[논문 리뷰] Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds

Tai Wang, Xinge Zhu외 1명|arXiv (Cornell University)|2020. 04. 06.

Advanced Neural Network Applications인용 수 11

한 줄 요약

이 논문은 자동주행에서 흔히 볼 수 있는 흩어진 불규칙한 LiDAR 포인트 클라우드에서 작은 및 먼 3D 객체를 탐지하는 데 어려움을 해결하기 위해, 국소 공간 밀도를 기반으로 고정 크기의 벽돌형 영역으로 포인트를 적응적으로 선택하고 집계하는 데 중점을 두고, 편향된 랜덤 워크를 사용하는 새로운 표현 방식인 Reconfigurable Voxels를 제안한다. 이 방법은 희박한 영역에서 특징의 안정성을 향상시켜, 최소한의 계산 오버헤드로 nuScenes, Lyft, KITTI 벤치마크에서 작은 객체나 먼 객체의 3D 탐지 성능을 크게 향상시킨다.

ABSTRACT

LiDAR is an important method for autonomous driving systems to sense the environment. The point clouds obtained by LiDAR typically exhibit sparse and irregular distribution, thus posing great challenges to the detection of 3D objects, especially those that are small and distant. To tackle this difficulty, we propose Reconfigurable Voxels, a new approach to constructing representations from 3D point clouds. Specifically, we devise a biased random walk scheme, which adaptively covers each neighborhood with a fixed number of voxels based on the local spatial distribution and produces a representation by integrating the points in the chosen neighbors. We found empirically that this approach effectively improves the stability of voxel features, especially for sparse regions. Experimental results on multiple benchmarks, including nuScenes, Lyft, and KITTI, show that this new representation can remarkably improve the detection performance for small and distant objects, without incurring noticeable overhead costs.

연구 동기 및 목표

• 자율주행에서 흔히 볼 수 있는 희박하고 비정규적인 LiDAR 포인트 클라우드에서 작은 및 먼 3D 객체를 탐지하는 데 도전 과제를 해결한다.
• 기존의 벽돌화 방식이 포인트 분포의 일관성 부족으로 실패하는 희박한 영역에서 특징의 안정성을 향상시킨다.
• 계산 비용을 증가시키지 않으면서도 높은 탐지 정확도를 유지하는 경량의 적응형 표현 방식을 개발한다.
• nuScenes, Lyft, KITTI와 같은 다양한 실제 환경 벤치마크에서 견고한 3D 객체 탐지 성능을 제공한다.
• 국소 기하학적 특성에 기반해 동적으로 영역 선택을 재구성하는 새로운 벽돌형 기반 표현 방식을 제공한다.

제안 방법

• 각 포인트 주변의 국소 영역을 탐색하기 위해 편향된 랜덤 워크 메커니즘을 제안하며, 포인트 밀도가 높은 영역을 우선시한다.
• 랜덤 워크를 통해 국소 공간 구조를 가장 잘 대표하는 고정된 수의 인접한 벽돌형 영역을 선택한다.
• 선택된 벽돌형 영역 내의 모든 포인트를 하나의 특징 표현으로 통합하여 안정성을 향상시킨다.
• 희박한 영역에서 커버리지가 향상되도록, 랜덤 워크의 편향을 밀도가 높은 영역을 우선시하도록 설계한다.
• 명시적인 격자 분할이 필요 없이 국소 포인트 분포에 적응하는 학습 가능한 벽돌형 표현을 설계한다.
• 기존의 3D 탐지 프레임워크에 최소한의 아키텍처 변경으로 Reconfigurable Voxels를 통합한다.

실험 결과

연구 질문

• RQ1 적응형 벽돌형 영역 선택 전략이 희박한 LiDAR 포인트 클라우드에서 특징 표현의 안정성 향상에 기여하는가?
• RQ2 표준 벽돌화 방식에 비해 Reconfigurable Voxels는 작은 및 먼 3D 객체 탐지에서 어떤 성능을 보이는가?
• RQ3 제안된 방법의 계산 비용은 기준 벽돌기반 탐지기 대비 얼마나 되는가?
• RQ4 편향된 랜덤 워크 메커니즘이 희박한 영역에서 정보가 풍부한 국소 영역을 효과적으로 우선시하는가?
• RQ5 이 표현 방식은 nuScenes, Lyft, KITTI와 같은 다양한 3D 탐지 벤치마크에서 일반화 가능한가?

주요 결과

• Reconfigurable Voxels는 nuScenes 벤치마크에서 작은 객체 및 먼 객체의 탐지 mAP를 크게 향상시켰다.
• 희박한 영역에서 특징의 안정성이 향상되어, 벽돌형 표현의 분산이 감소했다.
• 눈에 띄는 계산 오버헤드 없이도 탐지 성능 향상이 달성되었다.
• KITTI 및 Lyft를 포함한 여러 벤치마크에서 표준 벽돌화 방식을 초월하는 성능을 보였다.
• 실험 결과, 편향된 랜덤 워크가 희박한 국소 영역에서 국소 기하학을 효과적으로 포착하는 것으로 확인되었다.
• 낮은 포인트 밀도를 가진 어려운 3D 객체 카테고리의 탐지 신뢰도가 향상되었다.