1. 전 세계 뜨개질 인구 밀집도 (국가별 분포)

글로벌 공예 시장 조사(Laine Publishing 및 Craft Yarn Council 등)와 커뮤니티(Ravelry, 소셜 미디어 지표) 데이터를 종합하면, 뜨개질 인구는 북미와 유럽 등 서구권을 중심으로 강력한 밀집도를 보이고 있으며, 최근 아시아 및 오세아니아 지역으로 저변이 확대되고 있습니다.

[ 북미권 ] ● (최상급 밀집도 - 미국, 캐나다) └ 인구 대비 높은 참여율, 대중적 공예 시장 형성 (미국 내 약 4,500만 명 이상이 뜨개질·코바늘 경험 보유)

[ 유럽권 ] ● (상급 밀집도 - 영국, 북유럽(노르웨이·핀란드·덴마크), 독일, 프랑스) └ 전통 공예 문화가 강하며, 특히 노르웨이 오슬로 등은 세계적인 뜨개질 문화 중심지로 꼽힘. 전체 뜨개 인구의 약 30~50% 점유.

[ 오세아니아 ] ◍ (중급 밀집도 - 뉴질랜드, 호주) └ 인구당 구글 검색량(Google Trends) 최상위권 국가들이 포진해 있으며, 실외 활동 및 홈스퍼니(Home-spun) 문화 발달.

[ 아시아 및 기타 ] ◌ (확장형 밀집도 - 대한민국, 일본, 중국 등) └ 과거 실용 의류 제작에서 최근 '취미 및 힐링(Mindfulness)' 트렌드로 유입되는 젊은 층 중심의 가속 성장세.

2. 근 30년간 뜨개질 인구의 연도별 변화 추이 (1990년대 ~ 2020년대)

근 30년간 뜨개질 인구는 정체기와 폭발적인 부흥기를 반복해 왔습니다. 이를 30년 간의 흐름을 보여주는 트렌드 그래프 형태로 재구성했습니다.

• 1990년대 중후반 (안정기): 뜨개질은 주로 중장년층 여성들의 전통적인 취미이자 가사 노동의 일환으로 여겨졌으며, 인구 규모는 완만한 하향세 또는 정체기를 겪었습니다.
• 2000년대 중반 ~ 2010년대 (1차 부흥기 - 디지털 혁신): 온라인 커뮤니티(특히 2007년 오픈한 뜨개질 소셜 네트워크 'Ravelry')의 등장으로 전 세계 뜨개 인구가 디지털로 연결되었습니다. 이 시기에 젊은 세대(밀레니얼)가 유입되며 '힙한 취미'로 재정의되었습니다.
• 2020년대 이후 (2차 폭발기 - 팬데믹 및 웰니스): 코로나19 팬데믹 기간 동안 전 세계적인 락다운(Lockdown)으로 홈코딩·홈베이킹과 함께 뜨개질 열풍이 불었습니다. 글로벌 유통사 및 실(Yarn) 브랜드들의 매출이 수십~수백 퍼센트 급증했으며, 최근에는 명상과 스트레스 완화(Mindfulness) 효과가 과학적으로 조명받으며 Z세대의 유입이 가속화되고 있습니다.

3. 전 세계 뜨개실(Yarn) 시장 규모와 생산·소비 구조

뜨개실을 포함한 글로벌 방적사(Textile Yarn) 및 수공예실 시장은 거대한 규모를 형성하고 있으며, 생산지와 주요 소비지가 명확하게 이분화되어 있습니다.

① 시장 규모

• 방적사(Textile Yarn) 전체 시장: 글로벌 섬유 방적사 시장 규모는 약 1,200억 달러(한화 약 160조 원 이상) 이상으로 평가되며, 매년 4%대 이상의 꾸준한 성장세를 기록하고 있습니다.
• 핸드니팅(수공예용) 실 시장: 이 중 핸드메이드 및 수공예 전용 실(Hand-knitting yarn) 시장은 수십억 달러 규모로, 프리미엄 울(메리노, 알팩카, 캐시미어 등) 및 친환경 리사이클 실을 중심으로 고부가가치 시장이 빠르게 커지고 있습니다.

② 생산지 (Production Hubs)

• 아시아-태평양 지역: 전 세계 실 생산의 절대적인 허브입니다.
  • 중국, 인도, 베트남, 방글라데시 등이 원료(면화, 합성섬유) 가공부터 방적까지 대량 생산을 담당하고 있습니다.
• 유럽 전통 방적국: 이탈리아(특히 비엘라 지역), Türkei(튀르키예), 영국 등은 고품질 천연모(울)와 감각적인 염색 기술을 바탕으로 프리미엄 핸드니팅 실 시장의 주요 생산 기지 역할을 맡고 있습니다.

③ 소비지 (Consumption Markets)

• 유럽 및 북미: 핸드니팅용 실의 최대 소비 시장입니다. 개인 공예가와 소규모 독립 염색 공방(Indie Dyers)이 활발하며, 고가의 프리미엄 천연 실 소비 비중이 높습니다.
• 아시아 (신흥 소비지): 한국, 일본, 중국 등지에서는 대중적인 취미 인구 증가와 함께 수입 프리미엄 실(유럽·남미산)과 가성비 좋은 아시아산 실의 소비가 동시에 늘어나는 양상을 보이고 있습니다.

