0. 寫在前面&&個(gè)人理解

自動(dòng)駕駛系統(tǒng)依賴于先進(jìn)的感知、決策和控制技術(shù)，通過(guò)使用各種傳感器（如相機(jī)、激光雷達(dá)、雷達(dá)等）來(lái)感知周圍環(huán)境，并利用算法和模型進(jìn)行實(shí)時(shí)分析和決策。這使得車輛能夠識(shí)別道路標(biāo)志、檢測(cè)和跟蹤其他車輛、預(yù)測(cè)行人行為等，從而安全地操作和適應(yīng)復(fù)雜的交通環(huán)境.這項(xiàng)技術(shù)目前引起了廣泛的關(guān)注，并認(rèn)為是未來(lái)交通領(lǐng)域的重要發(fā)展領(lǐng)域之一。但是，讓自動(dòng)駕駛變得困難的是弄清楚如何讓汽車了解周圍發(fā)生的事情。這需要自動(dòng)駕駛系統(tǒng)中的三維物體檢測(cè)算法可以準(zhǔn)確地感知和描述周圍環(huán)境中的物體，包括它們的位置、形狀、大小和類別。這種全面的環(huán)境意識(shí)有助于自動(dòng)駕駛系統(tǒng)更好地了解駕駛環(huán)境，并做出更精確的決策。

我們對(duì)自動(dòng)駕駛中的3D物體檢測(cè)算法進(jìn)行了全面評(píng)估，主要考慮了穩(wěn)健性。評(píng)估中確定了三個(gè)關(guān)鍵因素：環(huán)境變化性、傳感器噪聲和誤對(duì)準(zhǔn)。這些因素對(duì)于檢測(cè)算法在真實(shí)世界多變條件下的性能表現(xiàn)非常重要。

1. 環(huán)境變化性：?文章強(qiáng)調(diào)檢測(cè)算法需要適應(yīng)不同的環(huán)境條件，如光照、天氣和季節(jié)的變化。
2. 傳感器噪聲：?算法必須有效處理傳感器的噪聲，可能包括攝像機(jī)的運(yùn)動(dòng)模糊等問題。
3. 誤對(duì)準(zhǔn)：?對(duì)于由校準(zhǔn)錯(cuò)誤或其他因素引起的誤對(duì)準(zhǔn)，算法需要考慮到這些因素，無(wú)論是外部的（如不平坦的路面）還是內(nèi)部的（例如系統(tǒng)時(shí)鐘誤對(duì)準(zhǔn)）。

還深入探討了性能評(píng)估的三個(gè)關(guān)鍵領(lǐng)域：準(zhǔn)確性、延遲和穩(wěn)健性。

• 準(zhǔn)確性：盡管研究通常將準(zhǔn)確性作為關(guān)鍵性能指標(biāo)，但在復(fù)雜和極端條件下的表現(xiàn)需要更深入的理解，以確保真實(shí)世界的可靠性。
• 延遲：?自動(dòng)駕駛中的實(shí)時(shí)能力至關(guān)重要。檢測(cè)方法的延遲影響系統(tǒng)及時(shí)決策的能力，特別是在緊急情況下。
• 穩(wěn)健性：?呼吁對(duì)系統(tǒng)在不同條件下的穩(wěn)定性進(jìn)行更全面的評(píng)估，因?yàn)樵S多當(dāng)前的評(píng)估可能沒有完全考慮到真實(shí)世界場(chǎng)景的多樣性。

論文指出了多模態(tài)3D檢測(cè)方法在安全感知方面的顯著優(yōu)勢(shì)，通過(guò)融合不同傳感器的數(shù)據(jù)，提供了更豐富、多樣化的感知能力，進(jìn)而提高了自動(dòng)駕駛系統(tǒng)的安全性。

1. 數(shù)據(jù)集

上述簡(jiǎn)要介紹了用于自動(dòng)駕駛系統(tǒng)中的3D物體檢測(cè)數(shù)據(jù)集，主要關(guān)注評(píng)估不同傳感器模式的優(yōu)勢(shì)和局限性，以及公共數(shù)據(jù)集的特點(diǎn)。

首先，表格中展示了三種類型的傳感器：相機(jī)、點(diǎn)云和多模態(tài)（相機(jī)和激光雷達(dá)）。對(duì)于每種類型，列出了它們的硬件成本、優(yōu)點(diǎn)和局限性。相機(jī)數(shù)據(jù)的優(yōu)點(diǎn)在于提供豐富的顏色和紋理信息，但它的局限性是缺乏深度信息且易受光線和天氣影響。激光雷達(dá)則能提供準(zhǔn)確的深度信息，但成本高且沒有顏色信息。

接下來(lái)，還有一些其他公共數(shù)據(jù)集可用于自動(dòng)駕駛中的3D物體檢測(cè)。這些數(shù)據(jù)集包括KITTI、nuScenes和Waymo等。這些數(shù)據(jù)集的詳細(xì)信息如下： - KITTI數(shù)據(jù)集包含了多個(gè)年份發(fā)布的數(shù)據(jù)，使用了不同類型的傳感器。它提供了大量的幀數(shù)和注釋數(shù)量，以及各種場(chǎng)景的多樣性，包括場(chǎng)景數(shù)量和類別，以及不同的場(chǎng)景類型，如白天、晴天、夜晚和雨天等。 - nuScenes數(shù)據(jù)集也是一個(gè)重要的數(shù)據(jù)集，它同樣包含了多個(gè)年份發(fā)布的數(shù)據(jù)。該數(shù)據(jù)集使用了多種傳感器，并提供了大量的幀數(shù)和注釋數(shù)量。它覆蓋了各種場(chǎng)景，包括不同的場(chǎng)景數(shù)量和類別，以及各種場(chǎng)景類型。 - Waymo數(shù)據(jù)集是另一個(gè)用于自動(dòng)駕駛的數(shù)據(jù)集，同樣具有多個(gè)年份的數(shù)據(jù)。該數(shù)據(jù)集使用了不同類型的傳感器，并提供了豐富的幀數(shù)和注釋數(shù)量。它涵蓋了各種場(chǎng)

