Contents — find the section you need

LiDAR(Light Detection and Ranging)는 발사된 레이저 광이 물체에 반사되어 돌아오는 데 걸리는 시간(Time of Flight, ToF)을 측정하고, 빛의 속도를 이용하여 거리를 역산합니다. 카메라가 "색상과 패턴"을 포착하는 반면, LiDAR는 조명 조건에 영향을 받지 않고 물체의 실제 3D 형상을 직접 포착할 수 있습니다. 이것이 LiDAR의 가장 큰 장점이며, 자율 주행 차량의 주변 환경 인식과 로봇 공학의 SLAM(동시 위치 추정 및 지도 작성)에 널리 사용됩니다. 이 분야는 미국의 벨로다인(Velodyne)이 개척했고, DJI의 자회사인 리복스(Livox)가 저가형 기술 개발을 주도했으며, 현재는 중국의 허사이(Hesai)와 로보센스(RoboSense)가 대량 생산 규모로 선두주자 대열에 합류하고 있습니다. 불과 10여 년 만에 이 시장의 판도가 극적으로 바뀌었습니다.

벨로다인 센서 제품군(알파 프라임, 울트라 퍽, 퍽)벨로다인 알파 프라임 / 울트라 퍽 / 퍽 제품군
전시된 세 가지 리복스 LiDAR 모델(미드-40, 호라이즌, 텔레-15)리복스 미드-40 / 호라이즌 / 텔레-15

이미지: Velodyne LiDAR 알파 프라임 울트라 퍽 퍽 센서 제품군 (APJarvis, CC BY-SA 4.0) / Livox 미드-40, 리복스 호라이즌, 텔레-15 Livox Tele-15 (Dllu, CC BY-SA 4.0), 둘 다 Wikimedia Commons에서 가져온 이미지입니다. 본문에서 비교하는 최신 모델(VLP-16, Mid-360S)은 아니지만 각 회사의 제품 라인을 대표하는 예시입니다.

원리: 빛의 왕복 시간으로부터 거리 역산

LiDAR의 기본 원리는 간단합니다. 레이저 펄스를 발사하고, 물체에 반사되어 돌아오는 데 걸리는 시간(T)을 측정한 다음, 빛의 속도(c, \approx 3.0 \times 10^8 m/s)로부터 거리(D)를 역산합니다.

D = \frac{c \cdot T}{2}

2로 나누는 것은 펄스가 목표물까지 갔다가 돌아오는 데 걸리는 시간을 고려한 것입니다. 빛의 속도가 매우 빠르기 때문에, 이러한 시간 차이는 나노초(10억분의 1초) 단위로 측정해야 합니다. 예를 들어, 10m 떨어진 물체까지 왕복하는 데 걸리는 시간은 약 67나노초에 불과합니다. 이처럼 초고속으로 시간을 측정해야 하는 것이 바로 LiDAR 기술의 핵심적인 어려움입니다. LiDAR 기술에는 크게 두 가지 방식이 있습니다. 하나는 펄스의 왕복 시간을 직접 측정하는 dToF(Direct Time of Flight) 방식이고, 다른 하나는 변조된 연속 빔의 위상 변화를 통해 거리를 계산하는 iToF(Indirect Time of Flight, FMCW 포함) 방식입니다. 대부분의 장거리 실외용 LiDAR 제품은 dToF 방식을 채택하고 있습니다.

이미지: Concept of LiDAR (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons.

스캐닝 방식: 기계식 회전 장치부터 비회전(고체) 설계까지

LiDAR 스캐닝 방식은 크게 세 가지 범주로 나뉩니다.

기계식 회전형은 레이저 이미터/리시버 유닛을 쌓아 올리고 모터를 이용해 전체 어셈블리를 360도 회전시키는 방식입니다. 이는 Velodyne에서 개척한 초기 방식입니다. 360도 전방위 영역을 균일하게 스캔할 수 있지만, 움직이는 부품 때문에 내구성과 비용 면에서 불리한 점이 있습니다.

MEMS 방식은 초고속으로 진동하는 작은 거울(MEMS 미러)을 이용해 레이저를 스캔하는 반고체 방식입니다. 움직이는 부품이 작아 비용 절감이 용이합니다. 로보센스(RoboSense)의 M1 시리즈를 비롯한 양산형 자동차 LiDAR에 널리 사용되는 방식 중 하나입니다.

