Journal Information
Korean Journal of Air-Conditioning and Refrigeration Engineering
Korean J. Air-Cond. Refrig. Eng.
Vol.
37,
No.
10,
p.497-509
ISSN (online) :
2465-7611
Received : 02 July 2025Revised : 22 July 2025Accepted : 23 July 2025
DOI :
https://doi.org/10.6110/KJACR.20253710.497
모바일 기반 Scan-to-BIM 도면 생성 정확도 향상을 위한 기술 비교 및 최적 프로세스 제안
Technical Comparison and Optimal Workflow Proposal for Enhancing Drawing Accuracy
in Mobile-Based Scan-to-BIM
김민종
(Minjong Kim)
1 백주미
(Jumi Baek)
2 윤동희
(Dong Hee Yoon)
3 송두삼
(Doosam Song)
4 †
- 성균관대학교 건설환경시스템 공학과 석사 과정
(M.S. Course, Dept.of Architectural and Enviromental System Eng., Graduate School Sungkyunkwan
University, Suwon 16419, Korea)
- 성균관대학교 탄소중립연구소 연구교수
(Research Professor, Institute for Carbon Neutrality, Sungkyunkwnan University, Suwon
16419, Korea)
- 성균관대학교 글로벌스마트시티융합전공 석사과정
(M.S. Course, Dept.of Smart City, Graduate School Sungkyunkwan University, Suwon 16419,
Korea)
- 성균관대학교 건설환경공학부 교수
(Professor, School of Civil and Architectural Eng. and landscape Architecture, Sungkyunkwan
university, Suwon 16419, Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
License :
No part of this publication may be reproduced or distributed in any form or
any means, or stored in a data base or retrieval system, without the prior permission
of the publisher(www.sarek.or.kr).
Abstract
This study introduces an optimized mobile-based Scan-to-BIM workflow designed
to address the increasing demand for energy-efficient retrofitting of aging buildings.
Traditional Scan-to-BIM methods often face challenges related to high costs and lengthy
processing times, which restrict their practical application. In contrast, mobile
LiDAR technology presents a more accessible and time-efficient solution. Field experiments
were conducted at two renovation sites—a public health center and a community welfare
facility—utilizing three iOS-based 3D scanning applications: 3D Scanner AppTM, RTAB-Map,
and Polycam. These applications were evaluated based on point cloud quality, noise
levels, registration performance, and 2D drawing accuracy. Among the applications,
RTAB-Map yielded the most stable and geometrically accurate point clouds with minimal
noise artifacts. In terms of processing speed, uBuilder excelled due to its simplified
alignment algorithm. Drawing accuracy was measured using Mean Bias Error (MBE) and
the Coefficient of Variation of the Root Mean Square Error (CVRMSE), both of which
satisfied the monthly performance criteria outlined in ASHRAE Guideline 14. After
a comprehensive assessment of accuracy and efficiency, the combination of RTAB-Map
and uBuilder emerged as the optimal configuration. These findings offer valuable insights
into the implementation of mobile Scan-to-BIM for digital documentation, thereby promoting
sustainable renovation practices within the building sector.
키워드
3D 스캐닝 , 도면 생성 , 라이다 센서 , 모바일 기기 , 소요시간 , 스캔투빔
Key words
3D scanning , Drawing generation , Lidar sensor , Mobile devices , Processing time , Scan-to-BIM
기호설명
$s_{i}$ :
simulated, 건축 도면상 길이[m]
$m_{i}$ :
measured, 추출 도면상 길이[m]
$n$ :
number of data, 도출된 값의 개수
1. 서 론
전 세계적으로 노후 건축물이 증가함에 따라, 리모델링 및 에너지 성능 향상을 위한 정확한 건축 정보 확보는 필수적인 과제로 부상하고 있다.(1) 특히 국내의 경우, 2023년 기준 30년 이상 경과된 노후 건축물의 비율이 전체 건축물의 42.6%에 달하며, 이는 2019년 37.8%, 2021년
39.6%, 2022년 41.0%로 지속적으로 증가하고 있는 추세이다. 이러한 건축물은 대부분 설계도서가 존재하지 않거나 도면의 정확도가 낮아, 그린리모델링,
안전 점검, 에너지 해석 등 실무 수행에 있어 심각한 제약 요인으로 작용하고 있다.(2) 한편 2025년 1월부로 시행된 ‘녹색건축물 조성 지원법 시행령’에 따라 1,000 m2 이상의 공공건축물은 제로에너지건축물(ZEB) 인증 4등급
이상을 의무적으로 획득해야 하며, 민간 공동주택 역시 ZEB 5등급 수준으로의 설계가 요구되고 있다. 아울러 기존 공공건축물의 그린리모델링 의무화도
2025년부터 시행될 예정이다. 이에 따라 기존 건축물의 신뢰성 있는 도면 확보와 BIM 기반 역설계 방식에 대한 수요가 증가하고 있다.(3) 실제로 2020년부터 2022년까지 수도권에서 시행된 공공건축물 그린리모델링 사업 397개 대상지 중 약 14.6%에 해당하는 58개소는 설계도서가
존재하지 않아 그린리모델링 사업 수행에 어려움을 겪은 바 있다. 이는 설계도면 확보가 단순한 문서화 차원을 넘어서, 그린리모델링 전후의 에너지 성능
평가가 필수적으로 요구되는 절차와 연계되기 때문에, 성능 확보의 핵심 기반으로 중요한 역할을 한다는 것을 알 수 있다.(4, 5)
이러한 문제의 해결 방안으로 Scan-to-BIM 기술이 주목받고 있다. 해당 기술은 실제 공간을 3차원 스캔한 후 점군 데이터를 생성하고, 이를
기반으로 BIM 모델링을 수행하여 도면을 추출하는 방식으로, 기존 도면이 존재하지 않는 건축물의 정확한 도면을 재구성하는 방법이다.(6) 기존에는 고가의 장비가 있어야 가능했지만, 최근에는 모바일 기기에 탑재된 LiDAR 센서를 활용함으로써 비교적 저비용으로도 스캔이 가능해졌으며,
다양한 모바일 기기용 3D 스캐닝 애플리케이션이 등장하고 있다. Scan-to-BIM 관련 대부분의 선행연구는 TLS 기반 고정형 장비를 중심으로
수행되었으며, 모바일 기반 스캔 시스템의 성능이나 도면 생성 정확도 등을 실측 기반으로 정량 분석한 연구가 필요한 실정이다.
