자율주행차는 주변 환경을 인식하고 충돌을 피하기 위해 동적 물체와 정적 물체를 구별해야 한다. 최근의 이동 물체 분할(MOS) 연구들은 LiDAR 점군 스트림을 여러 시점으로 투영하여 시공간적 단서를 포착한다. 단일 시점만으로는 충분하지 않을 때, 일반적인 전략은 시점을 결합하거나 변환하는 것이다. 그러나 기존 방법들은 변환 과정에서 전체 3차원 공간의 특징을 재구성하며, 이로 인해 시간과 메모리 비용이 크게 증가한다. 또한 고성능 그래픽 처리 장치에 의존하여 온보드 배치가 제한된다. 본 연구에서는 3차원 특징을 복원하지 않고 조류의 눈(바드 아이) 시점을 레인지 시점(range view)으로 신속하게 변환하는 직접 시점 변환 모듈을 중심으로 한 경량 프레임워크인 SwiftMOS를 제안한다. 직접 시점 변환은 사전 계산된 그리드와 시점 특화 힌트 맵을 활용하여 좌표를 효율적으로 매핑하며, 추가-융합(feature) 특징 흐름이 과거 프레임과 현재 프레임을 빠르게 병합하여 시공간적 맥락을 포착한다. SemanticKITTI 데이터셋에서 수행한 광범위한 정량 및 정성 실험은 제안 방법의 타당성과 실시간 처리 가능성을 확인한다. SwiftMOS는 경쟁력 있는 성능을 유지하면서 상당한 지연 시간 감소를 달성한다. 이는 온보드 하드웨어에서의 일반적인 LiDAR 스캔 속도 내에서 동작하며, Sipailou Campus Dataset에서도 견고한 성능을 보임으로써 실제 환경의 자율주행을 위한 실용성을 강조한다.

자율주행차는 주변 환경을 인식하고 충돌을 피하기 위해 동적 물체와 정적 물체를 구별해야 한다. 최근의 이동 물체 분할(MOS) 연구들은 LiDAR 점군 스트림을 여러 시점으로 투영하여 시공간적 단서를 포착한다. 단일 시점만으로는 충분하지 않을 때, 일반적인 전략은 시점을 결합하거나 변환하는 것이다. 그러나 기존 방법들은 변환 과정에서 전체 3차원 공간의 특징을 재구성하며, 이로 인해 시간과 메모리 비용이 크게 증가한다. 또한 고성능 그래픽 처리 장치에 의존하여 온보드 배치가 제한된다. 본 연구에서는 3차원 특징을 복원하지 않고 조류의 눈(바드 아이) 시점을 레인지 시점(range view)으로 신속하게 변환하는 직접 시점 변환 모듈을 중심으로 한 경량 프레임워크인 SwiftMOS를 제안한다. 직접 시점 변환은 사전 계산된 그리드와 시점 특화 힌트 맵을 활용하여 좌표를 효율적으로 매핑하며, 추가-융합(feature) 특징 흐름이 과거 프레임과 현재 프레임을 빠르게 병합하여 시공간적 맥락을 포착한다. SemanticKITTI 데이터셋에서 수행한 광범위한 정량 및 정성 실험은 제안 방법의 타당성과 실시간 처리 가능성을 확인한다. SwiftMOS는 경쟁력 있는 성능을 유지하면서 상당한 지연 시간 감소를 달성한다. 이는 온보드 하드웨어에서의 일반적인 LiDAR 스캔 속도 내에서 동작하며, Sipailou Campus Dataset에서도 견고한 성능을 보임으로써 실제 환경의 자율주행을 위한 실용성을 강조한다.