인공지능(AI) 기반의 단일 샷 프린지 투영 프로파일로메트리(Fringe Projection Profilometry, FPP)는 한 번의 촬영으로 물체의 3D 형상을 정밀하게 측정하는 기술입니다. 하지만 그동안 대부분 근거리(1m 이내) 연구에 집중되어 왔으며, 1m 이상의 장거리에서는 빛의 강도 감소와 신호 대 잡음비(SNR) 저하로 인해 정확도가 크게 떨어지는 문제가 있었습니다. 특히, 단일 샷 방식은 위상 언래핑(phase unwrapping)에 필요한 정보가 부족해 본질적으로 어려운 문제로 여겨져 왔습니다.
애덤 하룬(Adam Haroon) 외 연구진은 이러한 장거리 FPP의 한계를 극복하기 위해 기계적 해석 가능성(Mechanistic Interpretability, MI)과 등각 불확실성 정량화(Conformal Uncertainty Quantification, UQ) 기법을 활용했습니다. 연구팀은 기존 AI 모델이 장거리 3D 측정에서 물체의 실제 깊이(depth)를 정확히 디코딩하는 대신, 물체 경계의 '모양 사전 지식(shape prior)'에 의존하여 오답을 내는 '꼼수'를 쓰고 있음을 밝혀냈습니다. 이는 AI가 실제 물리적 원리보다는 학습 데이터에서 얻은 편법을 사용하고 있었음을 의미합니다. 연구진은 이 문제를 해결하기 위해 깊이(depth) 대신 래핑된 위상(wrapped phase)을 출력하고 고정된 미분 가능한 캘리브레이션 레이어(calibration layer)를 적용하는 새로운 아키텍처인 '파이칼넷(PhiCalNet)'을 개발했습니다. 이 방식은 AI가 모양 사전 지식에 의존하는 경로를 구조적으로 차단하여 물리적 원리에 기반한 학습을 유도합니다.
파이칼넷은 1.5~2.1m 거리에서 50개 물체를 대상으로 한 합성 벤치마크 테스트에서 기존 최적 모델 대비 물체 평균 절대 오차(MAE)를 3.3배 감소시켜 4.46mm의 정확도를 달성했습니다. 이는 기존 모델의 14.54mm에 비해 크게 개선된 수치입니다. 이러한 발전은 제조, 건설, 로봇 공학 등 다양한 산업 분야에서 장거리 3D 스캔의 적용 가능성을 넓힐 것으로 기대됩니다. 특히, 드론이나 자율 로봇을 이용한 대형 구조물 검사, 원격 품질 관리 등 사람의 접근이 어렵거나 위험한 환경에서의 정밀 측정에 크게 기여할 수 있을 것입니다.