비회전식(리복스(Livox) 독자 기술)은 서로 다른 속도로 회전하는 두 개의 프리즘(리슬리 프리즘)을 이용해 레이저를 비반복적인 꽃잎 모양(로도네아 곡선)으로 스캔합니다. 두 프리즘의 회전 속도 비율이 무리수에 가까울수록 스캔 궤적은 이론적으로 같은 경로를 반복하지 않으므로, 시간이 지남에 따라 포인트 클라우드 밀도가 계속 증가합니다. 스캔 패턴이 시야 중심부를 주변부보다 더 자주 가로지르기 때문에, 중심부가 가장자리보다 밀도가 높은 특유의 불균일한 밀도 분포를 생성합니다(시야 중심부의 라인 간격은 약 0.2도로, 기존 64라인 LiDAR보다 조밀합니다). 이 설계는 넓은 시야를 확보하면서 움직이는 부품을 소형화할 수 있지만, 순간 포인트 클라우드 밀도는 회전식 설계에 비해 떨어지고, 긴 적분 시간을 허용할 수 없는 고속 이동 플랫폼에서는 성능 제약이 따릅니다.

주요 제품 사양 비교

제품 방식 측정 거리 포인트 클라우드 밀도 시야각
Velodyne (현 Ouster) Puck VLP-16 기계식 회전, 16채널 100m 약 300,000 포인트/초 (단일 반사, 이중 반사 시 약 600,000 포인트/초) 수평 360°, 수직 30° (±15°)
Ouster OS1-128 기계식 회전 디지털 LiDAR, 128채널 90m (암흑 목표물, 반사율 10%) 약 262만 포인트/초 수평 360°, 수직 45° (±42.4°)
Ouster OS2 기계식 회전 디지털 LiDAR 240m — 수평 360°
Livox Mid-360 비회전식 (프리즘 스캐닝) — 200,000 포인트/초 수평 360°, 수직 59°
Livox Mid-360S (Mid-360의 후속 모델, 2026년 6월 출시) 비회전식(프리즘 스캐닝) 최소 감지 거리 10cm 초당 20만 포인트 유지 수평 360°, 수직 59°
Hesai AT128 하이브리드 솔리드 스테이트, 128채널(905nm VCSEL) 200m(반사율 10%), 유효 지면 감지 거리 약 70m 초당 150만 포인트 이상 수평 120°
RoboSense RS-LiDAR-M1 MEMS, 자동차 양산형 200m(반사율 10% 기준 150m) — —
RoboSense E1R 완전 솔리드 스테이트, 144채널 75m — 수평 120° x 수직 90°, 10W 미만 전력 소비

벨로다인 퍽 VLP-16은 16개 채널(16개의 수직 레이저 라인)을 통해 2도 수직 해상도를 제공하며, 자율 주행 및 로봇 공학 개념 증명 분야에서 오랫동안 사실상의 표준으로 자리 잡았습니다. 오스터의 OS1-128은 벨로다인의 기계식 회전 구조를 계승하면서 자체 개발한 "디지털 LiDAR" 아키텍처(CMOS 공정에서 레이저와 검출기를 통합)를 추가하여 높은 채널 수와 높은 포인트 클라우드 밀도를 구현했습니다. 리복스 미드-360S는 미드-360의 IP67 방진/방수 등급과 내장 IMU(ICM-40609)를 계승하면서 근거리 검출 성능을 개선했습니다.

자동차 및 산업 분야에서는 중국의 헤사이(Hesai)와 로보센스(RoboSense)가 MEMS 및 솔리드 스테이트 설계를 통해 빠르게 시장 점유율을 확대하고 있습니다. 헤사이(Hesai)의 AT128은 128개의 고출력 다중 접합 VCSEL 어레이와 128개의 애벌랜치 광다이오드 검출기를 하이브리드 솔리드 스테이트 설계로 결합한 제품입니다. 여러 주요 자동차 제조업체의 ADAS 프로그램에 채택되어 누적 설치량이 수백만 대에 달합니다. 로보센스(RoboSense)는 MEMS 기반의 M1 시리즈와 10W 미만의 전력을 소모하는 완전 솔리드 스테이트 방식의 E1R 시리즈로 제품 라인업을 나누어 자동차 수준의 신뢰성과 로봇 분야의 저비용을 모두 충족합니다. 2026년까지 자율주행용 LiDAR의 연간 총 생산 능력은 약 400만 대에 이를 것으로 예상됩니다.