스파이들이 실을 감았던 시절: 역사 속 뜨개질의 은밀한 첩보활동

뜨개질은 전쟁과 평화의 역사 속에서 단순한 생계유지나 의복 제작을 넘어 중요한 첩보 수단으로 활약했습니다. 가장 대표적인 사례는 제1차 및 제2차 세계대전 당시 영국과 프랑스 등지에서 일어난 일입니다.

• 암호화된 뜨개질 (Espionage Knitting): 영국의 정보기관이나 레지스탕스 조직은 점령지 상황을 감시하기 위해 뜨개질하는 여성들을 첩보원으로 활용했습니다. 겉보기엔 의자에 앉아 평화롭게 실을 엮는 할머니처럼 보이지만, 사실은 기차역 앞 창가에 앉아 지나가는 독일군 열차의 대수, 군종, 병참 부대의 이동 방향을 뜨개질 바늘의 콧수나 매듭의 종류(안뜨기, 겉뜨기)로 암호화해 기록하고 있었습니다.
• 비밀 메시지가 숨겨진 실타래: 적진을 통과해야 하는 스파이들에게 얇은 실은 완벽한 위장 도구였습니다. 특수 약품으로 실에 글씨를 적거나, 모스 부호의 장단(長短)을 실의 꼬임이나 색상 변화에 미세하게 녹여내어 감쪽같이 정보를 전달했습니다. 적군이 실을 압수하더라도 그저 평범한 스웨터 재료로 보일 뿐이어서 훌륭한 정보 전달 통로가 되었습니다.

중세 시대의 남성 전용 길드: 뜨개질은 원래 남자의 일이었다

오늘날 우리는 흔히 뜨개질을 여성들의 전유물이나 할머니의 취미로 생각하기 쉽지만, 역사적으로 보면 이것은 거대한 편견입니다. 현대적인 의미의 뜨개질(바늘 두 개를 사용하는 방식)이 본격적으로 기록에 등장한 중세 유럽에서 뜨개질은 철저하게 남성 중심의 전문 직업 기술이었습니다.

• 초기 프로 니터(Pro Knitter)는 남성: 14세기 유럽(특히 프랑스와 스페인 등지)에서는 뜨개질 길드(조합)가 존재했습니다. 이 조합에 가입하려면 수년에 걸친 고된 도제 기간을 거쳐야 했고, 최종 시험으로 복잡한 무늬의 카펫이나 모자를 완벽하게 짜내야만 자격을 얻을 수 있었습니다.
• 왜 남성들이 했을까?: 당시에는 오늘날처럼 기계로 실을 대량 생산할 수 없었기에, 정교한 장갑, 스타킹, 모자 등을 짜는 것은 고도의 숙련도와 수학적 계산이 필요한 고소득 전문 기술이었습니다. 런던의 뜨개질 길드 역사 문헌을 보면 여성의 가입을 엄격하게 제한했으며, 남성들이 가문의 생계를 책임지는 주요 상업 활동으로 자리 잡고 있었습니다. 뜨개질이 여성의 영역으로 대중화된 것은 산업혁명 이후 방적 기계가 발명되고, 홈메이드 공예가 가사 노동의 일부로 편입되면서부터였습니다.

두뇌를 깨우는 공예: 뇌과학이 증명한 뜨개질의 마법

"손을 움직이면 치매가 예방된다"는 말을 흔히 들을 수 있는데, 뇌과학과 신경학계에서는 뜨개질이 가져오는 정신적 효과를 '공예 기반의 명상(Craft-based Mindfulness)'이라 부르며 매우 진지하게 연구하고 있습니다.

• 우울증과 불안감 완화: 하버드 대학교 의과대학 부속 병원 등의 연구에 따르면, 반복적이고 리드미컬하게 바늘을 움직이는 행위는 뇌의 세로토닌 분비를 촉진하고 심장 박동을 안정시킵니다. 이는 요가나 명상을 할 때 나타나는 뇌파 변화와 매우 유사합니다. 복잡한 현대 사회에서 디지털 기기로부터 완전히 해방되어 눈앞의 실과 바늘에만 집중하는 '몰입(Flow) 상태'를 유도하는 훌륭한 테라피입니다.
• 인지 기능 향상과 뇌 회로 재조성: 뜨개질은 단순한 반복 작업처럼 보이지만, 사실은 고도의 수학적 사고가 필요합니다. 도안(Chart)을 보고 입체적인 구조를 머릿속으로 시각화해야 하며, 게이지(실의 굵기와 바늘 사이즈에 따른 콧수 계산)를 맞추기 위해 끊임없이 암산을 해야 합니다. 노년층의 경우 새로운 신경 회로를 생성해 인지 저하를 막아주고, 젊은 층에게는 스트레스 해소와 문제 해결 능력을 높여주는 두뇌 운동이 됩니다.

