基于Transformer的相機(jī)-毫米波雷達(dá)融合3D目標(biāo)檢測方法

編者按

為了發(fā)展低成本全場景自動駕駛環(huán)境感知技術(shù)，針對毫米波雷達(dá)與視覺的融合感知技術(shù)的研究成為當(dāng)前熱點(diǎn)，然而毫米波雷達(dá)和視覺兩種模態(tài)各有優(yōu)缺點(diǎn)，如何充分利用兩種模態(tài)的信息提高3D目標(biāo)檢測的性能，成為業(yè)界的一個(gè)重要關(guān)注點(diǎn)。本文提出了一種利用Transformer實(shí)現(xiàn)相機(jī)-毫米波雷達(dá)融合3D目標(biāo)檢測，并在nuScenes 3D檢測基準(zhǔn)上實(shí)現(xiàn)了最先進(jìn)的性能，從而啟發(fā)我們研究基于Transformer的傳感器融合感知技術(shù)。

摘要

盡管雷達(dá)在汽車行業(yè)很受歡迎，但對于基于融合的3D目標(biāo)檢測，現(xiàn)有的工作大多集中在激光雷達(dá)和相機(jī)融合上。在本文中，我們提出了TransCAR，一種基于Tansformer的相機(jī)和雷達(dá)融合解決方案，用于3D目標(biāo)檢測。我們的TransCAR由兩個(gè)模塊組成。第一個(gè)模塊從環(huán)繞視圖相機(jī)圖像中學(xué)習(xí)2D特征，然后使用一組稀疏的3D對象查詢來索引到這些2D特征。然后，視覺更新的查詢通過transformer自我注意層相互交互。第二個(gè)模塊從多次雷達(dá)掃描中學(xué)習(xí)雷達(dá)特征，然后應(yīng)用transformer解碼器學(xué)習(xí)雷達(dá)特征與視覺更新查詢之間的交互；transformer解碼器內(nèi)部的交叉注意層可以自適應(yīng)學(xué)習(xí)雷達(dá)特征與視覺更新查詢之間的軟關(guān)聯(lián)，而不是只基于傳感器標(biāo)定的硬關(guān)聯(lián)。最后，我們的模型使用集對集的匈牙利損失估計(jì)每個(gè)查詢的邊界框，使該方法能夠避免非最大抑制。TransCAR利用無時(shí)間信息的雷達(dá)掃描提高了速度估計(jì)。我們的TransCAR再具有挑戰(zhàn)性的nuScenes數(shù)據(jù)集上的卓越實(shí)驗(yàn)結(jié)果表明，我們的TransCAR由于最先進(jìn)的基于相機(jī)-雷達(dá)融合的3D目標(biāo)檢測方法。

1 簡介

雷達(dá)以用于高級駕駛輔助系統(tǒng)(ADAS)多年。然而，盡管雷達(dá)在汽車行業(yè)中很流行，考慮到3D目標(biāo)檢測時(shí)，大多數(shù)工作集中在激光雷達(dá)[14,23,25,26,40 - 42,45]、相機(jī)[2,7,24,35]，和激光雷達(dá)-相機(jī)融合[6,11,12,15,16,21 - 23,37,38,43]。其中一個(gè)原因是，沒有那么多帶有3D邊界框注釋的開放數(shù)據(jù)集，其中包括雷達(dá)數(shù)據(jù)[3,5,9,29]。另一個(gè)原因是，與激光雷達(dá)點(diǎn)云相比，汽車?yán)走_(dá)信號更加稀疏并缺乏高度信息。這些屬性使得區(qū)分感興趣的對象和背景的回波變得很困難。然而，雷達(dá)與激光雷達(dá)相比有其優(yōu)勢：(1)雷達(dá)在惡劣天氣和光照條件下具有魯棒性；(2)雷達(dá)可以通過多普勒效應(yīng)精確測量目標(biāo)的徑向速度，而不需要多幀時(shí)間信息；(3)雷達(dá)的成本比激光雷達(dá)低得多。因此，我們認(rèn)為，通過雷達(dá)相機(jī)融合研究，有很大的潛力提高表現(xiàn)。 3D目標(biāo)檢測是自動駕駛和ADAS系統(tǒng)的關(guān)鍵。3D物體檢測的目標(biāo)是預(yù)測一組感興趣物體的3D邊界框和類別標(biāo)簽。由于汽車?yán)走_(dá)數(shù)據(jù)的稀疏性和高度信息的缺乏，僅從汽車?yán)走_(dá)數(shù)據(jù)中直接估計(jì)和分類3D邊界框具有一定的挑戰(zhàn)性。基于單目相機(jī)的3D探測器[2,7,19,24,35]可以對目標(biāo)進(jìn)行分類，準(zhǔn)確預(yù)測目標(biāo)的航向角和方位角。然而，深度估計(jì)中的誤差是顯著的，因?yàn)閺膯蝹€(gè)圖像回歸深度本質(zhì)上是一個(gè)不適定的逆問題。雷達(dá)可以提供精確的深度測量，而基于單目相機(jī)的解決方案不能。相機(jī)可以產(chǎn)生基于雷達(dá)的解決方案不能產(chǎn)生的分類和3D邊界框估計(jì)。因此，將雷達(dá)和相機(jī)相融合，以獲得更好的3D目標(biāo)檢測表現(xiàn)是一個(gè)自然的想法。

