4D 레이더 기반 자율주행: 혁신적인 스파이킹 신경망 SpikingRTNH 등장!

카이스트 연구팀이 개발한 SpikingRTNH는 4D 레이더 데이터를 이용한 3D 물체 탐지를 위한 최초의 스파이킹 신경망으로, 기존 방식 대비 에너지 소비를 78% 감소시키면서도 동등한 성능을 달성했습니다. 생물학적 상향식 추론(BTI) 기법을 도입하여 잡음을 줄이고 탐지 정확도를 높인 것이 특징입니다.

4D 레이더와 스파이킹 신경망의 만남: 에너지 효율 혁명의 시작

최근 자율주행 자동차 분야에서 4D 레이더는 악천후에도 안정적인 인식 능력과 고밀도 점군 데이터를 제공하며 핵심 센서로 떠오르고 있습니다. 하지만 이러한 고밀도 데이터 처리에는 막대한 계산 자원과 에너지 소비가 필요하다는 문제점이 있습니다.

카이스트 연구팀(백동희, 공승현 교수 연구팀)은 이러한 문제를 해결하기 위해 SpikingRTNH 라는 혁신적인 기술을 개발했습니다. SpikingRTNH는 4D 레이더 데이터를 이용한 3D 물체 탐지를 위한 최초의 스파이킹 신경망(SNN)입니다. 기존의 ReLU 활성화 함수 대신 누적-발화(LIF) 스파이킹 뉴런을 사용하여 에너지 효율을 획기적으로 높였습니다.

인간 두뇌에서 영감을 얻다: 생물학적 상향식 추론 (BTI)

SpikingRTNH의 핵심은 바로 생물학적 상향식 추론(BTI) 입니다. 인간의 인지 과정에서 영감을 얻은 BTI는 고밀도에서 저밀도 순으로 점군을 순차적으로 처리합니다. 이를 통해 잡음이 적고 중요도가 높은 점들을 효과적으로 활용하여 탐지 정확도를 높입니다. 마치 인간의 두뇌가 정보를 효율적으로 처리하는 것과 같은 원리입니다.

놀라운 성능: 에너지 효율 78% 향상!

K-Radar 데이터셋을 이용한 실험 결과, SpikingRTNH는 기존 ANN 방식에 비해 에너지 소비를 무려 **78%**나 감소시키면서도 비슷한 수준의 탐지 성능(3D AP 51.1%, BEV AP 57.0%)을 달성했습니다. 이는 SNN이 자율주행 시스템의 에너지 효율적인 4D 레이더 기반 물체 탐지에 실제로 적용될 수 있음을 보여주는 획기적인 결과입니다.

앞으로의 전망: 자율주행의 미래를 밝히다

SpikingRTNH는 자율주행 자동차의 에너지 효율을 극대화하고, 동시에 성능 저하 없이 안전성을 확보할 수 있는 가능성을 열었습니다. 연구팀은 관련 코드를 공개하여(https://github.com/kaist-avelab/k-radar) 다른 연구자들의 발전에 기여할 것을 약속했습니다. 이 기술은 앞으로 자율주행 시스템의 에너지 효율과 성능 향상에 크게 기여할 것으로 기대됩니다. SpikingRTNH, 자율주행의 미래를 밝힐 새로운 빛이 될 것입니다!