1. 서 론

1.1 연구의 배경 및 목적

현재 건설산업에서는 스마트 기술 도입에 대한 관심이 증가하고 있다. 국가건축정책위원회의 제3차 건축정책기본계획(2021~2025)에 따르면, 첨단 건축기술과 건축 빅데이터 활용을 통한 스마트 건축 구현의 중요성을 제시하고 있다. 특히 건설 분야에 디지털 트윈 기술이 확대되면서 포인트클라우드 기술에 관한 연구가 활발히 진행되고 있으며, 이는 건설 현장 관리의 품질, 안전, 시공관리 측면에서 많은 장점을 가지고 있다(Jang et al., 2021). 현재 건축물의 시공정밀도를 분석하기 위해 대부분 건축물 정보의 취득 방식은 줄자나 레이저 측정기를 이용한 수동적인 방식으로 진행되고 있다(Kim et al, 2023). 하지만 스캐너를 사용하여 건축물 현재 상태 정보를 포인트클라우드 데이터로 정밀하게 수집하며(Lee et al., 2021), 이를 건축물 설계 BIM(Building Information Modeling) 데이터와 비교하여, 정량적인 시공정밀도 분석이 가능하다. 이러한 방식은 기존 검사 방식과 다르게 정밀하고 신속한 품질 분석이 가능하여 현장에서의 생산성 향상 기여가 가능하다(Choi et al., 2024).

하지만, 시공정밀도 분석을 위해 BIM 데이터와 포인트클라우드 데이터의 정보를 비교하는 과정의 정합 작업에서 문제점이 발생한다. 본 연구에서 정의하는 정합은, 2가지 데이터의 점들을 동일 좌표계에 놓이도록 정렬하고 중첩 시키는 작업을 말한다. 첫째, 대부분 BIM 데이터와 포인트클라우드 데이터를 정합하는 작업은 반자동화 프로세스라는 점이다. 보통 데이터 간의 정합 과정은 3차원 데이터 처리 소프트웨어를 통해 진행되며, 수동으로 정합된 모델의 정합 오차가 발생한 부분을 작업자가 직접 수동으로 정합하는 과정이다. 이는 많은 시간과 인력이 요구되며, 작업자의 숙련도에 따라 일관성 확보가 어렵다(Kim et al., 2015). 둘째, BIM 데이터와 포인트클라우드 데이터는 서로 상이한 구조를 가지기 때문에 정합하는 과정이 복잡하다는 점이다. BIM 벡터 기반의 BIM 데이터와 래스터 기반의 포인트클라우드 데이터를 동시에 구동하면, 데이터 처리 속도와 시스템 성능의 저하를 유발한다(Kim & Cho, 2018). 이는 건설 실무 현장에서 요구되는 실시간 데이터 활용과 신속한 의사결정을 제약한다.

위와 같은 문제점들은 BIM과 포인트클라우드 정합을 기반으로 한 시공정밀도 분석의 신뢰성을 저하시킨다. 그리하여 본 연구의 목적은 시공정밀도 분석을 위해 BIM 데이터와 포인트클라우드 데이터를 효율적으로 연계할 수 있는 과정을 체계화하여 자동 정합 프로세스를 제안하고자 한다. 또한, 이를 바탕으로 두 데이터 간의 정합 정확도를 시각적 및 정량적으로 분석하여 자동 정합 프로세스의 효율성을 판단하고자 한다.

1.2 연구의 범위 및 방법

본 연구는 시공정밀도 분석을 위한 3차원 데이터의 자동 정합 프로세스를 제안하기 위해, 벽, 기둥, 바닥, 천장과 같은 건축물의 구조체 요소의 BIM 데이터와 포인트클라우드 데이터를 수집하여 BIM 모델과 포인트클라우드 모델을 구축하였다. 또한, 본 연구의 범위는 건축물 데이터는 실외에서 수집된 데이터가 아닌, 실내에서 촬영하여 수집된 단일 실내 데이터를 연구 범위로 한정하였다. 이에 따라, 공간적 범위를 비교적 정합 난이도가 낮은 단순한 평면 형상이 아닌 비정형 형태의 데이터를 사용하여 기술의 적용 가능성을 높이고자 하였다.

본 연구에서는 기존의 정합 알고리즘에 대해 한계점을 보완하고, 건축물 구조체 기반의 상이한 3차원 데이터 간의 자동 정합 프로세스를 제안하며, 이를 검증하기 위해 시각화와 정량적 분석을 진행하고자 한다. 본 연구의 흐름도는 Figure 1과 같으며, 연구의 구체적인 방법은 아래와 같다.

Figure 1.