圖1:一個(gè)來自nuScenes[3]的例子，展示了TransCAR融合的工作原理。僅視覺檢測有顯著的距離誤差。我們的TransCAR融合可以學(xué)習(xí)基于視覺的查詢與相關(guān)雷達(dá)信號之間的交互，并預(yù)測改進(jìn)的檢測。通過查詢雷達(dá)注意屏蔽，不相關(guān)的雷達(dá)點(diǎn)不會被注意。 不同傳感器模態(tài)之間的數(shù)據(jù)關(guān)聯(lián)是傳感器融合技術(shù)面臨的主要挑戰(zhàn)?，F(xiàn)有的工作主要依靠多傳感器標(biāo)定來做像素級[31]、特征級[6,12,15,16,39]或檢測級[21,22]關(guān)聯(lián)。然而，這對雷達(dá)和相機(jī)關(guān)聯(lián)來說是一個(gè)挑戰(zhàn)。首先，雷達(dá)缺乏高度測量，使得雷達(dá)-相機(jī)投影在高度方向上包含了很大的不確定性。其次，雷達(dá)波束比典型的圖像像素寬得多，并且可以四處反射。這可能導(dǎo)致雷達(dá)可以看到一些命中，但攝像頭無法感知。第三，雷達(dá)測量數(shù)據(jù)稀疏且分辨率低。許多相機(jī)可見的物體并沒有被雷達(dá)擊中。由于這些原因，基于傳感器標(biāo)定的硬編碼數(shù)據(jù)關(guān)聯(lián)算法在雷達(dá)和相機(jī)融合中的表現(xiàn)較差。 具有深遠(yuǎn)影響的Transformer框架最初是作為自然語言處理(NLP)的革命性技術(shù)提出的[30]，隨后在計(jì)算機(jī)視覺應(yīng)用中顯示了其通用性，包括對象分類[8]和檢測[4,47]。Transformer內(nèi)部的自注意和交叉注意機(jī)制可以學(xué)習(xí)多個(gè)信息集之間的交互[1,4,30]。我們相信，這使得Transformer框架是一個(gè)可行的適合解決相機(jī)-雷達(dá)融合中的數(shù)據(jù)關(guān)聯(lián)。在本文中，我們提出了一種新的基于Transformer的雷達(dá)和相機(jī)融合網(wǎng)絡(luò)，稱為TransCAR，以解決上述問題。 我們的TransCAR首先使用DETR3D[35]生成基于圖像的對象查詢。然后，TransCAR從多次累積的雷達(dá)掃描中學(xué)習(xí)雷達(dá)特征，并應(yīng)用transformer解碼器學(xué)習(xí)雷達(dá)特征與視覺更新查詢之間的交互。Transformer解碼器內(nèi)部的交叉注意可以自適應(yīng)地學(xué)習(xí)雷達(dá)特征與視覺更新查詢之間的軟關(guān)聯(lián)，而不是只基于傳感器標(biāo)定的硬關(guān)聯(lián)。最后，我們的模型使用集對集匈牙利損失來預(yù)測每個(gè)查詢的邊界框。圖1說明了TransCAR的主要想法。我們還加入速度差異作為匈牙利二部匹配的指標(biāo)，因?yàn)槔走_(dá)可以提供精確的徑向速度測量。雖然我們的重點(diǎn)是融合多臺單目相機(jī)和雷達(dá)，但提出的TransCAR框架也適用于立體相機(jī)系統(tǒng)。我們使用具有挑戰(zhàn)性的nuScenes數(shù)據(jù)集[3]來演示我們的TransCAR。TransCAR的表現(xiàn)大大超過了所有其他先進(jìn)的(SOTA)基于相機(jī)雷達(dá)融合的方法。擬議的體系結(jié)構(gòu)提供了以下貢獻(xiàn): ?我們研究了雷達(dá)數(shù)據(jù)的特點(diǎn)，提出了一種新型的相機(jī)-雷達(dá)融合網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠自適應(yīng)地學(xué)習(xí)軟關(guān)聯(lián)，并在基于雷達(dá)-相機(jī)標(biāo)定的基礎(chǔ)上顯示出比硬關(guān)聯(lián)更好的3D檢測表現(xiàn)。 ?提出了查詢-雷達(dá)注意屏蔽，以協(xié)助交叉注意層，避免遠(yuǎn)處視覺查詢與雷達(dá)特征之間的不必要交互，并更好地學(xué)習(xí)關(guān)聯(lián)。 ?在不需要時(shí)間信息的情況下，TransCAR改進(jìn)了雷達(dá)的速度估計(jì)。 ?提交時(shí)，在nuScenes 3D檢測基準(zhǔn)上，TransCAR在已發(fā)表的基于相機(jī)-雷達(dá)融合的方法中排名第一。