특히 모바일 기반 기술의 경우, 동일한 기기를 사용하더라도 스캔 애플리케이션, 정합 소프트웨어, 데이터 필터링 방식의 차이에 따라 도면 결과물의 품질과
정확도에 유의미한 편차가 발생하며, 이러한 편차는 실무 적용의 신뢰도에 직접적인 영향을 미친다. 따라서 본 연구는 실측 기반 비교를 통해 각 구성요소의
성능을 정량적으로 분석하고, 최적의 도구 조합을 도출하는 것을 목표로 하며, 이는 단순한 기술 적용을 넘어 정확한 디지털 도면 확보를 위한 실무 가이드라인
제시라는 측면에서 중요한 의의를 가진다.(7)
본 연구는 기존의 Scan-to-BIM 연구들이 대부분 고정형 정밀 장비를 활용하거나 특정 단계(스캔 또는 모델링)에 국한된 성능 분석에 머물렀던
한계를 보완하여, 모바일 기반 기술을 중심으로 스캔부터 도면 생성까지 전 과정을 실측 기반으로 정량 분석한 통합 연구라는 점에서 차별성을 갖는다.
특히, 각 애플리케이션의 스캔 품질, 노이즈 발생률, 정합 효율성, 도면 생성 정확도 등을 일관된 실험 조건하에서 비교 분석하고, 이를 통해 실무에
적용 가능한 최적의 프로세스 조합(RTAB-Map + uBuilder)을 제안하였다. 선행연구(8)는 TLS와 모바일 기기를 비교해 저가 모바일 기기의 Scan-to-BIM 적용 가능성을 제시하였으며, 본 연구는 이를 토대로 정확도 향상과 최적
프로세스 도출에 초점을 두었다.
이를 바탕으로 모바일 기반 Scan-to-BIM 기술의 객관적 성능평가 및 표준화에 기여할 수 있는 기술 기반을 마련하였으며, 향후 노후 건축물의
디지털 전환, ZEB 인증 기반 도면 확보, 공공건축물 그린리모델링 업무의 효율화에 기여할 수 있을 것이다.(9)
2. 연구방법
본 연구는 Scan-to-BIM 기반의 도면 생성 프로세스를 스캐닝(Scanning), 필터링(Filtering), 정합(Registration),
모델링(Modeling)의 네 단계로 구성하고, 각 단계별로 모바일 스캔 기술의 성능 차이가 정확도에 미치는 영향을 정량적으로 분석하였다.(10) 전체 실험 개요는 Fig. 1의 파이프라인으로 도식화되어 있으며, 각 단계의 입력/출력 데이터는 유기적으로 연결된다. 특히 스캔 단계에서 생성된 최초의 점군 데이터(PCD: Point
Cloud Data)는 정합 단계를 거쳐 정확한 글로벌 점군 데이터(Global PCD)로 구축되며, 이는 이후 모델링과 도면 생성의 정확도에 직접적인
영향을 미친다.(11) 따라서 본 연구는 각 단계 간의 상호 의존 구조를 고려하여, 도면 생성 정확도 향상을 위한 최적의 프로세스를 도출하는 것을 목표로 한다.
실측 대상은 경기도 이천시에 위치한 공공건축물 2개소(보건소, 경로당)이며, Apple iPad Pro 11" (4세대, LiDAR 센서 내장)을
사용하여 iOS 기반 3종의 스캐닝 애플리케이션(3D Scanner AppTM, RTAB-Map, Polycam)을 비교하였다. 이후 필터링 및 정합
과정에서는 오픈소스 소프트웨어인 CloudCompare와 신규 상용 소프트웨어인 uBuilder를 사용하였으며, 모델링은 Autodesk Revit
및 AutoCAD를 통해 수행하였다.