此外，還提到了關(guān)于“干凈”自動(dòng)駕駛數(shù)據(jù)集的研究，并強(qiáng)調(diào)了在噪聲場(chǎng)景下評(píng)估模型穩(wěn)健性的重要性。一些研究關(guān)注在惡劣條件下的相機(jī)單模態(tài)方法，而其他的多模態(tài)數(shù)據(jù)集則專注于噪聲問題。例如，GROUNDED數(shù)據(jù)集關(guān)注在不同天氣條件下地面穿透雷達(dá)的定位，而ApolloScape開放數(shù)據(jù)集包括了激光雷達(dá)、相機(jī)和GPS數(shù)據(jù)，涵蓋了多種天氣和光照條件。

由于在真實(shí)世界中收集大規(guī)模噪聲數(shù)據(jù)的成本過(guò)高，許多研究轉(zhuǎn)向使用合成數(shù)據(jù)集。例如，ImageNet-C是在圖像分類模型中對(duì)抗常見擾動(dòng)的基準(zhǔn)研究。這一研究方向隨后擴(kuò)展到為自動(dòng)駕駛中的3D物體檢測(cè)量身定制的穩(wěn)健性數(shù)據(jù)集。

2. 基于視覺的3D目標(biāo)檢測(cè)

2.1 Monocular 3D object detection

在這部分內(nèi)容中，討論了單目3D物體檢測(cè)的概念以及三種主要的方法：基于先驗(yàn)的單目3D物體檢測(cè)、僅相機(jī)的單目3D物體檢測(cè)和深度輔助的單目3D物體檢測(cè)。

Prior-guided monocular 3D object detection

這種方法利用隱藏在圖像中的物體形狀和場(chǎng)景幾何學(xué)的先驗(yàn)知識(shí)來(lái)解決單目3D物體檢測(cè)的挑戰(zhàn)。通過(guò)引入預(yù)訓(xùn)練的子網(wǎng)絡(luò)或輔助任務(wù)，先驗(yàn)知識(shí)可以提供額外信息或約束來(lái)幫助精確定位3D物體，增強(qiáng)檢測(cè)的精度和穩(wěn)健性。常見的先驗(yàn)知識(shí)包括物體形狀、幾何一致性、時(shí)間約束和分割信息。例如，Mono3D算法首先假設(shè)3D物體位于固定的地面平面上，然后使用物體的先驗(yàn)3D形狀來(lái)在3D空間中重建邊界框。

Camera-only monocular 3D object detection

這種方法僅使用單個(gè)相機(jī)捕獲的圖像來(lái)檢測(cè)和定位3D物體。它采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）直接從圖像中回歸3D邊界框參數(shù)，從而估計(jì)物體在三維空間中的尺寸和姿態(tài)。這種直接回歸方法可以以端到端的方式進(jìn)行訓(xùn)練，促進(jìn)了3D物體的整體學(xué)習(xí)和推斷。例如，Smoke算法摒棄了2D邊界框的回歸，通過(guò)結(jié)合單個(gè)關(guān)鍵點(diǎn)的估計(jì)和3D變量的回歸來(lái)預(yù)測(cè)每個(gè)檢測(cè)目標(biāo)的3D框。

Depth-assisted monocular 3D object detection

深度估計(jì)在深度輔助的單目3D物體檢測(cè)中扮演著關(guān)鍵角色。為了實(shí)現(xiàn)更準(zhǔn)確的單目檢測(cè)結(jié)果，許多研究利用預(yù)訓(xùn)練的輔助深度估計(jì)網(wǎng)絡(luò)。這個(gè)過(guò)程首先通過(guò)使用預(yù)訓(xùn)練的深度估計(jì)器（如MonoDepth）將單目圖像轉(zhuǎn)換為深度圖像。然后，采用兩種主要方法來(lái)處理深度圖像和單目圖像。例如，Pseudo-LiDAR檢測(cè)器使用預(yù)訓(xùn)練的深度估計(jì)網(wǎng)絡(luò)生成Pseudo-LiDAR表示，但由于圖像到LiDAR生成的錯(cuò)誤，Pseudo-LiDAR與基于LiDAR的檢測(cè)器之間存在巨大的性能差距。

通過(guò)這些方法的探索和應(yīng)用，單目3D物體檢測(cè)在計(jì)算機(jī)視覺和智能系統(tǒng)領(lǐng)域取得了顯著進(jìn)展，為這些領(lǐng)域帶來(lái)了突破和機(jī)遇。

2.2 Stereo-based 3D object detection

在這部分內(nèi)容中，討論了基于立體視覺的3D物體檢測(cè)技術(shù)。立體視覺3D物體檢測(cè)利用一對(duì)立體圖像來(lái)識(shí)別和定位3D物體。通過(guò)利用立體攝像機(jī)捕獲的雙重視角，這些方法在通過(guò)立體匹配和校準(zhǔn)獲取高精度深度信息方面表現(xiàn)出色，這是它們與單目攝像機(jī)設(shè)置不同的特點(diǎn)。盡管存在這些優(yōu)勢(shì)，與基于激光雷達(dá)的方法相比，立體視覺方法仍存在相當(dāng)大的性能差距。此外，從立體圖像中進(jìn)行3D物體檢測(cè)的領(lǐng)域相對(duì)較少被探索，僅有限的研究工作致力于這一領(lǐng)域。