Research flow

첫째, 선행연구에 대한 고찰을 통해 기존 포인트클라우드 정합 알고리즘에 대한 특성과 문제점을 분석한다.

둘째, 연구대상의 설계 상태의 BIM 모델과 실측 상태인 포인트클라우드 모델을 구축하고, RANSAC을 사용하여 구조체 기반 정렬을 한다.

셋째, 두 모델간 특징 유사도를 통해 FPFH 기반 전역 정합과 ICP 기반 정밀 정합을 통해 자동 정합 프로세스를 구성한다.

넷째, Open 3D와 히트맵 형태의 시각화 분석과 포인트 간 거리 오차 히스토그램과 통계 지표를 통해 정량적으로 평가한다.

2. 선행연구 및 이론 고찰

2.1 선행연구 고찰

건축물의 시공정밀도 분석을 위해선 설계 정보를 담고 있는 건축 빅데이터인 BIM과 실측 정보를 담고 있는 포인트클라우드 데이터를 효율적으로 처리하고 활용하는 과정이 필수적이다. 특히, 두 데이터 간 좌표계를 통합하는 과정에서 효율적인 자동 정합을 위한 알고리즘의 연구가 활발히 진행되고 있다.

Kim et al. (2019)은 MSS 및 UAV 데이터 간의 효율적인 정합을 위해 ICP 기반 자동 정합 기법을 제안하고, 이를 수동 정합과 비교하였다. 제안한 자동 정합 성능을 평가하기 위해, 각기 다른 위치에서 중첩정도, 노이즈 등와 같은 변수를 두어 실험하였다. 건축물과 같은 구조물에서는 1m 이내의 오차로 정합되었으나 나무와 같은 비정형 구조체에서는 3m 이상의 정합 오차가 측정되었다. 즉, ICP 기반 자동 정합 방식은 노이즈가 적고 데이터의 중첩 정도가 높을수록 정합 정확도가 높다는 결과를 도출하였다.

Park & Um (2020)은 ICP(Iterative Closest Point) 정합과 형상 정합을 각각 모델에 적용하여 오차를 비교하는 연구를 하였다. 해당 연구에서는 ICP, 형상 정합 모두 1cm 이하의 정합 정확도를 가진다고 분석하였다. 하지만 ICP는 데이터 중복 영역이 적거나 형상이 반복되는 건물에는 부적합하며, 형상 정합은 회전행렬 및 변환 벡터를 반복 계산하기에 모델에 노이즈가 많을 경우, 정확도가 저하된다고 시사한 바 있다.

Lee & Ko (2018)은 ICP 알고리즘의 오버랩이 적은 경우 정합 정확도가 떨어진다는 점을 해결하기 위해, GPS, IMU을 통해 위치추정을 하여 초기 정합을 진행하고, ICP를 사용하여 정밀 정합을 진행하였다. 실험군과 대조군 A의 경우, 초기 정합에 비해 ICP를 사용하여 정밀 정합을 한 경우 수행시간은 최대 92%, 반복 횟수는 최대 88.8% 감소하였으며, RMSE는 최대 2.4% 감소를 하였다.

즉, ICP 알고리즘은 중복률이 높을수록 정합 성능이 높아지기 때문에, BIM 모델과 포인트클라우드 모델의 전반적인 정합을 진행한 후, 세밀한 정합 오차를 수정하는 방안으로 사용한다.

Wu & Zhao (2024)는 기존의 ICP, Point-to-point의 정합 방식은 데이터의 밀도나 노이즈에 민감하여 BIM 모델 같이 부재가 명확한 경우에는 한계점이 존재한다고 분석한 바 있다. 그리하여 해당 연구에서는 평면을 추출하는 알고리즘을 활용하여 평면을 추출한 후, 이를 매칭하여 진행하는 정합 프로세스를 제안하였다. 결과로는 기존 정합 방식보다 RMSE가 45% 감소함에 따라 높은 정합 정확도를 갖는다고 시사하였다(Wu & Zhao, 2024).

Kim (2022)은 AR 환경과 SLAM 공간지도 탐색에서 장애물 감지 기법을 제안하기 위해, DB 기반으로 장애물의 특징을 매칭하고 RANSAC 기반으로 다중 평면을 탐지하는 시스템을 제안하였다. 수집된 다량의 장애물 평면 데이터에서 RANSAC 알고리즘을 사용하여 노이즈를 제거하고 기준 평면을 생성하여, 장애물 탐지를 위한 기준점으로 활용하였다. 실험 결과, 장애물을 빨간점으로 시각화하며 구분했으며, 외부와 실내 모두 안정적으로 장애물을 감지하였다.