2.1 스캐닝 단계(Scanning)
본 연구에서는 앞서 언급한 모바일기기를 활용해 실행 가능한 3종의 3D 스캐닝 애플리케이션(3D Scanner AppTM, RTAB-Map, Polycam)을
대상으로 실험을 수행하였다. 각 애플리케이션은 출력 포맷, 가격 정책 등이 상이하며, 관련 사양은 Table 1에 요약되어 있다.
LiDAR 센서는 Fig. 2(a)와 같이 표면에 레이저 펄스를 발사하여 신호의 비행시간을 측정하며, Fig. 2(b)는 이 원리를 도식화한 것이다.(12) 이 기술은 장비의 이동 경로와 실내 공간의 형상을 실시간으로 동기화하여, 주변 환경을 점군 데이터 형태로 신속하게 수집할 수 있도록 한다. 이러한
특성은 모바일 기반 Scan-to-BIM 기술의 현장 적용성과 시간 효율성을 확보하는 데 있어 핵심 요소로 작용한다.
실측은 동일 공간, 동일 경로, 동일 조명 조건 하에서 수행되었으며, 스캔 시 수직.수평 방향을 포함하여 중복 촬영을 최소화하였다. 각 애플리케이션은
동일 공간을 대상으로 스캔을 수행하였으며, 대규모 공간의 경우 사전에 기준점(특징점)을 설정하여 점군 데이터가 연결이 가능하도록 하였다. 실험 과정은
Fig. 3(a)와 같이 스캐닝 경로를 설정한 후, Fig. 3(b)의 기준점을 활용하여 점군을 정합하였으며, 최종적으로 Fig. 3(c)와 같이 등록점을 배치하였다. 분석 항목으로는 스캔 소요 시간, 스캔을 통해 생성된 점군 개수 등을 설정하였다. 스캔 소요 시간 및 점군 개수 비교는
Table 2에 정리하였다. 또한, 이후 단계와의 연계를 고려하여 스캔 품질이 전체 프로세스의 정확도와 효율성에 어떤 영향을 미치는지 함께 분석하였다.
2.2 필터링 단계(Filtering): 노이즈 발생률 비교
스캔 된 점군 데이터에는 본질적으로 불필요한 점군이나 오차가 포함될 수 있으며, 이는 후속 정합 및 모델링 단계에서 정확도 저하의 원인이 될 수 있다.
따라서 본 단계에서는 오픈소스 소프트웨어인 CloudCompare를 활용하여 노이즈 제거 필터링을 수행하였다.
적용된 필터는 공간 기반 필터인 Noise Filter와 통계 기반 필터인 Statistical Outlier Removal(SOR) 필터로 구성되며,
두 필터를 조합하여 일관되게 적용하였다. Noise Filter는 고립된 점군과 저밀도 영역을 제거하는 데 효과적이지만, 복잡한 형상에서는 정밀도가
낮아질 수 있다. 반면, SOR 필터는 각 점의 주변 이웃 간 거리 평균을 기반으로 이상 값을 제거하여 보다 정제된 결과를 제공한다. Fig. 4(a)는 SOR 필터와 Fig. 4(b)는 Noise 필터 적용 전후 점군의 시각적 변화를 보여준다. SOR 필터는 외곽의 이상 점군을 효과적으로 제거하였고, Noise 필터는 저밀도 지역의
잔여 점군을 제거하는 데 유효함을 확인할 수 있었다. 모든 애플리케이션에 동일한 필터링 설정값을 적용하여 비교의 공정성을 확보하였다.
평가 지표는 필터 전후의 점군 개수 변화와 노이즈 발생률(%)이며, 이를 통해 각 애플리케이션의 원본 데이터에 포함된 노이즈 수준과 필터링 후 점군
데이터의 품질 개선 효과를 정량적으로 분석하였다.
2.3 정합 단계(Registration): 소요 시간 비교
필터링 이후의 다중 점군 데이터를 단일 좌표계로 통합하기 위해 정합(Registration) 과정을 수행하였다. 일반적으로 스캔 된 점군 데이터는
하나의 파일로 완전하게 통합되지 않으며, 특히 건물 규모가 큰 경우, 공간이 여러 구역으로 나뉘어 있는 경우, 다층 구조를 가지는 경우에는 하나의
스캔 경로로 전체 공간을 모두 촬영하는 것이 불가능하다. 이러한 경우 각 구역별 또는 층별로 획득한 점군 데이터를 후속 단계에서 하나의 글로벌 좌표계로
정확하게 정합하는 과정이 필요하다. 정합 품질은 형상 왜곡, 중첩 오류, 구성 요소의 위치 정확도에 직접적으로 영향을 미치며, 결과적으로 도면의 기하학적
정밀도를 좌우하는 핵심 요인이 된다. 또한, 다수의 점군 데이터를 수작업으로 정렬하고 기준점을 설정하는 과정은 전체 프로세스 중 가장 많은 시간이
소요되는 병목 단계 중 하나이다. 따라서 정합 알고리즘의 효율성과 자동화 수준은 전체 프로세스의 시간 효율성 확보에 결정적인 영향을 미친다.