1. 2D-detection based methods：傳統(tǒng)的2D物體檢測(cè)框架可以修改以解決立體檢測(cè)問題。例如，Stereo R-CNN使用基于圖像的2D檢測(cè)器來(lái)預(yù)測(cè)2D提議，為相應(yīng)的左右圖像生成左右感興趣區(qū)域（RoIs）。隨后，在第二階段，它直接估計(jì)基于之前生成的RoIs的3D物體參數(shù)。這種范式被后續(xù)的工作廣泛采用。
2. Pseudo-LiDAR based methods：從立體圖像預(yù)測(cè)的視差圖可以轉(zhuǎn)換為深度圖，進(jìn)一步轉(zhuǎn)換為偽激光雷達(dá)點(diǎn)。因此，類似于單目檢測(cè)方法，偽激光雷達(dá)表示也可以用于基于立體視覺的3D物體檢測(cè)方法。這些方法旨在增強(qiáng)立體匹配中的視差估計(jì)，以實(shí)現(xiàn)更準(zhǔn)確的深度預(yù)測(cè)。例如，Wang等人是引入偽激光雷達(dá)表示的先驅(qū)。這種表示是由具有深度圖的圖像生成的，要求模型執(zhí)行深度估計(jì)任務(wù)以協(xié)助檢測(cè)。隨后的工作遵循了這一范式，并通過(guò)引入額外的顏色信息來(lái)增強(qiáng)偽點(diǎn)云、輔助任務(wù)（如實(shí)例分割、前景和背景分割、領(lǐng)域適應(yīng)）和坐標(biāo)變換方案進(jìn)行了優(yōu)化。值得注意的是，Ma等人提出的PatchNet挑戰(zhàn)了利用偽激光雷達(dá)表示進(jìn)行單目3D物體檢測(cè)的傳統(tǒng)觀念。通過(guò)為每個(gè)像素編碼3D坐標(biāo)，PatchNet可以在沒有偽激光雷達(dá)表示的情況下獲得可比較的單目檢測(cè)結(jié)果。這一觀察表明，偽激光雷達(dá)表示的力量來(lái)源于坐標(biāo)變換，而不是點(diǎn)云表示本身。

2.3 Multi-view 3D object detection

最近，多視圖3D物體檢測(cè)在精度和穩(wěn)健性方面相較于前述的單目和立體視覺3D物體檢測(cè)方法表現(xiàn)出了優(yōu)越性。與基于激光雷達(dá)的3D物體檢測(cè)不同，最新的全景鳥瞰視圖（BEV）方法消除了對(duì)高精度地圖的需求，將檢測(cè)從2D提升到3D。這一進(jìn)展帶來(lái)了多視角3D物體檢測(cè)的重大發(fā)展。在多攝像頭3D物體檢測(cè)中，關(guān)鍵挑戰(zhàn)在于識(shí)別不同圖像中的同一物體并從多視角輸入中聚合物體特征。目前的方法涉及將多視角統(tǒng)一映射到鳥瞰視圖（BEV）空間，這是一種常見的做法。

Depth-based Multi-view methods:

從2D到BEV空間的直接轉(zhuǎn)換構(gòu)成了一個(gè)重大挑戰(zhàn)。LSS是首個(gè)提出基于深度的方法的，它利用3D空間作為中介。這種方法首先預(yù)測(cè)2D特征的網(wǎng)格深度分布，然后將這些特征提升到體素空間。這種方法為更有效地實(shí)現(xiàn)從2D到BEV空間的轉(zhuǎn)換提供了希望。繼LSS之后，CaDDN采用了類似的深度表示方法。通過(guò)將體素空間特征壓縮到BEV空間，它執(zhí)行最終的3D檢測(cè)。值得注意的是，CaDDN并不是多視角3D物體檢測(cè)的一部分，而是單視角3D物體檢測(cè)，它對(duì)隨后的深度研究產(chǎn)生了影響。LSS和CaDDN的主要區(qū)別在于CaDDN使用實(shí)際的地面真實(shí)深度值來(lái)監(jiān)督其分類深度分布的預(yù)測(cè)，從而創(chuàng)建了一個(gè)能夠更準(zhǔn)確地從2D空間提取3D信息的出色深度網(wǎng)絡(luò)。

Query-based Multi-view methods

在Transformer技術(shù)的影響下，基于query的多視角方法從3D空間檢索2D空間特征。DETR3D引入了3D物體query來(lái)解決多視角特征的聚合問題。它通過(guò)從不同視角剪輯圖像特征，并使用學(xué)習(xí)到的3D參考點(diǎn)將它們投影到2D空間，從而在鳥瞰視圖（BEV）空間獲得圖像特征。與基于深度的多視角方法不同，基于query的多視角方法通過(guò)使用反向query技術(shù)獲得稀疏BEV特征，從根本上影響了后續(xù)基于query的發(fā)展。然而，由于與顯式3D參考點(diǎn)相關(guān)的潛在不準(zhǔn)確性，PETR采用了隱式位置編碼方法來(lái)構(gòu)建BEV空間，影響了后續(xù)的工作。

2.4 Analysis: Accuracy, Latency, Robustness

當(dāng)前，基于鳥瞰視圖（BEV）感知的3D物體檢測(cè)解決方案正在迅速發(fā)展。盡管存在許多綜述文章，但對(duì)這一領(lǐng)域的全面回顧仍然不足。上海AI實(shí)驗(yàn)室和商湯研究院提供了對(duì)BEV解決方案技術(shù)路線圖的深入回顧。然而，與現(xiàn)有的綜述不同，我們考慮了自動(dòng)駕駛安全感知等關(guān)鍵方面。在分析了基于相機(jī)解決方案的技術(shù)路線圖和當(dāng)前發(fā)展?fàn)顟B(tài)之后，我們打算基于`準(zhǔn)確性、延遲、穩(wěn)健性'的基本原則進(jìn)行討論。我們將整合安全感知的視角，以指導(dǎo)自動(dòng)駕駛中安全感知的實(shí)際實(shí)施。