기네스북을 흔든 기상천외한 기록들

뜨개질 마니아들의 열정은 종종 상상을 초월하는 세계 기록들을 만들어내기도 합니다.

• 초고속 뜨개질의 여왕: 영국의 미리엄 멀디(Miriam Tegels)라는 니터는 1분 동안 무려 118코를 떠내려가는 엄청난 속도로 기네스 기록을 보유하고 있습니다. 눈으로 쫓기 힘들 정도로 현란한 손놀림은 마술을 보는 듯한 착각을 불러일으킵니다.
• 세계를 뒤덮은 울트라 그라피티(Yarn Bombing): 도시의 삭막한 가로수, 동상, 교량 난간, 심지어 거대한 버스나 탱크 전체를 알록달록한 뜨개질 옷으로 감싸는 스트리트 아트 운동입니다. 2010년대 전후로 전 세계 대도시에서 폭발적으로 일어났으며, 차갑고 딱딱한 콘크리트 도시 환경에 따뜻한 온기와 예술적 감성을 불어넣는 현대 미술의 한 장르로 인정받고 있습니다.

이 외에도 지구상에서 가장 비싼 털실인 비쿠냐(Vicuna) 실 이야기(남미 안데스산맥의 야생 동물에게서 얻는 실로, 캐시미어보다 훨씬 희귀하고 부드러워 그램당 가격이 금값에 준합니다)나, 북극 탐험가들이 극한의 추위를 견디기 위해 반드시 챙겨 입었던 전통 울 스웨터의 비밀 등 뜨개질의 세계는 파고들수록 흥미로운 이야기들로 가득합니다.

바다를 누비는 어부들의 생명줄: 아란 스웨터(Aran Sweaters)의 숨겨진 암호

아일랜드 서해안에 위치한 거칠고 척박한 아란 제도(Aran Islands)는 오늘날 전 세계 니터들이 사랑하는 클래식 케이블 스웨터의 고향입니다. 하지만 이 스웨터들은 단순한 방한용 의복이 아니었습니다. 대서양의 매서운 바다로 나서는 어부들의 '주민등록증'이자 '구명조끼' 같은 역할을 했습니다.

• 가문의 문양 (Clan Patterns): 아란 제도에는 수십 개의 가문(Clan)이 있었고, 각 가문마다 고유한 뜨개질 무늬를 가지고 있었습니다. 바다에서 일어난 사고로 어부가 목숨을 잃고 해변으로 밀려왔을 때, 시신이 너무 훼손되어 얼굴을 알아볼 수 없더라도 입고 있던 스웨터의 케이블 무늬를 보고 어느 가문의 누구인지를 정확히 알아낼 수 있었다고 합니다.
• 무늬마다 담긴 간절한 소망: 스웨터에 들어가는 각 기하학적 무늬에는 명확한 상징이 담겨 있습니다.
  • 벌집 무늬(Honeycomb): 부지런한 노동과 그에 따르는 달콤한 보상, 풍요를 기원합니다.
  • 바구니 무늬(Basket): 어부들의 바구니를 상징하며, 만선과 행운을 뜻합니다.
  • 생명의 사다리(Ladder of Life)와 다이아몬드: 거친 인생의 험난한 고비를 무사히 넘기고 부와 성공에 도달하기를 바라는 염원을 담았습니다. 이 굵은 울 스웨터는 천연 양모에 포함된 '라놀린(Lanolin)'이라는 동물성 유지 성분 덕분에 물에 젖어도 체온을 유지해 주는 당시 최고의 기능성 의복이기도 했습니다.

1960년대 NASA와 아폴로 계획을 지탱한 '루프'의 기술

인류를 달로 보낸 아폴로 계획(Apollo Program)의 숨은 공신 중에는 놀랍게도 뜨개질 기술이 있었습니다. 1960년대 초, NASA는 우주선 컴퓨터에 들어갈 혁신적인 기억장치(Memory)를 개발해야 했습니다. 당시의 컴퓨터 메모리는 크고 불안정했으며, 우주선의 거센 진동과 방사선 환경을 견뎌내기 어려웠습니다.

• 로프 메모리(ROPE Memory): 매사추세츠 공과대학교(MIT)의 연구진은 금속 와이어와 코어 링을 정교하게 엮어서 데이터를 물리적으로 저장하는 방식을 고안해 냈습니다. 0과 1의 디지털 신호를 미세한 구리선으로 짜맞추는 방식이었는데, 이 작업을 수행할 수 있는 것은 고도의 집중력과 손재주를 가진 숙련된 장인들뿐이었습니다.
• 'LMA(LOL)'라 불린 뜨개질 기술자들: NASA는 이 기억장치를 조립하기 위해 주로 섬유 공장 출신의 여성 직공들을 대거 고용했습니다. 이들은 마치 뜨개질이나 바느질을 하듯 수만 개의 미세한 구리선을 바늘로 엮어냈습니다. 이 메모리 장치는 놀랍게도 단 한 번도 오류를 일으키지 않았고, 아폴로 11호가 달 착륙을 성공적으로 마칠 수 있도록 완벽하게 작동했습니다. 이 때문에 NASA 엔지니어들은 이 방식을 'LOL(Little Old Ladies) 메모리'라는 애칭으로 부르기도 했습니다. 컴퓨터 공학의 최전선이 가장 아날로그적인 수공예 기술에 빚을 졌던 셈입니다.