Kim et al. (2019)은 무인항공기를 통해 수집한 건축물 포인트클라우드 데이터의 평면 성분을 자동으로 추출하여, 3차원 형태로 변환하는 기법을 제안하였다. 여러 평면 추출 과정을 수행하기 위해 RANSAC 알고리즘을 사용하였으며, 지붕, 벽과 같은 건축물의 윤곽선을 효과적으로 식별하기 위해 정사 투영 영상으로 변환하여 건물의 형태를 검출하였다. RANSAC을 이용한 평면 추출 결과, 90% 이상의 건물이 모델링 됐으며, RMSE 값은 1 m 정도이다.

Tang et al. (2022)은 LiDAR 기반 데이터를 통해 BIM 모델을 생성하기 위해, 딥러닝을 사용하여 실내 구조체를 분류하고 RANSAC 알고리즘을 사용하여 실내 구조체의 평면을 추출하였다. 본 알고리즘을 사용하여 13개의 구조체를 식별하고 분류할 수 있었으며, RMSE의 수치가 대부분 0.1 이하 값을 보여주며 높은 정확도를 가짐을 알 수 있었다.

즉, ICP 알고리즘과 같은 정합 알고리즘을 사용할 경우 데이터의 밀도와 노이즈에 민감하기 때문에, RANSAC 알고리즘을 사용하여 데이터 중 구조체의 평면을 추출한 후, 이를 BIM 모델과 매칭하여 정합하는 연구를 진행한다.

Sun et al. (2023)은 기존의 ICP의 단점인 느린 연산 속도, 위치 의존성의 문제를 해결하고자 FPFH (Fast Point Feature Histogram) 기반의 정합 프로세스를 제안하였다. FPFH 기반의 정합은 RMSE가 약 40%가 감소하며, 연산 속도가 약 40%가 향상된다고 밝혔다. 또한, 노이즈가 많은 모델에서도 정확도가 높으며, 복잡한 곡면 형태의 공간에서도 오차가 낮다고 시사한 바 있다(Sun et al., 2023).

Zheng Li & Li Zhukun (2021)는 최근접점을 바탕으로 대응점을 설정하는 기존 ICP 알고리즘의 정합 초기 오차 문제점을 개선하기 위해, FPFH 기반 포인트클라우드 정합 기법을 제안하였다. 대상 포인트클라우드의 복셀 중심점과 원본 포인트클라우드의 포인트 간 FPFH 특징 유사도를 바탕으로 가상 대응점을 생성하였으며, ICP, NDT, FGR 기법과 각도, 거리, 형상 거리 오차를 기준으로 비교하였다. 실제 계측 환경과 동일한 상태의 포인트클라우드에 적용한 결과, 제안한 알고리즘이 다른 방법들에 비해 우수한 성능을 보였다.

Zhuang et al. (2025)은 ICP 알고리즘의 정합 속도와 정확도를 향상 시키기 위해, 특징점 추출을 통해 복셀 그리드 기반 다운샘플링 과정을 진행하였으며, FPFH와 SHOT을 통해 얻은 특징 응답값을 바탕으로 가중치를 계산하여 전역 정합한 후, 정밀 정합을 위해 KD-ICP 알고리즘을 사용였다. 본 연구에서 제안한 기법을 검증하기 위해 RMSE와 정합 시간을 LM-ICP, KD-ICP 알고리즘과 비교하였으며, 비교 알고리즘에서 발생한 문제점인 귀, 발과 같은 부분 오차 정합 문제를 해결할 수 있었다.

Dai & Chen (2022)은 딥러닝 기반 정합 방식은 포인트클라우드가 지니고 있는 법선, 곡률 정보와 같은 기하학 정보를 반영하지 못하는 문제를 해결하기 위해, FPFH를 통해 추출된 기하학적 특징과 GNN을 통해 학습된 신경망 모델을 융합하여 정합 네트워크를 제안하였다. 제안한 기법을 검증하기 위해 6개의 기법과 비교하여 회전오차와 이동오차를 계산하였다. 제안한 기법의 회전오차는 1.72°, 이동오차는 0.016m로 가장 낮은 오차값이 추출되었다.

기존 연구들은 포인트클라우드 정합 연구에서 널리 사용되는 알고리즘인 ICP의 한계를 개선하기 위해, 여러 알고리즘 중 FPFH를 융합하여 정합 시스템을 구축하였다. 하지만, 본 연구들은 Bunny, Dragon과 같은 소규모 객체 데이터 위주로 수행되었으며, 구조체 기반의 건축 공간의 특성을 반영하기에는 어려움이 존재한다. 또한 실측 포인트클라우드 모델과 BIM 모델간의 시공 오차와 같은 좌표계 차이와 구조적 불일치가 존재하는 환경에 대한 검증은 미흡하였다.