이 산업의 숨겨진 이야기

DARPA 그랜드 챌린지가 벨로다인(Velodyne)의 탄생을 이끌었습니다. LiDAR의 탄생 스토리는 흥미롭게도 오디오 장비 제조업체에서 시작됩니다. 벨로다인 어쿠스틱스(Velodyne Acoustics)의 창립자인 데이비드 홀(David Hall)은 원래 고음질 홈 스피커 기술을 연구했습니다. 2004~2005년 DARPA 그랜드 챌린지(150마일 사막 횡단 자율 주행 차량 경주)에 참가했을 당시, 그는 처음에는 스테레오 카메라 기반 내비게이션을 시도했지만, 다른 팀들과 접근 방식을 논의한 후 LiDAR로 방향을 전환했습니다. 그리고 2005년에는 900rpm으로 회전하는 64개의 레이저를 사용하는 세계 최초의 실시간 360도 서라운드 뷰 LiDAR인 HDL-64를 개발했습니다. 2007년 DARPA 어반 챌린지에서는 거의 모든 팀이 차량 지붕에 Velodyne 장치를 장착했는데, 이 "사막 해킹"은 이후 자율 주행 업계 전체의 표준 장비가 되었습니다.

DJI의 스핀오프 기업인 Livox - Livox는 드론 업계의 거물 DJI의 사내 인큐베이터인 오픈 이노베이션 프로그램의 엔지니어들이 새로운 비반복 스캐닝 방식을 개발한 후 2016년에 설립되었습니다. 이 회사는 자동차, 스마트 시티, 측량 및 모바일 로봇 공학 애플리케이션 전반에 걸쳐 고품질, 저비용, 신뢰할 수 있는 LiDAR를 제공하는 것을 목표로 삼았으며, 2019년 1월 Mid 시리즈를 출시한 이후 26개 이상의 국가 및 지역에서 1,500명 이상의 고객에게 서비스를 제공했습니다. 또한 DJI 스토어의 소비자 대상 소매 채널을 통해 판매되고 있는데, 이는 LiDAR 업계에서는 드문 유통 경로입니다.

Waymo의 자체 개발 LiDAR와 그 "후퇴" — 자율주행 개발 초기, Waymo(당시 Google)는 개당 75,000달러에 달하는 고가의 LiDAR 때문에 어려움을 겪었습니다. 이에 Waymo는 자체 개발 LiDAR를 제작하여 2011년부터 생산을 시작했고, 그 결과 가격을 약 10분의 1 수준인 7,500달러까지 낮춘 것으로 알려져 있습니다. 2019년, 허사이 테크놀로지는 자사의 로보택시 사업과 경쟁하지 않는 로봇, 보안, 농업 분야 기업들을 대상으로 범퍼 장착형 주변 LiDAR인 레이저 베어 허니콤(수직 시야각 95°, 수평 시야각 360°)을 판매하기 시작했습니다. 그러나 약 2년 반 동안 외부 판매를 지속한 후, 2021년경 판매를 중단했습니다. 이는 자사 핵심 기술의 일부를 외부에 꾸준히 공급하는 것이 얼마나 어려운지를 보여주는 사례입니다.

허사이의 "중국 군수업체" 지정 관련 법적 공방 — 2024년, 미 국방부는 상하이에 본사를 둔 허사이 테크놀로지를 비롯한 여러 중국 기업들을 "중국 군수업체" 목록(1260H 목록)에 추가했습니다. 허사이는 같은 해 워싱턴 연방 법원에 소송을 제기하여 "자사는 군수업체가 아니며, 제품은 민간용으로만 사용된다"고 주장했습니다. 2025년 7월, 지방법원은 허사이의 지정 결정을 유지했고, 허사이는 연방 항소법원에 항소했습니다. 이는 자동차용 LiDAR 시장에서 세계적 점유율이 높은 중국 기업이 지정학적 갈등의 한복판에 휘말린 생생한 사례입니다.

