RadarGNN: 레이더 기반 인식을 위한 전이 불변 그래프 신경망

신뢰할 수 있는 인식은 도전적인 환경 조건에 대해 강건해야 한다. 따라서 최근의 연구는 카메라 및 라이다 센서 외에도 레이더 센서의 사용에 초점을 맞추고 있다. 그러나 레이더 포인트 클라우드의 희소성과 낮은 데이터 가용성은 현재의 인식 기법에 여전히 도전 과제로 남아 있다. 이러한 문제를 해결하기 위해, 단순히 포인트 자체의 정보를 사용하는 것을 넘어서 포인트 간의 관계까지 활용하는 새로운 그래프 신경망(GNN)이 제안된다. 이 모델은 그래프의 엣지에 포함된 포인트 특징과 포인트 쌍 특징을 모두 고려하도록 설계되어 있다. 또한, 예측 불가능한 시나리오에 대해 강건하며 데이터 부족 문제를 완화할 수 있는 일반적인 변환 불변성(Transformation Invariance) 달성 방법이 제안된다. 이 변환 불변성은 모델 아키텍처의 불변성에 기반하는 것이 아니라, 불변적인 데이터 표현을 통해 달성되며, 다른 방법에도 적용 가능하다. 제안된 RadarGNN 모델은 RadarScenes 데이터셋에서 이전의 모든 방법들을 능가한다. 더불어, 다양한 불변성의 특성이 물체 탐지 및 세분화 정확도에 미치는 영향도 조사되었다. 관련 코드는 오픈소스 소프트웨어로 공개되었으며, https://github.com/TUMFTM/RadarGNN 에서 확인할 수 있다.