수학과 예술의 만화경: 뜨개질로 우주를 구현한 여성 수학자

캘리포니아 대학교 산타크루즈 캠퍼스의 수학 명예 교수인 다이애나 타이마타(Daina Taimina)는 뜨개질을 이용해 현대 수학의 오랜 난제를 해결한 인물입니다. 그녀는 2차원 평면에서는 절대 구현할 수 없고 오직 상상으로만 존재했던 '쌍곡 기하학(Hyperbolic Geometry)'의 세계를 털실로 완벽하게 떠내는 데 성공했습니다.

• 산호초와 우주의 원리를 실로 짜다: 아인슈타인의 상대성 이론이나 우주의 구조를 설명할 때 등장하는 휘어진 공간(쌍곡 면)은 컴퓨터 그래픽으로도 완벽하게 표현하기 까다롭습니다. 하지만 다이애나 교수는 일정한 규칙에 따라 코를 늘려가는(예: 매 3코마다 1코씩 늘리기) 뜨개질 방식을 통해 복잡한 수학적 모형을 완벽한 입체 구조물로 만들어 냈습니다.
• 코랄 크로셰(Crochet Coral Reef): 이 수학적 뜨개질 기법은 전 세계 과학자와 예술가들에게 큰 영감을 주었습니다. 호주의 작가들이 이를 응용해 지구온난화로 파괴되는 바다 속 산호초 생태계를 털실 공예로 완벽하게 재현하는 거대한 환경 예술 프로젝트를 진행하기도 했습니다. 수학의 딱딱한 공식이 가장 부드럽고 따뜻한 털실을 만나 살아 움직이는 예술품으로 변신한 것입니다.

지구상에서 가장 호화로운 실: 비쿠냐와 로얄 알파카의 세계

앞서 잠깐 언급했던 지구상 최고급 실의 세계는 그야말로 왕실의 역사와 맞닿아 있습니다.

• 황제의 실, 비쿠냐(Vicuña): 남미 안데스산맥의 해발 3,000~5000미터 고산지대에 사는 야생 동물인 '비쿠냐'는 라마나 알파카의 조상격인 동물입니다. 이 동물은 영하의 혹독한 추위와 강한 자외선을 견디기 위해 세상에서 가장 가늘고 부드러운 속털을 가지고 있습니다. 잉카 제국 시절에는 오직 왕족(황제)만이 비쿠냐로 만든 옷을 입을 수 있었으며, 이를 사냥하거나 털을 깎는 것은 엄격하게 금지되었습니다. 오늘날에도 비쿠냐 실은 1kg에 수천만 원을 호가하며, 샤넬이나 로로피아나 같은 최상위 럭셔리 하우스의 코트나 스카프에만 아주 제한적으로 사용됩니다. 캐시미어가 가볍고 부드럽다면, 비쿠냐는 '구름을 만지는 듯한 가벼움에 온몸이 사르르 녹는 듯한 보온성'을 가진 것으로 악명 높습니다.
• 빅토리아 여왕의 실타래: 19세기 영국 빅토리아 여왕은 뜨개질의 열렬한 팬이었습니다. 그녀는 궁전에서 직접 실을 엮어 크림전쟁에 참전한 군인들에게 보낼 목도리와 장갑을 짰으며, 이러한 여왕의 행보는 당시 영국 상류층 여성들 사이에서 뜨개질을 가장 우아하고 필수적인 교양 활동으로 자리 잡게 만들었습니다.

https://ravel.me/chamsei-cardigan

참새 가디건

핏을 잘 잡으려고 줄자로 사이즈를 많이 쟀다

자주 입는 옷은 화려한 무늬 보다는 내 몸에 편한 핏이 중요한 것 같아서 만들게 된 가디건이다

내가 입고 싶어서 만든 니트

니팅을 하다가 도안의 중간 쯤 왔을 때가 완성된 것보다 맘에 들 때가 있다

그런데 전부 따라하지 않으면 미완성인 느낌이 들었다

작가가 먼저 빈칸을 만들어 놓으면 완성을 넘어 간다는 즐거움을 느낄 수 있을 것 같다

• RGB 이미지: 일반 카메라와 같은 컬러 사진 (가로 × 세로 × 3채널)
• Depth(디스턴스) 이미지: 각 픽셀의 거리를 명암(보통 가까우면 밝고, 멀면 어두움)이나 물리적 수치(m 또는 mm)로 표현한 흑백 이미지 (가로 × 세로 × 1채널)

• ToF (Time of Flight, 비행시간측정): 카메라에서 눈에 보이지 않는 적외선을 발사한 뒤, 물체에 부딪혀 돌아오는 시간을 측정 거리가 정밀하며 스마트폰(Apple iPhone Pro 시리즈의 LiDAR 스캐너)이나 산업용 로봇에 쓰인다
• Structured Light (구조광): 특정 패턴의 적외선 그리드를 물체에 투사한 뒤, 물체 표면의 굴곡에 따라 패턴이 일그러지는 형태를 카메라로 분석해 거리를 계산 단거리가 매우 정밀하여 얼굴 인식(Apple FaceID)이나 실내 3D 스캔에 유리

