RadarGNN：レーダー基盤の認識に向けた変換不変グラフニューラルネットワーク

信頼性の高い認識は、厳しい環境条件下でも安定した性能を発揮する必要がある。そのため、近年の研究では、カメラおよびLiDARセンサに加えて、レーダーセンサの活用が認識アプリケーションにおいて注目されている。しかし、レーダー点群の疎らさとデータの不足という問題は、現在の認識手法にとって依然として大きな課題である。この課題に対処するため、本研究では、点の情報に加えて、点同士の関係性も活用する新しいグラフニューラルネットワーク（Graph Neural Network, GNN）を提案する。このモデルは、グラフの頂点に点特徴を、辺に点対特徴を埋め込むことで、点の属性と点間関係の両方を考慮する設計となっている。さらに、未知のシナリオに対しても堅牢であり、データ不足の問題に対処できる、変換不変性（transformation invariance）を実現する汎用的なアプローチを提案する。本手法では、モデルアーキテクチャの不変性ではなく、データ表現そのものの不変性を達成することで、変換不変性を実現しており、他の手法にも容易に適用可能である。提案するRadarGNNモデルは、RadarScenesデータセットにおいて、従来のすべての手法を上回る性能を達成した。また、異なる不変性の種類が物体検出およびセマンティックセグメンテーションの精度に与える影響についても検証した。本研究のコードは、オープンソースとしてGitHub（https://github.com/TUMFTM/RadarGNN）にて公開されている。