루미나-볼보 계약 파기 — 루미나는 볼보의 EX90 전기 SUV와 ES90 세단에 LiDAR를 기본 사양으로 탑재하는 생산 계약을 따낸 몇 안 되는 미국 LiDAR 스타트업 중 하나였습니다. 그러나 2025년 말, 볼보는 루미나가 계약 의무를 이행하지 못했다며 계약을 해지하고, 2026년형 모델부터 차량에서 LiDAR를 제거하겠다고 발표했습니다. 기존 차주들에게는 최대 18,000 노르웨이 크로네의 보상금을 지급하기로 했습니다. 이에 루미나는 같은 해 12월 15일 파산 보호 신청(챕터 11)을 했습니다. 이는 공급업체의 재정적 취약성이 자율주행차에 LiDAR를 기본 장비로 탑재하려는 업계의 더 큰 목표를 가로막는 병목 현상이 된 최근의 가장 큰 사례 중 하나입니다.

FAST-LIO 및 LiDAR-IMU 융합 — Livox Mid-360과 같은 비회전 고주파 출력 LiDAR에 적합한 널리 사용되는 알고리즘으로는 FAST-LIO("A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter," arXiv:2010.08196)가 있습니다. 이 알고리즘은 2020년 홍콩대학교의 Wei Xu, Fu Zhang 연구진에 의해 발표되었습니다. FAST-LIO는 LiDAR 특징점과 IMU 데이터를 긴밀하게 결합된 반복 칼만 필터를 통해 융합하는데, 측정 차원이 아닌 상태 차원을 기반으로 칼만 게인을 계산하는 새로운 공식을 사용하여 당시 기존 방식보다 훨씬 빠른 처리 속도를 달성했습니다. 2021년에 발표된 후속 버전인 FAST-LIO2(arXiv:2107.06829)는 특징 추출 없이 원시 포인트 클라우드를 지도에 직접 등록하는 방향으로 발전했으며, 많은 실제 로봇 공학 프로젝트에서 사용되고 있습니다. Livox 자체 접근 방식의 스캔 특성에 대한 연구도 계속해서 발표되고 있습니다. 예를 들어, 도로변에 설치된 LiDAR의 반복 스캔 패턴과 비반복 스캔 패턴을 비교한 논문(arXiv:2511.00060)이 있습니다.

성능을 결정하는 매개변수: 사용 사례에 따라 우선순위가 바뀝니다

  • 포인트 클라우드 밀도: 멀리 있는 작은 물체(사람, 장애물의 가장자리)를 감지해야 할 때 중요합니다. 밀도가 낮으면 실제로 목표물에 닿는 레이저 포인트 수가 적어 감지를 놓칠 가능성이 높아집니다. 자동차 및 고해상도 용도를 위한 제품은 초당 백만 포인트 이상을 처리하는 추세이며, Hesai의 AT128(초당 150만 포인트 이상)과 Ouster의 OS1-128(초당 262만 포인트)이 그 예입니다.
  • FOV(시야각): 하나의 장치로 주변 전체를 스캔해야 하는 로봇은 수평 360°의 전체 시야각이 필요합니다. 반대로, 전방 모니터링만 필요한 차량 애플리케이션의 경우 Hesai의 AT128(수평 120°)이나 RoboSense의 E1R(120° x 90°)처럼 제한된 FOV보다 장거리 성능(범위)을 우선시할 수 있습니다.
  • 범위: 고속으로 이동하는 차량은 적절한 제동 거리를 확보하기 위해 더 긴 범위가 필요합니다. Ouster의 OS2는 240m의 범위를 제공하며 고속도로 트럭 운송 작업에 적합하게 설계되었지만, 저속으로 이동하는 로봇의 경우 근거리 감지 정확도가 더 중요합니다.
  • 최소 감지 거리: 장애물 바로 근처에서 작동하는 로봇 팔의 경우, 근처 물체를 감지할 수 없는 "사각지대"는 위험합니다. Mid-360S는 바로 이 점을 개선된 근거리 감지 기능으로 해결했습니다.
  • 수직 해상도: 도로 요철이나 연석과 같은 미세한 표면 불규칙성을 감지해야 할 때 중요합니다. Velodyne Puck VLP-16의 16채널, 2도 스텝 구성은 해상도와 비용의 균형을 맞춘 설계입니다.
  • 전력 소비: 배터리 구동 드론 및 소형 로봇의 경우 전력 소모는 비행 또는 작동 시간에 직접적인 영향을 미칩니다. RoboSense E1R의 10W 미만 수치는 이러한 사용 사례를 명확하게 겨냥한 설계 값입니다.
  • 스캔 방식 자체에서 비롯되는 포인트 분포 특성: Livox와 같은 비회전식 설계는 FOV 중앙부가 가장자리보다 밀도가 높아 불균일한 분포를 보이므로 주변부의 감지 정확도가 회전식 설계보다 떨어질 수 있습니다. 실제로 플랫폼이 긴 적분 시간(정지 또는 저속 이동 vs. 고속 이동)을 감당할 수 있는지 여부는 실제 성능에 상당한 영향을 미칩니다.