본 연구에서는 대표적인 오픈소스 기반 툴인 CloudCompare와 상용 소프트웨어인 uBuilder를 활용하였다. 각 소프트웨어의 관련 사양은 Table 1에 요약되어 있다. CloudCompare는 사용자가 수동으로 기준점(3개 이상)을 지정하는 ‘Point Pairs Picking’ 기능을 활용하여
정합을 수행하며, 정밀도 확보에 유리하나 작업자의 숙련도에 따라 일관성이 떨어지고 소요 시간이 길다는 한계가 있다(Fig. 5(a) 참조).
반면, uBuilder는 기준점 1개와 방향 정보만으로 자동 정합 알고리즘을 적용할 수 있으며, 복수 점군을 일괄적으로 처리할 수 있는 기능을 제공한다.
이는 처리 속도 및 사용 편의성 측면에서 우수하나, 기준점 설정의 정확도에 따라 위치 오차가 발생할 가능성도 존재한다(Fig. 5(b) 참조). 정합 단계에서는 두 도구의 조작 편의성과 정합 소요 시간을 중심으로 비교.분석하였다.
2.4 모델링 단계(Modeling): 정확도 비교
본 연구에서는 Autodesk Revit 2025를 활용하고 정합 된 점군 데이터를 참조하여 모델링을 수행, 이후 평면도를 생성하였다. 모델링은 점군
데이터의 외곽 경계를 기준으로 주요 공간의 벽체, 개구부(문, 창호), 실 구성 요소 등을 정의하여 건축 평면을 구축하는 방식으로 진행되었다.
모델링의 정확도는 정합 된 점군 데이터의 품질에 크게 좌우되며, 노이즈의 잔존 여부, 점군 밀도, 경계 불명확성 등은 요소 추출의 난이도에 직접적인
영향을 미친다. 특히 문, 얇은 벽, 창호 등의 경우 Revit의 자동 인식 기능이 제한적이므로, 수작업 기반의 보정 작업이 필수적으로 요구되었다.
이러한 과정을 통해 도출된 3D 모델과 2D 도면 결과는 Fig. 6(a)~(d)에 제시하였다. 이는 모바일 기반 스캔 기술의 한계로, 복잡한 세부 형상을 가진 구성 요소에 대한 인식 및 도면화에 어려움이 따름을 의미한다.
생성된 도면의 정량적 정확도는 기존 건축도면 상의 기준치(Reference Dimensions)와의 비교를 통해 평가하였으며, 주요 비교 항목은 공간별
폭(Width)과 깊이(Depth)의 실측값이다. 분석 지표로는 MBE(Mean Bias Error) 및 CVRMSE(Coefficient of Variation
of the Root Mean Square Error)를 적용하였으며, 이는 ASHRAE Guideline 14에서 에너지 해석 모델의 신뢰도 평가에
활용되는 기준으로, 공간 해석에서도 모델링 정밀도의 정량 평가 지표로 활용될 수 있다.
3. 연구 결과
3.1 노이즈 발생률 비교
Fig. 7은 각 애플리케이션의 필터링 전후 점군 구성 비율을 시각적으로 나타낸 것이다. 상단은 필터링 후 남은 점군의 비율, 하단은 노이즈 발생률을 의미한다.
RTAB-Map은 다른 애플리케이션에 비해 상대적으로 낮은 노이즈 발생률을 보였으며, 이는 초기 스캔 데이터의 품질이 우수하였음을 보여준다. 실제로
RTAB-Map은 Case 1에서 점군의 33.2%, Case 2에서 40.0%가 제거되어, 세 애플리케이션 중 가장 낮은 노이즈 제거 비율을 기록하였다.
이는 정합 및 모델링 단계에서도 데이터 손실을 최소화함으로써 전반적인 정확도 향상에 기여할 수 있는 결과로 해석된다.
반면, 3D Scanner AppTM과 Polycam은 Case 1에서 61.7%, 61.9%, Case 2에서 47.8%, 60.7% 수준의 노이즈가
제거되었으며, 이는 초기 획득 데이터에 불필요한 점군이 더 많이 포함되었음을 알 수 있다. 특히 Polycam은 후처리 기반 재구성 알고리즘을 포함하고
있음에도 불구하고, 일부 환경에서는 불균일한 점군 분포를 보이는 경향이 나타났다.
3.2 소요 시간 비교
정합 도구별 소요 시간은 Table 3에 제시되어 있다. 두 사례 모두에서 uBuilder는 CloudCompare보다 정합 시간이 짧았으며, 평균 약 10분의 차이를 보였다. 예를 들어
Case 1에서는 CloudCompare가 15분 35초, uBuilder가 4분 53초였으며, Case 2에서는 각각 19분 49초와 9분 38초로
확인되었다. 이러한 차이는 Fig. 4에서 확인할 수 있듯이, CloudCompare는 대응점 3개 이상을 수동으로 지정해야 하지만, uBuilder는 기준점 1개와 방향 정보만으로 정합이
가능한 간소화된 알고리즘을 적용하기 때문이다. 또한, Case 1과 2의 점군 파일 수가 각각 5개와 7개였음을 고려할 때, uBuilder는 다중
파일 처리 환경에서도 높은 시간 효율성을 보였다.
이러한 결과는 단순한 처리 속도 차이뿐 아니라, 정합 알고리즘 구조와 사용자 편의성 차이를 반영한 것으로, 복수 점군 정합이 요구되는 대규모 건물의
경우, 정합 도구의 선택이 전체 프로세스의 시간 효율성에 실질적인 영향을 미치는 것으로 나타났다.
