PointRGCN: Graph Convolution Networks zur Verbesserung der 3D-Fahrzeugdetektion

In autonomen Fahrsystemen liefern Perzeptionsmodule eine visuelle Wahrnehmung der umgebenden Straßenlandschaft. Unter den Perzeptionsaufgaben ist die Fahrzeugdetektion von entscheidender Bedeutung für sicheres Fahren, da sie die Position anderer Verkehrsteilnehmer auf der Straße identifiziert. In unserer Arbeit stellen wir PointRGCN vor: einen graphbasierten 3D-Objektdetektions-Pipeline, der auf Graph-Convolutional-Networks (GCNs) basiert und ausschließlich auf 3D-LiDAR-Punktwolken operiert. Um eine genauere 3D-Objektdetektion zu erreichen, nutzen wir eine Graph-Darstellung, die Vorschlagsmerkmale und Kontextinformationen aggregiert. Wir integrieren Residual-GCNs in eine zweistufige 3D-Objektdetektions-Pipeline, bei der 3D-Objektvorschläge mithilfe einer neuartigen Graph-Darstellung verfeinert werden. Insbesondere ist R-GCN eine Residual-GCN, die 3D-Vorschläge klassifiziert und regressiert, während C-GCN eine kontextuelle GCN darstellt, die Vorschläge durch den Austausch von Kontextinformationen zwischen mehreren Vorschlägen weiter verfeinert. Wir integrieren unsere Verfeinerungsmodul in eine neuartige 3D-Detektions-Pipeline, PointRGCN, und erreichen eine state-of-the-art-Leistung auf der „easy“-Schwierigkeitsstufe für die Bird’s-Eye-View-Detektionsaufgabe.