따라서 본 연구에서는 과정의 특성에 따른 정합 알고리즘을 조합하여 구축하기 위해, RANSAC 알고리즘을 사용하여 건축물의 평면을 식별하여 구조체를 추출하고, FPFH을 통해 데이터 간 유사도를 분석하여 전역 정합을 진행한다. 그 후, 중복 영역이 높은 데이터의 세밀한 오차를 보정하기 위해 ICP 알고리즘을 사용하여 정밀 정합을 진행하였다. 이는 반자동화 정합이 아닌 작업자의 개입을 최소화한 자동 정합 방식 프로세스이며, 시공정밀도 분석 측면에서의 효율성과 적용 가능성을 평가한다.

2.2 이론 고찰

2.2.1 RANSAC

RANSAC(Random Sample Consensus)은 무작위로 선택한 데이터 집합을 통해 모델을 반복적으로 추정하고, 각 모델과 일치하는 데이터 수를 바탕으로 최대 인라이어 집합을 정해 최적의 모델을 선정하는 추정 기법이다(Yaniv, 2010). 무작위로 설정한 표본 개수만큼 추출하고, 추정된 결과와 측정값 간의 잔류오차를 통해, 선택된 표본값이 임계값에 만족하는지 판단하는 원리이다. 이후 임계값과 가장 적합한 모델과 표본을 선정하여, 인라이어 기반의 최적 모델과 매개변수를 선정할 수 있다(Jeon, 2015).

2.2.2 FPFH

FPFH (Fast Point Feature Histograms)는 3차원 포인트클라우드 간의 기하학적 관계를 계산하여 점의 특징 벡터를 생성하는 기법이다. 상대적 법선 방향 차이(𝜃), 고도각 차이(φ), 방위각 차이(𝛼)를 활용하며 식(1)은 핵심 알고리즘을 보여준다(Jung & Lee, 2025).

$$\begin{gathered} p1:기준점 \\ p2:인접점 \\ u:p1의 법선 벡터 \\ v:p1과p2사이의 연결 벡터와u의 외적 \\ w:u와v의 외적 벡터 \\ n2:p2의 법선 벡터 \end{gathered}$$

기하학적 관계를 바탕으로 계산된 𝜃, φ, 𝛼를 11개의 구간인 bin에 저장하고, 이를 연결하여 33차원 히스토그램 형태로 구성함으로써 SPFH(Simplified Point Feature His-togram)를 생성한다. 그러나 개별 기준점에서만 히스토그램을 계산하는 SPFH의 한계를 개선하기 위해, 인접점 SPFH 거리를 가중 평균 방식으로 누적한 FPFH가 제안되었으며 핵심 원리는 식(2)와 같다(Szalai-Gindl & Varga, 2024).

여기서,

$$\begin{gathered} SPFH(p1):기준점p1의 SPFH 벡터 \\ N:기준점pi의 이웃 개수 \end{gathered}$$

2.2.3 ICP

ICP (Iterative Closest Point)는 자동 정합에서 가장 많이 사용되는 알고리즘으로, 두 점군 사이의 대응점들을 찾고 각 점들 거리의 합이 최소가 되는 배치를 찾는 원리이다(Lee & Ko, 2018). ICP는 두 점군 간의 유클리드 거리를 최소 거리에 있는 점들의 대응 관계로 정의하고, 식(3)을 만족하는 회전 변환 R과 이동 변환 T를 계산하여 이동 데이터를 업데이트하며, 값이 수렴할 때까지 위 과정을 반복하여 가장 가까운 점을 바탕으로 최적의 결과를 추정한다(Park et al, 2025).

3. 데이터 수집

3.1 모델 생성 및 개요

연구 대상은 ‘K’ 대학교의 217m² 면적의 복도를 대상 공간으로 지정한다. 연구 대상은 일반적인 정형화된 형태가 아닌 L 형태로 구성된 복도를 선정하였다. 본 연구에서는 기술의 적용 가능성을 높이기 위해 비정형 형태의 데이터를 사용하였으며, 연구 대상은 자동 정합 프로세스의 적용성 판별에 적합하다고 판단하였다.