圖2:TransCAR系統(tǒng)架構(gòu)。該系統(tǒng)主要由三個(gè)部分組成：(1)基于transformer解碼器的相機(jī)網(wǎng)絡(luò)(DETR3D[35])生成基于圖像的3D對象查詢。初始對象查詢是隨機(jī)生成的；(2)對雷達(dá)點(diǎn)位進(jìn)行編碼，提取雷達(dá)特征的雷達(dá)網(wǎng)絡(luò)；(3)基于三個(gè)transformer交叉注意解碼器的TransCAR融合模塊。我們提出使用transformer來學(xué)習(xí)雷達(dá)特征與視覺更新對象查詢之間的交互，以實(shí)現(xiàn)自適應(yīng)相機(jī)-雷達(dá)關(guān)聯(lián)。

2TransCAR

所提的TransCAR體系架構(gòu)圖如圖2所示。相機(jī)網(wǎng)絡(luò)首先利用環(huán)繞視圖圖像來生成視覺更新的對象查詢。雷達(dá)網(wǎng)絡(luò)對雷達(dá)點(diǎn)位進(jìn)行編碼并提取雷達(dá)特征。然后，TransCAR融合模塊將視覺更新的目標(biāo)查詢與有用的雷達(dá)特征融合。下面，我們將詳細(xì)介紹TransCAR中的各個(gè)模塊。

2.1

相機(jī)網(wǎng)絡(luò)

