실세계에서 포인트 클라우드로부터의 확장 가능한 장면 흐름

자율 주행 차량은 움직임이 매우 빠르게 변화하는 환경에서 작동하므로, 장면 내 어떤 부분이 움직이고 있으며 그 움직임의 방향과 위치는 어디인지 정확하게 평가할 필요가 있다. 3D 운동 추정의 대표적인 접근 방식인 '장면 흐름(scene flow)'은 연속된 LiDAR 스캔에서 얻은 3D 포인트 클라우드 데이터를 활용하는 것으로, 이러한 접근법은 현실 세계에서 레이블링된 LiDAR 데이터의 크기가 작다는 한계에 직면해 왔다. 본 연구에서는 대응되는 3D 객체의 추적 정보를 기반으로 생성한 새로운 대규모 장면 흐름 추정용 데이터셋을 제안한다. 이 데이터셋은 이전의 실세계 데이터셋보다 약 1,000배 이상 많은 레이블링된 프레임을 포함하고 있다. 우리는 이전 연구들이 가용한 실질적인 LiDAR 데이터의 양에 의해 제한되었음을 입증하며, 최첨단 예측 성능을 달성하기 위해서는 더 큰 규모의 데이터셋이 필요함을 시사한다. 또한, 포인트 클라우드 처리에 사용되는 기존의 휴리스틱 기법(예: 다운샘플링)이 성능을 크게 저하시킨다는 점을 보여주며, 전체 포인트 클라우드에서 효율적으로 작동할 수 있는 새로운 유형의 모델 개발의 필요성을 제기한다. 이를 해결하기 위해, 전체 포인트 클라우드에서 실시간 추론이 가능한 FastFlow3D 아키텍처를 제안한다. 더불어, 자가 운동(ego-motion)을 고려하고 객체 유형별로 성능을 분해 제공함으로써 현실 세계의 특성을 더 잘 반영하는 해석 가능한 평가 지표를 설계하였다. 본 데이터셋이 실제 환경에서의 장면 흐름 시스템 개발을 위한 새로운 기회를 제공하기를 기대한다.