[논문 리뷰] 3D Point Cloud Processing and Learning for Autonomous Driving

Siheng Chen, Baoan Liu외 3명|arXiv (Cornell University)|2020. 03. 01.

Remote Sensing and LiDAR Applications참고 문헌 103인용 수 34

한 줄 요약

자율주행에서 LiDAR를 위한 3D 포인트 클라우드 처리 및 학습에 대한 조사로, 표현, 도구, HD 맵 생성, 위치 추정, 인식 모듈에서의 모듈별 응용을 다룹니다.

ABSTRACT

We present a review of 3D point cloud processing and learning for autonomous driving. As one of the most important sensors in autonomous vehicles, light detection and ranging (LiDAR) sensors collect 3D point clouds that precisely record the external surfaces of objects and scenes. The tools for 3D point cloud processing and learning are critical to the map creation, localization, and perception modules in an autonomous vehicle. While much attention has been paid to data collected from cameras, such as images and videos, an increasing number of researchers have recognized the importance and significance of LiDAR in autonomous driving and have proposed processing and learning algorithms to exploit 3D point clouds. We review the recent progress in this research area and summarize what has been tried and what is needed for practical and safe autonomous vehicles. We also offer perspectives on open issues that are needed to be solved in the future.

연구 동기 및 목표

• 자율주행을 위한 LiDAR 기반 3D 포인트 클라우드 처리의 중요성을 고무한다.
• 자율주행 시스템에서 3D 포인트 클라우드의 특성, 표현 방식, 도구를 요약한다.
• HD 맵 생성, 위치 추정, 인식 모듈을 위한 3D 포인트 클라우드 처리를 검토한다.
• 실용적이고 안전한 자율주행 차량에서의 열린 이슈와 향후 방향을 강조한다.

제안 방법

• 실시간 LiDAR 스윕과 포인트 클라우드 맵 및 AV 시스템에서의 역할을 설명한다.
• 3D 데이터에 대한 원시 포인트, 보셀(voxel), 레인지 뷰(range-view), BEV 표현을 비교한다.
• 3D 포인트 클라우드를 위한 CNN 기반 및 PointNet 스타일 학습 접근법을 조사한다.
• HD-map 생성, 위치 추정, 인식을 위한 모듈별 처리를 논의한다.

실험 결과

연구 질문

• RQ1 자율주행에서 3D 포인트 클라우드의 주요 특성과 표현 방식은 무엇인가?
• RQ2 3D 포인트 클라우드 처리와 학습은 HD 맵 생성, 위치 추정, 인식을 어떻게 지원하는가?
• RQ3 LiDAR 데이터를 활용한 실용적 자율주행의 열린 문제와 향후 방향은 무엇인가?

주요 결과

• LiDAR는 AV에서 위치 추정과 인식을 위해 결정적인 정밀한 3D 기하를 제공한다.
• 여러 표현 방식(원시 포인트, 보셀, 레인지 뷰, BEV)은 세부 정보, 메모리, 2D 방식과의 호환성 사이의 트레이드오프를 제공한다.
• PointNet 및 CNN 기반 방법은 각각 비정렬 포인트 클라우드와 이산화된 포인트 클라우드에서 학습을 가능하게 한다.
• HD 맵 생성 및 맵 기반 위치 추정은 스캔을 정렬하고 의미 특성을 추출하기 위해 3D 포인트 클라우드 처리에 크게 의존한다.
• 인식 향상은 3D 객체 탐지 및 의미 특성을 통해 자율주행의 안전성과 신뢰성을 높인다.