我們的攝像頭網(wǎng)絡(luò)將6個(gè)攝像頭采集的環(huán)繞主車360度的全景圖像和初始3D對象查詢作為輸入，并輸出一組在3D空間的視覺更新的3D對象查詢。我們將DETR3D[35]應(yīng)用于相機(jī)網(wǎng)絡(luò)，并遵循自上而下的迭代設(shè)計(jì)。它利用初始的3D查詢?yōu)?D特征建立索引，以細(xì)化3D查詢。輸出的3D視覺更新查詢是TransCAR融合模塊的輸入。2.1.1為什么從相機(jī)開始我們使用環(huán)繞視圖圖像生成用于融合的3D物體查詢。雷達(dá)不適合這項(xiàng)任務(wù)，因?yàn)樵S多感興趣的物體沒有雷達(dá)回波。這背后有兩個(gè)主要原因。首先，與相機(jī)和激光雷達(dá)相比，典型的汽車?yán)走_(dá)的垂直視場非常有限，而且它通常安裝在較低的位置。因此，任何位于雷達(dá)小垂直視場之外的物體都將被忽略。其次，與激光雷達(dá)不同，雷達(dá)波束更寬，方位角分辨率有限，因此很難探測到小型物體。根據(jù)我們在補(bǔ)充資料中的統(tǒng)計(jì)，在nuScenes訓(xùn)練集中，雷達(dá)有很高的漏檢率，特別是對于小目標(biāo)。對于道路上最常見的兩個(gè)類別——汽車和行人，雷達(dá)漏掉了36.05%的汽車和78.16%的行人。相機(jī)有更好的物體可視性。因此，我們首先利用圖像預(yù)測用于融合的3D物體的查詢。2.1.2 研究方法相機(jī)網(wǎng)絡(luò)使用ResNet-101[10]和特征金字塔網(wǎng)絡(luò)(FPN)[17]學(xué)習(xí)多尺度特征金字塔。這些多尺度特征圖為探測不同大小的目標(biāo)提供了豐富的信息。效仿[36,47]，我們的相機(jī)網(wǎng)絡(luò)(DETR3D[35])是迭代的。它有6個(gè)Transformer解碼器層來產(chǎn)生視覺更新的3D對象查詢；每一層都將前一層的輸出查詢作為輸入。下面解釋了每個(gè)層中的步驟。 對于第一解碼器層，一組N (對于nuScenes N = 900)個(gè)可學(xué)習(xí)3D對象查詢Q0= {Q01,Q02,…,q0N}∈RC在3D監(jiān)視區(qū)域內(nèi)隨機(jī)初始化。上標(biāo)0表示到第一層的輸入查詢，下標(biāo)是查詢的索引。網(wǎng)絡(luò)從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)這些3D查詢位置的分布。網(wǎng)絡(luò)從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)這些3D查詢位置的分布。對于下面的層，輸入查詢是來自上一層的輸出查詢。每個(gè)3D對象查詢編碼一個(gè)潛在對象的3D中心位置pi∈R3。通過雙線性插值，將這些3D中心點(diǎn)投影到基于相機(jī)內(nèi)外參數(shù)的圖像特征金字塔中以提取圖像特征。假設(shè)圖像特征金字塔中有k層，對于一個(gè)3D點(diǎn)pi，采樣后的圖像特征fi∈RC是所有k層采樣特征的總和，C為特征通道數(shù)。一個(gè)給定的3D中心點(diǎn)pi可能在任何相機(jī)圖像中都不可見。我們用零填充這些視點(diǎn)對應(yīng)的采樣圖像特征。 Transformer自注意層用于學(xué)習(xí)N個(gè)3D對象查詢之間的交互，并生成注意分?jǐn)?shù)。然后將對象查詢與通過注意力分?jǐn)?shù)加權(quán)的采樣的圖像特征相結(jié)合，形成更新后的對象查詢Ql= {ql1,ql2,…,qlN}∈RC，其中l(wèi)為當(dāng)前層。Ql是第(l + 1)層查詢的輸入集。 對于每個(gè)更新的對象查詢qli，使用兩個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測一個(gè)3D邊界框和一個(gè)類標(biāo)簽。邊界框編碼和丟失函數(shù)的細(xì)節(jié)在2.4節(jié)中描述。訓(xùn)練過程中，每一層后計(jì)算一次損失。在推理模式中，僅使用來自最后一層的視覺更新查詢輸出進(jìn)行融合。

2.2

雷達(dá)網(wǎng)絡(luò)