1. 準(zhǔn)確度：大多數(shù)研究文章和綜述中都非常關(guān)注準(zhǔn)確性，這確實(shí)非常重要。雖然準(zhǔn)確性可以通過(guò)AP（平均精度）來(lái)反映，但僅考慮AP可能無(wú)法提供全面的視角，因?yàn)椴煌姆椒ㄓ捎诓煌姆妒娇赡鼙憩F(xiàn)出顯著的差異。如圖所示，我們選擇了10種代表性方法進(jìn)行比較，結(jié)果表明單目3D物體檢測(cè)與立體視覺3D物體檢測(cè)之間存在顯著的度量差異。目前的情況表明，單目3D物體檢測(cè)的準(zhǔn)確性遠(yuǎn)低于立體視覺3D物體檢測(cè)。立體視覺3D物體檢測(cè)利用從同一場(chǎng)景的兩個(gè)不同視角捕獲的圖像來(lái)獲取深度信息。相機(jī)之間的基線越大，捕獲的深度信息范圍越廣。隨著時(shí)間的推移，多視角（鳥瞰視圖感知）3D物體檢測(cè)逐漸取代了單目方法，顯著提高了mAP。傳感器數(shù)量的增加對(duì)mAP產(chǎn)生了重大影響。
2. 延遲：在自動(dòng)駕駛領(lǐng)域，延遲至關(guān)重要。它指的是系統(tǒng)對(duì)輸入信號(hào)做出反應(yīng)所需的時(shí)間，包括從傳感器數(shù)據(jù)采集到系統(tǒng)決策制定和執(zhí)行動(dòng)作的整個(gè)過(guò)程。在自動(dòng)駕駛中，對(duì)延遲的要求非常嚴(yán)格，因?yàn)槿魏涡问降难舆t都可能導(dǎo)致嚴(yán)重的后果。延遲在自動(dòng)駕駛中的重要性體現(xiàn)在以下幾個(gè)方面：實(shí)時(shí)響應(yīng)性、安全性、用戶體驗(yàn)、互動(dòng)性和緊急響應(yīng)。在3D物體檢測(cè)領(lǐng)域，延遲（每秒幀數(shù)，F(xiàn)PS）和準(zhǔn)確性是評(píng)估算法性能的關(guān)鍵指標(biāo)。如圖所示，單目和立體視覺3D物體檢測(cè)的圖表顯示了KITTI數(shù)據(jù)集中等難度級(jí)別的平均精度（AP）與FPS的關(guān)系。對(duì)于自動(dòng)駕駛的實(shí)現(xiàn)，3D物體檢測(cè)算法必須在延遲和準(zhǔn)確性之間取得平衡。雖然單目檢測(cè)速度快，但缺乏精確度；相反，立體和多視角方法準(zhǔn)確但速度較慢。未來(lái)的研究不僅應(yīng)保持高精度，還應(yīng)更加重視提高FPS和降低延遲，以滿足自動(dòng)駕駛中實(shí)時(shí)響應(yīng)性和安全性的雙重要求。
3. 穩(wěn)健性：穩(wěn)健性是自動(dòng)駕駛安全感知的一個(gè)關(guān)鍵因素，代表了一個(gè)在綜合回顧中以前被忽視的重要話題。在當(dāng)前精心設(shè)計(jì)的干凈數(shù)據(jù)集和基準(zhǔn)測(cè)試中，如KITTI、nuScenes和Waymo，這一方面通常沒有得到解決。目前，像RoboBEV、Robo3D這樣的研究作品在3D物體檢測(cè)中納入了穩(wěn)健性的考慮，例如傳感器缺失等因素。它們采用了一種方法論，包括在與3D物體檢測(cè)相關(guān)的數(shù)據(jù)集中引入干擾，以評(píng)估穩(wěn)健性。這包括引入各種類型的噪聲，如天氣條件變化、傳感器故障、運(yùn)動(dòng)干擾和與物體相關(guān)的擾動(dòng)，旨在揭示不同噪聲源對(duì)模型的不同影響。通常，大多數(shù)研究穩(wěn)健性的論文通過(guò)向干凈數(shù)據(jù)集的驗(yàn)證集（如KITTI、nuScenes和Waymo）引入噪聲進(jìn)行評(píng)估。另外，我們強(qiáng)調(diào)了參考文獻(xiàn)中的發(fā)現(xiàn)，其中強(qiáng)調(diào)了KITTI-C和nuScenes-C作為相機(jī)僅3D物體檢測(cè)方法的例子。表格提供了總體比較，顯示總體上，相機(jī)僅方法的穩(wěn)健性低于激光雷達(dá)僅和多模型融合方法。它們非常容易受到各種類型的噪聲的影響。在KITTI-C中，三個(gè)代表性的作品——SMOKE、PGD和ImVoxelNet——顯示出一致較低的整體性能和對(duì)噪聲的減少穩(wěn)健性。在nuScenes-C中，值得注意的方法如DETR3D和BEVFormer與FCOS3D和PGD相比表現(xiàn)出更大的穩(wěn)健性，表明隨著傳感器數(shù)量的增加，整體穩(wěn)健性提高?？傊磥?lái)的相機(jī)僅方法需要考慮不僅是成本因素和準(zhǔn)確性指標(biāo)（mAP、NDS等），還有與安全感知和穩(wěn)健性相關(guān)的因素。我們的分析旨在為未來(lái)自動(dòng)駕駛系統(tǒng)的安全提供有價(jià)值的見解。

3. 基于Lidar的3D目標(biāo)檢測(cè)

基于體素的3D物體檢測(cè)方法提出了將稀疏點(diǎn)云分割并分配到規(guī)則體素中，從而形成密集的數(shù)據(jù)表示，這個(gè)過(guò)程稱為體素化。與基于視圖的方法相比，基于體素的方法利用空間卷積有效感知3D空間信息，實(shí)現(xiàn)更高的檢測(cè)精度，這對(duì)自動(dòng)駕駛中的安全感知至關(guān)重要。然而，這些方法仍面臨以下挑戰(zhàn)：

1. 高計(jì)算復(fù)雜性：與基于相機(jī)的方法相比，基于體素的方法需要大量的內(nèi)存和計(jì)算資源，因?yàn)橛糜诒硎?D空間的體素?cái)?shù)量巨大。
2. 空間信息丟失：由于體素的離散化特性，在體素化過(guò)程中細(xì)節(jié)和形狀信息可能丟失或模糊，同時(shí)體素有限的分辨率使得難以準(zhǔn)確檢測(cè)小物體。
3. 尺度和密度不一致性：基于體素的方法通常需要在不同尺度和密度的體素網(wǎng)格上進(jìn)行檢測(cè)，但由于不同場(chǎng)景中目標(biāo)的尺度和密度變化很大，選擇合適的尺度和密度來(lái)適應(yīng)不同目標(biāo)成為挑戰(zhàn)。

