 각도로 구성된 극좌표(Polar Coordinate)를 나타낸다. 장애물 분석을 위해서는 이러한 극좌표를 로봇 기준 좌표계의 직교좌표(Cartesian Coordinate)로 변환한다. 모든 스캔 포인트는 x와 y 좌표를 갖는 2차원 위치 정보가 된다. 이러한 표현은 포인트 간 거리 계산, 객체 경계 추정, 클러스터링(Clustering), 점유 지도(Occupancy Map) 생성, 충돌 위험 평가를 훨씬 쉽게 수행하도록 한다. 또한 좌표 변환은 위치추정(Localization), 지도 작성(Mapping), 경로 계획(Path Planning)과의 통합도 단순하게 만든다.

가장 단순한 장애물 검출 방법은 거리 임계값(Distance Threshold)을 사용하는 것이다. 로봇 전방의 미리 설정된 안전 거리 안에서 물체가 검출되면 즉시 장애물 이벤트를 생성한다. 이 방법은 계산량이 매우 적다는 장점이 있지만 실제 자율주행에는 충분하지 않다. 장애물의 형태, 크기, 방향, 움직임을 고려하지 못하기 때문이다. 하나의 잘못된 측정값만으로도 불필요한 정지가 발생할 수 있으며, 복잡한 환경에서는 단순 거리 비교보다 훨씬 풍부한 해석이 요구된다.

실제 시스템 대부분은 좌표 변환 이후 포인트 클러스터링(Point Clustering)을 수행한다. 서로 가까운 라이다 포인트들을 하나의 그룹으로 묶어 실제 물체를 나타내는 클러스터를 생성한다. 클러스터링 알고리즘은 공간적 근접성과 기하학적 연속성을 기준으로 인접 포인트가 동일한 장애물에 속하는지를 판단한다. 사람, 팔레트, 벽, 기계는 일반적으로 연결된 하나의 포인트 클러스터를 형성한다. 반대로 의미 있는 클러스터를 이루지 못하는 고립된 측정값은 노이즈로 판단되어 제거될 수 있다.

복잡한 환경에서는 클러스터 분할(Cluster Segmentation)이 매우 중요하다. 서로 가까이 있는 두 사람은 하나의 큰 장애물이 아니라 두 개의 독립된 장애물로 인식되어야 한다. 마찬가지로 지게차가 랙 옆에 정지해 있는 경우에도 가능하면 별개의 객체로 분리되어야 한다. 고급 분할 알고리즘은 포인트 간격, 곡률(Curvature), 연속성, 지역 기하학을 분석하여 복잡한 스캔 데이터를 의미 있는 장애물 후보로 나눈다. 정확한 분할은 경로 계획과 장애물 추적 성능을 직접적으로 향상시킨다.

클러스터가 생성되면 다양한 기하학적 특성을 계산할 수 있다. 인지 시스템은 장애물의 폭, 길이, 중심점(Centroid), 방향, 볼록 껍질(Convex Hull), 경계 상자(Bounding Box)를 계산한다. 이러한 기하학적 특성은 계산량을 크게 증가시키지 않으면서 장애물의 형태를 효과적으로 표현한다. 특히 경계 상자는 충돌 검사와 경로 계획에 매우 유용한 간결한 표현이다. 원래 포인트 클라우드에는 수많은 측정점이 존재하지만 실제 자율주행은 이러한 고수준 기하학 표현을 이용하여 수행되는 경우가 많다.

충돌 회피만을 위해서는 장애물 분류(Obstacle Classification)가 반드시 필요한 것은 아니다. 자율주행 시스템은 장애물이 어디에 있는지만 알아도 기본적인 회피가 가능하다. 그러나 지능형 로봇은 벽, 사람, 지게차, 팔레트, 기계, 카트, 임시 물체를 구분할 수 있으면 더욱 효율적인 의사결정을 수행할 수 있다. 순수한 2D 라이다는 단순한 기하학적 단면만 관측하기 때문에 의미 정보가 제한적이다. 따라서 객체 분류는 형태 특징, 움직임 특성, 과거 관측 정보, 또는 카메라와의 센서 융합(Sensor Fusion)을 이용하는 경우가 많다.

정적 장애물 검출(Static Obstacle Detection)은 환경에 대해 움직이지 않는 물체를 대상으로 한다. 벽, 구조 기둥, 고정 설비, 랙, 충전 스테이션, 작업대 등이 이에 해당한다. 이러한 장애물은 일반적으로 지도 작성(Mapping) 또는 동시 위치추정 및 지도 작성(SLAM) 과정에서 지도에 포함된다. 정상 운용 중에는 현재 관측과 기존 지도를 비교하여 동일한 구조물이 관측되면 위치추정(Localization)에 활용하고, 동적 장애물 회피 대상으로는 취급하지 않는다.

동적 장애물 검출(Dynamic Obstacle Detection)은 환경과 독립적으로 움직이는 물체를 대상으로 한다. 사람, 지게차, 다른 AMR, 이동 카트 등이 이에 해당한다. 이러한 장애물은 지도에 영구적으로 저장될 수 없으며, 새로운 라이다 스캔이 들어올 때마다 현재 위치를 지속적으로 갱신해야 한다. 신뢰성 있는 동적 장애물 검출은 빠른 스캔 처리, 연속된 관측 간의 안정적인 대응(Association), 그리고 시간에 따른 움직임 추정을 필요로 한다.

시간적 대응(Temporal Association)은 여러 스캔 사이에서 동일한 장애물을 연결하는 과정이다. 현재 스캔에서 검출된 클러스터는 이전 스캔의 클러스터와 비교되어 동일한 실제 물체인지를 판단한다. 대응이 성공하면 로봇은 매번 새로운 장애물을 생성하지 않고 하나의 연속된 추적 객체를 유지할 수 있다. 대응 알고리즘은 위치, 속도, 크기, 방향, 예상 이동 경로를 함께 고려한다. 강인한 추적은 일시적인 가려짐(Occlusion), 측정 노이즈, 부분 관측으로 인한 불안정을 줄여준다.

장애물 추적(Obstacle Tracking)은 단순 검출을 넘어 장애물의 움직임을 시간에 따라 추정하는 과정이다. 로봇은 이전 관측을 이용하여 미래 위치를 예측하고 새로운 라이다 스캔이 들어올 때마다 이를 갱신한다. 대표적인 추적 기법으로는 칼만 필터(Kalman Filter), 확장 칼만 필터(Extended Kalman Filter, EKF), 무향 칼만 필터(Unscented Kalman Filter, UKF), 파티클 필터(Particle Filter)가 있다. 이러한 알고리즘은 측정 오차를 고려하면서 위치, 속도, 가속도를 추정한다. 안정적인 추적은 순간적인 관측만 사용하는 것보다 훨씬 부드러운 자율주행을 가능하게 한다.

속도 추정(Velocity Estimation)은 동적 환경에서 매우 중요한 요소이다. 정지된 팔레트와 로봇을 향해 걸어오는 사람은 서로 다른 회피 전략이 필요하다. 연속된 스캔에서 장애물 위치를 비교하면 이동 속도와 방향을 나타내는 운동 벡터(Motion Vector)를 계산할 수 있다. 이러한 정보는 충돌 예측, 사람 중심 자율주행(Human-Aware Navigation), 지역 경로 계획(Local Path Planning)에 활용된다. 스캔 주파수가 높고 위치추정 정확도가 우수할수록 속도 추정 정확도도 향상된다.

예측(Prediction)은 장애물 추적을 미래로 확장하는 과정이다. 로봇은 현재 위치에만 반응하는 것이 아니라 가까운 미래에 장애물이 어디에 있을지를 예측한다. 많은 산업용 차량은 직선 운동 모델만으로도 충분한 예측이 가능하지만, 사람은 움직임이 불규칙하기 때문에 보다 복잡한 행동 모델이 필요할 수 있다. 이러한 예측은 불필요한 급제동을 줄이고 보다 부드러운 자율주행 경로를 생성하도록 돕는다.

충돌 예측(Collision Prediction)은 로봇의 예상 이동 경로와 장애물의 예상 이동 경로를 함께 고려한다. 일정 시간 내 두 경로가 교차할 가능성이 높으면 자율주행 시스템은 위험이 실제로 발생하기 전에 감속하거나 경로를 수정한다. 최신 충돌 예측은 현재 거리만 보는 것이 아니라 상대 속도, 로봇의 정지 거리, 안전 여유, 위치추정 오차, 장애물 예측 불확실성까지 함께 고려한다.

점유 격자 지도(Occupancy Grid Mapping)는 장애물 검출과 매우 밀접한 관계를 가진다. 주변 환경은 작은 격자로 나뉘며 각 셀(Cell)은 점유됨(Occupied), 비어 있음(Free), 또는 미확인(Unknown) 상태를 가진다. 새로운 라이다 스캔이 들어올 때마다 해당 셀의 점유 확률이 갱신된다. 동적 장애물은 일시적으로 셀을 점유했다가 이동하고, 정적 장애물은 지속적으로 점유 상태를 유지한다. 최근 스캔만을 이용한 지역 점유 지도(Local Occupancy Grid)는 전역 지도(Global Map)와 독립적으로 빠른 환경 인식을 제공한다.

코스트맵(Costmap)은 장애물 정보를 자율주행 제약 조건으로 변환한다. 검출된 장애물은 자신의 위치뿐 아니라 주변 셀에도 안전 여유를 반영하는 비용(Cost)을 부여한다. 인플레이션(Inflation) 알고리즘은 로봇 크기, 위치추정 오차, 제어 오차, 안전 여유를 고려하여 장애물 영역을 확장한다. 이후 지역 경로 계획기는 이러한 코스트맵을 이용하여 충돌 없는 경로를 생성한다. 인플레이션이 없다면 경로는 충돌하지는 않더라도 장애물에 지나치게 가까운 위험한 경로가 될 수 있다.

장애물 인플레이션(Obstacle Inflation)은 로봇의 크기와 운용 목적에 따라 달라진다. 작은 검사 로봇은 중량 물류 AMR이 통과하지 못하는 좁은 공간도 안전하게 통과할 수 있다. 또한 로봇 속도가 증가하면 더 긴 안전 여유가 필요하므로 인플레이션 거리도 증가한다. 일부 시스템은 현재 운용 상태에 따라 인플레이션 크기를 동적으로 변경하여 좁은 공간에서는 효율성을 높이고 고속에서는 안전성을 확보한다. 따라서 인플레이션은 단순한 기하학적 크기뿐 아니라 운용 위험도까지 함께 반영한다.

로봇 차체 형상(Robot Footprint)은 충돌 평가에서 핵심적인 역할을 한다. 장애물 검출은 환경의 위험 요소를 찾는 과정이며, 충돌 검사는 그러한 위험이 실제 로봇 차체와 겹치는지를 판단한다. 차체 형상에는 본체, 범퍼, 적재물, 매니퓰레이터, 트레일러, 포크 등 센서보다 바깥으로 돌출되는 모든 구조가 포함된다. 회전 중에는 차체가 이동하는 궤적이 라이다 위치와 크게 다를 수 있다. 따라서 충돌 평가는 로봇을 하나의 점으로 취급하지 않고 전체 이동 형상을 고려해야 한다.

지역 장애물 지도(Local Obstacle Map)는 최근 라이다 데이터를 이용하여 지속적으로 갱신된다. 시설의 영구 구조를 표현하는 전역 지도와 달리 지역 지도는 현재 주변 환경을 표현하는 데 집중한다. 동적 장애물은 센서 범위를 벗어나면 자동으로 사라지고, 새롭게 나타난 장애물은 즉시 반영된다. 이러한 분리는 전역 지도의 안정성을 유지하면서도 동적 환경에 대한 빠른 대응을 가능하게 한다.

