[자율주행 AI 챌린지] 작년 데이터셋을 이용한 모의 테스트 + CenterPoint-Pillar

[신민서]

작년 dataset 채널 분포 확인

Hesai Pandar 64ch

측정 범위 0.3m~200m. 반사율 10% 기준이라 어두운 물체도 200m까지 측정 가능. 0.3m 이내는 측정 안 됨.

거리 정확도 0.3~1m 구간 ±5cm, 1~200m 구간 ±2cm. 먼 거리에서도 정밀도 높음.

수직 해상도 0.167°. -6°~+2° 구간에서 특히 촘촘하게 측정 가능. 전방 탐지에 최적화된 설정임.

스캐닝 방식 기계식 회전. 본체가 실제로 회전하면서 360° 수평 시야 확보.

수직 시야각 40° (-25°~+15°). 도로 아래쪽과 위쪽 구조물 동시에 커버 가능.

세부 각도 구간 나눠서 특정 영역에 포인트 밀도 집중시킴. 전방이나 도로 영역 같은 중요 구간에 해상도 높임.

프레임 레이트 10Hz, 20Hz 지원. 느리면 해상도 촘촘, 빠르면 환경 갱신 주기 짧음.

모드로는 싱글 리턴, 듀얼 리턴이 있는데 대회측에서 싱글 리턴을 사용한다고 답변 받음

https://www.hesaitech.com/product/pandar128/

Pandar128 360° High-Performance Long-Range Lidar | Hesai

2024 dataset point count

위와 같이 이번년도 대회와 비슷하게 train에 128ch/64ch 혼합

대회의 test 환경은 64ch에서만 진행함 (싱글 리턴)

따라서 작년 train 데이터셋에 있는 64ch만 뽑아내서 이를 가지고 리더보드 제출 전 확인하는 지표로 사용

64ch 분리 코드

split_64ch.py

---------------------------------------------------------------------------------------------------------------------------------------

import os

import numpy as np

def count_points_in_npy(file_path):

    points = np.load(file_path)

    return points.shape[0]

def is_64ch_pointcloud(file_path):

    ext = os.path.splitext(file_path)[1].lower()

    try:

        if ext == '.npy':

            num_points = count_points_in_npy(file_path)

        else:

            return False

    except Exception as e:

        print(f"파일 읽기 오류: {file_path} | {e}")

        return False

    return num_points <= 150000

def filter_64ch_files(input_folder, output_txt_path):

    valid_exts = ['.npy' ]

    selected_files = []

    for root, _, files in os.walk(input_folder):

        for file in files:

            ext = os.path.splitext(file)[1].lower()

            if ext in valid_exts:

                full_path = os.path.join(root, file)

                if is_64ch_pointcloud(full_path):

                    selected_files.append(full_path)

    with open(output_txt_path, 'w') as f:

        for path in selected_files:

            f.write(path + '\n')

    print(f"[완료] 총 {len(selected_files)}개의 64ch 포인트 클라우드 파일을 저장했습니다: {output_txt_path}")

input_folder = "/mnt/d/3d_av_mod_db"

output_txt_path = "2024_64ch_train.txt"

filter_64ch_files(input_folder, output_txt_path)

---------------------------------------------------------------------------------------------------------------------------------------

이후에 정보파일 생성 -> val.py 실행 순으로 하면 됨

5319개 사용

측정 결과

2025 CenterPoint-Pillar 측정 - 기준 점수로 생각

Voxel-RCNN (ckpt 24) 측정

모든 모델은 이번년도 데이터셋으로 훈련한 모델임

테스트 결과는 작년 데이터셋에서 64ch만 뽑은 dataset으로 검증한 결과임

	VEHICLE/L2 (AP)	PEDESTRIAN/L2 (AP)	CYCLIST/L2 (AP)
CenterPoint-Pillar	0.88	0.89	0.88
Voxel-RCNN	0.77	0.64	0.73
CenterPoint-Pillar (증강 1)	0.58	0.60	0.61

CenterPoint-Pillar (증강 1)

https://kind-slip-86b.notion.site/CenterPoint-Pillar-2768a2c2bfdb80cc8931c4d41491010c?source=copy_link

CenterPoint-Pillar | Notion

[Sungryul Lee]

1. 양식대로 베이스라인과 비교할것
2. 다음훈련부터는 로스그래프의 가로축은 에퍽단위로 수정할것
3. 모의 테스트 데이터셋의 사양을 설명할것, 센서사양, 갯수, 포인트수분포 등등
4. 비교평가할때는 항상 동일한 데이터셋, 동일한 테스트코드, 동일한 조건에서 수행할것