為了克服這些挑戰(zhàn)，需要解決數(shù)據(jù)表示的局限性、提高網(wǎng)絡(luò)特征能力和目標(biāo)定位精度，并加強(qiáng)算法對(duì)復(fù)雜場(chǎng)景的理解。盡管優(yōu)化策略各不相同，但通常都旨在從數(shù)據(jù)表示和模型結(jié)構(gòu)方面進(jìn)行優(yōu)化。

3.1 Voxel-based 3D object detection

得益于PC在深度學(xué)習(xí)中的繁榮，基于點(diǎn)的三維對(duì)象檢測(cè)繼承了其許多框架，并提出在不進(jìn)行預(yù)處理的情況下直接從原始點(diǎn)檢測(cè)三維對(duì)象。與voxel-based方法相比，原始點(diǎn)云保留了最大量的原始信息，這有利于細(xì)粒度的特征獲取，result high accuracy。同時(shí)，PointNet的一系列工作自然為基于點(diǎn)的方法提供了強(qiáng)大的基礎(chǔ)?；邳c(diǎn)的3D對(duì)象檢測(cè)器有兩個(gè)基本組成部分:點(diǎn)云采樣和特征學(xué)習(xí) %截至目前，Point-based方法的性能仍被兩個(gè)因素所影響:上下文點(diǎn)的數(shù)量和特征學(xué)習(xí)中采用的上下文半徑。e.g.增加上下文點(diǎn)的數(shù)量可以獲得更細(xì)致的3D信息，但會(huì)顯著增加模型的推理時(shí)間。類似地，縮小上下文半徑可以獲得同樣地效果。因此，為這兩個(gè)因素選擇合適的值，可以使模型在精度和速度之間達(dá)到一個(gè)平衡。此外，由于需要對(duì)點(diǎn)云中每一個(gè)點(diǎn)進(jìn)行計(jì)算，點(diǎn)云采樣過(guò)程是限制point-based方法實(shí)時(shí)運(yùn)行的主要因素。具體來(lái)說(shuō)，為解決以上問題，現(xiàn)有的方法大多圍繞基于點(diǎn)的3D對(duì)象檢測(cè)器的兩個(gè)基本組成部分進(jìn)行優(yōu)化：1) Point Sampling 2) feature learning

3.2 Point-based 3D object detection

基于點(diǎn)的3D物體檢測(cè)方法繼承了許多深度學(xué)習(xí)框架，并提出直接從原始點(diǎn)云中檢測(cè)3D物體，而不進(jìn)行預(yù)處理。與基于體素的方法相比，原始點(diǎn)云最大限度地保留了原始信息，有利于細(xì)粒度特征的獲取，從而實(shí)現(xiàn)高精度。同時(shí)，PointNet系列工作為基于點(diǎn)的方法提供了強(qiáng)大的基礎(chǔ)。然而，到目前為止，基于點(diǎn)的方法的性能仍受兩個(gè)因素的影響：上下文點(diǎn)的數(shù)量和特征學(xué)習(xí)中使用的上下文半徑。例如，增加上下文點(diǎn)的數(shù)量可以獲得更細(xì)致的3D信息，但會(huì)顯著增加模型的推理時(shí)間。類似地，縮小上下文半徑可以達(dá)到同樣的效果。因此，為這兩個(gè)因素選擇適當(dāng)?shù)闹悼梢允鼓Ｐ驮诰群退俣戎g實(shí)現(xiàn)平衡。此外，由于需要對(duì)點(diǎn)云中的每個(gè)點(diǎn)進(jìn)行計(jì)算，點(diǎn)云采樣過(guò)程是限制基于點(diǎn)方法實(shí)時(shí)運(yùn)行的主要因素。為解決這些問題，現(xiàn)有方法主要圍繞基于點(diǎn)的3D物體檢測(cè)器的兩個(gè)基本組成部分進(jìn)行優(yōu)化：1) 點(diǎn)云采樣；2) 特征學(xué)習(xí)。

最遠(yuǎn)點(diǎn)采樣（FPS）源自PointNet++，是一種在基于點(diǎn)的方法中廣泛使用的點(diǎn)云采樣方法。它的目標(biāo)是從原始點(diǎn)云中選擇一組具有代表性的點(diǎn)，使它們之間的距離最大化，以最好地覆蓋整個(gè)點(diǎn)云的空間分布。PointRCNN是基于點(diǎn)的方法中的開創(chuàng)性的兩階段檢測(cè)器，使用PointNet++作為骨干網(wǎng)絡(luò)。在第一階段，它以自下而上的方式從點(diǎn)云中生成3D提議。在第二階段，通過(guò)結(jié)合語(yǔ)義特征和局部空間特征來(lái)對(duì)提議進(jìn)行精煉。然而，現(xiàn)有基于FPS的方法仍面臨一些問題：1) 與檢測(cè)無(wú)關(guān)的點(diǎn)同樣參與采樣過(guò)程，帶來(lái)額外的計(jì)算負(fù)擔(dān)；2) 點(diǎn)在物體的不同部分分布不均勻，導(dǎo)致次優(yōu)的采樣策略。為了解決這些問題，后續(xù)工作采用了類似FPS的設(shè)計(jì)范式，并進(jìn)行了改進(jìn)，例如，通過(guò)分割引導(dǎo)的背景點(diǎn)過(guò)濾、隨機(jī)采樣、特征空間采樣、基于體素的采樣和基于光線分組的采樣。