該雷達(dá)網(wǎng)絡(luò)的設(shè)計(jì)目的是學(xué)習(xí)有用的雷達(dá)特征，并對其3D位置進(jìn)行編碼以進(jìn)行融合。我們首先根據(jù)x和y距離對雷達(dá)點(diǎn)進(jìn)行過濾，因?yàn)橹挥性贐EV中+/?50米范圍內(nèi)的物體才會在nuScenes[3]中進(jìn)行評估。由于雷達(dá)是稀疏的，我們將前5幀的雷達(dá)積累起來，并將其轉(zhuǎn)換為當(dāng)前幀。nuScenes數(shù)據(jù)集為每個(gè)雷達(dá)點(diǎn)提供了18個(gè)通道，包括主車幀中的3D位置x, y, z，徑向速度vx和vy，主車運(yùn)動補(bǔ)償速度vxc和vyc，虛警概率pdh0，動態(tài)屬性通道dynProp指示群集是移動還是靜止，和其他狀態(tài)通道1。為了使?fàn)顟B(tài)通道對網(wǎng)絡(luò)具有學(xué)習(xí)的可行性，我們將狀態(tài)通道轉(zhuǎn)化為獨(dú)熱向量。由于我們使用了5個(gè)累積的幀，每個(gè)幀相對于當(dāng)前時(shí)間戳的時(shí)間偏移對于指示位置偏移是有用的，所以我們還為每個(gè)點(diǎn)添加了一個(gè)時(shí)間偏移通道。通過這些預(yù)處理操作，每個(gè)輸入雷達(dá)點(diǎn)有36個(gè)通道。 使用多層感知器(MLP)網(wǎng)絡(luò)學(xué)習(xí)雷達(dá)特征Fr∈RM×C和雷達(dá)點(diǎn)位置編碼Pr∈RM×C，其中M和C分別為雷達(dá)點(diǎn)數(shù)和特征通道數(shù)。在本文中，我們對nuScenes數(shù)據(jù)集設(shè)置M = 1500, C = 256。注意，即使在nuScenes數(shù)據(jù)集中累積，每個(gè)時(shí)間步長的雷達(dá)點(diǎn)也少于1500個(gè)。因此，為了尺寸兼容性，我們用超出范圍的位置和零特征填充空點(diǎn)。圖3顯示了雷達(dá)網(wǎng)絡(luò)的詳細(xì)信息。我們將學(xué)習(xí)到的特征和位置編碼結(jié)合起來，作為最終的雷達(dá)特征Fradar= (Fr+ Pr)∈RM×C。這些最終的雷達(dá)特征和相機(jī)網(wǎng)絡(luò)的視覺更新查詢將用于下一步的TransCAR融合。

圖3:雷達(dá)網(wǎng)絡(luò)細(xì)節(jié)。位置編碼網(wǎng)絡(luò)(左)以雷達(dá)點(diǎn)位置(xyz)作為輸入。預(yù)處理后的雷達(dá)數(shù)據(jù)(章節(jié)2.2)發(fā)送到雷達(dá)特征提取網(wǎng)絡(luò)(右側(cè))，學(xué)習(xí)有用的雷達(dá)特征。由于雷達(dá)信號非常稀疏，所以每個(gè)雷達(dá)點(diǎn)都是獨(dú)立處理的。方括號內(nèi)的數(shù)字表示數(shù)據(jù)的形狀。