Table 3 Registration Time (CloudCompare vs uBuilder)
Comparison
Case 1
(Min: sec)
Case 2
(Min: sec)
Number of scan data files
5
7
Registration time by CloudCompare(mm:ss)
15:35
19:49
Registration time by uBuilder(mm:ss)
4:53
9:38
Time gap(mm:ss)
10:42
10:11
3.3 정확도 비교
도면 생성 결과의 수치 정확도 평가는 식 (1)의 MBE(Mean Bias Error)와 식 (2)의 CVRMSE(Coefficient of Variation of the Root Mean Squared Error)를 기준으로 수행하였다. 두 지표는
에너지 시뮬레이션의 신뢰도 평가 기준으로 활용되며, 본 연구에서 Scan-to-BIM을 통해 생성된 도면이 그린리모델링 관련 실무에 활용될 수 있다는
점에서 두 지표를 정확도 분석 지표로 사용하는 것은 적절하다고 판단하였다. 본 연구에서 활용한 MBE와 CVRMSE의 허용 기준은 Table 4에 제시하였다.
3.3.1 MBE, CVRMSE
(1)
$MBE(\%)=\left\{\sum_{i=1}^{n}(s_{i}-m_{i})/\sum_{i=1}^{n}(m_{i})\right\}\times
100\%$
(2)
$ CVRMSE(\%) = \left\{ \sqrt{\frac{\sum_{i=1}^{n} (s_i - m_i)^2}{n}} \middle/
\left( \frac{\sum_{i=1}^{n} m_i}{n} \right) \right\} \times 100\%$
여기서 $s_{i}$와 $m_{i}$는 각각 도면 생성 프로세스를 통해 산출된 측정값과, 기존 건축도면에 기재된 기준값을 의미하며, n은 비교에
사용된 전체 데이터 개수이다. 비교 항목으로는 평면도 상에서 개별 공간의 폭(Width) 및 깊이(Depth)를 선정하여 수치 정확도를 평가하였다.
또한, 수치 비교의 정량적 기준으로는 ASHRAE Guideline 14에서 제시한 에너지 시뮬레이션 정확도 검증 기준(MBE, CVRMSE)을 참고하였으며,
이는 일반적으로 사용되는 국제적 시뮬레이션 정확도 평가 기준으로, 본 연구의 정량적 비교 분석에 적용되었다.
Table 4 Energy simulation calibration criteria of FEMP, ASHRAE Guideline 14(13)
Data Type
Index
FEMP Criteria
ASHRAE Guideline 14
Monthly criteria (%)
MBE
±5
±5
Hourly criteria (%)
MBE
±10
±10
3.3.2 정확도 분석
정확도 분석에서 정량적인 정확도 비교를 위해, 도면 상에 기준 좌표계로서 x축과 y축을 설정하였다.
x축은 출입구와 홀을 중심으로 한 수평 방향, y축은 이에 수직인 수직 방향으로 정의된다. 이 좌표계는 각 실내 공간의 가로 및 세로 길이를 일관되게
측정하기 위한 기준으로 사용된다.
Fig. 8(a)와 Fig. 8(b)에는 이러한 x, y축이 표시되어 있으며, 이를 기준으로 각 실별 주된 방향의 길이를 측정하고, Table 5~8에서는 이 기준에 따라 도면상의 기준값과 3가지 스캔 앱(3D Scanner AppTM, RTAB-Map, Polycam)으로 생성된 모델의 결과
값을 x축과 y축 방향으로 구분하여 비교하였다.
Table 5~8은 각 실별 위치에서 기존 도면상의 기준 치수와 각 애플리케이션을 통해 생성된 도면상의 치수를 비교한 결과를 정리한 것이다. 각 좌표(x, y)에
대한 절대 오차(m)와 오차율(%)이 함께 제시되며, 이는 실제 공간별 위치 정밀도를 평가하는 데 활용되었다. Fig. 9(a)와 Fig. 9(b)는 Table 5~8의 오차율 데이터를 기반으로 구성한 Box plot으로 3가지 애플리케이션의 오차 분포 특성과 중앙값, 최댓값, 평균값 등을 시각적으로 나타낸다.
Table 9는 이에 대한 정량적 수치를 요약한 것으로, 각 축(x, y)에 대한 최댓값, 최솟값, 중앙값, 평균값을 비교할 수 있다. 해석 결과, 전체 평균
오차율 기준으로는 RTAB-Map이 x축 5.25%, y축 4.94%로 가장 낮은 수치를 보였다. 3D Scanner AppTM은 각각 5.60%,
5.57%, Polycam은 6.36%, 5.21%로 나타나, RTAB-Map이 가장 안정적인 결과를 보였음을 알 수 있다. 또한 최솟값과 중앙값
기준으로도 RTAB-Map은 상대적으로 작은 편차를 유지하고 있으며, 극단 값(Outlier)의 개수도 가장 적었다. 이러한 결과는 RTAB-Map이
공간 내 위치 추출의 정밀도에서 가장 신뢰할 수 있음을 나타내며, 단순 평균 정확도뿐 아니라 공간 전체의 오차 분포 면에서도 안정적인 성능을 보였다.