基于點(diǎn)的3D物體檢測(cè)方法的特征學(xué)習(xí)階段旨在從稀疏點(diǎn)云數(shù)據(jù)中提取具有判別性的特征表示。在特征學(xué)習(xí)階段使用的神經(jīng)網(wǎng)絡(luò)應(yīng)具備以下特性：1) 不變性，點(diǎn)云骨干網(wǎng)絡(luò)應(yīng)對(duì)輸入點(diǎn)云的排列順序不敏感；2) 具有局部感知能力，能夠?qū)植繀^(qū)域進(jìn)行感知和建模，提取局部特征；3) 具有整合上下文信息的能力，能夠從全局和局部的上下文信息中提取特征。基于上述特性，大量的檢測(cè)器被設(shè)計(jì)用于處理原始點(diǎn)云。大多數(shù)方法可以根據(jù)所使用的核心算子分為：1) 基于PointNet的方法；2) 基于圖神經(jīng)網(wǎng)絡(luò)的方法；3) 基于Transformer的方法。

基于PointNet的方法

基于PointNet的方法主要依賴集合抽象來(lái)對(duì)原始點(diǎn)進(jìn)行降采樣，聚合局部信息，并整合上下文信息，同時(shí)保持原始點(diǎn)的對(duì)稱不變性。Point-RCNN是基于點(diǎn)的方法中的第一個(gè)兩階段工作，取得了出色的性能，但仍面臨高計(jì)算成本的問題。后續(xù)工作通過(guò)在檢測(cè)過(guò)程中引入額外的語(yǔ)義分割任務(wù)來(lái)過(guò)濾掉對(duì)檢測(cè)貢獻(xiàn)最小的背景點(diǎn)，解決了這個(gè)問題。

基于圖神經(jīng)網(wǎng)絡(luò)的方法

圖神經(jīng)網(wǎng)絡(luò)（GNN）具有自適應(yīng)結(jié)構(gòu)、動(dòng)態(tài)鄰域、構(gòu)建局部和全局上下文關(guān)系的能力以及對(duì)不規(guī)則采樣的魯棒性。Point-GNN是一項(xiàng)開創(chuàng)性的工作，設(shè)計(jì)了一個(gè)單階段圖神經(jīng)網(wǎng)絡(luò)，通過(guò)自動(dòng)注冊(cè)機(jī)制、合并和評(píng)分操作來(lái)預(yù)測(cè)對(duì)象的類別和形狀，展示了使用圖神經(jīng)網(wǎng)絡(luò)作為3D物體檢測(cè)新方法的潛力。

基于Transformer的方法

近年來(lái)，Transformer（Transformer）在點(diǎn)云分析中得到了探索，并在許多任務(wù)上表現(xiàn)出色。例如，Pointformer引入了局部和全局注意模塊來(lái)處理3D點(diǎn)云，局部Transformer模塊用于對(duì)局部區(qū)域中的點(diǎn)之間的交互進(jìn)行建模，而全局Transformer旨在學(xué)習(xí)場(chǎng)景級(jí)別的上下文感知表示。Group-free直接利用點(diǎn)云中的所有點(diǎn)來(lái)計(jì)算每個(gè)對(duì)象候選的特征，其中每個(gè)點(diǎn)的貢獻(xiàn)由自動(dòng)學(xué)習(xí)的注意模塊決定。這些方法展示了基于Transformer的方法在處理非結(jié)構(gòu)化和無(wú)序的原始點(diǎn)云方面的潛力。

3.3 ?Point-Voxel based 3D object detection

點(diǎn)云基礎(chǔ)的3D物體檢測(cè)方法提供高分辨率并保留了原始數(shù)據(jù)的空間結(jié)構(gòu)，但它們?cè)谔幚硐∈钄?shù)據(jù)時(shí)面臨高計(jì)算復(fù)雜性和低效率。相比之下，基于體素的方法提供了結(jié)構(gòu)化的數(shù)據(jù)表示，提高了計(jì)算效率，并促進(jìn)了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用。然而，由于離散化過(guò)程，它們通常會(huì)丟失細(xì)微的空間細(xì)節(jié)。為了解決這些問題，開發(fā)了點(diǎn)-體素（PV）基礎(chǔ)的方法。點(diǎn)-體素方法旨在利用基于點(diǎn)的方法的細(xì)粒度信息捕獲能力和基于體素的方法的計(jì)算效率。通過(guò)整合這些方法，點(diǎn)-體素基礎(chǔ)的方法能夠更詳細(xì)地處理點(diǎn)云數(shù)據(jù)，捕獲全局結(jié)構(gòu)和微觀幾何細(xì)節(jié)。這對(duì)于自動(dòng)駕駛中的安全感知至關(guān)重要，因?yàn)樽詣?dòng)駕駛系統(tǒng)的決策精度取決于高精度的檢測(cè)結(jié)果。

點(diǎn)-體素方法的關(guān)鍵目標(biāo)是通過(guò)點(diǎn)到體素或體素到點(diǎn)的轉(zhuǎn)換，實(shí)現(xiàn)體素和點(diǎn)之間的特征互動(dòng)。許多工作已經(jīng)探索了在骨干網(wǎng)絡(luò)中利用點(diǎn)-體素特征融合的思想。這些方法可分為兩類：1) 早期融合；2) 后期融合。

a)?早期融合：一些方法已經(jīng)探索了使用新的卷積運(yùn)算符來(lái)融合體素和點(diǎn)特征，PVCNN可能是這方向的首個(gè)工作。在這種方法中，基于體素的分支首先將點(diǎn)轉(zhuǎn)換為低分辨率的體素網(wǎng)格，并通過(guò)卷積聚合鄰近體素特征。然后，通過(guò)稱為去體素化的過(guò)程，將體素級(jí)特征轉(zhuǎn)換回點(diǎn)級(jí)特征，并與基于點(diǎn)的分支獲得的特征融合?；邳c(diǎn)的分支為每個(gè)單獨(dú)的點(diǎn)提取特征。由于它不聚合鄰近信息，該方法可以以更高的速度運(yùn)行。接著，SPVCNN在PVCNN的基礎(chǔ)上擴(kuò)展到物體檢測(cè)領(lǐng)域。其他方法試圖從不同的角度進(jìn)行改進(jìn)，如輔助任務(wù)或多尺度特征融合。

b)?后期融合：這一系列方法主要采用兩階段檢測(cè)框架。首先，使用基于體素的方法生成初步的物體提議。接著，利用點(diǎn)級(jí)特征對(duì)檢測(cè)框進(jìn)行精確劃分。Shi等人提出的PV-RCNN是點(diǎn)-體素基礎(chǔ)方法中的一個(gè)里程碑。它使用SECOND作為第一階段檢測(cè)器，并提出了帶有RoI網(wǎng)格池的第二階段精煉階段，用于關(guān)鍵點(diǎn)特征的融合。后續(xù)工作主要遵循上述范式，專注于第二階段檢測(cè)的進(jìn)展。值得注意的發(fā)展包括注意力機(jī)制、尺度感知池化和點(diǎn)密度感知精煉模塊。