3.2 BIM 모델 구축

시공정밀도 분석을 진행하기 위해선, 설계 도면을 바탕으로 BIM 모델을 구축해야한다. 따라서, Autodesk 사의 Revit을 사용하여 연구 대상의 2D 도면을 BIM 모델로 작성하는 전환설계 과정을 진행하였다. 가구, 설비와 같은 불필요한 객체를 제외하고, 벽, 기둥, 바닥, 천장과 같은 건물의 구조체 부분만을 작성하였다. 작성한 BIM 모델을 포인트클라우드 모델과 정합하기 위해, .rvt 파일 형식을 변환하였다. 이를 위해, Revit 프로그램의 RevitPythonShell 애드인에서 객체 정보를 통해 3D 격자 형식으로 X, Y, Z 좌표가 담긴 .csv 파일을 추출하였으며, 이를 시각화한 모습은 Figure 2와 같다.

3.3 포인트클라우드 모델 구축

연구 대상의 실측 데이터를 수집하기 위해 총 20개의 스캔 지점을 선정하고, Leica 사의 BLK 360 레이저 스캐너를 사용하여 촬영한다. 수집된 20개의 포인트클라우드 데이터를 동일 좌표계에 놓이도록 Cyclone FIELD 360을 사용해 그룹으로 묶어 .e57 파일로 추출하였다. 그 후 Cyclone REGISTER 360을 사용하여 하나의 공간 데이터로 정합하였으며, Figure 2와 같이 .las 파일로 포인트클라우드 모델을 추출하였다.

Figure 2.

BIM model and point cloud model generation

4. 자동 정합 프로세스

본 연구에서는 포인트클라우드 모델과 BIM 모델의 기하학적 특성을 고려하여 적절한 자동 정합 알고리즘을 적용함으로써 자동 정합 프로세스를 구성하고자 한다.

먼저 RANSAC 기반 평면 추출을 바탕으로 구조체의 바닥 면을 추출한 후, Z축 정렬 및 중심점 정렬을 수행하여 높이와 중심점을 일치시켜 두 모델간 불일치를 해소하는 초기 정합 단계를 진행한다. 그 후, 초기 위치가 정해지지 않은 두 모델 간 대응 관계를 FPFH 기법을 통해 유사도를 분석하여 두 모델의 전체적인 전역 정합을 진행한다. 마지막으로, 전역 정합 결과를 기반으로 각 포인트 간의 세밀 정합을 위해 추출한 바닥 평면을 바탕으로 2D 평면 기반의 ICP 정합을 진행한다. 이 과정에서는 정합 오차 변화량, 회전 보정 변화량, 이동 보정 변화량을 분석하여 효율적인 세밀 정합을 진행하고자 한다.

4.1 Z축 및 중심 정렬

먼저, 포인트클라우드 모델과 BIM 모델은 서로 다른 좌표계로부터 생성되어 중심점이 상이한다. 그리하여 자동 정합 프로세스를 수행하기 전에 두 모델 간의 Z축 및 중심 정렬을 선행한다. 이는 자동 정합 알고리즘이 해당 모델에 안정적으로 수렴될 수 있도록 하기 위한 초기 정합 단계로 추후에 진행될 전역 정합과 정밀 정합의 바탕 작업이다. 이를 위해 두 모델의 바닥 면을 기준으로 법선 벡터를 계산하여 기울기 보정을 진행하고자 한다.

바닥 면의 추정을 위해서 무작위 방식으로 세 점을 선택한 후, 전체 포인트와의 거리를 기준으로 인라이어를 계산하는 평면 추출 방식인 RANSAC 알고리즘을 사용한다(Kim & Jin, 2024). 이를 바탕으로 각 법선을 활용하여 거리 오차 이내의 점들을 바닥 면으로 간주하여 추출한다.

바닥 면을 추출한 것을 바탕으로 두 모델의 바닥 방향으로 회전 행렬 계산을 진행한다. 이는 두 모델의 Z축 높이를 맞추고자 하기 위한 것이다. 그리하여 바닥 평면의 수직한 방향을 회전축으로 설정한 후, 두 바닥 평면의 벡터 내적 기반으로 회전행렬을 진행하여 Z축 방향으로의 정렬을 진행한다.

이러한 바닥 면 추출과 Z축 정렬이 선행되었으면 다음 과정으로 두 모델 간의 중심점 정렬을 진행하고자 한다. 이를 위해 모델의 전체 중심 위치를 계산하여 중심점을 찾는다. 이후, 두 모델을 각 모델의 중심점으로 평행 이동하여 중심 정렬을 진행한다. 위 방식을 적용한 결과는 아래의 Figure 3과 같다.

Figure 3.