가려짐(Occlusion)은 2D 라이다 장애물 검출의 가장 큰 한계 중 하나이다. 벽, 팔레트, 기계 뒤에 있는 물체는 스캐너 시야에 들어오기 전까지는 관측되지 않는다. 따라서 창고나 공장의 사각 코너는 중요한 위험 요소가 된다. 이러한 구간에서는 로봇이 감속하거나 보호 여유를 확대하거나 추가 센서를 활용하는 경우가 많다. 안전한 자율주행은 보이는 장애물뿐 아니라 아직 보이지 않는 잠재적 위험도 함께 고려해야 한다.

그림자 영역(Shadow Region)은 하나의 장애물이 레이저를 차단하여 뒤쪽 공간을 관측하지 못하게 될 때 발생한다. 큰 팔레트 뒤에는 또 다른 팔레트나 사람이 숨어 있을 수 있다. 라이다는 장애물 뒤가 실제로 빈 공간인지 여부를 알 수 없다. 따라서 보수적인 자율주행 시스템은 그림자 영역을 자유 공간으로 가정하지 않고 불확실한 영역으로 유지한다. 이후 다른 위치에서 추가 관측이 이루어질 때까지 Unknown 영역으로 관리하는 경우가 많다.

낮은 장애물(Low-Profile Obstacle)은 또 다른 중요한 문제이다. 2D 라이다는 하나의 수평 평면만 관측하기 때문에 스캔 높이 아래에 있는 물체는 전혀 보이지 않을 수 있다. 작은 상자, 케이블, 팔레트 조각, 바퀴 고정 장치, 바닥 쓰레기는 레이저와 교차하지 않더라도 로봇의 이동을 방해할 수 있다. 센서를 낮게 설치하면 이러한 장애물 검출은 향상되지만 다른 구조물 검출 성능이 감소할 수 있다. 따라서 낮은 위치의 추가 센서나 다른 센싱 기술을 함께 사용하는 경우가 많다.

돌출 장애물(Overhanging Obstacle)은 반대의 문제를 만든다. 테이블, 매달린 적재물, 컨베이어 구조물, 열린 캐비닛 문, 기계 부품 등이 스캔 평면 위에 위치하면 로봇 상부와 충돌할 수 있지만 라이다에는 보이지 않는다. 따라서 다양한 높이의 구조물이 존재하는 환경에서는 하나의 스캔 높이만 사용하는 2D 라이다에 의존해서는 안 된다. 여러 대의 라이다, 깊이 카메라(Depth Camera), 3차원 라이다(3D LiDAR)가 함께 사용되는 이유이다.

유리 표면(Glass Surface)은 여전히 어려운 검출 대상이다. 레이저는 유리를 통과하거나 불규칙하게 반사되거나 매우 약한 반환 신호만 생성할 수 있다. 따라서 유리문, 유리벽, 창문은 스캔에서 불완전하거나 끊어진 형태로 나타날 수 있다. 인지 시스템은 반환 신호가 없다고 해서 통과 가능한 공간이라고 판단해서는 안 된다. 지도, 카메라, 초음파 센서, 레이더, 반사 마커 등을 함께 사용하면 투명 구조물 주변의 장애물 인식 신뢰성을 높일 수 있다.

반사율이 매우 높은 표면도 측정 이상(Measurement Anomaly)을 일으킬 수 있다. 스테인리스강, 광택 기계, 거울, 반사 방호벽은 예상하지 못한 반사나 다중 경로(Multi-Path) 측정을 생성할 수 있다. 이러한 현상은 잘못된 거리 측정이나 허위 장애물(False Obstacle)을 만들 수 있다. 강인한 인지 알고리즘은 연속된 스캔과 인접 포인트 간의 일관성을 검사하여 물리적으로 불가능한 측정은 제거하고 실제 장애물은 유지한다.

실내 환경 조건도 장애물 검출 신뢰성에 영향을 준다. 먼지, 연기, 수증기, 결로, 물방울, 공기 중 입자는 레이저가 실제 물체에 도달하기 전에 산란을 발생시킨다. 심한 오염은 유효 검출 거리를 줄이거나 센서 가까이에 허위 반환을 생성할 수 있다. 측정 품질, 유효 반환 비율, 센서 진단 정보를 지속적으로 모니터링하면 이러한 상태를 인식할 수 있다. 이에 대한 대응으로는 감속, 센서 청소, 또는 안전 운용 상태(Safe Operational State) 전환이 있다.

모든 라이다 측정에는 측정 불확실성(Measurement Uncertainty)이 존재한다. 거리 정확도, 각도 분해능, 빔 확산, 시간 정밀도, 센서 보정, 환경 간섭이 모두 위치 오차를 발생시킨다. 고급 인지 시스템은 장애물 위치를 완벽하게 정확하다고 가정하지 않고 이러한 불확실성을 추적과 경로 계획 과정에 명시적으로 포함한다. 확률 기반 표현(Probabilistic Representation)은 불완전한 센서 정보에 대해 지나치게 확신하는 자율주행 결정을 방지하여 전체 시스템의 강인성을 높인다.

오검출(False Positive)은 실제로 존재하지 않는 장애물을 인식하는 경우를 의미한다. 먼지, 반사 이상, 통신 오류, 전기적 노이즈, 순간적인 측정 오류가 원인이 될 수 있다. 오검출이 많으면 로봇은 불필요하게 정지하거나 회피 경로를 생성하여 생산성이 크게 저하된다. 따라서 다양한 필터링 기법이 사용되지만, 지나치게 강한 필터링은 실제 위험 장애물을 놓칠 수 있으므로 신중하게 적용되어야 한다.

미검출(False Negative)은 실제 장애물을 인식하지 못하는 경우이며 일반적으로 오검출보다 훨씬 위험하다. 가려짐, 불리한 표면 특성, 센서 오염, 제한된 스캔 높이, 알고리즘 오류 등이 원인이 될 수 있다. 따라서 안전 중심 장애물 검출은 약간의 오검출을 허용하더라도 높은 검출률을 유지하는 방향으로 설계된다. 검증 과정에서는 다양한 실제 운용 환경에서 오검출과 미검출을 모두 평가해야 한다.

센서 융합(Sensor Fusion)은 장애물 검출 신뢰성을 크게 향상시킨다. 카메라는 의미 정보를 제공하고, 레이더는 악조건에서도 속도를 측정하며, 초음파 센서는 가까운 투명 장애물을 검출하고, 관성 센서는 위치추정을 안정화하며, 3D 라이다는 수직 구조물을 관측한다. 이러한 상호 보완적인 센서들을 함께 사용하면 개별 센서의 한계를 극복할 수 있다. 다양한 장애물이 존재하는 복잡한 산업 환경에서는 센서 융합의 중요성이 더욱 커진다.

위치추정(Localization)은 장애물 검출 정확도에 직접적인 영향을 미친다. 로봇 자세(Pose)가 부정확하면 관측된 장애물도 전역 지도에서 잘못된 위치에 기록된다. 또한 위치추정 오차는 실제로 정지한 장애물을 움직이는 것처럼 보이게 만들어 장애물 추적 성능을 저하시킬 수 있다. 따라서 정확한 위치추정은 자율주행뿐 아니라 신뢰성 있는 장애물 인지에도 필수적이다. 위치추정과 장애물 검출은 서로를 향상시키는 관계를 가진다.

실시간 성능(Real-Time Performance)은 장애물 검출에서 매우 중요하다. 스캔 획득, 전처리, 클러스터링, 추적, 예측, 코스트맵 생성, 충돌 평가까지의 전체 인지 파이프라인은 엄격한 시간 제약 안에서 수행되어야 한다. 처리 지연이 길어질수록 반응 시간이 줄어들고 필요한 정지 거리는 증가한다. 효율적인 알고리즘, 최적화된 소프트웨어 구조, 병렬 연산, 하드웨어 가속은 실제 산업 환경에서도 일정한 실시간 성능을 유지하도록 한다.

확장성(Scalability)은 여러 대의 라이다를 동시에 사용하거나 수천 개의 스캔 포인트가 존재하는 복잡한 환경에서 중요해진다. 계산량은 환경이 복잡해져도 실시간 성능을 유지할 수 있도록 점진적으로 증가해야 한다. 효율적인 자료구조, 적응형 클러스터링, 계층적 처리(Hierarchical Processing), 관심 영역(Region of Interest) 처리 기법은 불필요한 계산을 줄이면서 검출 정확도를 유지한다. 하루 종일 연속 운용되는 산업용 AMR에서는 이러한 확장성이 매우 중요하다.

장애물 검출은 지역 경로 계획(Local Path Planning)과 긴밀하게 통합되어야 한다. 인지 모듈은 단순히 장애물 위치만 제공하는 것이 아니라 장애물 형상, 속도, 불확실성, 예상 이동 경로, 충돌 가능성과 같은 구조화된 정보를 제공한다. 지역 경로 계획기는 이를 이용하여 장애물을 안전하고 효율적으로 우회하는 경로를 생성한다. 이러한 긴밀한 통합은 중복 계산을 줄이고 동적 환경에서 자율주행 응답성을 향상시킨다.

사람 중심 장애물 검출(Human-Aware Obstacle Detection)은 추가적인 행동 특성을 고려해야 한다. 사람은 예측하기 어려운 움직임을 보이며 갑자기 방향을 바꾸거나 다른 사람과 상호작용한다. 따라서 로봇은 사람 주변에서 정적인 기계보다 더 큰 안전 여유를 유지해야 한다. 사람의 이동 경로는 보다 보수적으로 예측되며, 자율주행 알고리즘은 단순 충돌 회피뿐 아니라 사람의 편안함까지 고려한다. 반복적인 급제동보다 부드러운 감속이 더욱 안전하고 사회적으로도 자연스러운 행동이 된다.

다중 로봇 환경(Multi-Robot Environment)은 모든 로봇이 동시에 관측자이자 장애물이 되기 때문에 더욱 복잡하다. 각 AMR은 주변 로봇을 독립적으로 검출하는 동시에 Fleet 관리 시스템은 전체 교통을 조정한다. 그러나 통신 지연, 위치추정 오차, 예상하지 못한 행동 때문에 중앙 관리만으로는 충분하지 않다. 따라서 지역 장애물 검출은 Fleet 수준 계획과 관계없이 최종 충돌 방지 계층으로 반드시 유지되어야 한다.

안전 인증 레이저 스캐너(Safety-Certified Laser Scanner)는 일반 자율주행 라이다와 독립적으로 운용되는 경우가 많다. 자율주행용 라이다는 환경 이해와 효율적인 장애물 회피를 담당하는 반면, 안전 스캐너는 인증된 보호 필드(Protective Field)를 감시하여 반드시 정지를 수행해야 하는 안전 기능을 담당한다. 두 센서 모두 주변 물체를 검출하지만 설계 목적, 진단 기능, 인증 요구사항, 안전 책임은 크게 다르다. 자율주행 인지와 기능 안전(Functional Safety)을 분리하면 시스템 신뢰성과 안전 검증이 더욱 용이해진다.

장애물 검출 알고리즘은 실제 배포 전에 충분한 검증(Validation)이 필요하다. 엔지니어는 정지 장애물, 이동하는 사람, 지게차, 팔레트, 카트, 반사 표면, 투명 물체, 복잡한 환경, 좁은 복도, 교차로, 다양한 조명 조건에서 검출 성능을 평가한다. 대표적인 성능 지표는 검출률(Detection Probability), 오검출률(False Positive Rate), 미검출률(False Negative Rate), 추적 안정성, 지연 시간(Latency), 계산 부하, 충돌 회피 성공률이다. 검증은 단순한 실험실 환경이 아니라 실제 운용 환경을 충분히 반영해야 한다.