點(diǎn)-體素基礎(chǔ)的方法同時(shí)具有基于體素方法的計(jì)算效率和基于點(diǎn)方法捕獲細(xì)粒度信息的能力。然而，構(gòu)建點(diǎn)到體素或體素到點(diǎn)的關(guān)系，以及體素和點(diǎn)的特征融合，會(huì)帶來(lái)額外的計(jì)算開銷。因此，與基于體素的方法相比，點(diǎn)-體素基礎(chǔ)

的方法可以實(shí)現(xiàn)更好的檢測(cè)精度，但代價(jià)是增加了推理時(shí)間。

4.多模態(tài)3D目標(biāo)檢測(cè)

4.1 Projection-based 3D object detection

基于投影的3D物體檢測(cè)方法在特征融合階段使用投影矩陣來(lái)實(shí)現(xiàn)點(diǎn)云和圖像特征的整合。這里的關(guān)鍵是關(guān)注在特征融合期間的投影，而不是融合階段的其他投影過(guò)程，如數(shù)據(jù)增強(qiáng)等。根據(jù)融合階段使用的不同類型的投影，可以將投影基礎(chǔ)的3D物體檢測(cè)方法進(jìn)一步細(xì)分為以下幾類：

1. 基于點(diǎn)投影的3D物體檢測(cè)：這類方法通過(guò)將圖像特征投影到原始點(diǎn)云上來(lái)增強(qiáng)原始點(diǎn)云數(shù)據(jù)的表示能力。這些方法的第一步是使用校準(zhǔn)矩陣建立激光雷達(dá)點(diǎn)和圖像像素之間的強(qiáng)相關(guān)性。接下來(lái)，通過(guò)添加額外數(shù)據(jù)來(lái)增強(qiáng)點(diǎn)云特征。這種增強(qiáng)有兩種形式：一種是通過(guò)合并分割分?jǐn)?shù)（如PointPainting），另一種是使用來(lái)自相關(guān)像素的CNN特征（如MVP）。PointPainting通過(guò)追加分割分?jǐn)?shù)來(lái)增強(qiáng)激光雷達(dá)點(diǎn)，但在有效捕獲圖像中的顏色和紋理細(xì)節(jié)方面存在局限性。為解決這些問題，開發(fā)了更復(fù)雜的方法，如FusionPainting。
2. 基于特征投影的3D物體檢測(cè)：與基于點(diǎn)投影的方法不同，這類方法主要關(guān)注在點(diǎn)云特征提取階段將點(diǎn)云特征與圖像特征融合。在這個(gè)過(guò)程中，通過(guò)應(yīng)用校準(zhǔn)矩陣將體素的三維坐標(biāo)系統(tǒng)轉(zhuǎn)換為圖像的像素坐標(biāo)系統(tǒng)，從而有效地融合點(diǎn)云和圖像模態(tài)。例如，ContFuse通過(guò)連續(xù)卷積融合多尺度卷積特征圖。
3. 自動(dòng)投影基礎(chǔ)的3D物體檢測(cè)：許多研究通過(guò)直接投影進(jìn)行融合，但沒有解決投影誤差問題。一些工作（如AutoAlignV2）通過(guò)學(xué)習(xí)偏移量和鄰域投影等方法來(lái)減輕這些誤差。例如，HMFI、GraphAlign和GraphAlign++利用投影校準(zhǔn)矩陣的先驗(yàn)知識(shí)進(jìn)行圖像投影，并進(jìn)行局部圖建模。
4. 基于決策投影的3D物體檢測(cè)：這類方法使用投影矩陣來(lái)對(duì)齊感興趣區(qū)域（RoI）或特定結(jié)果中的特征。例如，Graph-RCNN將圖節(jié)點(diǎn)投影到攝像機(jī)圖像中的位置，并通過(guò)雙線性插值收集攝像機(jī)圖像中該像素的特征向量。F-PointNet通過(guò)2D圖像檢測(cè)來(lái)確定物體的類別和定位，并通過(guò)校準(zhǔn)的傳感器參數(shù)和3D空間的轉(zhuǎn)換矩陣獲得相應(yīng)3D空間中的點(diǎn)云。

這些方法展示了如何在多模態(tài)3D物體檢測(cè)中使用投影技術(shù)來(lái)實(shí)現(xiàn)特征融合，但它們?cè)谔幚聿煌B(tài)間的交互和準(zhǔn)確性方面仍存在一定的局限性。

4.2 Non-Projection-based 3D object detection

非投影式三維物體檢測(cè)方法通過(guò)不依賴特征對(duì)齊來(lái)實(shí)現(xiàn)融合，從而產(chǎn)生穩(wěn)健的特征表示。它們規(guī)避了相機(jī)到激光雷達(dá)投影的局限性，這種投影通常會(huì)降低相機(jī)特征的語(yǔ)義密度，并影響如Focals Conv和PointPainting等技術(shù)的有效性。非投影式方法通常采用交叉注意力機(jī)制或構(gòu)建統(tǒng)一空間來(lái)解決直接特征投影中的固有不對(duì)齊問題。這些方法主要分為兩類：（1）基于query學(xué)習(xí)的方法和（2）基于統(tǒng)一特征的方法。基于query學(xué)習(xí)的方法完全避免了融合過(guò)程中的對(duì)齊需求。相反，基于統(tǒng)一特征的方法雖然構(gòu)建了統(tǒng)一的特征空間，但并沒有完全避免投影；它通常發(fā)生在單一模態(tài)背景下。例如，BEVFusion利用LSS進(jìn)行相機(jī)到BEV的投影。這個(gè)過(guò)程發(fā)生在融合之前，在特征不對(duì)齊的場(chǎng)景中顯示出相當(dāng)?shù)聂敯粜浴?/p>