Results of Z-Axis and center alignment

4.2 FPFH 기반의 전역 정합

Z축 및 중심 정렬을 통한 초기 정합 단계를 수행한 후, 두 모델의 전반적인 형상을 고려한 전역 정합 단계를 진행하고자 한다. 본 연구에서는 각 점의 국소 기하학적 특징을 기술하기 위해 각 점 주변의 이웃점을 탐색하고, 중심점과 이웃점 간의 상대적인 법선 방향 및 거리 관계를 계산하여 점의 특징 벡터를 생성하는 FPFH 기법을 사용한다(Rusu et al., 2009). 이를 통해 생성한 특징 벡터를 기반으로 포인트클라우드와 BIM 모델 간의 유사도 기반 매칭을 수행하여 전역적인 대응점을 추정할 수 있다.

먼저, FPFH 기반의 포인트 간의 기하학적 관계를 계산한 후, 추출된 바닥 평면 기반으로 회전을 진행한다. 그리하여 회전에 따른 각 각도마다 정합 일치율을 분석하여 점수로 평가를 진행한다. 그리하여 가장 높은 정합 일치율에서의 정합을 진행하여 전역 정합을 진행한다. 이를 통해 다음 과정인 바닥 평면 기반의 정밀 정합시에 바탕이 되어 전체 정합 정확도를 향상시키는데 기여할 수 있다. 그리하여 이러한 진행과정을 진행한 결과는 아래의 Figure 4와 같다.

Figure 4.

Results of global registration based on FPFH features

4.3 바닥 평면 기반의 ICP 정합

전역 정합을 진행한 후, 다음 단계로 세밀 정합를 진행하고자 한다. 이는 전역 정합을 바탕으로 자동 정합을 진행했다고 하더라도, 두 모델 사이에 발생할 수 있는 세밀한 오차를 줄이기 위한 작업이다. 그리하여 본 연구에서는 두 점군을 대응하는 Point-to-point를 찾아 강체 변환 행렬을 구성하고, 이를 반복 계산하여 두 점군을 정밀하게 정렬하는 알고리즘인 ICP 정합을 진행한다(Li et al.,2020). 추가적으로 ICP 정합을 모든 점에 적용하는 것이 아닌 바닥 평면에 존재하는 점들만을 대상으로 한정하여 진행하고자 한다. 이는 Z축 정렬을 선행함에 의해 실내 데이터에서의 수직 방향을 고정함에 따라 초기에 정한 Z축 방향의 변화가 방지하기 위함이다. 또한, 2D 기반의 정합은 기존 3차원의 ICP 정합에 비해 자유도가 감소하기에 두 모델 간의 자동 정합에서의 발산 위험이 낮다. 그리하여 2D 평면상에서의 최근접 점 기반으로의 대응 관계를 설정하고, 거시적 오차를 보정하여 세밀한 정합을 진행한다. 위 과정의 결과인 정합 오차 변화량, 회전 보정 변화량, 이동 보정 변화량을 각각 그래프로 나타낸 결과는 아래의 Figure 5, Figure 6, Figure 7과 같다.

Figure 5의 그래프 분석 결과, 초기에는 정합 오차를 의미하는 MSE 수치가 급격하게 감소하였으며, 약 10회 정도 이후부터는 완만하게 감소하여 수렴하는 것을 알 수 있다. 이는 초기 단계에서는 전역적인 위치 오차가 빠르게 제거되면서, 이후에는 미세한 정합 보정이 이루어져 정합 과정이 안정적으로 수렴되었음을 알 수 있다.

Figure 5.

Change in registration error

Figure 6의 그래프에서는 초기에는 비교적인 큰 회전 보정 변화량이 발생하지만, 지속적으로 반복됨에 따라 변화량이 거의 0에 수렴하는 형태로 이어지는 양상임을 확인할 수 있다. 이는 Z축 정렬을 미리 선행함에 따라 회전 보정 변화량이 빠르게 감소하여 회전 정합이 초기에 수행되었다는 것을 알 수 있다.

Figure 6.

Change in incremental rotation

Figure 7의 그래프 결과에서는 갈수록 0에 수렴함에 따라, 적절하게 이동 보정 변화량이 낮아지는 양상을 보이는 것을 확인할 수 있다. 이는 전역 정합에 따라 과도한 이동 보정 변화량이 없이 점진적이고 안정적으로 위치 보정만 수행되었다는 것을 알 수 있다.

Figure 7.

Change in incremental translation magnitude

이러한 그래프의 결과들을 통해 정합 오차량은 반복 횟수에 따라 감소하며, 회전 및 이동 보정 변화량 또한 초기 단계 이후에 빠르게 감소하여 안정적인 수렴을 하면서 ICP 정합이 안정적으로 잘 수행되었다는 것을 알 수 있다.