반면, Polycam은 평균값과 중앙값이 상대적으로 높고, Box plot 상에서도 분산이 크게 나타나 특정 구간에서 큰 오차가 발생했을 가능성이
있다. 3D Scanner AppTM은 전체적으로 평균은 높으나 분산은 낮아 일부 위치의 정확도는 우수하나 전체적인 일관성은 다소 떨어지는 것으로
해석된다.
Table 5 Welfare center x, y axis comparsion of drawing and generated BIM
Identified Location
Reference diameter (m)
3D Scanner AppTM
RTAB-Map
Polycam
Welfare building
Hall
6.8
10.6
5.98
10.312
6
10.76
5.86
10.406
Main building
Toilet
1.9
2.8
1.767
2.885
2.205
2.902
2.019
2.919
Vestibule
3
2.2
3.013
1.972
2.869
1.942
3.118
1.99
Corridor 1
3
6.8
3.013
6.432
2.869
6.49
3.118
6.459
Corridor 2
9.7
1.7
9.107
1.67
9.285
1.61
8.964
1.7
Toilet
3
3
3.013
3.195
2.869
3.082
3.118
3.078
Storage
3
3
3.04
3.195
3.082
3.082
2.988
3.078
Pantry
3
2
3.04
1.893
3.082
1.909
2.988
1.878
Domitory 1
3
5
3.015
5.088
3.052
4.991
2.998
4.955
Domitory 2
3.7
5
3.052
5.088
3.4
4.991
3.029
4.955
Domitory 3
3
5.3
3.04
4.833
3.082
4.912
2.988
4.872
Domitory 4
3
5.3
3.015
4.833
3.052
4.912
2.998
4.872
Domitory 5
3.7
5.3
3.052
4.833
3.4
4.912
3.029
4.872
Break room
Living Room
4.3
4.2
4.34
3.542
4.61
3.62
4.4
3.652
Bedroom 1
2.6
3.4
2.767
3.108
2.81
3.096
2.81
2.995
Bed room 2
2.4
2.8
2.112
2.885
2.43
2.902
2.431
2.919
Toilet
1.7
3.4
1.573
3.108
1.8
3.096
1.59
2.995
Table 6 Length differences and error rate of dimensional comparison (wefare center)
Identified Location
Difference (m)
Percentage (%)
Welfare building
Hall
0.82
0.288
0.8
0.16
0.94
0.194
12.06
2.72
11.76
1.51
13.82
1.83
Toilet
0.133
0.085
0.305
0.102
0.119
0.119
7.00
3.04
16.05
3.64
6.26
4.25
Main building
Vestibule
0.013
0.228
0.131
0.258
0.118
0.21
0.43
10.36
4.37
11.73
3.93
9.55
Corridor 1
0.013
0.368
0.131
0.31
0.118
0.341
0.43
5.41
4.37
4.56
3.93
5.01
Corridor 2
0.593
0.03
0.415
0.09
0.736
0
6.11
1.76
4.28
5.29
7.59
0.00
Toilet
0.013
0.195
0.131
0.082
0.118
0.078
0.43
6.50
4.37
2.73
3.93
2.60
Storage
0.04
0.195
0.082
0.082
0.012
0.078
1.33
6.50
2.73
2.73
0.40
2.60
Pantry
0.04
0.107
0.082
0.091
0.012
0.122
1.33
5.35
2.73
4.55
0.40
6.10
Domitory 1
0.015
0.088
0.052
0.009
0.002
0.045
0.50
1.76
1.73
0.18
0.07
0.90
Domitory 2
0.648
0.088
0.3
0.009
0.671
0.045
17.51
1.76
8.11
0.18
18.14
0.90
Domitory 3
0.04
0.467
0.082
0.388
0.012
0.428
1.33
8.81
2.73
7.32
0.40
8.08
Domitory 4
0.015
0.467
0.052
0.388
0.002
0.428
0.50
8.81
1.73
7.32
0.07
8.08
Domitory 5
0.648
0.467
0.3
0.388
0.671
0.428
17.51
8.81
8.11
7.32
18.14
8.08
Break room
Living room
0.04
0.658
0.31
0.58
0.1
0.548
0.93
15.67
7.21
13.81
2.33
13.05
Bedroom 1
0.167
0.292
0.21
0.304
0.21
0.405
6.42
8.59
8.08
8.94
8.08
11.91
Bedroom 2
0.288
0.085
0.03
0.102
0.031
0.119
12.00
3.04
1.25
3.64
1.29
4.25
Toilet
0.127
0.292
0.1
0.304
0.11
0.405
7.47
8.59
5.88
8.94
6.47
11.91
Table 7 Heath center x, y axis comparsion of drawing and generated BIM
Identified Location
Reference diameter (m)
3D Scanner AppTM
RTAB-Map
Polycam
Boiler room
5
3.6
5.12
3.951
5.202
3.903
5.493
3.875
Injection room
2.1
3.6
2.002
3.951
2.02
3.903
2.1
3.875
Lounge
2.9
3.6
3.009
3.951
3.133
3.903
3.433
3.875
Medical records room
4
3.6
3.685
3.951
3.978
3.903
3.764
3.875