2.3

TransCAR融合

TransCAR融合模塊將前一步的視覺更新查詢和雷達(dá)特征作為輸入，輸出融合查詢進(jìn)行3D邊界框預(yù)測。在TransCAR融合模塊中，三個(gè)Transformer解碼器以迭代方式工作。提出了查詢-雷達(dá)注意屏蔽，以幫助交叉注意層更好地學(xué)習(xí)視覺更新查詢與雷達(dá)特征之間的交互和關(guān)聯(lián)。2.3.1查詢-雷達(dá)注意屏蔽如果輸入查詢、鍵和值的數(shù)量都很大，那么訓(xùn)練一個(gè)transformer是很有挑戰(zhàn)性和耗時(shí)的[4,8]。對于我們的transformer解碼器，有N個(gè)3D對象查詢Q∈RN×C和M個(gè)雷達(dá)特性Frad∈RM×C作為鍵和值，其中對于nuScenes N = 900和M = 1500。不需要學(xué)習(xí)它們之間的每一個(gè)成對的交互(900 × 1500)。對于查詢qi∈Q，只有附近的雷達(dá)特征是有用的。沒有必要將qi與其他雷達(dá)特征進(jìn)行交互。因此，我們定義一個(gè)二進(jìn)制N×M 查詢-雷達(dá)注意屏蔽M∈{0,1}N×M，以防止對某些位置的注意，其中0表示不注意，1表示允許注意。只有當(dāng)?shù)趇個(gè)查詢qi與第j個(gè)雷達(dá)特征fj之間的xy歐氏距離小于閾值時(shí)，才允許注意M中的位置(i,j)。在TransCAR融合中，三個(gè)transformer解碼器對應(yīng)3個(gè)查詢-雷達(dá)注意屏蔽。這三種屏蔽的半徑分別為2m、2m和1m。2.3.2 transformer相機(jī)與雷達(dá)交叉注意在我們的TransCAR融合中，通過級聯(lián)3個(gè)transformer交叉注意解碼器來學(xué)習(xí)視覺更新查詢和雷達(dá)特征之間的關(guān)聯(lián)。圖4顯示了一個(gè)transformer交叉注意解碼器的詳細(xì)信息。對于初始解碼器，相機(jī)網(wǎng)絡(luò)輸出的視覺更新查詢Qimg∈RN×C為輸入查詢。Frad∈RM×C的雷達(dá)特性是輸入鍵和值。查詢-雷達(dá)注意屏蔽M1用于防止注意某些不必要的配對。解碼器內(nèi)的交叉注意層將輸出注意分?jǐn)?shù)矩陣A1∈[0,1]N×M。對于A1第i行中的M個(gè)元素，表示第i個(gè)視覺更新查詢與所有M個(gè)雷達(dá)特征之間的注意力得分，總和為1。注意，對于每個(gè)查詢，只允許注意與之接近的雷達(dá)特性，因此對于A1中的每一行，它們中的大多數(shù)都是0。這些注意力分?jǐn)?shù)是視覺更新查詢和雷達(dá)特性之間的關(guān)聯(lián)指示器。然后，用于視覺更新查詢的注意力加權(quán)雷達(dá)特征計(jì)算為F?rad1= (A1·Frad)∈RN×C。這些加權(quán)雷達(dá)特征與原始的視覺更新查詢相結(jié)合，然后通過前饋網(wǎng)絡(luò)(FFN) ΦFFN1進(jìn)行增強(qiáng)。這形成了初始階段的融合查詢:Qf1= ΦFFN1(Qimg+F?rad1)∈RN×C。

圖4:transformer相機(jī)-雷達(dá)解碼器層的細(xì)節(jié)。視覺更新的3D目標(biāo)Q是對多頭交叉注意模塊的Q。雷達(dá)的特性是K和V。詳見第2.3.2節(jié)。括號內(nèi)的數(shù)字表示數(shù)據(jù)的形狀。 中間和最后的transformer解碼器的工作原理與最初的解碼器相似。但是它們使用之前的融合查詢Qf1而不是視覺更新查詢作為輸入。以中間查詢?yōu)槔?，新的查?雷達(dá)注意屏蔽M2是根據(jù)Qf1和雷達(dá)點(diǎn)位置之間的距離計(jì)算的。當(dāng)查詢位置在初始解碼器中更新時(shí)，我們還使用Qf1中的編碼過的查詢位置重新采樣圖像特征ff2。與初始解碼器類似，Qf1的注意力加權(quán)雷達(dá)特征被定義為F?rad2= (A2·Frad)∈RN×C，其中A2包括初始階段融合查詢Qf1和雷達(dá)特征Frad的注意力分?jǐn)?shù)。輸出融合查詢是通過Qf2= ΦFFN2(Qf1+ F?rad2+ ff2)∈RN×C學(xué)習(xí)的。在兩個(gè)解碼器之后，我們使用兩組FFN進(jìn)行邊界框預(yù)測。我們在訓(xùn)練過程中計(jì)算兩個(gè)解碼器的損耗，在推理過程中只使用最后一個(gè)解碼器的邊界框輸出。由于能見度的限制，一些查詢可能沒有附近的雷達(dá)信號。我們在訓(xùn)練過程中計(jì)算兩個(gè)解碼器的損耗，在推理過程中只使用最后一個(gè)解碼器的邊界框輸出。 由于能見度的限制，一些查詢可能沒有附近的雷達(dá)信號。這些查詢不會與任何雷達(dá)信號交互，它們的注意力分?jǐn)?shù)都是0。來自這些查詢的檢測將只基于視覺。