장기간 운용 모니터링(Long-Term Operational Monitoring)은 배포 이후에도 매우 중요한 피드백을 제공한다. 라이다 스캔, 장애물 추적 정보, 자율주행 결정, 위치추정 결과, 로봇 반응을 포함한 로그는 예상하지 못한 동작을 분석하고 알고리즘을 지속적으로 개선하는 데 사용된다. 통계 분석을 통해 반복적으로 발생하는 실패 원인, 환경 영향, 유지보수 필요성, 알고리즘 개선 가능성을 발견할 수 있다. 실제 운용 데이터로부터 지속적으로 학습하는 것은 장기적인 인지 시스템 신뢰성을 크게 향상시킨다.

궁극적으로 2D 라이다 기반 장애물 검출은 원시 레이저 거리 측정값을 의미 있는 환경 이해로 변환하여 안전한 자율주행을 가능하게 한다. 전처리, 클러스터링, 추적, 예측, 점유 지도 생성, 충돌 평가, 센서 융합을 통해 인지 시스템은 불확실성과 동적 환경 변화를 고려하면서 주변 환경을 지속적으로 해석한다. 2D 라이다 하나만으로는 모든 장애물을 완벽하게 관측할 수는 없지만, 뛰어난 기하학적 정확도, 실시간 성능, 안정적인 거리 측정 능력을 바탕으로 현대 자율주행 모바일 로봇의 장애물 인지 시스템을 구성하는 가장 중요한 기반 기술 가운데 하나로 자리잡고 있다.

02.6 Mounting Position and Field of View

2차원 라이다(2D Light Detection and Ranging, 2D LiDAR)의 장착 위치(Mounting Position)는 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR) 인지 시스템에서 가장 중요한 설계 요소 중 하나이다. 라이다 자체의 측정 원리는 설치 위치와 관계없이 동일하지만, 실제 성능은 센서가 어디에 장착되고 시야(Field of View, FOV)가 주변 환경을 어떻게 덮는지에 크게 좌우된다. 아무리 성능이 뛰어난 라이다라도 부적절한 위치에 설치되면 저가형 센서보다도 성능이 떨어질 수 있다. 따라서 장착 전략은 단순한 기계적 설치 작업이 아니라 인지 시스템 설계의 핵심 요소로 고려되어야 한다.

시야(Field of View, FOV)는 라이다가 운용 중 관측할 수 있는 공간의 범위를 의미한다. 일반적인 2D 라이다의 시야는 수평 스캔 각도, 최대 측정 거리, 최소 측정 거리, 그리고 센서 주변의 물리적 구조물에 의해 결정된다. 제조사 사양에서 270도 또는 360도 스캔을 지원한다고 하더라도 실제 시야는 로봇 구조물이 레이저를 가리기 때문에 훨씬 좁아질 수 있다. 따라서 실제 센싱 범위는 제조사 사양만 신뢰하는 것이 아니라 실제 설치 이후 반드시 평가되어야 한다.

장착 위치는 어떤 장애물이 보이고 어떤 장애물이 보이지 않는지를 직접 결정한다. 2D 라이다는 하나의 수평 평면만 관측하기 때문에 그 평면보다 위나 아래에 있는 물체는 사실상 보이지 않는다. 센서를 너무 높게 장착하면 작은 상자, 팔레트 조각, 바퀴 고정 장치, 전선, 바닥의 작은 이물질과 같은 낮은 장애물을 완전히 놓칠 수 있다. 반대로 너무 낮게 설치하면 테이블 상판, 매달린 장비, 기계 팔, 높은 적재물과 같이 로봇 상부와 충돌할 수 있는 장애물을 인식하지 못할 수 있다. 따라서 적절한 장착 높이는 운용 환경을 충분히 분석하여 결정해야 한다.

대부분의 실내 AMR은 주행용 라이다(Navigation LiDAR)를 바닥으로부터 약 150mm에서 400mm 높이에 설치한다. 이 높이는 팔레트, 사람의 다리, 이동 카트, 저장 랙, 대부분의 산업 장비를 안정적으로 검출하면서 바닥도 충분히 관측할 수 있는 절충점이다. 정확한 높이는 로봇 크기, 적재물 종류, 예상 장애물, 안전 요구사항에 따라 달라진다. 단순히 일반적인 설치 사례를 따르기보다 반드시 검출해야 하는 핵심 장애물을 먼저 정의하고, 실제 운용 환경에서 스캔 평면이 해당 장애물을 충분히 통과하는지를 확인해야 한다.

사람 검출(Human Detection)은 라이다 높이의 영향을 크게 받는다. 일반적으로 무릎 높이 부근에 설치된 라이다는 사람의 다리를 안정적으로 검출할 수 있다. 상체 일부가 다른 물체에 가려지더라도 다리는 대부분 노출되어 있기 때문이다. 반대로 센서를 너무 높게 설치하면 사람이 상자를 들거나 카트를 밀고 있을 때 다리가 보이지 않아 검출 성능이 떨어질 수 있다. 너무 낮은 위치에서는 신발이나 팔레트 가장자리 또는 바닥 장애물에 의해 레이저가 쉽게 가려질 수도 있다. 따라서 정상적인 사람의 자세와 이동 특성을 충분히 고려하여 설치 높이를 결정해야 한다.

팔레트(Pallet) 검출은 또 다른 문제를 가진다. 산업용 팔레트는 포크가 들어갈 수 있도록 지지 블록 사이에 빈 공간을 가지고 있다. 만약 라이다 빔이 이 틈을 그대로 통과하면 센서는 팔레트 뒤의 공간을 빈 공간으로 잘못 인식할 수 있다. 따라서 스캔 평면이 이러한 개구부를 피하도록 약간 높거나 낮은 위치에 설치하면 검출 신뢰성이 크게 향상될 수 있다. 시설에서 사용하는 대표적인 팔레트 규격을 실제로 조사하여 설치 높이를 결정하는 것이 바람직하다.

지게차(Forklift) 환경에서는 추가적인 장착 고려사항이 발생한다. 차량 전면의 포크는 라이다 시야 일부를 가리거나 강한 반사를 발생시킬 수 있다. 포크가 상승하거나 하강함에 따라 가려지는 영역도 계속 변화한다. 포크 바로 뒤에 설치된 라이다는 포크 위치에 따라 전방 시야가 크게 달라질 수 있다. 이러한 이유로 일부 산업용 차량은 포크와 떨어진 위치에 추가 센서를 설치하거나 여러 대의 라이다를 이용하여 리프트 상태와 관계없이 안정적인 환경 인식을 유지한다.

AMR이 운반하는 적재물(Payload) 역시 시야에 큰 영향을 준다. 큰 컨테이너, 박스, 기계, 생산 자재는 라이다 자체가 정상적으로 동작하더라도 전방 시야를 막을 수 있다. 차체 아래쪽에 설치된 센서는 적재물 바로 뒤쪽을 보지 못하고, 적재물 위에 설치된 센서는 먼 장애물은 잘 보지만 가까운 낮은 장애물을 놓칠 수 있다. 따라서 인지 시스템은 빈 차량이 아니라 최대 승인 적재물을 운반하는 상태를 기준으로 설계되어야 한다.

자기 가림(Self-Occlusion)은 라이다 설치에서 매우 중요한 요소이다. 로봇 차체 자체가 레이저를 차단하여 주변 환경을 보지 못하는 현상을 의미한다. 바퀴, 범퍼, 배터리 케이스, 매니퓰레이터, 센서 브래킷, 케이블 커버, 외장 패널이 모두 시야를 방해할 수 있다. 이러한 사각 영역은 장애물 검출 능력을 감소시키므로 시스템 통합 과정에서 반드시 확인되어야 한다. 3차원 CAD 모델과 레이저 추적 시뮬레이션은 실제 제작 전에 자기 가림을 분석하는 효과적인 방법이다.

사각지대(Blind Zone)는 센서가 관측하지 못하는 모든 영역을 의미한다. 일부는 물체가 레이저를 가려서 발생하고, 일부는 센서 구조나 제한된 스캔 각도 때문에 발생한다. 사람이 이러한 사각 영역을 통해 접근할 수 있다면 매우 위험한 상황이 된다. 따라서 엔지니어는 적재 상태, 조향 상태, 리프트 높이, 각종 부착 장치를 포함한 모든 운용 조건에서 사각지대를 분석해야 한다.

근거리 사각 영역(Near-Field Blind Region)도 특별히 주의해야 한다. 대부분의 라이다는 송신기와 수신기의 구조 때문에 센서 바로 앞의 매우 가까운 물체는 측정하지 못한다. 따라서 센서 주변에는 항상 일정 크기의 측정 불가능한 원형 영역이 존재한다. 이 영역이 차체 내부에 위치하면 문제가 적지만 차체 밖으로 확장되면 충돌 위험이 발생할 수 있다. 이러한 경우에는 추가 센서, 기계식 범퍼, 또는 보조 라이다를 함께 설치해야 한다.

최대 검출 거리(Maximum Detection Distance)도 장착 전략에 영향을 준다. 높은 위치에 설치하면 가까운 장애물에 의해 시야가 가려지는 현상이 줄어들어 더 먼 거리까지 볼 수 있다. 그러나 좁은 실내 복도에서는 먼 거리 정보가 큰 의미를 가지지 않을 수도 있다. 반대로 대형 물류센터나 생산 공장에서는 장거리 시야 확보가 자율주행 효율성을 크게 향상시킬 수 있다. 따라서 운용 환경의 특성에 따라 장거리 시야와 근거리 검출 능력 사이에서 균형을 찾아야 한다.

수평 시야각(Angular Field of View)도 전체 커버리지를 결정한다. 360도 라이다는 가림이 없으면 주변 전체를 관측할 수 있지만, 270도 라이다는 보이지 않는 90도 영역이 존재한다. 따라서 이 사각 영역이 덜 중요한 방향을 향하도록 설치해야 한다. 예를 들어 전진 위주의 AMR은 후방을 사각 영역으로 두고 다른 센서가 이를 보완하도록 구성할 수 있다. 따라서 센서의 방향은 설치 위치와 함께 동시에 설계되어야 한다.

라이다의 방향(Orientation)은 스캔 데이터와 로봇 좌표계의 관계를 결정한다. 이상적으로 센서 좌표계는 로봇 기준 좌표계(Base Frame)에 대해 정확하게 보정되어야 한다. 작은 회전 오차도 모든 장애물을 동일한 각도만큼 잘못 위치시키므로 위치추정과 지도 작성 성능을 저하시킨다. 따라서 설치 이후에는 센서 위치뿐 아니라 방향도 반드시 보정되어야 한다.

기계적 강성(Mechanical Stability)은 인지 성능에 직접적인 영향을 준다. 진동, 충격, 차체 변형, 느슨한 브래킷은 센서 방향을 지속적으로 변화시킬 수 있다. 작은 각도 오차도 먼 거리에서는 큰 위치 오차를 만든다. 예를 들어 1도의 설치 오차는 수 미터 거리에서 상당한 위치 오차를 발생시킨다. 따라서 브래킷은 충격과 장기 피로에도 충분한 강성을 유지해야 한다.

열팽창(Thermal Expansion)도 센서 정렬에 영향을 줄 수 있다. 금속 구조물은 온도 변화에 따라 팽창과 수축을 반복한다. 일반적인 실내에서는 영향이 작지만 용광로, 냉동창고, 실외 이동 구간이 있는 환경에서는 온도 변화가 상당할 수 있다. 높은 위치추정 정확도가 필요한 응용에서는 열적으로 안정적인 구조와 재질을 선택하여 장기적인 보정 오차를 줄여야 한다.

