RadarGNN: Transformation Invariant Graph Neural Network for Radar-based Perception

要約

タイトル：RadarGNN：レーダーベースの知覚のための変換不変グラフニューラルネットワーク

要約：

– 環境条件の厳しい状況でも、信頼性の高い認識が必要である。そのため、近年の取り組みは、認識アプリケーションにおいて、カメラやライダーセンサーに加えて、レーダーセンサーの使用に焦点を当てている。
– しかし、レーダーポイントクラウドの疎な性質や、データの乏しさは、現在の認識方法にとっても課題である。
– これらの課題に対処するために、点自体の情報だけでなく、点と点の関係性も利用する新しいグラフニューラルネットワークが提案された。
– このモデルは、グラフのエッジに埋め込まれた点の特徴と点対の特徴を考慮して設計されている。
– さらに、未知のシナリオにも強く、限られたデータの使用にも対処できる、変換不変性を実現する一般的なアプローチが提案された。
– 変換不変性は、不変なモデルアーキテクチャではなく、不変なデータ表現によって実現されるため、他の方法にも適用可能である。
– 提案されたRadarGNNモデルは、RadarScenesデータセットで過去のすべての方法を上回る性能を発揮している。
– さらに、オブジェクト検出と意味セグメンテーションの品質に対する異なる不変性の影響を調べた。
– このコードは、https://github.com/TUMFTM/RadarGNNでオープンソースソフトウェアとして利用可能である。

要約(オリジナル)

A reliable perception has to be robust against challenging environmental conditions. Therefore, recent efforts focused on the use of radar sensors in addition to camera and lidar sensors for perception applications. However, the sparsity of radar point clouds and the poor data availability remain challenging for current perception methods. To address these challenges, a novel graph neural network is proposed that does not just use the information of the points themselves but also the relationships between the points. The model is designed to consider both point features and point-pair features, embedded in the edges of the graph. Furthermore, a general approach for achieving transformation invariance is proposed which is robust against unseen scenarios and also counteracts the limited data availability. The transformation invariance is achieved by an invariant data representation rather than an invariant model architecture, making it applicable to other methods. The proposed RadarGNN model outperforms all previous methods on the RadarScenes dataset. In addition, the effects of different invariances on the object detection and semantic segmentation quality are investigated. The code is made available as open-source software under https://github.com/TUMFTM/RadarGNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI