악천후에서 자율주행차를 위한 LiDAR 포인트 클라우드에서의 기하정보 제약 3D 물체 탐지

3D 물체 탐지는 자율주행차 인식 모듈의 핵심으로, 효율적인 운송과 편안한 경험을 위해 필수적입니다. 그러나 악천후 환경에서의 3D 물체 탐지의 어려움은 자율주행차의 발전을 저해하고 있습니다. 따라서 악천후에서 정확한 3D 물체 탐지를 달성하는 것은 자율주행차의 경로 계획 및 주행 전략 수립의 기초가 되므로 점점 더 중요해지고 있습니다. 이는 화물 및 승객 운송 방식에 혁신을 가져옵니다. LiDAR(빛 감지 및 거리 측정) 기술의 발전은 지난 몇 년간 3D 물체 탐지의 개발을 가능하게 하였습니다. 현실 세계의 주행 상황에서 불가피하게 발생하는 악천후는 LiDAR의 측정 정확도와 포인트 밀도를 저하시킬 수 있으며, 입자 간섭을 초래할 수 있습니다. 입자 간섭이 있는 희박하고 불완전한 포인트 클라우드에서 정확한 3D 경계 상자를 탐지하는 것은 어렵습니다. 따라서 이 연구에서는 악천후에서 LiDAR 포인트 클라우드로부터 3D 물체 탐지를 위한 새로운 기하정보 제약 네트워크(GIC-Net)를 제시합니다. 이 연구에서는 악천후에서 기하학적 위치 정보와 선 기하학적 특징 정보를 네트워크에 통합하는 방법에 중점을 둡니다. 또한, 비와 눈 입자 간섭을 줄이고 충분한 수용 영역을 보장하기 위해 기하학적 위치 제약 백본 모듈(GLC)을 제안합니다. 그 후 3D 경계 상자의 선 제약을 학습 과정에 추가하기 위해 선 기하학적 특징 제약 모듈(LGFC)을 설계합니다. 마지막으로, 선 손실 함수를 설계하고 GLC 및 LGFC 모듈에서 추출된 특징을 다중 작업 탐지 헤드에 전달하여 정확한 3D 경계 상자 예측을 수행합니다. 캐나다 악천후 주행 조건(CADC) 자율주행차 데이터셋에 대한 실험은 악천후에서 우리의 방법이 다른 여섯 가지 최신 방법에 비해 우수함을 입증하며, 차량, 트럭, 보행자 클래스에서 각각 최소 13.32%, 4.67%, 10.44% mAP가 더 높습니다. 또한, 우리는 다른 방법에 비해 우리의 네트워크가 더 나은 일반화 능력을 가진다는 것을 추가로 검증합니다.