충격 저항성(Shock Resistance)도 중요한 요소이다. 산업용 AMR은 팔레트, 도크, 바닥 단차, 다른 차량과의 접촉을 반복적으로 경험한다. 반복 충격은 브래킷을 변형시키거나 센서 정렬을 조금씩 변경할 수 있다. 따라서 장착 구조는 충격을 흡수하면서도 센서 방향은 유지해야 한다. 유지보수 과정에서도 브래킷과 체결 상태를 정기적으로 확인해야 한다.

환경 오염(Environmental Contamination)도 장착 위치 선택에 영향을 준다. 바닥 가까이에 설치된 센서는 먼지, 물, 진흙, 금속 절삭칩, 세척액 등에 더 많이 노출된다. 높은 위치는 오염을 줄일 수 있지만 낮은 장애물 검출 성능이 감소할 수 있다. 따라서 센싱 성능과 유지보수 부담을 함께 고려해야 한다. 보호창, 에어 퍼지(Air Purge), 와이퍼, 발수 코팅, 교체 가능한 보호 커버가 장기적인 신뢰성을 높이는 데 도움이 된다.

청소의 용이성(Cleaning Accessibility)도 매우 중요하다. 시간이 지나면 모든 라이다는 먼지, 지문, 오일, 공기 중 오염물질이 광학창에 쌓이게 된다. 유지보수 담당자는 복잡한 분해 작업 없이 센서를 쉽게 점검하고 청소할 수 있어야 한다. 청소를 위해 차체를 크게 분해해야 하는 구조는 유지보수 비용을 증가시키고 청소를 소홀히 하게 만든다. 따라서 접근성은 장기적인 인지 성능에 직접적인 영향을 미친다.

장착 위치는 충돌 위험도 최소화해야 한다. 차체 모서리에 설치된 센서는 랙, 기계, 팔레트, 다른 차량과 쉽게 충돌할 수 있다. 안쪽으로 들어간 설치는 보호에는 유리하지만 자기 가림을 증가시킬 수 있다. 따라서 물리적 보호와 시야 확보 사이의 균형이 필요하다. 보호 하우징은 충격을 막으면서도 레이저 송수신을 방해해서는 안 된다.

케이블 배선(Cable Routing)도 설치 품질에 영향을 준다. 전원선과 통신선은 진동, 마모, 반복 굽힘, 전자기 간섭, 커넥터 분리를 방지하도록 배치되어야 한다. 지나치게 팽팽한 케이블은 센서에 힘을 전달하여 장기적으로 정렬 오차를 유발할 수 있다. 스트레인 릴리프(Strain Relief), 유연한 케이블 지지 구조, 확실한 커넥터 고정은 장기적인 신뢰성을 향상시킨다. 또한 케이블은 시야를 방해하거나 반사면을 형성해서도 안 된다.

물 배수(Water Drainage)도 세척 환경이나 높은 습도, 제한적인 실외 운용에서는 고려해야 한다. 수평면에는 물이 고여 레이저 투과를 방해할 수 있다. 자연스럽게 배수가 가능한 설치 각도를 선택하면 오염을 줄이고 광학 성능을 유지할 수 있다. 보호 구조는 물이 고이지 않도록 설계하면서도 열 방출을 위한 공기 흐름은 유지해야 한다.

시야는 정적인 상태가 아니라 동적인 운용 조건에서 평가되어야 한다. 가속, 감속, 회전, 서스펜션 움직임, 적재물 이동, 울퉁불퉁한 바닥 주행 중에는 차체 자세가 계속 변화한다. 이러한 움직임은 스캔 평면과 장애물의 관계도 지속적으로 변화시킨다. 따라서 정적인 실험실 평가만으로는 실제 운용 중 발생하는 시야 제한을 발견하기 어렵다. 실제 운용 조건을 충분히 포함한 시험이 필요하다.

조향 방식(Steering Geometry)도 유효 시야를 변화시킨다. 차동 구동(Differential Drive)은 중심에서 회전하지만 애커먼 조향(Ackermann Steering)은 더 큰 회전 반경을 가진다. 전방향 이동 로봇은 차체를 회전하지 않고도 측면 이동이 가능하다. 각각의 운동 방식은 시야와 환경의 관계를 다르게 만든다. 따라서 하나의 플랫폼에서 적합한 장착 위치가 다른 플랫폼에서는 최적이 아닐 수도 있다.

관절형 차량(Articulated Robot)은 특히 장착 위치를 신중하게 결정해야 한다. 트레일러와 관절부는 이동 중 계속 형태가 변한다. 견인 차량에 설치된 라이다는 트레일러의 움직임이나 흔들리는 적재물을 충분히 관측하지 못할 수 있다. 이러한 경우에는 관절부나 트레일러에도 추가 센서를 설치하는 것이 전체 환경 인식에 유리하다.

여러 대의 라이다(Multiple LiDAR Installation)는 환경 커버리지를 크게 향상시킨다. 전방, 후방, 측면에 각각 센서를 설치하면 사각지대를 줄이고 중복성을 높일 수 있다. 센서 융합 알고리즘은 여러 스캐너의 데이터를 하나의 환경 모델로 통합한다. 비용과 계산량은 증가하지만 인지 신뢰성과 안전성은 크게 향상된다.

여러 센서의 시야 중첩(Field Overlap)은 의도적으로 설계되어야 한다. 중첩 영역은 센서 간 교차 검증을 가능하게 하고, 장애물 검출 신뢰성을 높이며, 하나의 센서가 일시적으로 가려지거나 오염되더라도 인지를 유지할 수 있도록 한다. 그러나 지나친 중첩은 계산량만 증가시키므로 적절한 균형이 필요하다.

센서 위치는 SLAM(동시 위치추정 및 지도 작성) 성능에도 큰 영향을 준다. 로봇 회전 중심에 가까운 위치에 설치된 라이다는 회전 시 이동량이 작아 스캔 매칭(Scan Matching)이 안정적이다. 회전 중심에서 멀리 떨어진 센서는 회전 중 더 큰 병진 운동을 하므로 스캔 정합이 어려워질 수 있다. 최신 알고리즘이 이를 보정할 수 있지만 가능한 한 회전 중심에 가깝게 설치하는 것이 위치추정 안정성에 유리하다.

운동 왜곡(Motion Distortion)은 로봇 속도가 높아질수록 중요해진다. 하나의 스캔을 완료하는 동안에도 로봇은 계속 움직인다. 회전 중심에서 멀리 떨어진 센서는 빠른 회전 중 장애물 위치가 왜곡되어 측정될 수 있다. 운동 보정(Motion Compensation) 알고리즘이 이러한 문제를 줄일 수 있지만 적절한 설치 위치는 소프트웨어 보정 이전에 왜곡 자체를 줄여준다.

좌우 대칭 설치(Installation Symmetry)는 인지 시스템을 단순화한다. 로봇 중심선에 설치하면 좌우 시야가 균형을 이루고 보정도 쉬워진다. 중심에서 벗어난 설치도 가능하지만 좌표 변환이 복잡해지고 비대칭 사각지대가 생길 수 있다. 배터리, 매니퓰레이터, 적재물 때문에 중심 설치가 어려운 경우에는 정밀한 보정을 통해 이러한 영향을 최소화해야 한다.

시야는 다른 센서와도 충분히 겹쳐야 한다. 카메라, 깊이 센서, 초음파 센서, 레이더, 안전 스캐너는 서로 다른 정보를 제공한다. 이들의 관측 영역이 일부 겹치면 센서 융합과 객체 대응(Object Association)이 훨씬 쉬워진다. 반대로 서로 완전히 다른 영역만 관측한다면 상호 검증이 어려워진다.

장착 높이는 지도 작성(Mapping) 품질에도 영향을 준다. 벽, 기계, 저장 랙과 같이 항상 일정한 구조를 관측하는 높이는 테이블, 매달린 물체처럼 자주 변하는 구조를 관측하는 높이보다 훨씬 안정적인 지도를 생성한다. 안정적인 구조물은 루프 클로저(Loop Closure), 스캔 매칭, 장기 위치추정 안정성을 향상시킨다. 따라서 지도 작성 목적도 장착 위치 선정에 함께 고려되어야 한다.

산업 시설에는 광택 바닥이 많은 경우가 있다. 매우 낮은 위치에서는 레이저가 바닥에서 얕은 각도로 반사되어 측정 오류를 발생시킬 수 있다. 약간 높은 위치는 이러한 바닥 반사를 줄이면서도 장애물 검출 능력을 유지할 수 있다. 최적의 설치 높이는 실제 콘크리트, 에폭시 바닥, 타일, 금속 바닥 등을 이용하여 실험적으로 결정하는 것이 바람직하다.

실외 운용이 가능한 AMR은 추가적인 어려움을 가진다. 울퉁불퉁한 지형, 식생, 연석, 포트홀, 비, 눈, 강한 햇빛은 실내에서는 거의 발생하지 않는 조건이다. 평평한 공장 바닥에서 적절했던 설치 위치가 실외에서는 충분하지 않을 수 있다. 따라서 실외 AMR은 서로 다른 높이에 여러 대의 라이다를 설치하여 다양한 지형에서도 안정적인 인지 성능을 확보하는 경우가 많다.

센서 중복성(Sensor Redundancy)은 시스템 가용성을 향상시킨다. 하나의 라이다가 오염되거나 손상되거나 일시적으로 가려져도 다른 센서가 주변 환경을 계속 인식할 수 있다. 중복 센서는 동일한 오염원에 동시에 영향을 받지 않도록 서로 다른 위치에 설치하는 것이 바람직하다. 물리적으로 분리된 센서는 공통 고장의 가능성을 줄이고 시스템 신뢰성을 높인다.

유지보수 작업도 장착 정확도를 유지해야 한다. 센서 교체, 차체 수리, 소프트웨어 업데이트, 적재 구조 변경은 라이다 정렬을 의도치 않게 변경할 수 있다. 따라서 반복 가능한 기준 구조, 정렬 도구, 보정 타겟(Calibration Target), 검증 시험을 유지보수 절차에 포함해야 한다. 로봇 수명 동안 일관된 센서 기하학을 유지하는 것이 인지 성능 유지의 핵심이다.

디지털 트윈(Digital Twin)과 시뮬레이션은 장착 설계에 매우 유용하다. 엔지니어는 실제 제작 전에 다양한 센서 위치를 시험하고, 사각지대를 예측하고, 시야를 분석하고, 가려짐을 평가하며, 다양한 자율주행 시나리오를 시뮬레이션할 수 있다. 이러한 가상 검증은 개발 비용을 줄이고 초기 설계 단계에서 문제를 발견하도록 도와준다. 이후 실제 환경 시험을 통해 시뮬레이션 결과를 최종 검증한다.

운용 설계 영역(Operational Design Domain, ODD)은 모든 장착 결정을 이끌어야 한다. 창고, 병원, 공항, 반도체 공장, 건설 현장, 농업 환경, 실외 물류센터는 각각 장애물 종류, 환경 조건, 교통 특성, 안전 요구사항이 모두 다르다. 모든 환경에 공통으로 적용되는 하나의 최적 장착 위치는 존재하지 않는다. 최적의 설치는 일반적인 권장사항이 아니라 실제 운용 환경에 의해 결정된다.

최종 검증(Verification Testing)은 로봇 조립이 완료된 이후 실제 시야를 평가해야 한다. 사람, 팔레트, 카트, 기계, 벽, 반사 물체, 투명 물체, 낮은 장애물을 실제 운용 공간 전체에 배치하여 검출 성능을 확인해야 한다. 정적 시험뿐 아니라 실제 주행 중 동적 시험도 수행해야 한다. 또한 최대 승인 적재 상태와 모든 운용 구성을 포함하여 검증해야 한다.

