그래프 어텐션을 적용한 라이다 물체 인식

Abstract

첨단 운전자 보조 시스템 및 자율주행 기술에서 주변 상황에 대한 정확한 인지는 필수적인 요소이다. 인지 기술은 주로 카메라, 레이더, 라이다 센서를 이용해 구현된다. 이 세 가지 센서 중 라이다는 날씨에 강건하며 물체에 대한 정확한 인지가 가능한 점 때문에 라이다를 이용한 많은 연구가 진행되고 있다. 하지만 라이다 포인트 클라우드 데이터가 가진 희소성(Sparsity)과 불규칙성 (Irregularity)는 앞으로 해결해야 할 문제로 남아있다. 본 논문에서는 라이다 포인트 클라우드 데이터에 대해 계층적 구조의 그래프 어텐션 네트워크를 이용하여 라이다 인지를 수행하는 알고리즘에 대해 설명한다. 본 논문에서 제시하는 알고리즘은 크게 세 단계로 구성되어 있으며, 첫 번째는 라이다 포인트 클라우드에 대한 다운 샘플링과 그래프 생성 과정이 포함된 전처리 단계, 두 번째는 입력된 그래프를 학습하는 그래프 어텐션 네트워크, 마지막은 클래스와 바운딩 박스 예측을 수행하는 객체 인지 단계로 구성되어 있다. 본 논문에서는 다운 샘플링 과정에서 심해지는 희소성으로 인해 손실되는 정보들을 보존하고자 데이터 전처리 단계에서도 그래프 어텐션 네트워크를 이용했다. 즉 그래프 어텐션 네트워크를 여러 층 쌓으며 계층적인 구조를 이용해 라이다 인지를 수행했다. 개발된 알고리즘을 KITTI Dataset을 이용해 학습하고 검증하였으며, 비교군 대비 좋은 인지 성능을 달성했다. |To design advanced driver assistance systems and autonomous driving technology accurate awareness is essential. perception is mainly implemented using cameras, radar and lidar. Among them, lidar is widely used in research. However, the sparsity and irregularity of lidar point cloud data remain as problems to be solved in the future. In this paper, we propose an algorithm for performing lidar object detection using a hierarchical graph attention network. This paper consists of three main steps. They are data preprocessing step, graph attention network and object detection layer. In this paper, the graph attention network is also used in the data preprocessing step to preserve information that is lost in the downsampling process. In other words, by stacking layers of graph attention networks, lidar object detection was performed using a hierarchical structure.