• Intel RealSense (인텔 리얼센스 시리즈): D435, D455 등 개발자 및 로봇 공학 연구에서 가장 표준적으로 쓰이는 RGB-D 카메라
• Microsoft Azure Kinect: 마이크로소프트의 고해상도 ToF 카메라로, AI 기반의 신체 추적(Body Tracking)과 공간 스캔에 뛰어난 성능
• Stereolabs ZED 카메라: 인간의 눈처럼 두 개의 렌즈(Stereo Vision)를 활용해 인공지능으로 깊이를 계산하는 RGB-D 센서로, 야외 장거리 측정에 강점

• 로봇 자율 주행: 서빙 로봇이나 청소기가 전방의 장애물(의자 다리, 사람)의 형태와 거리를 입체적으로 인식
• 메타버스 및 AR/VR: 현실 공간을 그대로 스캔하여 3D 가상 공간(디지털 트윈)을 구축하거나, 가상의 가구를 방에 배치해 보는 앱에 사용
• 인체 모션 캡처: 사람의 관절 위치(X, Y, Z)를 실시간 3D 벡터로 추적하여 게임 캐릭터를 움직이거나 재활 치료용 자세 교정에 활용

RGB-D 센서는 실시간 차량 제어용 자율주행 센서로는 치명적인 한계가 있어, 주로 사용자 화면(내비게이션 UI), 차량 내부 모니터링, 또는 증강현실(AR) 헤드업 디스플레이(HUD)에 훨씬 적합

1. 햇빛에 쥐약 (야외 노이즈): 대다수 RGB-D 카메라는 적외선 패턴(Structured Light)이나 적외선 플래시(ToF) 사용 태양광은 엄청난 양의 자연 적외선을 포함하고 있어서, 낮에 야외로 나가는 순간 햇빛에 묻혀 거리 측정이 완전히 불가능
2. 짧은 측정 거리: LiDAR는 100m~300m 앞의 고속도로 장애물까지 잡아내지만, RGB-D 카메라는 성능이 좋아도 보통 5m~10m 내외(길어야 20m)만 측정할 수 있어 고속 주행 시 급제동 거리를 확보할 수 없다

• AR(증강현실) 내비게이션 구현: 전방 카메라로 도로를 찍으면서, 깊이(Depth) 정보를 통해 앞차와의 거리나 도로 굴곡을 파악이를 통해 내비게이션 화면이나 HUD(전면 유리) 위에 "몇 미터 앞 차량 뒤를 따라가세요" 같은 가상 가이드라인을 오차 없이 정확한 3D 위치에 입혀줌
• 차량 내부 운전자 모니터링 (In-Cabin Sensing): 야외 태양광 영향을 받지 않는 차량 내부에서는 RGB-D 센서가 강력한 위력을 발휘합니다. 운전자의 얼굴 윤곽(3D 형태)과 눈동자 움직임을 실시간으로 3D 벡터 추적하여, 졸음운전을 하거나 전방 주시를 태만히 할 때 화면에 경고를 띄움
• 제스처 컨트롤 UI: 인포테인먼트 화면 앞에서 운전자가 허공에 손가락을 돌리면 볼륨이 조절되고, 손을 저으면 화면이 넘어가는 등의 3D 공간 모션 인식을 완벽하게 구현

포인트 클라우드(Point Cloud)는 LiDAR 센서나 3D 스캐너로 수집한 3차원 공간상의 점(Point)들의 집합 

각 점은 X, Y, Z의 기하학적 좌표를 가지며, 필요에 따라 RGB 색상이나 반사 강도 같은 추가 속성도 포함

공간 상의 이산적인 데이터 포인트 집합

• X, Y, Z (위치): 지구상의 절대 좌표(UTM 등) 또는 센서 기준의 상대 좌표 (단위: m)
• Intensity (강도): 레이저가 물체에 부딪혀 돌아온 빛의 세기 (재질 식별용)
• Return Number (반사 순서): 하나의 레이저 펄스가 여러 물체(예: 나뭇잎 → 땅)에 부딪혀 돌아올 때 몇 번째 신호인지 기록 (\(R_{n}\))
• Number of Returns (총 반사 횟수): 해당 레이저 펄스가 총 몇 번 분할되어 돌아왔는지 기록 (\(N_{r}\))
• Classification (분류): 점이 속한 객체 종류 (0: 미분류, 1: 가공되지 않음, 2: 지면, 3: 낮은 식생, 5: 높은 식생, 6: 건물 등)
• Scan Angle (스캔 각도): 레이저가 발사된 거울의 회전 각도 (α)

# .PCD 파일 포맷 예시
VERSION 0.7
FIELDS x y z intensity return_number classification
SIZE 4 4 4 4 1 1
TYPE F F F F U U
COUNT 1 1 1 1 1 1
WIDTH 3
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 3
DATA ascii
35.124 128.543 12.45 85 1 2
35.126 128.545 12.48 12 1 2
35.120 128.540 25.10 45 2 6

• 지형 측량 / 드론 매핑: 드론이나 항공기 LiDAR로 수집한 광범위한 지역 데이터는 국토교통부나 내비게이션 지도 제작 시 LAS/LAZ 포맷
• 자율주행 연구 (원격 센싱): ROS(로봇 운영체제) 환경이나 고정형 LiDAR 센서에서 실시간으로 들어오는 데이터 스트림은 주로 PCD 포맷이나 매 프레임별 Raw Binary Matrix 형태로 처리

• 정수형 (0 ~ 255): 가장 직관적이고 흔한 형태 (예: [255, 0, 0]은 순수한 빨간색)
• 정규화된 실수형 (0.0 ~ 1.0): 딥러닝 입력 데이터나 특정 3D 그래픽 엔진에서 처리하기 쉽도록 255로 나눈 값 (예: [1.0, 0.0, 0.0])

[
  #  [    X,     Y,     Z,    R,   G,   B ]
  [ 1.25, 3.42, 0.88, 255,   0,   0 ],  # 빨간색 점 (예: 소화전)
  [-0.45, 2.11, 1.50,   0, 255,   0 ],  # 초록색 점 (예: 나뭇잎)
  [ 0.12, 1.05, -0.2, 255, 255, 255 ]   # 흰색 점   (예: 차선 바닥)
]

• 일반 LiDAR (RGB 없음): 자율주행차 지붕에 달린 일반적인 LiDAR는 레이저만 쏘기 때문에 위치(XYZ)와 반사 강도(Intensity)만 수집 색상 정보는 없다
• 카메라 융합형 LiDAR (RGB 있음): 드론 매핑용 고가 LiDAR나 iPhone의 LiDAR 스캐너처럼 카메라가 함께 장착된 장비는 레이저 좌표에 카메라의 픽셀 색상(RGB)을 실시간으로 입혀서 저장

• PLY / OBJ (3D 그래픽 포맷): 점 하나마다 X Y Z R G B 형태로 텍스트나 이진 데이터로 정직하게 기록
• PCD (Point Cloud Library 포맷): 메모리와 처리 속도를 아끼기 위해 R, G, B 3개 바이트(각 8비트)를 하나로 묶어 32비트 부동소수점(Float) 하나로 압축하여 저장하기도 한다
  • 예시: RGB 값을 하나의 정수 4294967295 같은 형태로 묶어서 1개의 열로 표현
• LAS / LAZ (지형 측량 표준): 헤더 옵션에 따라 RGB 필드를 활성화할 수 있으며, 측량 장비에 따라 0~255가 아닌 16비트(0 ~ 65535) 범위의 고해상도 RGB 값을 저장하기도 한다

1. 시각적 직관성: 데이터 분석가나 작업자가 3D 모델을 볼 때, 흑백이나 단색보다 실제 색상이 보여야 물체를 훨씬 쉽게 식별합니다.
2. AI 객체 인식(Semantic Segmentation): 자율주행이나 공간 인식 AI를 학습시킬 때, 형태(XYZ) 정보만 주는 것보다 색상(RGB) 정보를 함께 주면 "바닥에 그려진 흰색 차선"이나 "빨간색 표지판"을 훨씬 정확하게 구별

라이다(LiDAR, Light Detection and Ranging)는 레이저 펄스를 발사하여 대상체에 부딪혀 돌아오는 시간을 측정함으로써 정밀한 3차원 거리와 형상을 파악하는 원격 감지 기술

레이더(Radar)보다 파장이 짧은 빛을 사용하여 주변 환경을 고해상도의 3차원 포인트 클라우드(점군) 데이터로 시각화

https://www.youtube.com/watch?v=xLtolcT-nRM

1. 3D 환경 인지 (Perception) 및 객체 검출

2. 고정밀 측위 및 맵핑 (Localization & Mapping)

3. 센서 퓨전 (Sensor Fusion)

4. 시뮬레이션 및 데이터 라벨링 자동화 (Simulation & MLOps)

💻 개발자 입장에서 고려해야 하는 현실적인 이슈

4. 시뮬레이션 및 검증 단계

• Tightness 검증: 3D 박스가 차량이나 보행자의 실제 라이다 점(Point)들에 딱 맞게 밀착되었는지 확인합니다. 박스가 너무 크면 가상의 공간을 물체로 인식하고, 너무 작으면 충돌 위험이 생깁니다.
• Heading(방향) 수정: 차량이 진행하는 앞방향(Yaw 각도)이 맞는지 검증합니다. 라이다 데이터만으로는 차의 앞뒤 구분이 어려울 때가 많으므로, 동기화된 카메라 이미지(Camera-LiDAR Fusion View)를 교차 확인하며 차량의 정확한 헤딩을 맞춥니다. 