궁극적으로 장착 위치(Mounting Position)와 시야(Field of View)는 2D 라이다가 레이저 측정 데이터를 얼마나 효과적으로 환경 인지로 변환하는지를 결정한다. 적절한 설치는 시야 확보, 센서 보호, 유지보수 접근성, 위치추정 성능, 장애물 커버리지, 환경 적응성, 시스템 통합성을 균형 있게 만족시켜야 한다. 장착을 단순한 기계 작업으로 생각하지 않고 인지 아키텍처(Perception Architecture)의 핵심 요소로 설계할 때, 라이다는 자율주행과 장애물 인지를 위한 가장 신뢰성 높은 기반 센서로서 최대의 성능을 발휘할 수 있다.

02.7 2D LiDAR Limitations

2차원 라이다(2D Light Detection and Ranging, 2D LiDAR)는 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR)의 자율주행(Navigation), 위치추정(Localization), 지도 작성(Mapping), 장애물 검출(Obstacle Detection)에 가장 실용적인 센서 가운데 하나로 널리 사용되고 있다. 그러나 이러한 장점만으로는 센서가 가지는 근본적인 한계를 가릴 수 없다. 2D 라이다는 주변 환경의 매우 얇은 하나의 수평 단면만을 관측하여 이를 거리 정보로 변환한다. 이러한 표현은 평면 기반 자율주행에는 매우 효과적이지만, 실제 산업 환경과 같은 3차원 공간 전체를 완전하게 표현할 수는 없다. 따라서 이러한 한계를 정확히 이해하는 것은 안전하고 신뢰성 있으며 확장 가능한 인지 시스템을 설계하기 위한 필수 조건이다.

가장 근본적인 한계는 단일 평면(Single Plane)만을 관측하는 구조이다. 2D 라이다는 레이저 스캔 평면과 교차하는 물체만 측정할 수 있으며, 그보다 위나 아래에 존재하는 물체는 완전히 보이지 않을 수 있다. 바닥에 놓인 케이블, 작은 이물질, 낮은 경사로, 높은 선반, 매달린 적재물, 테이블 가장자리, 돌출된 기계 부품, 열린 캐비닛 문 등은 센서 설치 높이에 따라 전혀 검출되지 않을 수 있다. 이러한 문제는 소프트웨어만으로 해결할 수 없다. 측정 자체가 이루어지지 않았기 때문이다. 따라서 적절한 장착 위치와 다른 센서의 보완이 반드시 필요하다.

센서 장착 높이(Mounting Height)는 피할 수 없는 절충(Tradeoff)을 만든다. 낮게 설치하면 바닥의 작은 장애물, 팔레트 조각, 바퀴 고정 장치, 작은 물체를 잘 검출할 수 있지만 높은 구조물은 놓칠 수 있다. 반대로 높게 설치하면 벽, 랙, 대형 설비는 안정적으로 인식할 수 있지만 작은 장애물 위를 지나가 버릴 수도 있다. 하나의 높이만으로 모든 장애물을 동시에 관측하는 것은 불가능하다. 따라서 장착 위치는 운용 설계 영역(Operational Design Domain, ODD), 예상 장애물 종류, 로봇 형상, 적재물, 그리고 요구되는 안전 여유를 모두 고려하여 결정해야 한다.

돌출 장애물(Overhanging Obstacle)은 특히 심각한 문제를 만든다. 산업 현장에는 컨베이어 프레임, 작업대, 매달린 공구, 열린 서랍, 들어 올려진 지게차 포크, 기계 커버, 돌출된 구조물이 매우 흔하다. 이러한 장애물이 라이다 스캔 평면보다 위에 존재하면 스캔은 전방을 빈 공간으로 인식할 수 있지만 실제 로봇은 통과할 수 없다. 즉, 인지된 통과 가능 공간과 실제 차량 크기(Vehicle Envelope) 사이에 차이가 발생한다. 이러한 문제를 해결하기 위해서는 깊이 카메라(Depth Camera), 여러 높이의 라이다, 3차원 라이다(3D LiDAR), 초음파 센서, 또는 차량 높이 제한과 같은 추가적인 수단이 필요하다.

낮은 장애물(Low-Profile Obstacle)은 반대 방향의 문제를 만든다. 얇은 케이블, 포장재, 손상된 팔레트, 바닥 표시물, 얕은 턱, 볼트, 공구 등은 레이저 평면 아래에 위치할 수 있다. 이러한 물체는 직접 충돌을 일으키지 않더라도 바퀴를 손상시키거나 조향을 방해하거나 차량 자세를 불안정하게 만들 수 있다. 센서를 낮추면 이러한 장애물은 잘 보이지만 먼지와 바닥 반사의 영향을 크게 받는다. 따라서 바닥 가까이에 설치되는 전용 근거리 센서나 범퍼 센서를 함께 사용하는 경우가 많다.

가려짐(Occlusion)은 또 다른 중요한 한계이다. 라이다는 각 레이저 빔이 처음 만나는 물체까지만 측정한다. 따라서 벽, 팔레트, 사람, 기계, 다른 로봇 뒤에 있는 물체는 전혀 보이지 않는다. 장애물 뒤쪽은 그림자 영역(Shadow Region)이 되어 그 안의 상태를 알 수 없다. 좁은 통로나 교차로에서는 사람이 랙 뒤에서 갑자기 나타날 수 있다. 따라서 안전한 자율주행 시스템은 가려진 영역을 단순한 빈 공간이 아니라 불확실한 영역으로 취급하며 코너나 출입구에서는 속도를 줄이는 경우가 많다.

자기 가림(Self-Occlusion)은 실제 유효 시야(Field of View, FOV)를 감소시킨다. 센서 자체는 270도 또는 360도 스캔을 지원하더라도 바퀴, 범퍼, 적재물, 리프트 장치, 보호 커버, 브래킷, 케이블, 차체 패널 등이 일부 레이저를 차단할 수 있다. 이러한 사각 영역은 적재물 이동, 포크 상승, 매니퓰레이터 회전, 부착 장치 추가에 따라 계속 변화할 수도 있다. 제조사 사양은 센서만을 기준으로 하기 때문에 실제 로봇에 장착한 이후 모든 운용 조건에서 유효 시야를 반드시 확인해야 한다.

투명 재질(Transparent Material)은 많은 2D 라이다에서 여전히 어려운 대상이다. 유리문, 창문, 아크릴 패널, 안전 유리, 투명 기계 커버는 레이저를 통과시키거나 매우 약하게 반사하거나 불안정한 측정값을 생성할 수 있다. 센서는 유리를 간헐적으로 검출하거나 뒤쪽 물체를 측정하거나 빈 공간으로 잘못 판단할 수도 있다. 이러한 현상은 입사각, 재질, 코팅, 두께, 환경 조건에 따라 달라진다. 따라서 유리가 많은 환경에서는 지도 정보, 초음파 센서, 레이더, 카메라, 반사 마커 등을 함께 사용하는 것이 일반적이다.

강한 반사면(Highly Reflective Surface)도 측정 오류를 발생시킨다. 거울, 광택 스테인리스, 반짝이는 기계, 반사 테이프, 금속 패널, 젖은 바닥은 다중 경로(Multi-Path) 반사를 유발할 수 있다. 레이저가 여러 번 반사된 후 수신기에 도달하면 실제보다 먼 거리나 잘못된 위치가 측정될 수 있다. 이러한 현상은 허위 장애물(False Obstacle), 중복 구조물, 물리적으로 불가능한 점(Point)을 생성할 수 있다. 시간적 필터링과 기하학적 일관성 검사는 이러한 영향을 줄일 수 있지만 모든 환경에서 완전히 제거할 수는 없다.

검은색 또는 반사율이 낮은 재질(Dark or Low-Reflectivity Material)은 수신 신호를 약하게 만든다. 검은 고무, 무광 코팅, 흡수성 천, 검은 플라스틱, 일부 복합재료는 레이저를 거의 반사하지 않는다. 장거리나 불리한 각도에서는 반환 신호가 너무 약해져 안정적인 측정이 어려워질 수 있다. 최신 센서는 수신기 감도와 신호 처리를 향상시켰지만 재질 특성에 따른 성능 차이는 여전히 존재한다. 따라서 실제 운용 시설에서 사용하는 재질을 이용하여 반드시 검증을 수행해야 한다.

거리와 입사각이 증가하면 측정 정확도(Measurement Accuracy)는 감소한다. 레이저가 벽을 매우 비스듬한 각도로 비추면 작은 각도 오차도 벽을 따라 큰 위치 오차를 만든다. 긴 벽은 센서 최대 거리 부근에서 노이즈가 많거나 끊어진 형태로 나타날 수 있다. 또한 빔 확산(Beam Divergence)은 거리가 멀수록 레이저 점의 크기를 증가시켜 작은 물체 검출 능력을 감소시킨다. 따라서 제조사가 제시하는 정확도는 이상적인 환경에서 측정된 값이며 실제 산업 환경에서는 다를 수 있다.

각도 분해능(Angular Resolution)은 작은 물체와 먼 거리 물체의 검출 능력을 제한한다. 라이다는 일정한 각도 간격으로 레이저를 발사하므로 거리가 멀어질수록 인접한 빔 사이의 간격도 커진다. 좁은 물체는 빔 사이를 통과하여 전혀 검출되지 않을 수 있으며 작은 특징은 한두 개의 점만 생성하여 노이즈 제거 과정에서 사라질 수도 있다. 각도 분해능을 높이면 상세한 정보를 얻을 수 있지만 데이터량과 계산량이 증가하고 일부 센서에서는 스캔 속도가 감소할 수도 있다.

스캔 주파수(Scan Frequency)도 또 다른 절충을 만든다. 스캔 속도가 느리면 두 스캔 사이의 시간이 길어져 사람, 지게차, 다른 로봇과 같은 빠르게 움직이는 물체를 추적하기 어려워진다. 그 사이에 로봇과 장애물이 모두 이동하기 때문이다. 반대로 높은 스캔 주파수는 반응성을 향상시키지만 각도 밀도가 감소하거나 계산량과 통신 부하가 증가할 수 있다. 따라서 실시간 성능은 센서뿐 아니라 필터링, 클러스터링, 추적, 예측, 코스트맵(Costmap), 제어까지 포함한 전체 인지 파이프라인에 의해 결정된다.

운동 왜곡(Motion Distortion)은 하나의 스캔이 순간적으로 획득되지 않기 때문에 발생한다. 센서가 회전하는 동안에도 로봇은 계속 움직이고 있으므로 스캔 시작과 종료 시점의 측정은 서로 다른 위치에서 수행된다. 빠른 회전, 가속, 진동, 고속 주행은 벽과 장애물의 형태를 왜곡시킬 수 있다. 오도메트리(Odometry)와 관성측정장치(Inertial Measurement Unit, IMU)를 이용한 운동 보정(Motion Compensation)이 이러한 문제를 줄일 수 있지만 정확한 시간 동기화와 보정이 전제되어야 한다.

시간 동기화(Time Synchronization) 오류도 심각한 문제를 만든다. 라이다의 시간 정보가 오도메트리, IMU, 카메라, 레이더, 제어 데이터와 맞지 않으면 잘못된 차량 자세(Pose)를 이용하여 점을 변환하게 된다. 그 결과 움직이지 않는 벽이 움직이는 것처럼 보이거나 장애물 추적이 불안정해지고 위치추정 성능이 저하될 수 있다. 특히 차량 속도가 빠를수록 작은 시간 오차도 큰 공간 오차로 확대된다. 따라서 정확한 시간 기록과 전체 시스템의 시계 동기화가 필수적이다.