포인트 클라우드 수치 해석: 타이밍 및 각도 해상도

데이터시트에 나와 있는 거리 수치만으로는 LiDAR의 실제 모습을 예측하기에 충분하지 않습니다. 거리 변동에 대한 첫 번째 추정치는 타이밍 오차를 거리로 변환하여 얻습니다. 펄스 타이밍 오차가 \sigma_T인 경우, 거리 표준 편차는 다음과 같습니다.

\sigma_D \simeq \frac{c}{2}\sigma_T

예를 들어, \sigma_T=100\,\mathrm{ps}일 때 c\simeq3.0\times10^8\,\mathrm{m/s}이면 \sigma_D\simeq15\,\mathrm{mm}가 됩니다. 이는 센서의 내부 타이밍 오차만을 나타낸 것이며, 반사율, 입사각, 빗방울, 다중경로 및 외부 교정 오차는 별도로 더해집니다.

각도 분해능은 인접한 점들이 멀리 떨어져 있는 것처럼 보이는 정도를 결정합니다. 인접한 레이저 광선이 거리 D에서 \theta만큼 떨어져 있다면, 작은 각도 근사에서 측면 간격은 다음과 같습니다.

s \simeq D\tan\theta

D=10\,\mathrm{m} 및 \theta=0.2^\circ에서 s\simeq35\,\mathrm{mm}입니다. 가는 막대를 안정적으로 감지하려면 초당 스캔 포인트 수뿐만 아니라 대상을 가로지르는 스캔 라인 수와 이동 플랫폼이 충분한 적분 시간을 제공하는지 확인해야 합니다.

Diagram 1 · Use the button to switch views
Timing error and point spacing 1 ns timing error → 0.15 m range error. Fixed timing error: independent of range. At 10 m and 1° → spacing ≈ 0.175 m Timing error and point spacing 01 Timing error → range error Convert round-trip timing error to range ΔR = c Δt / 2 Range error ΔR (m) Timing error Δt (ns) 0 1 2 0.15 1 ns timing error → 0.15 m range error Fixed timing error: independent of range 02 Angular spacing → lateral point spacing Same angle: wider spacing farther away s = R tan(Δθ) Δθ s R At 10 m and 1° → spacing ≈ 0.175 m R: distance to a plane ahead Schematic; not drawn to scale
다이어그램: Duskcoil. 앞쪽 평면의 포인트 간격과 펄스 ToF 타이밍 오차를 구분하는 개략도. 측정 데이터 또는 전체 센서 정확도가 아님.

이 두 가지 오차 원인은 서로 다른 설계 결정으로 이어집니다. 장거리 소형 물체 감지의 경우 수신기 감도 및 타이밍 해상도를 각도 해상도, 스캔 주기 및 차량 속도와 함께 평가해야 합니다. 속도가 느린 실내 로봇의 경우 최대 감지 거리 향상보다 최소 감지 거리, 바닥 반사율 및 ROS 드라이버의 타임스탬프 정확도가 더 중요할 수 있습니다.

이해력 점검
더 많은 포인트가 얇은 장애물 감지를 보장합니까?

각도 간격, 탐지 거리, 반사율 및 스캔 패턴에 따라 탐지 성공 여부가 결정됩니다. 총 탐지 포인트 수는 특정 목표물의 탐지 범위를 나타내지 않습니다.

참고 자료

What to read next

Review the backgroundSBC(싱글 보드 컴퓨터)의 작동 방식 및 주요 제품 — 라즈베리 파이 5, 젯슨, 코랄Continue the series단안 카메라의 작동 원리 및 주요 제품 — 모빌아이, 테슬라, 콘티넨탈Explore another aspect of this field정지형 IMU 로그 판독: 편향, 산포 및 알란 편차
#LiDAR #Livox #Velodyne #Hesai #RoboSense #Sensor #Autonomous Driving