1. 基于query學(xué)習(xí)的三維物體檢測(cè)：基于query學(xué)習(xí)的三維物體檢測(cè)方法，如Transfusion、DeepFusion、DeepInteraction、autoalign、CAT-Det、MixedFusion等，避免了特征融合過(guò)程中的投影需求。相反，它們通過(guò)交叉注意力機(jī)制在進(jìn)行特征融合之前實(shí)現(xiàn)特征對(duì)齊。點(diǎn)云特征通常作為query，而圖像特征作為鍵和值，通過(guò)全局特征query獲得高度魯棒的多模態(tài)特征。此外，DeepInteraction引入了多模態(tài)交互，其中點(diǎn)云和圖像特征作為不同的query來(lái)實(shí)現(xiàn)更進(jìn)一步的特征交互。與僅使用點(diǎn)云特征作為query相比，全面整合圖像特征導(dǎo)致了更強(qiáng)韌的多模態(tài)特征的獲得?？偟膩?lái)說(shuō)，基于query學(xué)習(xí)的三維物體檢測(cè)方法采用基于Transformer的結(jié)構(gòu)進(jìn)行特征query以實(shí)現(xiàn)特征對(duì)齊。最終，多模態(tài)特征被整合進(jìn)激光雷達(dá)基礎(chǔ)的流程中，如CenterPoint。
2. 基于統(tǒng)一特征的三維物體檢測(cè)：基于統(tǒng)一特征的三維物體檢測(cè)方法，如EA-BEV、BEVFusion、cai2023bevfusion4d、FocalFormer3D、FUTR3D、UniTR、Uni3D、virconv、MSMDFusion、sfd、cmt、UVTR、sparsefusion等，通常在特征融合前通過(guò)投影實(shí)現(xiàn)異構(gòu)模態(tài)的預(yù)融合統(tǒng)一。在BEV融合系列中，使用LSS進(jìn)行深度估計(jì)，前視特征被轉(zhuǎn)換為BEV特征，然后融合BEV圖像和BEV點(diǎn)云特征。另一方面，CMT和UniTR使用Transformer進(jìn)行點(diǎn)云和圖像的標(biāo)記化，通過(guò)Transformer編碼構(gòu)建隱式統(tǒng)一空間。CMT在位置編碼過(guò)程中使用投影，但在特征學(xué)習(xí)級(jí)別完全避免了對(duì)投影關(guān)系的依賴。FocalFormer3D、FUTR3D和UVTR利用Transformer的query實(shí)施類似于DETR3D的方案，通過(guò)query構(gòu)建統(tǒng)一的稀疏BEV特征空間，從而減輕了直接投影帶來(lái)的不穩(wěn)定性。

VirConv、MSMDFusion和SFD通過(guò)偽點(diǎn)云構(gòu)建統(tǒng)一空間，在特征學(xué)習(xí)之前發(fā)生投影。通過(guò)后續(xù)特征學(xué)習(xí)解決了直接投影引入的問題?？傊?，基于統(tǒng)一特征的三維物體檢測(cè)方法目前代表了高精度和強(qiáng)魯棒性的解決方案。盡管它們包含投影矩陣，但這種投影不發(fā)生在多模態(tài)融合之間，因此被視為非投影式三維物體檢測(cè)方法。與自動(dòng)投影式三維物體檢測(cè)方法不同，它們不直接解決投影誤差問題，而是選擇構(gòu)建統(tǒng)一空間，考慮多模態(tài)三維物體檢測(cè)的多個(gè)維度，從而獲得高度魯棒的多模態(tài)特征。

5. 結(jié)論

3D物體檢測(cè)在自動(dòng)駕駛感知中扮演著至關(guān)重要的角色。近年來(lái)，這個(gè)領(lǐng)域快速發(fā)展，產(chǎn)生了大量的研究論文。基于傳感器產(chǎn)生的多樣化數(shù)據(jù)形式，這些方法主要分為三種類型：基于圖像的、基于點(diǎn)云的和多模態(tài)的。這些方法的主要評(píng)估指標(biāo)是高準(zhǔn)確性和低延遲。許多綜述總結(jié)了這些方法，主要關(guān)注于`高準(zhǔn)確性和低延遲'的核心原則，描述它們的技術(shù)軌跡。

然而，在自動(dòng)駕駛技術(shù)從突破轉(zhuǎn)向?qū)嶋H應(yīng)用的過(guò)程中，現(xiàn)有的綜述沒有將安全感知作為核心關(guān)注點(diǎn)，未能涵蓋與安全感知相關(guān)的當(dāng)前技術(shù)路徑。例如，最近的多模態(tài)融合方法在實(shí)驗(yàn)階段通常會(huì)進(jìn)行魯棒性測(cè)試，這一方面在當(dāng)前的綜述中并未得到充分考慮。

因此，重新審視3D物體檢測(cè)算法，以`準(zhǔn)確性、延遲和魯棒性'為關(guān)鍵方面進(jìn)行重點(diǎn)關(guān)注。我們重新分類以前的綜述，特別強(qiáng)調(diào)從安全感知的角度進(jìn)行重新劃分。希望這項(xiàng)工作能為未來(lái)3D物體檢測(cè)的研究提供新的見解，超越僅僅探索高準(zhǔn)確性的局限。

以上是選擇相機(jī)還是激光雷達(dá)？實(shí)現(xiàn)魯棒的三維目標(biāo)檢測(cè)的最新綜述的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！