기존 3D 포인트 클라우드 객체 검출 모델이 자율주행 환경에서 정밀도와 실시간성을 동시에 충족하기 어려운 문제를 해결하기 위해 효율적인 포인트 클라우드 객체 검출 방법을 제안하였다. 본 방법은 검출 정확도를 향상시키는 동시에 실시간 엣지 장치 배포 요구를 만족하여 자율주행 및 지능형 교통 분야의 응용 발전을 촉진하는 것을 목표로 한다. 기둥 기반 포인트 클라우드 검출 프레임워크를 바탕으로 다중 기둥 특성 융합 모델을 설계하였다. 모델은 포인트 클라우드 분산 특성과 위치 인코딩을 도입하여 기둥 특성 표현 능력을 강화하고, 인접 기둥 간의 문맥 정보 학습 효과를 높이기 위해 다중 기둥 특성 융합 모듈을 제안하며, 잔차 연결과 Dropout 정규화를 결합한 백본 네트워크를 통해 특징 추출을 최적화하였다. 또한, 동일 클래스 목표 포인트 클라우드를 혼합하는 포인트 클라우드 데이터 증강 전략을 개선하여 모델의 복잡한 장면에 대한 일반화 능력을 향상시켰다. KITTI 데이터셋에서 다수의 실험 결과 본 방법이 3D mAP 68.93, BEV mAP 75.02를 달성했으며 모델 추론 속도는 55.65 FPS로 유지되었고 DAIR-V2X 데이터셋에서도 우수한 성능을 보였다. 제안된 모델은 다중 기둥 특성 융합 및 최적화된 데이터 증강 전략을 통해 검출 정밀도와 실시간성의 균형을 이루어 자율주행 시나리오에서의 응용 가능성을 보여주었다. 향후에는 임베디드 시스템 배포에 적합하도록 모델 구조를 추가로 최적화할 수 있다.

3D 객체 검출;포인트 클라우드;자율주행;KITTI;DAIR-V2X