환경 오염(Environmental Contamination)은 성능을 크게 저하시킨다. 먼지, 연기, 수증기, 안개, 물방울, 금속 입자, 오일, 세척액은 레이저를 산란시키거나 차단할 수 있다. 이로 인해 짧은 허위 측정, 검출 거리 감소, 완전한 시야 상실이 발생할 수 있다. 광학창 오염은 서서히 진행되므로 진단 기능이 없으면 문제를 발견하기 어렵다. 따라서 보호 커버, 공기 세척, 배수 구조, 정기 점검, 오염 감시, 성능 저하 운용 모드(Degraded Mode)가 필요하다.

비와 눈(Rain and Snow)은 실외 AMR에서 추가적인 어려움을 만든다. 빗방울과 눈송이는 순간적인 허위 측정을 발생시키고 젖은 표면은 반사 특성을 변화시킨다. 폭우와 폭설은 검출 거리를 줄이며 눈이 쌓이면 지형 자체가 변화한 것처럼 보일 수도 있다. 일반적인 실내용 2D 라이다는 이러한 환경에 충분하지 않은 경우가 많다. 실외 시스템은 방수 센서, 레이더 융합, 히터, 자동 청소 장치, 환경 감시, 보수적인 속도 정책을 함께 적용하는 경우가 많다.

강한 햇빛과 광학 간섭(Optical Interference)도 영향을 줄 수 있다. 최신 라이다는 광학 필터와 변조 신호를 사용하지만 강한 태양광은 신호 대 잡음비(Signal-to-Noise Ratio)를 감소시키고 검출 거리를 줄일 수 있다. 여러 대의 라이다가 가까운 곳에서 동시에 동작하면 상호 간섭이 발생할 수도 있다. 현대 센서는 간섭 억제 기능을 제공하지만 다수의 로봇이 운용되는 환경에서는 실제 시험을 통해 확인하는 것이 중요하다.

2D 라이다는 의미 정보(Semantic Information)가 매우 제한적이다. 센서는 거리와 일부 반사 강도만 측정할 뿐 그것이 사람인지, 팔레트인지, 지게차인지, 벽인지, 임시 물체인지를 직접 알려주지 않는다. 기하학적 특징만으로 일부 분류는 가능하지만 서로 다른 물체가 비슷한 2차원 형태를 가질 수도 있다. 따라서 카메라, 학습 기반 인지, 추적 정보, 지도 정보, 센서 융합이 함께 사용되는 경우가 많다.

복잡한 물체의 형상(Shape)도 충분히 표현하지 못한다. 2D 라이다는 물체 전체가 아니라 레이저 평면과 만나는 단면만 측정한다. 같은 물체라도 방향, 높이, 가려짐에 따라 전혀 다른 형태로 나타날 수 있다. 하나의 팔레트가 여러 개의 점으로 분리되어 보일 수도 있고 두 개의 물체가 하나의 클러스터(Cluster)로 합쳐질 수도 있다. 클러스터링과 분할(Segmentation)은 이를 개선하지만 복잡한 환경에서는 여전히 오류가 발생한다.

위치추정(Localization)이 부정확하면 정적 물체와 동적 물체를 구분하기도 어려워진다. 로봇 위치가 흔들리면 정지한 벽도 움직이는 것처럼 보일 수 있으며 반대로 천천히 움직이는 물체는 지도 일부로 잘못 인식될 수도 있다. 또한 비슷한 장애물이 교차하거나 잠시 가려지면 추적 대상이 서로 바뀌는 현상도 발생할 수 있다. 이러한 오류는 속도 추정과 충돌 예측 성능을 저하시킨다.

지도(Map)에 대한 의존성도 중요한 한계이다. 많은 2D 라이다 기반 시스템은 현재 스캔을 기존 지도와 비교하여 위치를 추정한다. 그러나 랙 위치가 변경되거나 문이 열리거나 적재물이 쌓이거나 대형 설비가 이동하면 기존 지도와의 일치도가 크게 감소한다. 반복적인 복도 구조도 위치추정을 어렵게 만든다. 따라서 지도 유지관리, 환경 변화 감지, 다중 센서 위치추정, 비상 대응 전략이 필요하다.

특징이 부족한 환경(Feature-Poor Environment)에서는 위치추정 성능이 저하된다. 긴 복도, 넓은 빈 공간, 평평한 벽, 반복적인 저장 랙은 충분한 기하학적 특징을 제공하지 못한다. 일부 방향에서는 위치를 정확히 추정할 수 있지만 다른 방향에서는 오차가 커질 수 있다. 반사체와 투명 구조물은 이러한 문제를 더욱 악화시킨다. 따라서 인공 랜드마크(Landmark), 마커, IMU, 비전(Vision), 초광대역(Ultra-Wideband, UWB), 위성항법시스템(Global Navigation Satellite System, GNSS) 등을 함께 사용하는 경우가 많다.

계산 자원(Computational Resource)도 성능을 제한한다. 여러 대의 고해상도 라이다 데이터는 필터링, 변환, 분할, 추적, 융합, 지도 작성 과정을 모두 실시간으로 수행해야 한다. 복잡한 알고리즘은 정확도를 높일 수 있지만 지연 시간과 CPU·GPU 부하도 증가시킨다. 시스템이 과부하되면 스캔이 지연되거나 누락되어 오래된 장애물 정보를 사용하게 된다. 따라서 예측 가능한 처리 시간과 효율적인 소프트웨어 구조가 필요하다.

통신 인터페이스(Communication Interface)도 병목이 될 수 있다. 이더넷(Ethernet), 직렬 통신, CAN(Controller Area Network) 버스는 진동, 전자기 간섭, 네트워크 혼잡 속에서도 안정적으로 데이터를 전달해야 한다. 패킷 손실이나 지연은 불완전한 스캔과 잘못된 시간 정보를 만들 수 있다. 따라서 단순히 연결 여부만 확인하는 것이 아니라 스캔 주기, 패킷 연속성, 측정 품질, 온도, 오염 상태, 통신 지연까지 함께 감시해야 한다.

보정(Calibration)에 대한 민감성도 매우 높다. 센서와 로봇 좌표계 사이의 위치와 방향이 조금만 변해도 모든 장애물이 동일한 방향으로 잘못 배치된다. 충격, 브래킷 변형, 유지보수, 열팽창, 체결 불량은 이러한 오차를 발생시킬 수 있다. 따라서 견고한 장착 구조, 반복 가능한 기준 위치, 정기적인 보정, 자동 정렬 이상 감지 기능이 중요하다.

하나의 라이다만 사용하는 시스템은 단일 고장점(Single Point of Failure)을 가진다. 센서가 오염되거나 손상되거나 적재물에 의해 가려지거나 내부 고장이 발생하면 로봇은 핵심 인지 기능을 잃을 수 있다. 여러 센서를 사용하면 이러한 위험은 줄어들지만 비용과 통합 난이도가 증가한다. 또한 두 센서가 동일한 위치에 설치되어 같은 오염이나 가림의 영향을 받는다면 기대한 수준의 중복성(Redundancy)을 얻지 못할 수도 있다.

안전 기능(Safety Function)과 자율주행 성능은 반드시 구분되어야 한다. 일반 주행용 라이다는 장애물 검출 성능이 뛰어나더라도 기능 안전(Functional Safety) 인증 요구사항을 만족하지 않을 수 있다. 안전 인증 스캐너는 보호 영역 감시, 진단 기능, 인증된 출력 인터페이스를 제공한다. 따라서 일반 라이다만으로 충돌 방지를 수행하는 것은 위험할 수 있다. 신뢰성 있는 AMR은 지능형 자율주행 인지와 인증된 안전 기능을 명확하게 분리하여 설계한다.

오검출(False Positive)은 생산성을 저하시킨다. 먼지, 반사, 노이즈, 움직이는 기계 부품, 일시적인 측정 오류를 장애물로 잘못 판단하면 로봇은 불필요하게 정지하거나 속도를 줄이거나 우회하게 된다. 강한 필터링은 이러한 문제를 줄일 수 있지만 실제 작은 장애물까지 제거할 위험도 있다. 따라서 상황에 따라 임계값을 조정하고 시간적 확인과 신뢰도 평가를 함께 수행하는 것이 중요하다.

미검출(False Negative)은 훨씬 위험하다. 가려짐, 낮은 반사율, 투명 물체, 제한된 해상도, 부적절한 장착 높이, 오염, 알고리즘 오류 등으로 실제 장애물을 놓칠 수 있다. 모든 상황을 시험으로 완전히 검증하는 것은 불가능하기 때문에 항상 잔여 위험(Residual Risk)이 존재한다. 따라서 다양한 센서, 속도 제한, 기계적 보호, 안전 기능, 보수적인 설계, 지속적인 현장 데이터 분석을 함께 적용해야 한다.

검증(Validation)은 매우 어렵다. 장애물 크기, 재질, 거리, 각도, 이동 속도, 조명, 날씨, 오염, 차량 속도, 적재 상태, 장착 위치가 모두 성능에 영향을 주기 때문이다. 깨끗한 실험실에서 표준 장애물만 시험하면 실제 성능을 과대평가하게 된다. 실제 운용 환경, 극한 조건, 성능 저하 상태, 반복 시험, 고장 주입(Fault Injection), 검출률, 거리 오차, 지연 시간, 추적 안정성, 정지 성공률 등을 모두 포함한 검증이 필요하다.

장기적인 노화(Aging)도 성능을 변화시킨다. 광학창의 긁힘, 씰의 열화, 레이저 출력 감소, 커넥터 느슨해짐, 브래킷 변형은 즉시 고장을 일으키지 않더라도 측정 거리와 안정성을 감소시킨다. 따라서 예방 유지보수(Preventive Maintenance)는 진단 정보, 광학창 상태, 보정 상태를 지속적으로 확인하고 완전 고장이 아니라 성능 저하를 기준으로 교체 시점을 결정해야 한다.

비용(Cost)도 현실적인 한계이다. 산업용 또는 안전 인증 라이다는 가격이 높으며 사각지대를 줄이기 위해 여러 대를 설치하면 비용이 더욱 증가한다. 보호 하우징, 브래킷, 케이블, 컴퓨팅 장치, 보정 장비, 통합 개발, 검증, 예비 부품, 유지보수 비용도 함께 고려해야 한다. 초기에는 저렴한 단일 센서 구성이 매력적으로 보일 수 있지만 장기적으로는 운용 중단, 안전성 저하, 재설계 비용이 더 커질 수 있다.

이러한 한계를 해결하는 가장 좋은 방법은 2D 라이다를 포기하는 것이 아니라 계층형 인지 아키텍처(Layered Perception Architecture) 안에서 사용하는 것이다. 카메라는 의미 정보를 제공하고, 3D 라이다는 수직 구조를 인식하며, 레이더는 악천후에서도 속도를 측정하고, 초음파 센서는 가까운 투명 물체를 검출하며, IMU는 운동 보정을 지원하고, 기계식 범퍼는 최종 접촉 보호를 제공한다. 각각의 센서는 약점을 가지지만 서로를 보완하면 훨씬 높은 수준의 신뢰성을 얻을 수 있다.

운용 규칙(Operational Rules)도 센서 한계를 보완할 수 있다. 사각 코너에서의 감속, 유리 주변 제한 속도, 적재물 크기 제한, 지정된 주행 경로, 최소 장애물 크기 정의, 정기적인 청소, 지도 업데이트 절차 등은 완벽한 센서를 만들지 않아도 위험을 크게 줄일 수 있다. 이러한 규칙은 운용 설계 영역(ODD)과 운용 매뉴얼에 명확하게 포함되어야 한다. 신뢰성 있는 시스템은 모든 것을 검출하기 때문이 아니라 검출하지 못하는 상황까지도 전체 시스템 차원에서 관리하기 때문에 안전한 것이다.

