SuperiorGAT: Graph Attention Networks for Sparse LiDAR Point Cloud Reconstruction in Autonomous Systems

Resumo Técnico: SuperiorGAT

O artigo apresenta o SuperiorGAT, um framework baseado em Redes de Atenção em Grafos (Graph Attention Networks - GAT) projetado para a reconstrução de nuvens de pontos LiDAR esparsas, focando especificamente na recuperação de informações de elevação (coordenadas $z$) perdidas devido ao fenômeno de beam dropout (queda de feixes).

1. O Problema

Sistemas de percepção em veículos autônomos dependem de sensores LiDAR, que enfrentam duas limitações principais:

• Resolução Vertical Fixa: Sensores de baixo custo possuem menos feixes de laser (ex: 16-32), resultando em nuvens de pontos esparsas.
• Structured Beam Dropout: Falhas de hardware ou oclusões ambientais causam a perda de linhas de varredura verticais inteiras. Isso interrompe a continuidade espacial, prejudicando tarefas críticas como detecção de objetos e planejamento de trajetória.
• Limitações de Métodos Atuais: Métodos de interpolação suavizam demais a geometria; métodos de Compressive Sensing (CS) são computacionalmente lentos para tempo real; e redes convolucionais (CNNs) em voxels são ineficientes em termos de memória para dados esparsos.

2. Metodologia (SuperiorGAT)

A inovação central do SuperiorGAT é o refinamento arquitetural de uma GAT padrão para torná-la eficiente e adaptada à geometria do LiDAR, sem aumentar a profundidade da rede. A metodologia divide-se em:

• Representação em Grafo Consciente de Feixes (Beam-Aware): Em vez de usar apenas proximidade espacial, o modelo constrói um grafo onde os nós são os pontos e as arestas conectam pontos dentro do mesmo feixe (relação intra-feixe) e entre feixes adjacentes (relação inter-feixe). Adiciona-se o índice do feixe ($b_i$) como uma característica do nó para fornecer contexto sobre o padrão de varredura do sensor.
• Arquitetura Proposta:
  1. Codificação de Características: Incorpora coordenadas $(x, y, z)$ e o índice do feixe.
  2. Atenção de Múltiplas Cabeças (Multi-Head Attention): Permite que o modelo aprenda diferentes tipos de relações geométricas entre os pontos de forma dinâmica.
  3. Fusão Residual com Portão (Gated Residual Fusion): Um mecanismo de gating aprendível ($\gamma$) que equilibra as características refinadas pela atenção com as características originais, garantindo estabilidade em regiões de alta esparsidade.
  4. Refinamento Feed-Forward (FFN): Um bloco leve de rede neural para aumentar a capacidade não linear de modelagem geométrica local.
  5. Decodificação de Saída: Um MLP leve focado exclusivamente na regressão do valor de elevação $\hat{z}$.

3. Principais Contribuições

1. Framework de Simulação Realista: Um método para simular o beam dropout estruturado, refletindo falhas reais de hardware.
2. Arquitetura de Atenção Otimizada: Uma rede que utiliza pesos de atenção aprendidos para preservar detalhes estruturais finos, superando abordagens de pesos fixos (como GCNs).
3. Eficiência Computacional: Um design leve que permite o processamento em tempo real, essencial para sistemas autônomos, sem depender de sensores extras (como câmeras RGB).

4. Resultados

Os experimentos foram realizados nos datasets KITTI (alta resolução) e nuScenes (baixa resolução):

• Precisão e Fidelidade: O SuperiorGAT superou consistentemente métodos de interpolação, PointNet e GATs padrão em métricas de erro (RMSEz) e consistência geométrica (Chamfer Distance) em diversos ambientes (cidade, estrada, campus, etc.).
• Robustez ao Dropout: À medida que a taxa de perda de feixes aumentava (de 12,5% a 37,5%), o SuperiorGAT apresentou uma degradação muito mais suave e controlada do que os modelos concorrentes.
• Desempenho em Tempo Real: O modelo demonstrou baixa latência (aprox. 8,6 ms por quadro no KITTI), sendo significativamente mais rápido que o baseline GAT (13 ms) e muito mais eficiente que métodos iterativos.
• Análise Qualitativa: Projeções X-Z mostraram que o modelo reconstrói perfis verticais contínuos e suaves, evitando os artefatos de "escada" comuns em métodos de interpolação.

5. Significância

O trabalho demonstra que o refinamento da arquitetura (em vez de apenas aumentar a profundidade da rede) é uma estratégia eficaz para lidar com a esparsidade estruturada do LiDAR. O SuperiorGAT oferece uma solução prática para melhorar a percepção de veículos autônomos de baixo custo, permitindo que sensores mais simples alcancem uma qualidade de reconstrução próxima a sensores de alta performance, mantendo a viabilidade para operação em tempo real.