인공지능 기반 3D 인‑에어 소나로 도로 재질·손상 자동 감지

본 논문은 악천후에서도 안정적으로 도로 표면 상태를 파악할 수 있는 센서로서 3차원 인‑에어 소나(eR TIS) 시스템을 도입하고, 이를 활용한 도로 재질 분류와 손상 검출 두 가지 과제를 수행한다. 기존의 카메라·LiDAR 기반 도로 관리 시스템은 비, 안개, 연무 등 시각적 방해에 취약해 데이터 수집 효율이 낮으며, 특히 지방 자치단체와 같이 예산이 제한된 환경에서는 전용 매핑 차량을 운영하기 어렵다. 이러한 문제를 해결하고자, 논문은 ‘opportunistic sensing’ 개념을 적용해 쓰레기 수거·우편 배달 등 일상 업무를 수행하는 차량에 저비용 소나 센서를 장착하고, 이 차량이 주행하면서 자연스럽게 도로 데이터를 수집하도록 설계하였다. 데이터 수집은 벨기에 앤트워프 대학 연구팀이 진행했으며, 차량에 장착된 32채널 소나와 전면 카메라가 동시에 기록한 데이터를 기반으로 라벨링하였다. 카메라 영상은 손상 유형과 재질을 식별하는 데 사용됐으며, 라벨링 결과는 ‘아스팔트‑올리게이터 크랙’, ‘콘크리트‑횡단 균열’ 등 재질과 손상을 조합한 형태였다. 이후 재질 정보를 별도로 추출하고, 손상 라벨은 재질을 제외한 9가지 클래스로 통합하였다. 데이터 전처리 과정에서는 소나 신호를 PDM 디코딩·매치드 필터·지연‑합산 빔포밍·엔벨로프 검출·클린업 순으로 처리해 각도·거리 기반 강도 행렬(에너지스케이프)을 만든 뒤, 평균 에너지스케이프를 차감하고 범위 축에 최대 풀링을 적용해 차원을 축소하였다. 최종적으로는 PCA를 적용해 128차원 정도의 피처 벡터를 추출했으며, 이를 전통 머신러닝 모델에 입력하였다. 손상 검출을 위해서는 공간적 패턴을 학습할 수 있는 CNN을 도입했으며, 이미지형 전처리 파이프라인을 별도로 설계했다. 여기서는 빔포밍 전 단계에서 전체 마이크 신호를 동일하게 시간 이동시켜 데이터 증강을 수행하고, 이후 동일한 신호 처리 흐름을 적용해 2차원 에너지스케이프 이미지를 만든다. 이미지에 평균·표준편차 정규화를 적용한 뒤, 5개의 합성곱 층과 풀링 층을 거쳐 전역 평균 풀링 후 완전 연결층으로 손상 라벨을 예측한다. 데이터셋은 총 4,386개의 샘플로 구성됐으며, 10%를 고정 테스트 셋으로 보류하고 나머지를 10‑fold 교차 검증(각 fold 90 % 학습, 10 % 검증)으로 나눴다. 클래스 불균형을 완화하기 위해 100개 미만 샘플을 가진 손상 클래스를 제외했으며, 라벨링이 카메라 영상에 의존해 시각적으로 뚜렷한 손상에 편향된 점을 고려해 결과 해석에 주의를 기울였다. 실험 결과, 재질 분류에서는 그래디언트 부스팅이 89.7 % F1 점수로 가장 높은 성능을 보였고, 다른 전통 모델도 85 % 이상을 기록했다. 이는 에너지스케이프 기반 피처가 재질 차이를 충분히 구분할 수 있음을 의미한다. 반면 손상 검출에서는 CNN이 76.3 % F1 점수로 최고였지만, 전통 모델들은 68 % 내외에 머물렀다. 손상 종류가 다양하고, 라벨링이 시각적 가시성에 따라 편향돼 있어 학습 데이터가 충분히 대표성을 갖추지 못한 것이 원인으로 분석된다. 또한 손상 위치와 심도 정보를 제공하지 않아 모델이 전역적인 패턴만 학습하게 된 점도 성능 제한 요인이다. 논문은 이러한 한계를 극복하기 위한 향후 연구 방향을 제시한다. 첫째, 다양한 도로 환경·주행 속도·기후 조건에서 대규모 데이터를 추가 수집해 클래스 불균형을 해소하고 모델 일반화를 강화한다. 둘째, 라이다·초음파·가속도계 등 다른 센서와의 멀티모달 융합을 통해 라벨링 정확도와 손상 유형 구분 능력을 향상시킨다. 셋째, 손상 위치·심도 추정을 위한 객체 검출·시멘틱 세그멘테이션 모델을 도입해 손상의 구체적 특성을 파악한다. 넷째, 실시간 처리와 저전력 소비를 고려한 경량 딥러닝 모델 설계 및 온보드 구현을 연구한다. 결론적으로, 3D 인‑에어 소나는 악천후에서도 신뢰성 있는 도로 상태 정보를 제공할 수 있는 유망한 센서이며, opportunistic sensing 프레임워크와 결합하면 기존 매핑 차량에 비해 비용 효율적이고 높은 커버리지를 달성할 수 있다. 현재 손상 검출 정확도가 기대 수준에 미치지 못하지만, 데이터와 모델을 개선하면 실용적인 도로 관리 시스템에 충분히 적용 가능할 것으로 기대된다.