디지털 트윈 환경 구현을 위한 3D Point Cloud 기반 맵 모델링 = 3D Point Cloud-based Map Modeling for Digital Twin Environment Implementation

국문 초록 (Abstract)

본 논문에서는 디지털 트윈 환경 구현을 위해 3D 점군(Point Cloud) 데이터를 기반으로 한 새로운 실내 공간 모델링 프레임워크를 제안한다. 기존의 단일 메쉬 재구성 방식은 실내 환경을 모델링할 때 배경과 기타 오브젝트가 혼합되어 디지털 트윈 환경 구성의 정밀도를 저하시켰다. 이에 본 논문에서 제안한 방법은 Classification과 Semantic Segmentation을 적용하여 Point Cloud 데이터를 의미론적으로 세밀하게 분할 및 분류하고 각 오브젝트에 Label을 부여한다. 부여된 Label을 통해 실내 공간의 구조적 배경(Target Object)과 비구조적 가구(Non-Target Object)를 구분하고, 각 객체 그룹에 대해 개별 파라미터 조정이 가능한 Screened Poisson Surface Reconstruction 기법을 적용하여 고품질의 3D 메쉬를 생성한다. S3DIS 데이터셋을 활용한 실험 결과, 제안한 방법은 기존의 단순 통합 메쉬 재구성 대비 3D Mesh 데이터의 품질과 구조적 충실도가 현저히 향상되었음을 확인하였다. 구체적으로, 오차 지표인 Hausdorff Distance, 평균 절대 오차(Mean Absolute Error), 그리고 제곱평균제곱근 오차(RMS Error)에서 평균 74.64% 향상된 개선 효과를 보여, 실내 공간 모델링의 정밀도와 재현성을 크게 높였다. 이러한 결과는 복잡한 실내 환경에서 디지털 트윈 구축에 있어 정확하고 신뢰할 수 있는 3D 모델링의 가능성을 보여주며, 대상 공간의 구조적 특성과 객체별 특성을 효과적으로 반영할 수 있음을 입증한다.

다국어 초록 (Multilingual Abstract)

This paper proposes a novel indoor space modeling framework based on 3D point cloud data for implementing digital twin environments. The conventional single mesh reconstruction approach often compromised the fidelity of digital twin environments due to the mixing of background and non-background objects during indoor environment modeling. To address this, the proposed method applies classification and semantic segmentation to semantically segment and classify point cloud data, assigning labels to each object. These labels distinguish structural backgrounds (Target Objects) from non-structural furniture (Non-Target Objects) within indoor spaces. High-quality 3D meshes are generated for each object group through Screened Poisson Surface Reconstruction with individually tuned parameters. Experimental results using the S3DIS dataset validate that the proposed method significantly enhances the quality and structural fidelity of 3D mesh data compared to conventional unified mesh reconstruction. Specifically, it achieves an average improvement of 74.64% in error metrics including Hausdorff Distance, Mean Absolute Error, and Root Mean Square Error, substantially increasing the precision and reproducibility of indoor space modeling. These findings demonstrate the potential for accurate and reliable 3D modeling in complex indoor environments, effectively capturing spatial structures and object-specific characteristics.