그래프 어텐션 기반 LiDAR 고도 복원 프레임워크 SuperiorGAT

초록

LiDAR 기반 인식은 고정된 수직 빔 해상도에 제한받으며, 환경적 차폐에 의한 빔 손실로 더욱 성능이 저하된다. 본 논문은 Sparse LiDAR 포인트 클라우드의 누락된 고도 정보를 복원하기 위해 SuperiorGAT라는 그래프 어텐션 기반 프레임워크를 제안한다. LiDAR 스캔을 빔 인식 그래프로 모델링하고, 게이트형 잔차 융합과 피드포워드 정제를 결합함으로써 네트워크 깊이를 늘리지 않고도 정확한 복원을 가능하게 한다. 성능 평가를 위해 매 4번째 수직 스캔 빔을 제거하는 구조적 빔 드롭아웃을 시뮬레이션하였다. KITTI 데이터셋의 Person, Road, Campus, City 등 다양한 환경에서 광범위한 실험을 수행한 결과, SuperiorGAT는 PointNet 기반 모델 및 더 깊은 GAT 베이스라인에 비해 재구성 오차가 낮고 기하학적 일관성이 향상된 것을 확인하였다. X‑Z 투영을 통한 정성적 분석에서도 최소한의 수직 왜곡으로 구조적 무결성을 유지함을 보여준다. 이러한 결과는 추가 센서 하드웨어 없이도 LiDAR 해상도를 개선할 수 있는 계산 효율적인 방법을 제시하며, 임베디드 하드웨어에서 실시간 최적화의 기반이 된다.

상세 요약

본 연구는 자율주행 시스템에서 핵심적인 센서인 LiDAR의 한계를 극복하기 위해 데이터 차원에서의 해상도 향상을 시도한다는 점에서 의미가 크다. 기존 LiDAR는 고정된 수직 빔 수와 일정한 스캔 간격으로 인해, 특히 복잡한 도시 환경이나 나무, 건물 등으로 인한 차폐 현상이 발생하면 특정 빔이 완전히 사라지는 ‘빔 드롭아웃’ 현상이 빈번히 일어난다. 이러한 손실은 포인트 클라우드의 고도 정보를 왜곡시켜 객체 검출·분할·트래킹 등 후속 인식 파이프라인의 정확도를 저하시킨다.

SuperiorGAT는 이러한 문제를 그래프 신경망(GNN) 접근법으로 해결한다. 먼저 LiDAR 스캔을 ‘빔 인식 그래프’로 변환한다. 각 수직 빔은 그래프의 노드가 되고, 인접 빔 간의 공간적·각도적 관계가 엣지로 표현된다. 이렇게 하면 빔 간의 연속성 및 구조적 제약을 자연스럽게 모델링할 수 있다. 그래프 어텐션 네트워크(GAT)를 기반으로 각 노드가 주변 노드로부터 중요도 가중치를 학습함으로써, 손실된 빔에 대한 정보를 주변 빔으로부터 효과적으로 보강한다.

핵심적인 설계는 ‘게이트형 잔차 융합(gated residual fusion)’이다. 기존 GAT 층의 출력에 원본 입력의 잔차를 게이트 메커니즘을 통해 선택적으로 결합함으로써, 정보 손실을 최소화하고 학습 안정성을 높인다. 이어지는 ‘피드포워드 정제(feed‑forward refinement)’ 단계에서는 비선형 변환을 통해 복원된 고도 값을 미세 조정한다. 이 두 모듈을 결합함에도 불구하고 네트워크 깊이는 기존 GAT와 동일하게 유지되므로 연산량과 메모리 사용량이 크게 증가하지 않는다.

실험 설계는 현실적인 빔 손실 상황을 재현하기 위해 매 4번째 수직 빔을 의도적으로 제거하는 ‘구조적 빔 드롭아웃’ 시나리오를 적용하였다. 이는 실제 도로 환경에서 발생할 수 있는 규칙적인 스캔 결함을 모사한다. KITTI 데이터셋의 다양한 시퀀스(Person, Road, Campus, City)에서 재구성 오차(L2 손실)와 기하학적 일관성(예: X‑Z 평면 투영에서의 구조 보존)을 평가하였다. SuperiorGAT는 PointNet 기반 3D 복원 모델과 비교했을 때 평균 재구성 오차가 15 % 이상 감소했으며, 깊이를 늘린 GAT 베이스라인보다도 동일하거나 더 낮은 오류를 기록했다. 특히 X‑Z 투영 결과에서 수직 왜곡이 거의 없으며, 건물 윤곽이나 도로 경계와 같은 고정밀 구조를 정확히 복원했다.

이러한 성과는 두 가지 측면에서 중요하다. 첫째, 하드웨어 비용 없이 기존 LiDAR 센서만으로 해상도를 향상시킬 수 있다는 점이다. 둘째, 그래프 기반 구조가 빔 간의 물리적 연관성을 효과적으로 활용함으로써, 추가적인 깊이 증가 없이도 높은 복원 성능을 달성한다는 점이다. 다만, 현재 실험은 시뮬레이션된 규칙적 빔 손실에 국한되어 있으며, 실제 도로에서 발생하는 비정형적인 차폐나 날씨에 따른 반사 손실 등에 대한 일반화 검증이 필요하다. 또한, 임베디드 시스템에 적용하기 위한 최적화(예: 양자화, 모델 경량화) 작업도 향후 과제로 남아 있다. 전반적으로 SuperiorGAT는 LiDAR 데이터 전처리 단계에서의 혁신적 접근법을 제시하며, 자율주행 perception 파이프라인의 견고성을 크게 향상시킬 잠재력을 가지고 있다.