• 프레임 간 튀는 현상(Jittering) 제거: 1번 프레임과 2번 프레임 사이에서 차의 크기가 갑자기 바뀌거나, 위치가 순간 이동하듯 튀는 현상을 잡습니다. 보간(Interpolation) 알고리즘을 적용한 후, 사람이 수동으로 매끄럽게 다듬습니다.
• ID Switching 오류 수정: 추적 중이던 A 차량이 반대편 차량에 가려졌다가 다시 나타났을 때, 오토 라벨러가 이를 새로운 B 차량으로 인식하는 오류(ID 스위칭)를 잡아내어 하나의 고유 ID로 묶어줍니다.

• 유사 형태 구분: 예를 들어 길가에 서 있는 '전신주'나 '가로수'를 '보행자'로 오인했거나, '대형 SUV'를 '트럭'으로 분류한 경우를 찾아내어 올바른 레이블(Label)로 수정합니다. 

• 환경 노이즈 제거: 비, 눈, 안개, 또는 차량 배기가스로 인해 공중에 찍힌 가상의 점(Ghost points)들이 오토 라벨러에 의해 장애물로 오인되어 박스가 쳐진 경우, 이를 과감히 삭제합니다. 
• 바닥면(Ground) 오인 수정: 도로의 연석(Curb)이나 과속방지턱, 경사로의 꺾이는 부분을 장애물 박스로 잘못 지정한 것을 해제합니다. 

• 원거리/희소 데이터(Sparse Points) 복구: 차량에서 50m~100m 이상 떨어진 물체는 라이다 점이 몇 개 찍히지 않아 오토 라벨러가 감지하지 못합니다. 검증 단계에서는 카메라 뷰와 대조하며 점이 2~3개뿐이더라도 명확한 장애물이라면 수동으로 3D Box를 생성해 줍니다. 
• 비정형 객체 레이블링: 휠체어, 유모차, 킥보드를 탄 사람, 도로 위 낙하물 등 빈도가 낮은 엣지 케이스를 정확히 정의해 줍니다. 

┌────────────────────────────────────────────────────────┐
│ [Top-Down / Bird's Eye View]   [Front / Side 3D View]   │
│ ㆍ ㆍ ㆍ┌───────┐ㆍ ㆍ ㆍ       ㆍ ㆍ ㆍ ㆍ ㆍ ㆍ ㆍ ㆍ  │
│ ㆍ ㆍ ㆍ│  🚘  │ㆍ ㆍ ㆍ       ㆍ ㆍ  ◢███◣ ㆍ ㆍ ㆍ ㆍ  │
│ ㆍ ㆍ ㆍ└───────┘ㆍ ㆍ ㆍ       ㆍ ㆍ  ◥███◤ ㆍ ㆍ ㆍ ㆍ  │
├────────────────────────────────────────────────────────┤
│ [Synchronized Camera Image View]                       │
│ ┌──────────────────────────────────────────────────┐   │
│ │  [ 🚘 Detected Car ]                             │   │
│ └──────────────────────────────────────────────────┘   │
└────────────────────────────────────────────────────────┘

1. 자동 검증 스크립트 실행: 3D Box 간의 충돌(갑자기 두 박스가 겹침), 물리적으로 불가능한 속도 변화 등을 파이썬 스크립트로 1차 필터링합니다.
2. 시각적 교차 검증 (Cross-Validation): 엔지니어가 탑다운 뷰(Bird's Eye View), 3D 측면 뷰, 카메라 투영 뷰를 동시에 보면서 오토 라벨링된 박스의 경계면을 마우스로 잡고 정밀하게 맞춥니다.
3. 최종 메타데이터 검수: 수정을 마치면 객체의 가려짐 정도(Occlusion), 잘림 정도(Truncation) 같은 메타데이터 속성 값이 올바르게 산출되었는지 확인하고 데이터셋 빌드에 포함시킵니다.

🛠️ 검증 엔지니어가 알아야 할 핵심 소프트웨어 조작법

• 작업: AI가 생성한 박스를 클릭하면 X, Y, Z축 이동축과 회전축(Yaw 기즈모)이 활성화됩니다.
• 조작: 마우스 드래그나 키보드 방향키(W, A, S, D 등)를 이용해 박스의 크기를 물체 겉면에 딱 맞추고, 차량의 헤딩(방향) 화살표를 주행 방향으로 회전시킵니다.

• 작업: 라이다 데이터는 평면에서 볼 때 물체의 경계면이 가장 명확합니다.
• 조작: 마우스 휠로 BEV 화면을 확대/축소하면서 차량의 정면 점군과 후면 점군이 3D 큐보이드(Cuboid) 벽면에 일치하는지 스캔합니다.

• 작업: 라이다 점만으로는 이 물체가 세단인지, SUV인지, 혹은 표지판 기둥인지 구분이 안 될 때가 많습니다.
• 조작: 소프트웨어 한쪽에 연동된 카메라 이미지를 보며 마우스로 라이다 박스를 변경하면, 카메라 이미지 위 2D 박스도 실시간으로 연동되어 움직입니다. 이를 통해 물체의 클래스(Class)가 맞는지 텍스트나 형상을 보고 최종 확정합니다.

• 작업: 100프레임 동안 움직이는 차량을 프레임마다 일일이 검수하는 것은 불가능합니다.
• 조작: 핵심 프레임(Keyframe)인 1번 프레임과 10번 프레임의 박스만 엔지니어가 검증해 주면, 소프트웨어가 그 사이(2~9번 프레임) 차량의 궤적을 선형 보간 알고리즘으로 자동 계산하여 채워 넣습니다. 검수자는 프레임을 Space 바로 재생하며 튀는 구간만 멈춰서 수정합니다.

• 실제 조작법 및 기능 소개 영상: CVAT 공식 3D 포인트 클라우드 가이드 (YouTube)
• 텍스트 매뉴얼 및 단축키 안내: CVAT 공식 블로그 가이드 [1, 2, 3]

• 라이다-카메라 퓨전 데이터 어노테이션 영상: BasicAI 공식 튜토리얼 (YouTube)
• 상세 인터페이스 및 데이터 업로드 문서: BasicAI 기술 문서 [1, 2, 3]

• 3D Precision 라이다 가이드 영상: Encord 라이다 어노테이션 튜토리얼 (YouTube) [1]

1. 3D 자유 시점(Free Camera) 화면: 마우스 좌클릭(앵글 회전), 우클릭(카메라 축 이동)을 이용해 전체적인 점군 상태를 파악합니다.
2. 3단 정사영 뷰(Top, Side, Front View): AI가 생성한 3D 박스를 위, 옆, 앞에서 직각으로 보며 물체 표면에 박스를 cm 단위로 밀착(Tightness) 시킬 때 마우스 드래그로 조작합니다.
3. 카메라 뷰 연동: 라이다 점 위를 클릭하면 오른쪽에 동기화된 카메라 이미지가 나타나, 해당 물체가 차량인지 오토바이인지 시각적으로 교차 검증합니다. [1]

nelsknits 뜨개 작가의 인스타그램과 무료 도안 튜토리얼 유튜브 영상 

오프숄더로 입을 수도 있고, 마지막 부분에 소매를 추가하면 반팔이나 긴팔로도 입을 수 있다.

너무 귀여운 디자인이다

신축성이 있고 얇은 모헤어로 만들기 때문에 간절기에 아우터와 입어도 되고 여름에 에어컨을 튼 실내에서도 입을 수 있을 것 같다.

초보자 용으로 적합한 뜨개이지만 주의할 점이 있다.

두 세 가지 정도 버전을 뜨면서 알게 된 팁

- 밝은 컬러의 모헤어를 사용할 때, 도안에서 늘림을 한 부분이 여기저기 흩어져 있어 완성하고 지저분해 보일 수 있기 때문에 양 끝에서만 늘림과 줄임을 하는 것을 추천

kfb 부분이 늘림인데 어두운 실로 뜨개를 하면 상관없지만 밝은 색 실은 여기저기서 늘림한 부분이 보이기 때문에

그냥 양 끝에 마커를 달아두고 every round 4번의 늘림을 하면 균일하게 늘어난다.

이런식으로 12*4 + 82 = 130 

작가의 계산대로 하면 132가 된다.

자신의 사이즈보다 작다면 라운드를 추가해서 더 진행해도 될 것 같다.

탑다운이기 때문에 소매 분리부분이 나타난다.

좌우대칭이기 때문에 내 팔 사이즈와 몸통 사이즈를 재서 나눌 수 있다.

양 끝에 마크를 해놨다면 분리하기 더 쉬울 것 같다.

이후 몸통부분을 가슴 가장 윗부분까지 진행한다.

그 다음부터는 줄임이 시작된다.

두 개의 코를 잡고 한번에 뜨는 방식 k2tog로 19번의 줄임을 하는 것으로 되어 있다.

하지만 영상처럼 하면 밝은 실에서는 줄임을 한 부분이 여기저기 퍼져 있는게 보인다.

가슴부터 허리선이 밀착되는 핏이기 때문에 감소시켜야 하는데 이것도 양 끝에서만 진행하는 것을 추천한다.

총 27 라운드이기 때문에 3번째 라운드마다 양 끝에서 줄임을 하면 균일하게 18번의 줄임을 할 수 있다.

가슴이 큰 편이라면 대각선으로 줄임이 생길 수 있으니 마커 위치를 등쪽으로 위치시키는 게 좋다.

마커를 위치하고, 등쪽이 아닌 가슴쪽으로 줄임을 진행하면 된다.

가슴 밑부분까지 줄임을 끝내면 5cm 허리 부분이 나올때까지 무한 겉뜨기 해주면 된다.

이후에 허리선 부분은 핏을 만들고 싶다면 아래의 추가 줄임을 진행하면 된다.

보통 스웨터 뜨기 할때는 작은 바늘로 바꿔서 진행하지만 이 니트탑은 매우 몸에 밀착되는 디자인이기 때문에 오히려 바늘을 더 큰 것으로 바꾸어 엘라스틱한 캐스트 오프 방법을 사용해야 한다.

영상을 보면서 함께 뜨니까 좋았다. 

어두운 색 실을 쓰면 영상처럼만 하면 되니까 고민할 필요도 없었고 체형도 비슷해서 사이즈를 변형할 필요가 없었다.