인프라 기반 3D 협동 인식 데이터셋 InScope: 차폐 해소와 다중 라이다 융합을 위한 새로운 벤치마크

초록

**
InScope는 교차로에 설치된 80‑빔·32‑빔 라이다 두 대를 활용해 20일간 수집한 21,317프레임·188k 3D 바운딩 박스를 제공한다. 다중 라이다 융합·차폐 완화·도메인 전이·3D 트래킹 4가지 벤치마크와 차폐 영향 지표 ξ_D를 제시해 인프라‑인프라(I2I) 협동 인식 연구에 실데이터 기반을 마련한다.

**

상세 분석

**
본 논문은 기존 V2X·V2I 데이터셋이 인프라 측 시점에서 발생하는 차폐(blind‑spot) 문제를 충분히 다루지 못한다는 점을 지적하고, 이를 해결하기 위한 ‘다중‑위치 라이다’ 설계를 제안한다. InScope는 주 라이다(80‑beam, 230 m 최대 거리)와 보조 라이다(32‑beam, 150 m)를 교차로 상·하에 서로 다른 수평 시야각으로 배치해, 대형 차량에 의해 가려지는 보행자·자전거 등 소형·원거리 객체를 보완한다. 두 라이다는 10 Hz 동일 샘플링 레이트와 마이크로초 수준의 시간 동기화를 유지해, 시점 차이에 의한 데이터 불일치를 최소화한다.

데이터 수집은 87개의 시퀀스를 골라 20일간 진행했으며, 모든 프레임에 대해 3D 바운딩 박스와 트래킹 ID를 전문가가 전수 조정했다. 총 303개의 개별 트랙과 187,787개의 3D 박스가 제공되며, 라이다 좌표계 간 변환은 20개 이상의 캘리브레이션 포인트를 이용해 정밀하게 수행하였다.

벤치마크는 네 가지로 구분된다. ① 협동 3D 객체 검출에서는 단일 라이다와 다중 라이다 융합 결과를 비교해 차폐 감소 효과를 정량화한다. ② 다중 소스 데이터 융합은 라이다 간 포인트 클라우드 레벨 합성, 특징 레벨 피처 융합, 혹은 고수준 의사결정 융합 등 다양한 파이프라인을 평가한다. ③ 도메인 전이는 기존 차량‑측 3D 탐지 모델(SOTA)들을 InScope에 그대로 적용해 성능 격차를 측정하고, 무지도 적응 기법의 효과를 검증한다. ④ 3D 다중 객체 트래킹은 연속 프레임에서 ID 유지율, MOTA, ID‑Switch 등을 측정해, 차폐 상황에서도 지속적인 트래킹이 가능한지를 확인한다.

특히 차폐 영향을 정량화하기 위해 새롭게 정의한 지표 ξ_D는 “단일 라이다 상황 대비 다중 라이다 융합 시 검출 정확도 감소 비율”을 나타낸다. ξ_D가 낮을수록 융합이 차폐를 효과적으로 보완한다는 의미이며, 실험 결과 ξ_D가 0.12~0.18 수준으로 기존 인프라‑측 데이터셋(ξ_D≈0.35)보다 크게 개선됨을 보였다.

베이스라인 실험에서는 SECOND, PointPillars, PV‑RCNN 등 대표적인 LiDAR‑only 탐지기와 PointRCNN‑Fusion, VoxelFusion 등 융합 모델을 재현했으며, 다중 라이다 융합이 특히 작은 객체(Pedestrian, Cyclist)의 AP를 8~12 % 상승시켰다. 트래킹 실험에서도 MOTA가 3.4 %p, ID‑Switch가 27 % 감소하는 등 눈에 띄는 향상이 관찰되었다.

데이터셋은 개인 식별 정보가 제거된 순수 포인트 클라우드 형태이며, 공개 URL을 통해 자유롭게 다운로드·사용 가능하도록 제공한다. 이는 연구자들이 차폐‑강인 인프라‑협동 인식 알고리즘을 개발·비교할 수 있는 실세계 기반을 제공함으로써, V2X 생태계 전반의 안전성을 높이는 데 기여한다.

**