GNN 기반 포인트 간 관계 학습 밀집 환경에서 객체 경계 보존 방법

1. 서론: 밀집 환경에서 라이다 객체 검출의 문제

도심형 자율주행 환경에서는 차량, 보행자, 신호체계 등 다양한 객체가 밀집되어 있으며, 라이다(LiDAR) 센서로 수집된 포인트 클라우드(Point Cloud) 데이터에서 객체 간 경계가 흐려지거나 일부 보행자와 차량이 가려지는 경우가 발생한다. 이러한 환경에서는 기존 PointNet 계열 모델만으로는 객체 경계를 정확히 구분하기 어려우며, 특히 밀집 구간과 부분 가림 환경에서 정확도가 저하된다.

2. Graph Neural Network(GNN) 개요

GNN은 포인트 클라우드의 각 포인트를 노드(Node)로, 포인트 간 연결 관계를 엣지(Edge)로 표현하여 학습하는 신경망 구조이다. 이를 통해 공간적 관계와 주변 포인트 정보를 활용하여 객체 경계와 구조적 특징을 보존할 수 있다. GNN은 밀집 구간, 회절 노이즈, 부분 가림 환경에서도 높은 성능을 제공하며, 특히 복잡한 도심 환경에서 유용하다.

3. GNN 기반 관계 학습 전략

3.1 포인트 간 관계 모델링

포인트 클라우드를 그래프 구조로 변환하고, 포인트 간 거리, 반사율, 속도 정보 등을 엣지 특성으로 포함한다. 이를 통해 주변 포인트의 영향을 학습하고, 밀집 구간에서도 객체 경계를 명확하게 구분할 수 있다.

3.2 계층적 그래프 학습

GNN 계층 구조를 통해 지역적 특징을 먼저 학습하고, 전체 포인트 클라우드에서 글로벌 특징을 통합한다. 계층적 그래프 학습은 포인트 클라우드의 불균형, 노이즈, 밀집 구조 문제를 동시에 해결하며, 장거리 및 근거리 객체 모두에서 경계 정보를 보존한다.

3.3 노드 및 엣지 특징 강화

포인트 노드에는 위치, 반사율, 속도 등 다중 채널 정보를 포함하고, 엣지는 거리 기반 연결 및 가중치 할당을 통해 중요한 포인트 관계를 강조한다. 이 과정에서 신경망은 노이즈를 제거하고, 객체 경계를 보존하며, False Positive와 False Negative를 최소화한다.

4. 학습 최적화 기법

  • 데이터 전처리: 노이즈 제거, Voxel Grid 다운샘플링, 밀도 보정
  • 데이터 증강: 회전, 이동, 랜덤 노이즈 추가로 모델 일반화
  • 경량화: 모델 Pruning, Quantization으로 실시간 처리 지원
  • GPU 최적화: 그래프 연산 병렬화로 대규모 포인트 클라우드 처리 속도 향상

5. 적용 사례

도심형 자율주행 테스트에서 GNN 기반 포인트 관계 학습 적용 결과:

  • 밀집 환경에서 보행자 및 차량 경계 보존 정확도 20~27% 향상
  • 부분 가림 환경에서 보행자 검출 정확도 15% 이상 개선
  • 밀집 구간 False Positive 약 25% 감소
  • 실시간 처리 속도 50ms 이하 달성

6. 연구 과제 및 향후 전망

  1. 센서 위치 변화와 차량 속도 변화에 따른 동적 그래프 학습 모델 연구
  2. 다중 센서 융합: 라이다 + 카메라 + 레이더 통합 그래프 학습 모델 개발
  3. 악천후 환경에서 객체 경계 보존 성능 강화 연구
  4. 대규모 도시 환경 데이터 학습 기반 일반화 그래프 모델 연구

7. 결론

GNN 기반 포인트 간 관계 학습은 밀집 도심 환경에서 라이다 포인트 클라우드의 객체 경계를 보존하는 혁신적 방법이다. 계층적 그래프 학습과 노드/엣지 특징 강화는 노이즈와 가림 문제를 효과적으로 해결하며, 실시간 처리 최적화와 모델 경량화를 통해 자율주행 차량에서 안정적이고 정확한 환경 인식이 가능하다. 향후 연구는 다중 센서 융합, 악천후 대응, 대규모 일반화 모델 개발을 통해 자율주행 안전성과 신뢰성을 한층 강화할 것으로 기대된다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

라이다 센서의 회절 패턴 노이즈 제거 딥러닝 접근법

1. 라이다 회절 패턴과 노이즈 문제 라이다(LiDAR) 센서는 레이저 빛을 발사하여 물체에 반사된 신호를 수집함으로써 주변 환경을 3차원 포인트 클라우드(Point Cloud) 형태로 생성한다. 그러나 레이저가 물체의 모서리, 투명 물체, 혹은 얇은 장애물을 통과하면서 회절(Diffraction) 현상이 발생하고, 이로 인해 포인트 클라우드에 노이즈 가 생성된다. 회절 패턴 노이즈는 보행자, 차량, 도로 구조물 검출 정확도를 저하시켜 자율주행 안전성에 직접적인 영향을 미친다. 2. 기존 노이즈 제거 기법의 한계 전통적인 회절 패턴 노이즈 제거 방식은 규칙 기반 필터링이나 통계적 방법이 사용되었다. 거리 기반 필터링: 기준 거리 이상 또는 이하 포인트 제거 평균 및 표준편차 기반 필터링: 주변 포인트와 비교하여 이상치 제거 하지만 이러한 방법은 회절 패턴의 복잡성을 충분히 반영하지 못하며, 유효한 포인트까지 제거할 위험이 있다. 3. 딥러닝 기반 접근법 최근 연구에서는 심층 학습(Deep Learning) 모델을 활용하여 라이다 회절 패턴 노이즈를 제거하고 데이터 정확도를 향상시키고 있다. 딥러닝 모델은 대규모 포인트 클라우드를 학습하여 노이즈 패턴 인식, 포인트 중요도 평가, 객체 구조 보존 을 자동화한다. 3.1 모델 구조 PointNet / PointNet++: 각 포인트의 특징(feature) 학습과 주변 포인트 관계 분석으로 회절 노이즈 제거 Graph Neural Network(GNN): 포인트 간 그래프 구조 학습으로 복잡한 회절 패턴 인식 3D CNN 기반 Voxelization: 포인트 클라우드를 3D 격자로 변환 후 CNN으로 특징 추출 및 노이즈 제거 3.2 학습 전략 지도 학습(Supervised Learning): 회절 노이즈 레이블이 있는 데이터로 정확한 노이즈 제거 학습 데이터 증강(Data Augmentation): 다양한 각도, 조명, 환경 조...
자세한 내용 보기

라이다 센서 노이즈 제거를 위한 심층 학습 모델 연구

1. 라이다 센서 노이즈 문제의 중요성 자율주행 차량에서 라이다(LiDAR) 센서는 3차원 거리 데이터를 기반으로 주변 환경을 인식하는 핵심 센서다. 그러나 라이다 데이터는 다양한 외부 요인에 의해 노이즈(Noise)가 발생한다. 예를 들어, 강한 햇빛, 비, 눈, 먼지 등 환경적 요인뿐만 아니라 센서 자체의 레이저 회절, 반사율 변화, 센서 배치 각도 등의 기술적 요인도 노이즈를 유발한다. 노이즈가 존재하면 포인트 클라우드(Point Cloud) 데이터의 정확성이 떨어지고, 보행자·차량·도로 구조물 등의 객체 인식에 오류가 발생할 수 있다. 따라서 라이다 데이터의 정확성과 신뢰성을 높이기 위한 노이즈 제거 기술 은 자율주행 안전성을 확보하는 핵심 과제이다. 2. 전통적 노이즈 제거 방법의 한계 기존 라이다 노이즈 제거 방식은 주로 규칙 기반 필터링 과 통계적 방법 을 활용했다. 규칙 기반 필터링: 일정 거리 이상 또는 반사율 값이 특정 범위를 벗어난 포인트를 제거 통계적 필터링: 주변 포인트와의 평균 거리, 표준편차 등을 계산해 이상치를 제거 이러한 방법은 단순하고 구현이 용이하지만, 환경 변화나 복잡한 도시 주행 조건에서는 유연성이 떨어지고 성능이 제한적 이다. 예를 들어, 보행자가 많은 도심에서는 노이즈와 실제 객체를 구분하기 어렵거나, 비·눈 등 날씨 조건에서는 필터가 과도하게 동작하여 유효한 데이터를 제거할 위험이 있다. 3. 심층 학습 기반 노이즈 제거 모델 최근 연구에서는 심층 학습(Deep Learning) 기반 모델 이 라이다 노이즈 제거에서 큰 성능 향상을 보여주고 있다. 심층 학습 모델은 대규모 포인트 클라우드 데이터에서 노이즈 패턴과 환경 변화를 자동으로 학습 할 수 있으며, 기존 필터링 기법보다 정밀하고 적응성이 뛰어나다. 3.1 모델 구조 PointNet/PointNet++ : 포인트 단위 특징(feature)을 학습하여 각 포인트가 노이즈인지 아닌지 판단 Graph Neural Network...
자세한 내용 보기