자율주행 3D 박스 라벨링 오류 정정 및 정량화

초록

본 논문은 라이다 스캔 시점 차이로 발생하는 3D 바운딩 박스의 시스템적 위치 오류를 최초로 규명하고, 물리적 운동 모델(CTRA)을 기반으로 한 오프라인 최적화 기법으로 이를 정정한다. 새로운 정량적 평가 지표를 제안하고, Argoverse 2, MAN TruckScenes 및 자체 데이터셋에 적용해 평균 17 % 이상의 라벨 품질 향상을 입증한다. 또한 라벨 오류가 기존 벤치마크 성능 평가에 미치는 영향을 분석해, 오류가 최신 모델의 성능 향상보다 큰 영향을 미침을 보여준다.

상세 분석

이 연구는 라이다가 회전식으로 100 ms 동안 연속적으로 포인트를 수집하는 과정에서, 움직이는 객체가 여러 시점에 걸쳐 다른 위치에 존재한다는 사실을 간과한 채 단일 기준 시점에 박스를 고정시켜 라벨링하는 관행이 시스템적 오류를 초래한다는 점을 명확히 지적한다. 저자들은 이러한 오류가 특히 고속 주행 상황에서 2.5 m까지의 위치 편차를 만들며, 기존 공개 데이터셋 전반에 걸쳐 광범위하게 존재함을 실증한다.

문제 정의는 2D 평면(버드아이 뷰)에서 박스 중심 좌표·방위·속도·가속·요우 레이트를 포함하는 상태 벡터 X를 추정하는 것으로, 박스 크기와 높이는 고정한다. 이를 위해 상수 회전율·가속(Constant Turn Rate and Acceleration, CTRA) 모델을 채택해 물리적으로 일관된 궤적을 강제한다. CTRA는 선형 속도·가속·요우 레이트를 동시에 고려해 시점 간 상태 전이를 정확히 기술하므로, 라이다 포인트의 시간 오프셋을 보정하는 데 적합하다.

최적화 목표 함수는 세 가지 주요 항으로 구성된다. 첫째, CTRA 모델에 기반한 운동 일관성 항은 연속된 프레임 사이의 상태 차이를 가중된 제곱 오차로 최소화한다. 둘째, 센서 포인트와 박스의 정합성을 평가하는 인라이어 비율 항은 보정된 포인트가 박스 내부에 포함되는 비율을 최대화한다. 셋째, 포인트-박스 거리 항은 포인트가 박스 표면에 가깝게 배치되도록 유도한다. 이 세 항을 가중합한 전체 손실을 패턴 서치(Pattern Search) 알고리즘으로 최적화한다. 패턴 서치는 초기 추정값이 존재할 때 전역 최적해에 빠르게 수렴하는 장점이 있어, 라벨링 초기값을 활용하기에 적합하다.

평가 지표는 기존 연구에서 사용되지 않았던 두 가지 새로운 메트릭을 도입한다. 첫 번째는 ‘시간 정합 오류(Time Alignment Error)’로, 보정 전후 박스 중심이 동일 시점 포인트 클라우드와 얼마나 차이나는지를 측정한다. 두 번째는 ‘운동 일관성 손실(Motion Consistency Loss)’으로, CTRA 모델에 대한 위배 정도를 정량화한다. 이 메트릭들은 라벨 품질을 객관적으로 비교하고, 정정 전후 성능 차이를 명확히 드러낸다.

실험 결과, Argoverse 2와 MAN TruckScenes에서 평균 위치 오류가 1.8 m에서 0.4 m 이하로 감소했으며, 전체 라벨 품질 점수가 17 % 이상 향상되었다. 특히 고속 이동 객체(30 m/s 이상)에서 오류 감소율이 가장 높았다. 벤치마크 테스트에서는 정정된 라벨을 사용했을 때 최신 3D 객체 탐지 모델들의 mAP가 2–3 % 상승했지만, 동일 모델을 원본 라벨에 적용했을 때 얻는 성능 향상보다 작았다. 이는 라벨 오류 자체가 평가 결과에 큰 편향을 일으킬 수 있음을 시사한다.

본 논문의 기여는 (1) 라이다 시점 차이에 기인한 라벨 오류를 최초로 체계적으로 규명, (2) 물리 기반 운동 모델과 센서 정합성을 결합한 정정 프레임워크를 제시, (3) 새로운 정량적 평가 지표를 정의, (4) 라벨 오류가 벤치마크 평가에 미치는 영향을 실증적으로 입증한 점이다. 향후 연구에서는 3D 전역 좌표계에서 고도 변화까지 고려한 확장 모델과, 실시간 라벨링 파이프라인에 적용 가능한 경량화된 최적화 알고리즘 개발이 기대된다.