점과 직선 사이의 거리

한 줄 정의: 좌표평면 위의 한 점에서 직선 ax + by + c = 0까지 수직으로 내린 최단 거리를 |ax₀ + by₀ + c| / √(a² + b²) 공식으로 구하는 것입니다.

쉽게 풀면

도로(직선) 옆에 서 있는 사람(점)이 도로까지 가장 가까운 길로 가려면 도로에 대각선으로 걷는 게 아니라 수직으로 걸어가야 최단 거리가 됩니다. "점과 직선 사이의 거리"는 바로 이 수직 거리를 뜻합니다. 일일이 그림을 그려 수직으로 내린 선분의 길이를 재는 대신, 점의 좌표와 직선의 식만 알면 공식에 대입해서 곧바로 거리를 계산할 수 있습니다. 이 공식은 원과 직선의 위치관계를 판별할 때도 핵심적으로 쓰입니다.

왜 중요한가

점과 직선 사이의 거리 공식은 순수 기하학 문제를 넘어, 데이터가 어떤 기준선이나 모델로부터 얼마나 벗어나 있는지를 정량화하는 도구로 여러 응용 분야에서 쓰입니다. 통계·데이터과학에서는 회귀직선과 개별 데이터 사이의 오차(잔차)를 계산하는 원리가 바로 이 거리 개념에 기반하고, 컴퓨터비전이나 로보틱스에서는 이미지 속 직선을 검출하거나 로봇이 경로(직선 궤적)에서 얼마나 이탈했는지 측정할 때 동일한 공식이 활용됩니다. 이처럼 기초 기하 개념 하나가 여러 응용 논문의 계산식 안에 그대로 녹아 있는 경우가 많습니다.

논문에서는 이렇게 쓰입니다

"각 데이터 포인트와 회귀직선 사이의 거리를 계산하여 잔차가 큰 이상치 5개를 식별하였다."

이 문장은 데이터 점들이 직선(추세선)에서 수직으로 얼마나 떨어져 있는지를 계산해, 그 값이 유난히 큰 점들을 이상치로 골라냈다는 뜻입니다.

"영상에서 검출된 차선 후보 점들과 추정 직선 사이의 거리를 최소화하는 방향으로 차선 모델의 파라미터를 갱신하였다."

자율주행이나 영상처리 연구에서는 카메라가 인식한 점들이 실제 차선(직선)에 최대한 가깝게 맞도록 직선의 위치와 기울기를 조정하는데, 이때 각 점과 직선 사이의 거리를 계산해 오차를 줄이는 방식으로 최적화가 이루어집니다.

"이동 로봇의 실제 주행 궤적과 목표 직선 경로 사이의 거리를 측정하여 경로 추종 성능을 평가하였다."

로보틱스 분야에서는 로봇이 계획한 직선 경로를 얼마나 정확히 따라가는지를 평가할 때, 매 순간 로봇의 위치와 목표 직선 사이의 수직 거리를 오차 지표로 사용하는 경우가 많습니다.

조금 더 깊게 보면

이 거리 공식은 회귀분석에서 "잔차"라는 개념과 직접 연결되는데, 일반적인 최소제곱법은 점과 직선 사이의 수직 거리 대신 y축 방향으로의 거리(수직이 아니라 세로 거리)를 최소화한다는 점에서 순수 기하학적 거리와는 다르다는 점을 알아두면 좋습니다. 반면 전체 최소제곱법(total least squares)이나 주성분분석 기반의 직선 적합에서는 실제로 점과 직선 사이의 수직 거리를 최소화하는 방식을 사용하므로, 어떤 방법을 쓰느냐에 따라 같은 데이터라도 적합되는 직선이 달라질 수 있습니다.

주의할 점

이 공식은 직선의 방정식이 ax + by + c = 0 형태로 정리되어 있을 때만 바로 적용할 수 있습니다. y = ax + b처럼 기울기 형태로 주어진 직선의 방정식이라면 먼저 ax - y + b = 0 꼴로 옮겨 적은 뒤 공식에 대입해야 합니다.