궁극적으로 2D 라이다의 한계는 평면 기반 센싱, 광학 측정 원리, 환경 불확실성, 기계적 통합, 시간 동기화, 계산 자원, 의미 정보 부족에서 비롯된다. 이러한 약점이 2D 라이다의 가치를 없애는 것은 아니다. 오히려 어떤 조건에서 책임감 있게 사용해야 하는지를 명확히 보여준다. 장착 위치, 보정, 센서 융합(Sensor Fusion), 안전 아키텍처, 검증, 유지보수, 운용 제약을 함께 설계한다면 2D 라이다는 여전히 AMR 자율주행을 위한 가장 효과적인 기반 센서 가운데 하나이며, 그 고유한 한계는 시스템 수준에서 충분히 관리할 수 있다.

02.8 Testing and Debugging 2D LiDAR

2차원 라이다(2D Light Detection and Ranging, 2D LiDAR) 시스템의 시험(Testing)과 디버깅(Debugging)은 자율주행 모바일 로봇(Autonomous Mobile Robot, AMR)이 실제 운용 환경에서 안정적으로 자율주행(Navigation), 위치추정(Localization), 지도 작성(Mapping), 장애물 검출(Obstacle Detection)을 수행하도록 보장하기 위해 필수적이다. 개발 컴퓨터에서 스캔 데이터가 정상적으로 보인다고 해서 라이다 시스템 전체가 올바르게 동작한다고 판단할 수는 없다. 시간 동기화, 보정, 장착, 필터링, 통신, 환경 강인성에 숨겨진 문제가 남아 있을 수 있기 때문이다. 따라서 효과적인 검증은 센서 전원이 켜지는지만 확인하는 것이 아니라 레이저 측정부터 자율주행 판단까지 전체 센싱 체인을 체계적으로 확인해야 한다.

시험의 첫 단계에서는 기본적인 전원과 통신 인터페이스를 확인해야 한다. 인지 성능을 평가하기 전에 공급 전압, 전류 안정성, 커넥터 고정 상태, 접지, 차폐, 네트워크 설정을 검증해야 한다. 순간적인 전원 강하는 센서를 재부팅시킬 수 있으며 불량한 접지는 통신 불안정이나 노이즈를 발생시킬 수 있다. 이더넷(Ethernet) 기반 장치는 인터넷 프로토콜(Internet Protocol, IP) 주소, 서브넷 설정, 패킷 연속성, 링크 속도를 확인해야 한다. 직렬 통신 또는 제어기 영역 네트워크(Controller Area Network, CAN) 장치는 전송 속도, 메시지 형식, 종단 저항, 오류 카운터를 검증해야 한다.

센서 상태 정보(Sensor Health Information)는 시험 중 지속적으로 감시되어야 한다. 많은 산업용 라이다는 내부 온도, 모터 속도, 오염 상태, 통신 오류, 전압 경고, 진단 코드 등을 제공한다. 이러한 정보는 스캔 품질이 눈에 띄게 악화되기 전에 문제를 발견하도록 도와준다. 짧은 실험실 시험에서는 정상적으로 동작하던 센서도 수 시간 연속 운전 후 열적 한계에 도달하면 고장날 수 있다. 따라서 진단 정보는 스캔 데이터와 함께 기록하여 이후 분석 과정에서 인지 실패와 하드웨어 상태를 연결할 수 있도록 해야 한다.

필터나 지도 작성 알고리즘을 적용하기 전에 원시 스캔(Raw Scan)을 먼저 확인해야 한다. 엔지니어는 센서 좌표계에서 원래의 거리 데이터와 반사 강도(Intensity)를 시각화하고 실제 주변 환경과 비교해야 한다. 벽은 직선으로 나타나야 하고 모서리는 일관되어야 하며 정적인 물체는 반복 스캔에서도 안정적으로 유지되어야 한다. 예상하지 못한 원호, 고립된 점, 누락된 영역, 중복 구조물은 광학 반사, 패킷 손실, 잘못된 각도 해석, 센서 설정 오류를 의미할 수 있다. 원시 데이터 확인은 후속 소프트웨어 처리가 문제의 실제 원인을 가리는 것을 방지한다.

거리 정확도(Range Accuracy)는 기준 거리를 알고 있는 표적을 이용하여 측정해야 한다. 평면 표적을 여러 거리와 각도에 배치하고 측정값을 보정된 기준값(Ground Truth)과 비교할 수 있다. 시험은 근거리, 일반 운용 거리, 응용에 필요한 최대 거리까지 포함해야 한다. 표면 특성이 반환 신호 품질에 큰 영향을 미치므로 밝은 재질, 어두운 재질, 무광 재질, 반사 재질, 부분적으로 투명한 재질을 사용하여 반복 측정해야 한다. 목적은 평균 오차만 확인하는 것이 아니라 반복성, 이상값(Outlier), 검출 손실까지 함께 평가하는 것이다.

각도 정확도(Angular Accuracy)와 각도 분해능(Angular Resolution)도 검증해야 한다. 알려진 각도에 좁은 표적을 배치하면 체계적인 방향 오차나 잘못된 빔 인덱싱(Beam Indexing)을 확인할 수 있다. 보고된 각도가 실제 표적 방향과 맞지 않는다면 센서 설정, 좌표 변환, 장착 보정 중 하나에 문제가 있을 수 있다. 작은 물체를 점차 먼 거리에 배치하면 언제 인접 빔 사이에 들어가 검출되지 않는지를 확인할 수 있다. 이 실험은 AMR의 요구 정지 거리 안에서 검출 가능한 최소 장애물 크기를 실질적으로 보여준다.

전체 시야(Field of View, FOV)는 센서를 로봇에 장착한 이후 반드시 다시 측정해야 한다. 제조사 사양은 센서 자체에 대한 정보일 뿐이며 로봇 차체, 적재물, 브래킷, 케이블, 바퀴, 보호 구조가 스캔의 상당 부분을 차단할 수 있다. 엔지니어는 기준 표적을 로봇 전체 둘레로 이동시키면서 검출이 시작되고 사라지는 위치를 기록해야 한다. 이를 통해 사각지대, 근거리 미검출 영역, 자기 가림(Self-Occlusion)을 확인할 수 있다. 최대 적재 상태, 상승된 기구부, 모든 승인된 부착물 상태에서 같은 시험을 반복해야 한다.

장착 보정(Mounting Calibration)은 신중하게 검증해야 한다. 라이다가 로봇 기준 좌표계(Base Frame)에 대해 어디에 어떤 방향으로 설치되었는지가 자율주행 시스템에서 스캔 포인트의 위치를 결정한다. 작은 병진 오차는 가까운 장애물을 이동시키고 작은 회전 오차는 거리가 멀어질수록 더 큰 위치 오차를 만든다. 로봇을 알려진 벽 주변에 배치하고 변환된 스캔을 실제 기하학 또는 기준 지도와 비교하여 보정을 확인할 수 있다. 좌우 벽이 비대칭으로 보이거나 로봇 회전 중 벽이 함께 회전해 보인다면 외부 보정(Extrinsic Calibration)에 문제가 있을 수 있다.

시간 동기화(Time Synchronization)도 핵심 시험 항목이다. 라이다 시간 정보는 휠 오도메트리(Wheel Odometry), 관성측정장치(Inertial Measurement Unit, IMU), 카메라, 레이더, 제어 데이터와 일치해야 한다. 시간 오프셋이 존재하면 움직이는 동안 정적인 벽이 휘거나 스캔 사이에서 이동하는 것처럼 나타날 수 있다. 엔지니어는 센서 타임스탬프를 공통 시계와 비교하고 전송, 버퍼링, 처리 지연을 측정해야 한다. 시간 동기화 오류는 차량 움직임이 빠를수록 잘 드러나므로 직선 주행, 급회전, 가속, 제동 시험을 모두 포함해야 한다.

운동 왜곡(Motion Distortion)은 정지 상태에서 수집된 스캔과 실제 주행 중 수집된 스캔을 비교하여 평가해야 한다. 정지 상태에서는 직선으로 보이는 벽이 회전 중 휘거나 이중으로 보인다면 운동 보정(Motion Compensation)이 부족하거나 시간 오류가 존재할 가능성이 크다. 빠른 회전은 왜곡을 드러내는 데 특히 효과적이다. 오도메트리나 IMU를 사용하여 보정하는 경우에는 해당 입력 데이터의 품질도 함께 검증해야 한다. 운동 보정은 왜곡을 줄여야 하며 새로운 진동이나 위치 노이즈를 만들어서는 안 된다.

데이터 완전성(Data Completeness)과 실제 스캔 주기는 장시간에 걸쳐 측정해야 한다. 센서가 설정된 주기로 데이터를 생성하더라도 네트워크 혼잡, 프로세서 과부하, 패킷 손실, 드라이버 불안정 때문에 실제 수신 주기는 달라질 수 있다. 감시 소프트웨어는 누락 스캔, 타임스탬프 간격, 중복 메시지, 유효하지 않은 거리값, 지연 패킷을 기록해야 한다. 몇 분간 정상적으로 동작하더라도 장시간 운전 후 데이터가 누락되는 시스템은 실제 배포에 적합하지 않다. 메모리 누수, 발열, 간헐적 통신 문제를 발견하려면 장기 시험이 필요하다.

필터링 알고리즘(Filtering Algorithm)은 원시 센서와 분리하여 독립적으로 시험해야 한다. 노이즈 제거, 거리 제한, 시간적 평활화, 보간, 이상값 제거는 스캔 품질을 향상시킬 수 있지만 지나치게 강한 필터링은 실제 장애물까지 제거할 수 있다. 엔지니어는 기록된 데이터를 각 필터에 재생하고 입력과 출력 포인트 집합을 비교해야 한다. 작은 장애물, 얇은 기둥, 사람 다리, 어두운 물체, 갑자기 나타나는 위험 요소는 특히 중요한 시험 대상이다. 제거된 모든 포인트는 의도된 필터 규칙으로 설명할 수 있어야 한다.

클러스터링(Clustering)과 분할(Segmentation)은 통제된 장애물 배열을 이용하여 평가해야 한다. 단일 물체, 가까이 배치된 여러 물체, 부분적으로 겹치는 물체, 사람 집단을 스캔 평면 안에 배치해야 한다. 알고리즘은 하나의 실제 물체를 여러 불안정한 클러스터로 나누지 않으면서 서로 독립된 장애물을 분리해야 한다. 빈 공간이 있는 팔레트, 가는 다리를 가진 카트, 복잡한 형상의 지게차, 반사성 기계도 시험에 포함해야 한다. 단순 검출 개수뿐 아니라 클러스터 안정성, 형상 일관성, 처리 지연도 함께 측정해야 한다.

장애물 추적(Obstacle Tracking)은 연속적인 이동 시나리오로 시험해야 한다. 이동 표적이 서로 다른 속도, 거리, 각도로 로봇 경로를 가로지르도록 구성해야 한다. 추적기는 안정적인 식별 정보(Identity)를 유지하고 속도를 정확히 추정하며 짧은 가려짐 이후에도 복구할 수 있어야 한다. 두 물체가 서로 교차하는 시나리오는 추적 대상이 바뀌는 현상을 확인하는 데 효과적이다. 갑작스러운 정지, 방향 전환, 부분 가시성은 예측 모델의 한계를 시험한다. 로그에는 추적 생성, 갱신, 손실, 재식별, 위치 오차, 속도 오차, 신뢰도 수준이 포함되어야 한다.