Men‘s restroom
4.5
2.5
4.77
2.522
4.699
2.558
4.684
2.566
Women’s restroom
4.5
2.5
4.77
2.522
4.699
2.516
4.684
2.552
Dental room
7.5
8
7.4
8.033
7.486
8.165
7.548
7.853
X-ray room
2.1
2
2
2.12
1.955
2.021
1.97
2.074
Compressor room
2
3
2.335
3.145
2.223
3.001
2.311
3.084
Doctor’s office
2
2.6
2.335
2.587
2.223
2.918
2.311
2.387
Korean medicine treatment room
5
5.6
4.904
5.476
5.153
5.582
4.968
5.46
Physucal theraphy room
5
5.6
5.12
5.476
5.202
5.582
5.493
5.46
General examination room
5
3.8
5.12
3.716
5.202
3.89
5.493
3.861
Waiting room
9
6.8
8.696
6.393
9.131
6.556
8.875
6.531
Table 8 Length differences and error rate of dimensional comparison (health center)
Identified Location
Difference (m)
Percentage (%)
Boiler room
0.12
0.351
0.202
0.303
0.493
0.275
2.40
9.75
4.04
8.42
9.86
7.64
Injection room
0.098
0.351
0.08
0.303
0
0.275
4.67
9.75
3.81
8.42
0.00
7.64
Lounge
0.109
0.351
0.233
0.303
0.533
0.275
3.76
9.75
8.03
8.42
18.38
7.64
Medical records room
0.315
0.351
0.022
0.303
0.236
0.275
7.88
9.75
0.55
8.42
5.90
7.64
Men‘s restroom
0.27
0.022
0.199
0.058
0.184
0.066
6.00
0.88
4.42
2.32
4.09
2.64
Women’s restroom
0.27
0.022
0.199
0.016
0.184
0.052
6.00
0.88
4.42
0.64
4.09
2.08
Dental room
0.1
0.033
0.014
0.165
0.048
0.147
1.33
0.41
0.19
2.06
0.64
1.84
X-ray room
0.1
0.12
0.145
0.021
0.13
0.074
4.76
6.00
6.90
1.05
6.19
3.70
Compressor room
0.335
0.145
0.223
0.001
0.311
0.084
16.75
4.83
11.15
0.03
15.55
2.80
Doctor’s office
0.335
0.013
0.223
0.318
0.311
0.213
16.75
0.50
11.15
12.23
15.55
8.19
Korean medicine treatment room
0.096
0.124
0.153
0.018
0.032
0.14
1.92
2.21
3.06
0.32
0.64
2.50
Physical theraphy room
0.12
0.124
0.202
0.018
0.493
0.14
2.40
2.21
4.04
0.32
9.86
2.50
General examination room
0.12
0.084
0.202
0.09
0.493
0.061
2.40
2.21
4.04
2.37
9.86
1.61
Waiting room
0.304
0.407
0.131
0.244
0.125
0.269
3.38
5.99
1.46
3.59
1.39
3.96
Table 9 Maximum, minimum, median, and average error rates(%) in x and y axes
3D Scanner AppTM
RTAB-Map
Polycam
3D Scanner AppTM
RTAB-Map
Polycam
Max
17.51
16.05
18.38
15.67
13.81
13.05
Median
3.76
4.37
4.09
5.41
3.64
4.25
Min
0.43
0.19
0.00
0.41
0.03
0.00
Average
5.60
5.25
6.36
5.57
4.94
5.21
RTAB-Map 기반으로 생성된 도면은 두 사례 모두에서 가장 안정적인 수치 정확도를 나타냈다. Case 1의 평균 오차율(Mean Error Rate)은
5.59%, MBE는 -4.26%, CVRMSE는 7.77%로 나타났다. Case 2에서는 평균 오차율이 4.5%로 더 낮았으며, MBE 2.82%,
CVRMSE 4.96%로 측정되어, 두 사례 모두 ASHRAE Guideline 14의 월간 기준(MBE: ±5%, CVRMSE: 15%)을 안정적으로
만족하였다. 이러한 결과는 RTAB-Map이 넓은 공간에서도 일관된 정밀도를 유지하며, 정확도 측면에서 신뢰할 수 있는 애플리케이션임을 보여준다.(14)
4. 결 론
본 연구는 iOS 기반 모바일 기기를 활용한 Scan-to-BIM 프로세스의 정확도와 효율성 향상을 목표로, 일반적으로 많이 사용하는 3종류의 3D
스캐닝 애플리케이션(3D Scanner AppTM, RTAB-Map, Polycam)을 비교 분석하고, 실제 건축물(보건소, 경로당)을 대상으로 도면생성
프로세스를 분석하였다. 스캐닝, 필터링, 정합, 모델링의 4단계로 구성된 절차를 통해 각 도구의 성능을 정량적으로 평가한 결과, RTAB-Map은
가장 안정적인 점군 품질과 모델링 정확도를 보여주었으며, uBuilder는 자동화 기반의 정합 기능을 통해 정합 시간 단축에 있어 가장 우수한 성능을
나타냈다. 특히 RTAB-Map과 uBuilder를 조합한 프로세스는 모바일 기반 Scan-to-BIM 환경에서 정확도와 시간 효율을 동시에 확보할
수 있는 실용적인 대안으로 검증되었으며, 오차를 나타내는 MBE, CVRMSE 등의 지표에서도 ASHRAE Guideline 14의 기준을 안정적으로
만족하는 결과를 보여주었다.
