LiDAR Point Cloud에서 Outlier를 제거하는 전처리 기법에는 어떤 것들이 있을까요?

이 게시글은 장형기님의 SLAM 기술면접 질문 100선에 대한 제 나름대로의 답을 정리한 것입니다.

---

1. SOR 기법(Statistical Outlier Removal)

• 기본 원리: 각 포인트의 주변 이웃 거리를 분석하여, 특정 값 이상 벗어난 포인트를 제거

• 방법

  1. K-Nearest Neighbors(KNN)를 사용하여 각 포인트의 이웃을 찾음

  2. 평균 거리와 표준 편차를 계산

  3. 평균 거리에서 임계값 이상 벗어난 포인트를 Outlier로 간주

• 장점: 계산이 빠르고, 효과적

• 단점: 밀도가 불균일한 포인트 클라우드에서 최적의 임계값을 설정하기 어려움
  
  

2. ROR 기법(Radius Outlier Removal)

• 기본 원리: 각 포인트의 radius 내에 일정 개수 이상의 이웃이 있는지 확인, 이웃이 적으면 아웃라이어로 간주

• 방법

  1. Radius를 설정
     
     
  2. 해당 반경 내에 포함된 이웃 포인트 개수가 설정값 이하이면 제거

• 장점: 밀도가 낮은 영역의 outlier를 잘 제거할 수 있음

• 단점: Radius를 얼마로 잡아야 할지 선택하기 어렵고 밀도가 변화하는 Point Cloud에는 비효율적임
  
  

---

크게 나누면 이렇게 두개가 있는 것 같은데 여기서 딥러닝을 쓰거나 RANSAC 등 알고리즘을 활용하여 제거하는 방식도 있을 수 있습니다.