위치추정과 지도 작성 시험은 기본 장애물 검출 시험과 분리하여 수행해야 한다. 지도 작성에서는 알려진 폐곡선 경로를 주행하여 벽 정렬, 누적 드리프트, 루프 클로저(Loop Closure) 성능을 확인할 수 있다. 위치추정에서는 서로 다른 초기 위치와 방향에서 반복 운행을 시작해야 한다. 특징이 풍부한 환경, 특징이 부족한 환경, 반복 구조 환경, 일부 변경된 환경을 모두 시험해야 한다. 스캔 매칭(Scan Matching) 실패는 센서 노이즈, 보정, 시간, 지도 품질, 환경 구조 부족에서 발생할 수 있으므로 각 요인을 체계적으로 분리해야 한다.

환경 시험(Environmental Testing)은 실제 시설 조건을 재현해야 한다. 먼지, 연기, 수증기, 직사광선, 반사 바닥, 유리벽, 물방울, 온도 변화가 모두 측정 품질에 영향을 줄 수 있다. 안전하고 현실적으로 가능한 범위에서 통제된 오염 시험을 수행하면 광학 성능 저하가 유효 반환 비율과 최대 검출 거리에 어떤 영향을 주는지 확인할 수 있다. 시스템은 센서 품질 저하를 감지하고 경고, 감속, 청소 요청, 안전 운용 상태(Safe Operational State) 전환과 같은 적절한 대응을 수행해야 한다.

투명 물체와 반사 물체는 일관되지 않은 동작을 자주 보이므로 별도의 시험 항목이 필요하다. 유리 패널은 여러 거리와 각도에서 관측해야 하며 거울과 광택 금속은 다중 경로(Multi-Path) 반사를 시험해야 한다. 목적은 라이다가 이러한 물체를 항상 검출한다는 것을 증명하는 것이 아니다. 이는 불가능할 수도 있다. 대신 어떤 조건에서 어떤 방식으로 실패하는지를 특성화하는 것이 중요하다. 이러한 결과는 지도 설정, 센서 융합(Sensor Fusion), 속도 정책, 운용 설계 영역(Operational Design Domain, ODD) 제한에 반영되어야 한다.

낮은 장애물과 돌출 장애물도 명확하게 검증해야 한다. 스캔 평면 아래의 물체는 바퀴 주행을 방해할 수 있고 스캔 평면 위의 물체는 로봇 상부와 충돌할 수 있다. 시험에는 케이블, 팔레트 조각, 작은 상자, 테이블 가장자리, 상승된 포크, 매달린 적재물, 열린 문 등을 포함해야 한다. 이러한 시험은 주 2D 라이다에서 보이지 않는 위험 요소를 확인하고 보조 센서, 기계적 보호, 운용 규칙이 충분한 보완을 제공하는지 검증한다.

디버깅은 여러 파라미터를 동시에 변경하는 방식이 아니라 인지 데이터 흐름을 따라 단계적으로 수행해야 한다. 장애물이 미검출되었을 때 먼저 원시 스캔에 해당 물체의 유효 포인트가 존재하는지 확인해야 한다. 원시 데이터에 물체가 있다면 다음으로 좌표 변환, 필터링, 클러스터링, 추적, 코스트맵(Costmap) 삽입, 경로 계획, 제어 반응 순서로 확인해야 한다. 이러한 단계적 접근은 실패 위치를 빠르게 좁혀준다. 필터, 보정, 경로 계획 파라미터를 동시에 바꾸면 증상만 일시적으로 가릴 수 있다.

기록 데이터 재생(Recorded Data Playback)은 가장 가치 있는 디버깅 도구 중 하나이다. 실제 운용 중의 실패는 이동하는 사람, 순간적인 반사, 네트워크 타이밍 문제와 관련되는 경우가 많아 물리적으로 다시 재현하기 어렵다. 원시 스캔, 타임스탬프, 좌표 변환, 오도메트리, 진단 정보, 코스트맵, 제어 명령을 기록하면 같은 사건을 반복 재생할 수 있다. 엔지니어는 동일한 조건에서 여러 소프트웨어 버전을 비교하고 하나의 코드 변경이 특정 시나리오를 개선하면서 다른 시나리오를 악화시키는지 확인할 수 있다.

시각화 도구(Visualization Tool)는 여러 계층의 정보를 동시에 보여주는 것이 바람직하다. 유용한 표시 정보에는 원시 포인트, 필터링된 포인트, 클러스터, 추적 객체, 로봇 차체 형상(Robot Footprint), 안전 여유, 지역 지도, 전역 지도, 코스트맵, 계획 경로, 제어 궤적이 포함된다. 색상과 기호를 이용하여 센서 관측값과 추정 또는 예측 정보를 구분해야 한다. 명확한 시각화는 좌표계 오류, 오래된 변환, 과도한 장애물 팽창, 잘못된 추적을 즉시 발견하도록 도와준다. 그러나 시각적 확인은 정량 시험을 대체하는 것이 아니라 보완해야 한다.

좌표계(Coordinate Frame) 디버깅은 특별히 중요하다. 많은 라이다 통합 실패는 센서, 로봇 기준, 오도메트리, 지도 좌표계 사이의 잘못된 변환 때문에 발생한다. 스캔이 센서 좌표계에서는 정상적으로 보이지만 자율주행 좌표계로 변환되면 이동하거나 회전해 보일 수 있다. 엔지니어는 좌표계 이름, 부모-자식 관계, 타임스탬프 유효성, 단위 규칙, 축 방향, 변환 발행 주기를 확인해야 한다. 정적 기준 물체를 이용하면 로봇 이동 중에도 모든 좌표계가 기하학적으로 일관되는지 검증할 수 있다.

코스트맵 디버깅은 검출된 장애물이 경로 계획에 올바르게 표현되는지를 확인해야 한다. 유효한 장애물이 높이 또는 거리 임계값을 만족하지 못해 사라질 수 있고, 제거 로직이 실패하면 장애물이 영구적으로 남을 수도 있다. 팽창 파라미터가 지나치면 좁은 경로를 사용할 수 없게 되고 부족하면 위험한 경로가 생성된다. 정적 및 동적 조건 모두에서 장애물 삽입, 레이 기반 제거(Ray Clearing), 소멸 시간, 로봇 차체 형상, 미확인 공간 처리, 지도 갱신 주기를 확인해야 한다.

성능 프로파일링(Performance Profiling)은 논리적으로 올바른 알고리즘도 느리면 실패할 수 있기 때문에 필수적이다. 스캔 해석, 필터링, 변환, 클러스터링, 추적, 지도 작성, 경로 계획에 필요한 처리 시간을 각각 측정해야 한다. 평균 지연 시간만으로는 충분하지 않으며 최대 지연과 높은 백분위 지연(High-Percentile Latency)이 안전 반응 측면에서 더 중요하다. 복잡한 환경, 다중 센서, 높은 스캔 주기, 제한된 컴퓨팅 자원에서 시험해야 한다. CPU 부하, 메모리 사용량, 네트워크 대역폭, 큐 깊이, 누락 메시지를 함께 감시해야 한다.

고장 주입(Fault Injection)은 비정상 조건을 의도적으로 만들어 강인성을 향상시킨다. 센서를 짧게 분리하거나 패킷을 지연시키거나 타임스탬프를 변경하거나 스캔 일부를 제거하거나 진단 경고를 모의할 수 있다. 시스템은 고장을 감지하고 유효하지 않은 데이터 사용을 중지하며 적절한 성능 저하 상태(Degraded State) 또는 안전 상태로 전환해야 한다. 자동 재연결 이후 오래된 버퍼, 잘못된 초기화, 일시적인 위치추정 오류가 발생할 수 있으므로 고장 복구 과정도 반드시 시험해야 한다.

회귀 시험(Regression Testing)은 소프트웨어나 하드웨어 변경 이후 필수적이다. 필터링, 드라이버, 미들웨어, 보정, 자율주행 파라미터, 센서 펌웨어 변경은 하나의 문제를 해결하면서 다른 문제를 만들 수 있다. 따라서 주요 업데이트 이후에는 기록된 시나리오 라이브러리를 자동으로 재생해야 한다. 회귀 시험 세트에는 정상 주행, 경계 조건, 알려진 실패 사례, 투명 물체, 고속 이동, 가려짐, 오염, 통신 고장이 포함되어야 한다. 결과는 사전에 정의된 허용 기준과 비교해야 한다.

현장 시험(Field Testing)은 통제된 공간에서 실제 운용 환경으로 단계적으로 확대해야 한다. 초기에는 폐쇄된 공간에서 방호 구조물과 저속 조건을 사용하고 이후 구조화된 창고 환경, 혼합 교통, 정상 생산 환경으로 확대할 수 있다. 각 단계에는 측정 가능한 진입 및 종료 기준이 있어야 한다. 시험 전 과정에서 로그 기록을 유지해야 한다. 현장에서 발견된 문제는 반복 가능한 시험 사례로 변환하여 분석하고 향후 회귀 시험에 추가해야 한다.

수용 기준(Acceptance Criteria)은 시험 시작 전에 정의되어야 한다. 대표적인 측정값에는 유효 스캔 주기, 거리 오차, 각도 오차, 최소 검출 물체 크기, 장애물 검출 확률, 오검출률(False-Positive Rate), 미검출률(False-Negative Rate), 위치추정 반복성, 지도 일관성, 추적 안정성, 종단간 지연 시간, 최대 처리 시간, 안전 정지 성공률이 포함된다. 기준은 임의의 실험실 목표가 아니라 실제 ODD와 로봇 위험 수준을 반영해야 한다. 명확한 임계값은 시스템이 충분히 신뢰할 수 있는지에 대한 주관적인 판단을 줄여준다.

배포 이후에도 장기 모니터링(Long-Term Monitoring)은 계속되어야 한다. 스캔 품질, 진단 값, 위치추정 신뢰도, 장애물 발생 빈도, 비상 정지, 처리 지연, 통신 오류를 시간에 따라 기록하고 분석해야 한다. 점진적인 변화는 광학 오염, 보정 드리프트, 하드웨어 노화, 환경 변화, 소프트웨어 성능 저하를 나타낼 수 있다. 이를 통해 고정 주기만 따르지 않고 실제 상태를 기준으로 유지보수를 계획할 수 있다. 현장 데이터는 초기 검증에 포함되지 않았던 희귀 시나리오를 발견하는 데도 유용하다.

문서화(Documentation)는 효과적인 디버깅의 핵심이다. 모든 센서 모델, 펌웨어 버전, 네트워크 설정, 장착 좌표, 보정 결과, 필터 파라미터, 알려진 한계, 시험 결과를 기록해야 한다. 설정 추적성이 없으면 외관상 동일한 두 로봇도 작은 미기록 차이 때문에 다르게 동작할 수 있다. 구조화된 시험 보고서는 결과 재현, 장비 간 비교, 인증 지원, 개발·생산·서비스 조직 간 지식 이전을 가능하게 한다.

궁극적으로 2D 라이다 시험과 디버깅은 하드웨어, 통신, 보정, 시간, 알고리즘, 자율주행, 안전, 유지보수를 연결하는 시스템 수준의 접근이 필요하다. 하나의 지도 작성 성공이나 장애물 회피 성공만으로 신뢰성 있는 성능을 입증할 수는 없다. 반복 측정, 통제된 실험, 고장 분석, 장시간 운전, 회귀 시험, 실제 현장 검증이 축적될 때 신뢰성이 형성된다. 센싱 파이프라인의 모든 단계가 관측 가능하고 측정 가능하도록 설계할 때 엔지니어는 라이다 데이터를 안전한 AMR 운용을 위한 신뢰성 높은 인지 정보로 전환할 수 있다.