5. 시각화 및 정량적 분석

5.1 정합 시각화

본 연구에서는 시공정밀도 분석을 위해 포인트클라우드 모델과 BIM 모델 간의 자동 정합을 위해 각 모델의 특성을 파악하여 효율적인 알고리즘을 선정한 후, 적용하여 두 모델 간의 자동 정합 프로세스를 진행한다. 그리하여 자동 정합을 진행한 결과를 시각화하여 육안 상으로 파악할 필요가 있다.

따라서 본 연구에서 제안한 자동 정합 프로세스를 해당 모델에 적용함에 따라 정합 오차 분포를 히트맵으로 나타내어 자동 정합 결과를 시각화하고자 한다. 그리하여 정합 오차 분포에 대한 히트맵을 시각화한 결과는 아래의 Figure 8과 같다.

Figure 8의 히트맵 색상은 파란 계열에서 적색 계열로 바뀔수록 정합 오차가 크다는 것을 의미한다. 해당 자동 정합 프로세스를 적용한 연구 결과로는 대상 공간의 대부분이 파란 계열로 나타나는 것으로 확인할 수 있으며, 약 0.05m 이하의 낮은 오차로 정합 정확도가 높다는 것을 확인할 수 있다. 즉, 전체적으로 양호한 결과의 자동 정합이 진행된 것을 확인할 수 있다.

반면에 부분적으로 적색 계열로 되어 있는 것을 확인할 수 있다. 이는 몇몇 부분적으로 정합 정확도가 매우 낮다는 것을 확인할 수 있다. 이는 포인트클라우드 모델을 구축하고자 레이저 스캐너를 사용함에 있어서 내부 물체에 의한 스캔 사각지대 발생에 의해 발생한 것으로 보인다. 또한, 스캔 범위가 아니지만 잘못된 스캔으로 인해 생긴 노이즈들에 의해 국부적인 정합 불일치로 판단된다.

Figure 8.

Heatmap of registration error distribution

5.2 정량적 분석

본 연구에서는 제안한 자동 정합 프로세스에 대한 정량적 분석을 수행하기 위해 두 가지 방법을 통해 효율성을 평가한다. 첫 번째로는 두 모델 간 정합 과정에서 발생하는 오차를 거리 기준으로 히스토그램 형태로 분석하여 오차 분포 특성을 통해 자동 정합의 정확도와 안정성을 평가한다. 이는 오차 거리별 분포에 따라 두 모델 간의 자동 정합이 적절하게 수행되었는지를 확인하기 위함이다.

두 번째로는 FPFH 기반 정합 결과와 FPFH 및 바닥 기반의 ICP 정합을 결합한 결과 간의 정합 정확도를 수치적으로 비교 분석한다. 이를 통해 자동 정합 프로세스에서 부분적인 정합 단계와 전체 자동 정합 과정을 비교함으로써, 보다 효율적인 정합 프로세스인지를 정량적으로 확인하고자 한다.

5.2.1 거리에 따른 정합 오차 히스토그램

자동 정합 결과를 정량적으로 정확도를 판단하기 위해 BIM 모델과 포인트클라우드 모델 간의 최근접 거리 오차를 산출하여 각 포인트의 거리 오차 분포를 히스토그램으로 나타내어 분석하고자 한다. 따라서 나타낸 그래프는 아래의 Figure 9와 같다.

결과를 살펴보면, 대부분 약 0.2m 이하의 거리 구간에 거리 오차가 밀집되어 있으며, 약 0.05m 이하의 구간에 많은 빈도로 존재하는 것으로 확인된다. 이는 대체적으로 두 모델 간의 자동 정합이 높은 정확도를 갖는다는 것을 확인할 수 있다. 반면에 평균 거리를 기준으로 이외에도 많은 영역에서 오차가 부분적으로 발생한 것을 확인할 수 있다. 이러한 오차들은 내부에 존재하는 가구 또는 스캔시에 발생하는 누락 공간에 의해 발생한 것으로 추정된다.

Figure 9.

Distribution of distance errors

따라서 전반적으로 오차 분포가 낮은 거리에 밀집하고, 큰 오차의 빈도가 낮다는 것을 통해 본 연구에서 제안한 자동 정합 프로세스가 높은 정확도를 가진다는 것을 확인할 수 있다.

5.2.2 정합 정확도 분석

정합된 두 모델이 실제 공간에서 얼마나 정확하게 일치하는지를 정량적으로 분석하기 위해 부분적인 정합 단계인 FPFH 기반 정합 결과와 전체 자동 정합 결과를 비교하여 효율성을 나타내고자 한다. 따라서 비교한 정합 정확도 통계 결과는 아래의 Table 1과 같다.