본 연구에서는 도면 정보가 부족하거나 설계도서가 부재한 노후 건축물에서 비교적 저비용.고효율 방식으로 도면을 구축할 수 있는 실질적인 방법론을 제시하였으며,
향후 그린리모델링 설계, ZEB 인증을 위한 사전 조사, 디지털 트윈 구축 등 다양한 건축 실무 분야에 적용 가능한 기반으로 활용될 수 있다. 다만
본 연구는 동일한 장비 및 환경 조건을 기반으로 실험을 수행하였으나, 사용자의 경험 및 숙련도, 이동 경로 설정 방식, 공간 구조의 복잡성 등 변수에
따라 점군 품질과 후속 정합 및 모델링 정확도에 영향을 미쳤을 가능성이 존재한다. 이러한 요소는 잠재적인 오차 요인으로 작용할 수 있으며, 향후 연구에서는
다양한 사용자 및 실내 환경 조건에 따른 오차율의 범위를 검토하여 기술의 신뢰성을 확보할 필요가 있다.
후 기
본 연구는 국토교통부(국토안전관리원)의 공공건축물 그린리모델링 지원사업의 일환으로 수행되었습니다 (B0080327003447).
References
1
Zhao, L., Zhang, H., Wang, H., Wang, Y., and Li, T., 2025, A digital-twin evaluation
framework of zero carbon buildings for existing residential buildings based on scan-to-BIM,
Alexandria Engineering Journal, Vol. 124, pp. 204-213.
DOI
2
Kim, D. I. and Lee, B. H., 2020, A Case Study on Energy Consumption and Calibration
of Green Remodeling Buildings, Journal of the Korean Solar Energy Society, Vol. 40,
No. 5, pp. 47-58.
DOI
3
Gorkovchuk, J. and Gorkovchuk, D., 2022, Features of Heritage Bim Modeling Based on
Laser Scanning Data, The International Archives of the Photogrammetry, Remote Sensing
and Spatial Information Sciences, Vol. 46, pp. 123-128.
DOI
4
Cho, G. Y. and Yoo, J., 2021, Energy Performance Assessment for Remodeling Decision-Making
based on Energy Usage Data of Existing Public Buildings in Seoul, Journal of the Korean
Solar Energy Society, Vol. 41, No. 4, pp. 63-72.
DOI
5
He, C., Hou, Y., Ding, L., and Li, P., 2021, Visualized literature review on sustainable
building renovation, Journal of Building Engineering, Vol. 44, p. 102622.
DOI
6
An, H. J., Jeong, H. J., Lee, M. J., Yang, D. H., and Lee, J. H., 2022, Analysis of
Research Trend for the Application of Scan-to-BIM Technologies in Civil Infrastructure,
Computational Structural Engineering, Vol. 35, No. 3, pp. 12-18.
URL
7
Kovacic, I. and Honic, M., 2021, Scanning and data capturing for BIM-supported resources
assessment: A case study, Journal of Information Technology in Construction, Vol.
26, pp. 621-638.
DOI
8
Yoon, D. H., Baek, J. M., Shim, J. S., and Song, D. S., 2024, Scan-to-BIM Reverse-engineering
Method using Mobile Devices to Generate Drawings of Old Buildings, Korean Journal
of Air-Conditioning and Refrigeration Engineering, Vol. 36, No. 5, pp. 251-261.
DOI
9
Roggeri, S., Vassena, G. P. M., and Tagliabue, L. C., 2022, Scan-to-BIM efficient
approach to extract BIM models from high productive indoor mobile mapping survey,
Proceedings of International Structural Engineering and Construction, Vol. 9, pp.
1-6.
URL
10
Badenko, V., Fedotov, A., Zotov, D., Lytkin, S., Volgin, D., Garg, R. D., and Liu,
M., 2019, Scan-to-BIM methodology adapted for different application, The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol.
42, pp. 1-7.
DOI
11
Argiolas, R., 2021, Algorithmic modelling processes in scan-to-BIM workflows, Proceedings
of the ARQUEOLÓGICA 2.0-9th International Congress & 3rd GEORES-GEOmatics and pREServation,
pp. 508-511.
URL
12
Gollob, C., Ritter, T., Kraßnitzer, R., Tockner, A., and Nothdurft, A., 2021, Measurement
of forest inventory parameters with Apple iPad pro and integrated LiDAR technology,
Remote Sensing, Vol. 13, No. 16, p. 3129.
DOI
13
Guideline, ASHRAE, 2014, Measurement of energy, demand, and water savings, ASHRAE
Guidel, Vol. 4, pp. 1-150.
URL
14
Nouri, A., Frisch, J., and van Treeck, C., 2021, Statistical methodologies for verification
of building energy performance simulation, Building Simulation, Vol. 17, pp. 1719-1726.
DOI