RadarGNN : Réseau de neurones graphiques invariant par transformation pour la perception basée sur le radar

Une perception fiable doit être robuste face aux conditions environnementales exigeantes. Par conséquent, les récents efforts se sont concentrés sur l’utilisation de capteurs radar en complément des capteurs caméra et lidar pour les applications de perception. Toutefois, la faible densité des nuages de points radar ainsi que la faible disponibilité des données constituent toujours des défis majeurs pour les méthodes de perception actuelles. Pour relever ces défis, nous proposons un nouveau réseau de neurones à graphes qui exploite non seulement les informations propres aux points, mais aussi les relations entre ces points. Ce modèle est conçu pour intégrer à la fois les caractéristiques des points et celles des paires de points, encodées dans les arêtes du graphe. En outre, une approche générale pour atteindre l’invariance aux transformations est proposée, offrant une robustesse face à des scénarios inédits tout en atténuant le problème de la faible disponibilité des données. L’invariance aux transformations est obtenue via une représentation invariante des données, plutôt que par une architecture de modèle invariante, ce qui permet de l’appliquer à d’autres méthodes. Le modèle RadarGNN proposé dépasse toutes les méthodes antérieures sur le jeu de données RadarScenes. Par ailleurs, nous étudions l’impact de différentes invariances sur la qualité de la détection d’objets et de la segmentation sémantique. Le code source est mis à disposition sous forme de logiciel open-source à l’adresse suivante : https://github.com/TUMFTM/RadarGNN.