엣지 플랫폼을 위한 4D 레이더 기반 효율적 객체 탐지 네트워크 = Efficient 4D Radar-based Object Detection Network for Edge Platforms

국문 초록 (Abstract)

기존의 LiDAR 또는 4D 레이더 기반 포인트 클라우드 객체 탐지 모델들은 높은 정확도를 보이지만, 연산량이 매우 크고 시스템 자원을 많이 요구하기 때문에 엣지 환경에서는 활용에 제약이 따른다. 이러한 문제를 해결하기 위해 본 연구에서는 자원 제약이 큰 임베디드 시스템을 위해 설계된 엣지 지향 4D 레이더 객체 탐지 네트워크인 EdgePillars를 제안한다. EdgePillars는 높이 정보를 보존한 BEV(Bird’s-Eye View) 특징을 생성하는 HVPE(Hybrid Voxel–Pillar Encoder)와, 선형 시간 복잡도로 장거리 공간 의존성을 효과적으로 포착하는 상태-공간 모델 기반 EdgePillars Block(EPB)을 적용하였다. K-Radar 데이터셋에서 수행한 실험 결과, EdgePillars는 IoU=0.3 기준 64.8%의 AP_3D와 68.3%의 AP_BEV 성능을 달성하였으며, Jetson Orin Nano 환경에서 20.3 FPS의 실시간 추론 속도를 보였다. 특히, 안개, 비, 눈 등 다양한 악천후에서도 기존 레이더 기반 최신 기법들을 상회하는 성능을 나타냈다. 더 나아가, EdgePillars는 상태-공간 모델(SSM)을 활용해 파라미터 수와 메모리 사용량 간의 균형을 통해 메모리 제약이 큰 엣지 하드웨어에서도 효율적으로 동작할 수 있는 실용성도 입증하였다. 이를 토대로 EdgePillars는 높은 정확도와 뛰어난 효율성을 동시에 제공하여 자율 주행 시스템에서 실시간 4D 레이더 인지를 위한 유효한 대안이 될 수 있음을 보여준다.

다국어 초록 (Multilingual Abstract)

Traditional point cloud detection models, such as those using LiDAR or 4D radar, are known for their high accuracy but often entail significant computational demands, making them less suited for edge environments. To overcome this limitation, we introduce EdgePillars, an edge-efficient 4D radar object detection framework designed specifically for resource-constrained embedded systems. EdgePillars features a Hybrid Voxel–Pillar Encoder (HVPE) that generates height-aware Bird's-Eye-View (BEV) features and a lightweight State-Space Model (SSM) based backbone equipped with the EdgePillars Block (EPB), which effectively captures long-range spatial dependencies with linear-time complexity.
When evaluated on the K-Radar dataset, EdgePillars achieves 64.8% AP_3D and 68.3% AP_BEV under IoU=0.3 while delivering 20.3 FPS on the Jetson Orin Nano. In a range of adverse weather conditions, including fog, rain, and snow, EdgePillars consistently outperforms existing radar-based state-of-the-art methods. Moreover, EdgePillars strikes a favorable balance between parameter size and memory usage, establishing a practical Pareto front that facilitates deployment on memory-limited edge hardware. These findings confirm that EdgePillars provides both robust accuracy and high efficiency, offering a viable solution for 4D radar perception in autonomous driving systems.

목차 (Table of Contents)

• 국문요약 i
• 영문요약 ii
• 목차 iii
• 그림 목차 v
• 표 목차 vi
• 1. 서론 1
• 1.1. 연구 동기 1
• 1.2. 연구 목표 4
• 2. 관련 연구 5
• 2.1. 복셀(Voxel) vs. 필라(Pillar) 5
• 2.2 엣지 컴퓨팅 7
• 2.3. 레이더 시스템에서의 실시간 추론 9
• 2.4. 4D 레이더 기반 객체 탐지 10
• 2.5. 포인트 클라우드 데이터에서의 Mamba 12
• 3. EdgePillars 14
• 3.1. EdgePillars 모델 구조 14
• 3.1.1. HVPE (Hybrid Voxel-Pillar Encoder) 15
• 3.1.2. EdgePillars 백본 16
• 3.1.3. EdgePillars Block (EPB) 17
• 4. 실험 19
• 4.1. 실험 환경 구성 19
• 4.1.1. 데이터 셋 19
• 4.1.2. 실험 환경 19
• 4.1.3. 비교 대상 모델 19
• 4.2. 하이퍼파라메터 튜닝 21
• 4.3. 실험 결과 22
• 4.3.1. 최신 모델들과의 정확도 및 추론 속도 비교 22
• 4.3.2. 여러 날씨 환경에서 정확도 비교 23
• 4.3.3. 엣지 환경에서의 추론 시간 비교 24
• 4.3.4. 엣지 환경에서 메모리 효율성 비교 25
• 5. Abulation Study 27
• 5.1. 요소 별 영향 분석 27
• 5.2. EdgePillars 요소 별 영향 시각화 28
• 5.2.1 HVPE 영향 시각화 28
• 5.2.2 EdgePillars 백본 영향 시각화 29
• 6. 결론 31
• 참고문헌 32