Table 1에서 FPFH 기반의 전역 정합만 진행한 경우에는 평균 오차가 약 0.64m, RMSE는 약 0.95m이며, FPFH 기반의 전역 정합과 바닥 평면 기반의 ICP 정합을 진행한 경우에는 평균 오차가 약 0.13m, RMSE는 약 0.19로 Mean, RMSE 수치가 약 80% 감소하는 양상을 확인할 수 있다. 또한, Median, StdDev, Max 수치도 상대적으로 FPFH만 진행한 것에 비해 전체적인 자동 정합 프로세스가 오차가 감소하는 것으로 확인할 수 있다.

위와 같은 결과를 바탕으로 부분적으로 진행한 결과에 보다 FPFH 기반의 전역 정합과 바닥 평면 기반의 ICP 정합을 순차적으로 적용한 자동 정합 프로세스가 더욱 효율적고 높은 정합 정확도를 가진다는 것을 확인할 수 있다.

6. 결 론

본 연구에서는 시공정밀도 분석을 위해 BIM 데이터와 포인트클라우드 데이터 간의 정합 과정에서 발생하는 복잡성과 반자동화 문제를 해결하기 위해, 정합 과정의 특성을 고려한 알고리즘을 조합하여 자동 정합 프로세스를 제안하였다. 그리고 제안한 프로세스의 성능을 검증하기 위해, 시각화와 정량적 분석을 통해 평가하였다.

본 연구에서 제안한 BIM과 포인트클라우드 데이터 자동 정합 프로세스를 통해 도출된 정합오차 변화량, 회전 보정 변화량, 이동 보정 변화량의 분석 결과는 다음과 같다.

첫째, 정합 오차는 반복 횟수에 따라 지속적으로 감소하며, 일정 시점 이후 안정적으로 수렴한다.

둘째, 회전 보정은 초기에만 필요한 보정이며, Z축 정렬 이후 빠르게 안정화된다.

셋째, 이동 보정은 점진적으로 감소하며, 이는 미세 정합 단계로 전환되었음을 의미한다.

자동 정합 결과를 Open 3D와 정합 오차 분포를 히트맵을 통해 시각화한 결과, 약 0.05m 이하의 낮은 오차 수치로 대부분 정합 오차가 작은 파란색의 포인트로 표현되었으나, 부분적인 적색 계열 포인트가 존재하였다. 이에 대한 오차는 포인트클라우드 모델을 구축하기 위해 레이저 스캐너를 사용하여 연구 대상을 촬영하는 과정에서, 스캔 범위가 아닌 영역의 촬영과 내부 비구조체에 의한 스캔 사각지대 발생으로 인한 문제점으로 보여진다. 거리에 따른 정합 오차를 히스토그램으로 표현하여 정량적 분석을 한 결과, 약 0.2m 이하의 구간에 거리 오차가 나타났으며, 약 0.05m 이하의 구간에 오차 구역이 밀집된 것을 알 수 있었다. 이는 오차 분포가 전반적으로 낮은 거리에 밀집하고 큰 오차의 빈도가 낮다는 것을 의미함을 알 수 있다. 또한, 정합 정확도를 수치화하기 위해 FPFH만 적용한 결과와 비교하였으며, Mean은 약 0.13m, RMSE는 약 0.19로 Mean, RMSE 수치가 약 80% 감소하는 양상을 확인할 수 있다. 또한, Median, StdDev, Max 수치도 상대적으로 오차가 감소함을 알 수 있으며, 이는 전체적으로 양호한 결과의 정합 정확도를 가진다는 것을 알 수 있었다.

본 연구 대상이 단일 실내 공간의 일부 부재를 대상으로 하고 있으나, 건축공사의 전체를 대상으로 하기 위해서는 건축물을 구성하는 다양한 부재들에 대한 다양한 인식 방법을 보완해야 한다. 시공정밀도를 관리해야 하는 주요 관리 대상과 각 대상의 특성을 반영하여 인식하는 포인트클라우드 데이터 처리 방법에 대해서는 추가적인 연구가 필요하다.

또한, 본 연구에서 발생한 일부 정합 오차는 BIM 모델에 포함되지 않은 창호, 문, 가구와 같은 비구조체 요소 인해 발생한 것이기 때문에, 향후 연구에서는 구조체와 비구조체를 사전에 구분할 수 있는 전처리 프로세스를 연구할 필요가 있다. 따라서, 시공정밀도 분석을 위한 3차원 데이터 자동화 처리 기법을 정립하기 위해, 비구조체 전처리, 구조체 구분 및 식별, 정합, 구조체 정보 추출에 관한 후속 연구가 필요하다.