Perpustakaan Digital ITB

Deteksi objek tiga dimensi (3D) adalah tugas yang esensial untuk aplikasi – aplikasi seperti kendaraan otonom. Kemampuannya dalam memersepsikan lingkungan sekitar dalam ruang 3D membuatnya menjadi praktis untuk diimplementasikan pada suatu aplikasi nyata. Seiring berkembangnya teknologi sistem persepsi, objek deteksi 3D berbasis Light Detection and Ranging (LiDAR) menjadi semakin populer dan banyak pendekatan telah diusulkan untuk mencapai performa state of the art. Beberapa pendekatan yang umum dilakukan untuk deteksi objek 3D berbasis LiDAR antara lain pendekatan proyeksi, voxel, dan points. Di sisi lain, pendekatan berbasis Graph Neural Networks(GNNs) untuk deteksi objek 3D masih dalam tahap awal perkembangannya jika dibandingkan dengan pendekatan yang lain. Point-GNN adalah salah satu arsitektur pertama yang mengimplementasikan GNNs untuk tugas deteksi objek 3D. Meskipun menghasilkan akurasi yang tinggi pada leaderboard dataset KITTI, Point-GNN mempunyai kecepatan inferensi yang relatif lambat yang membuatnya tidak layak untuk diimplementasikan pada aplikasi yang memerlukan deteksi real-time seperti pada kendaraan otonom. Pada penelitian ini diusulkan suatu metode untuk mempercepat waktu inferensi Point-GNN dengan menginvestigasi kontribusi dari parameter – parameter yang terdapat pada bagian konstruksi graph Point-GNN. Pendekatan yang dilakukan berhasil meningkatkan kecepatan inferensi hingga 2,56 kali lebih cepat dibandingkan dengan Point-GNN orisinal dengan mempertahankan degradasi pada keseluruhan Average Precision (AP) tidak melebihi 3,5%. Selain itu, pendekatan untuk meningkatkan akurasi Point-GNN juga dilakukan dengan cara menginvestigasi kontribusi dari fitur – fitur di bagian GNN layer yang belum dieksplorasi oleh penulis Point-GNN. Model terbaik yang dihasilkan mampu memberikan peningkatan Birds Eye View (BEV) AP sebesar 0,22% dan peningkatan 3D AP sebesar 0,35% dibandingkan dengan Point-GNN orisinal. Tesis ini juga mengimplementasikan metode deteksi objek deteksi 3D pada komputer embedded Nvidia Drive AGX Pegasus, yang merupakan sebuah komputer embedded yang didesain khusus untuk kendaraan otonom. Karena permasalahan kompatibilitasnya, tesis ini mengimplementasikan metode deteksi objek 3D lain yaitu CenterPoint pada komputer embedded dan berhasil memperoleh kecepatan inferensi sebesar 20,10 FPS.