2.4

框編碼和損失函數(shù)

框編碼：我們將一個(gè)3D邊界框b3D編碼為一個(gè)11位向量:

其中cls = {c1,…,cn}為類標(biāo)號，x、y、z為3D中心位置，h、w、l為3D維度，θ為航向角，vx、vy為沿x、y軸的速度。對于每個(gè)輸出對象查詢q，網(wǎng)絡(luò)預(yù)測它的類分?jǐn)?shù)c∈[0,1]n(n為類數(shù)，對于nuScenes n = 10)和3D邊界框參數(shù)b∈R10:

其中?x，?y和?z是預(yù)測和上一層查詢位置之間的偏移量。與DETR3D估算Sigmoid空間[35]中的位置偏移不同，我們直接回歸3D笛卡爾坐標(biāo)中的位置偏移。DETR3D使用Sigmoid空間，因?yàn)樗麄兿Ｍ麑⑽恢幂敵霰３衷赱0,1]之間，所以所有的查詢位置都在距離邊界內(nèi)。而對于TransCAR，我們從優(yōu)化的視覺更新查詢開始，其位置相對更準(zhǔn)確。因此，我們可以避免可能會影響學(xué)習(xí)的冗余的非線性激活。損失：我們使用集對集匈牙利損失來指導(dǎo)訓(xùn)練，并測量網(wǎng)絡(luò)預(yù)測與以下事實(shí)之間的差異[4,28,35]。損失函數(shù)中有兩個(gè)部分，一個(gè)用于分類，另一個(gè)用于邊界框回歸。我們將焦點(diǎn)損失[18]用于分類以解決類的不平衡，并將L1損失用于邊界框回歸。假設(shè)N和K表示同一幀中預(yù)測和基本事實(shí)的個(gè)數(shù)，由于N明顯大于K，我們將φ(無對象)填充基本事實(shí)集合。效仿[4,28,35]，我們使用匈牙利算法[13]來解決預(yù)測和基本事實(shí)之間的二部匹配問題：

式中，Θ為排列集合，p?σ(i)(ci)為排列指數(shù)為σ(i)的ci類概率，Lbox為邊界框的L1差值，bi和b?σ(i)分別為基本事實(shí)框和預(yù)測框。這里，請注意，我們還將速度估計(jì)vx和vy合并到Lbox中，以便更好地匹配和估計(jì)速度。采用最優(yōu)排列σ?，最終匈牙利損失可表示為:

其中α和γ是焦點(diǎn)損失的參數(shù)。

3 實(shí)驗(yàn)結(jié)果

我們在具有挑戰(zhàn)性的nuScenes 3D檢測基準(zhǔn)[3]上評估了我們的TransCAR，因?yàn)樗俏ㄒ话走_(dá)的開放大規(guī)模標(biāo)注數(shù)據(jù)集。

3.1

數(shù)據(jù)集

在nuScenes數(shù)據(jù)收集車輛上安裝有6臺相機(jī)、5臺雷達(dá)和1臺激光雷達(dá)。nuScenes 3D檢測數(shù)據(jù)集包含1000個(gè)20秒的駕駛片段(場景)，其中訓(xùn)練片段700個(gè)，驗(yàn)證片段150個(gè)，測試片段150個(gè)。標(biāo)注率為2Hz，因此分別有28k、6k和6k標(biāo)注幀用于訓(xùn)練、驗(yàn)證和測試。有10類對象。真陽指標(biāo)是基于BEV中心距離的。

