[논문 리뷰] It's All Around You: Range-Guided Cylindrical Network for 3D Object Detection

Meytal Rapoport-Lavie, Dan Raviv|arXiv (Cornell University)|2020. 12. 05.

Robotics and Sensor-Based Localization참고 문헌 29인용 수 7

한 줄 요약

이 논문은 360° LiDAR 센서의 고리 모양 스캔 패턴과 더 잘 일치하도록 실린더 좌표계를 사용하는 새로운 엔드 투 엔드 3D 객체 검출 프레임워크를 제안한다. 거리에 따라 수용 영역을 조정하는 데 기반한 범위 지도형 컨볼루션을 도입하여, nuScenes 벤치마크에서 SOTA 성능을 달성했으며, NDS 점수는 0.585로, 대부분의 카르테시안 기반 방법보다 뛰어나다.

ABSTRACT

Modern perception systems in the field of autonomous driving rely on 3D data analysis. LiDAR sensors are frequently used to acquire such data due to their increased resilience to different lighting conditions. Although rotating LiDAR scanners produce ring-shaped patterns in space, most networks analyze their data using an orthogonal voxel sampling strategy. This work presents a novel approach for analyzing 3D data produced by 360-degree depth scanners, utilizing a more suitable coordinate system, which is aligned with the scanning pattern. Furthermore, we introduce a novel notion of range-guided convolutions, adapting the receptive field by distance from the ego vehicle and the object's scale. Our network demonstrates powerful results on the nuScenes challenge, comparable to current state-of-the-art architectures. The backbone architecture introduced in this work can be easily integrated onto other pipelines as well.

연구 동기 및 목표

• 카르테시안 기반 딥 러닝 아키텍처와 360° LiDAR 센서의 자연스러운 고리 모양 출력 간의 불일치를 해결하기 위해.
• 실린더 좌표계를 활용해 LiDAR 데이터의 공간 관계를 더 잘 유지함으로써 3D 객체 검출 정확도를 향상시키기 위해.
• 객체 거리와 스케일에 따라 수용 영역을 동적으로 조정하는 범위 지도형 컨볼루션 메커니즘을 개발하기 위해.
• 자기 방향성 실린더 좌표 프레임워크 내에서 방향 및 속도를 엔드 투 엔드로 학습할 수 있도록 하기 위해.
• 실린더 좌표계가 기존의 카르테시안 볼륨화보다 3D 검출 작업에서 더 우수한 성능을 낼 수 있음을 입증하기 위해.

제안 방법

• 네트워크는 LiDAR 포인트 클라우드를 실린더 좌표계로 투영하여 센서의 자연스러운 스캔 기하학을 유지한다.
• 범위 축에 4개의 스트라이드-2 레이어와 각도 축에 3개의 스트라이드-2 레이어를 활용하여 공간 해상도를 88×300으로 감소시키면서도 공간 정밀도를 유지한다.
• 새로운 범위 지도형 컨볼루션 블록은 차량에서의 거리와 객체 스케일에 따라 커널 크기와 효과적 수용 영역을 조정한다.
• 각도 방향의 순환 연속성을 유지하기 위해 각도 차원에 원형 패딩을 적용하고, 수용 영역을 넓히기 위해 커널 크기를 5로 증가시킨다.
• nuScenes 데이터셋의 클래스 불균형 문제를 다루기 위해 클래스 균형 샘플링과 클래스 그룹 헤드(CBGS)를 사용한다.
• 추론 시 다중 플립이 아닌 y-플립 증강만을 사용하여 추론 시간을 50% 감소시키면서도 높은 성능을 유지한다.

실험 결과

연구 질문

• RQ1 LiDAR 데이터에 대해 표준 카르테시안 볼륨화 대비 실린더 좌표계가 3D 객체 검출 성능 향상에 기여할 수 있는가?
• RQ2 범위 지도형 컨볼루션은 객체 거리와 스케일에 따라 수용 영역을 적응시킴으로써 특징 학습을 어떻게 향상시키는가?
• RQ3 특히 방향 및 속도 추정에 있어 실린더 좌표계에서 딥 네트워크를 훈련할 때 발생하는 과제는 무엇인가?
• RQ4 자기 방향성 실린더 네트워크가 nuScenes와 같은 복잡한 3D 검출 작업에 얼마나 일반화될 수 있는가?
• RQ5 기하학적으로 일치하는 좌표계를 사용하면 정보 손실이 감소하고, 특히 먼 곳이나 작은 객체에 대해 검출 정확도가 향상되는가?

주요 결과

• 제안된 실린더 네트워크는 nuScenes 테스트 세트에서 0.585 NDS 점수를 기록하여, 유일한 예외를 제외한 모든 방법보다 뛰어난 성능을 보였다.
• 범위 지도형 백본은 거리 범위 [30m, 50m]에서 NDS 점수를 0.007 향상시켜 지도 유무에 따라 각각 0.485 NDS와 0.478 NDS를 달성했다.
• 전체 클래스에서 mAP가 0.002 향상되어 0.574에서 0.576로 상승했으며, 장벽, 트래픽 콘, 자전거 기사, 오토바이 등 작은 객체 및 먼 곳의 객체에서 뚜렷한 성능 향상을 보였다.
• 방향 및 속도 예측 수정을 통합함으로써 AAE 및 방향 오차 지표에서 상당한 향상이 있었으며, 실린더 설계의 효과성을 확인했다.
• CenterPoint 대비 출력 특징맵 크기를 약 20% 감소시켰지만 성능은 유지하거나 향상시켰다.
• 세 번의 플립 증강 대신 하나의 플립 증강(y-플립)만을 사용함으로써 추론 시간을 두 배로 단축시켰고, 성능 저하도 최소한도였다.