3.2

評價(jià)結(jié)果

我們在表1中展示了nuScenes測試集的3D檢測結(jié)果。我們的TransCAR在提交時(shí)優(yōu)于所有其他的相機(jī)雷達(dá)融合方法。與基線僅相機(jī)方法相比，DETR3D[35]、TransCAR具有更高的mAP和NDS (nuScenes Detection Score[3])。注意，DETR3D是用CBGS[46]訓(xùn)練的，而TransCAR不是。從表1中可以看出，在10個(gè)等級中，汽車等級提升幅度最大(+2.4%)。汽車和行人是駕駛場景的主要興趣對象。在nuScenes數(shù)據(jù)集中，轎車類在訓(xùn)練集中所占比例最高，占總實(shí)例的43.74%，其中63.95%的汽車實(shí)例被雷達(dá)命中。因此，這些汽車實(shí)例為我們的TransCAR學(xué)習(xí)融合提供了足夠的訓(xùn)練實(shí)例。行人類在訓(xùn)練集中所占比例第二高，占總實(shí)例數(shù)的19.67%，但雷達(dá)返回僅占21.84%。TransCAR仍可將行人mAP提高1.2%。這說明，對于有雷達(dá)命中的目標(biāo)，TransCAR可以利用雷達(dá)命中來提高檢測表現(xiàn)，對于無雷達(dá)命中的目標(biāo)，TransCAR可以保持基線表現(xiàn)。 表1:nuScenes測試集與SOTA方法的定量比較。在‘Sensor’欄中，‘C’、‘L’和‘CR’分別代表相機(jī)、激光雷達(dá)和相機(jī)-雷達(dá)融合?！瓹.V.’, ‘Ped’, ‘Motor’和‘T.C’分別是工程車輛、行人、摩托車和交通錐的縮寫。TransCAR是目前最好的基于相機(jī)雷達(dá)融合的方法，擁有最高的NDS和mAP，甚至優(yōu)于早期發(fā)布的基于激光雷達(dá)的方法。表現(xiàn)最好的用粗體突出顯示，排除了僅使用激光雷達(dá)的解決方案。

表2為轎車類的基線DETR3D[35] 與不同中心距離評價(jià)指標(biāo)的定量比較。在nuScenes數(shù)據(jù)集中，真陽指標(biāo)基于中心距離，即真陽指標(biāo)與基本真實(shí)值之間的中心距離應(yīng)小于閾值。nuScenes定義了從0.5米到4.0米的四個(gè)距離閾值。如表2所示，TransCAR針對所有4個(gè)指標(biāo)改進(jìn)了AP。特別是對于更加嚴(yán)格和重要的指標(biāo)0.5和1.0米閾值，改進(jìn)分別為5.84%和6.19%。 表2:在nuScenes驗(yàn)證集上，不同中心距離評價(jià)指標(biāo)的轎車類與基線DETR3D的平均精度(AP)比較。我們的TransCAR在所有評估指標(biāo)上都大大提高了AP。

3.3

定性結(jié)果

圖5顯示了在nuScenes數(shù)據(jù)集[3]上，TransCAR與基線DETR3D[35]之間的定性比較。藍(lán)色和紅色的框分別是來自TransCAR和DETR3D的預(yù)測，綠色填充的矩形是基本事實(shí)。較大的暗點(diǎn)為雷達(dá)點(diǎn)，較小的色點(diǎn)為激光雷達(dá)參考點(diǎn)(黃色至綠色表示距離的增加)。左列的橢圓區(qū)域突出了TransCAR所做的改進(jìn)，圖像上的橙色框突出了自上向下視圖中相應(yīng)的橢圓區(qū)域。TransCAR融合了基線DETR3D的檢測結(jié)果，顯著改善了3D邊界框估計(jì)。

圖5:在nuScenes數(shù)據(jù)集[3]上，TransCAR與基線DETR3D的定性比較。藍(lán)色和紅色的框分別是來自TransCAR和DETR3D的預(yù)測，綠色填充的矩形是基本事實(shí)。較大的暗點(diǎn)為雷達(dá)點(diǎn)，較小的色點(diǎn)為激光雷達(dá)參考點(diǎn)(黃色至綠色表示距離的增加)。左列的橢圓區(qū)域突出了TransCAR所做的改進(jìn)，圖像上的橙色框突出了自上向下視圖中相應(yīng)的橢圓區(qū)域。包含放大和彩色的最佳視角。

3.4

消融與分析

由于篇幅限制，我們在本節(jié)展示了部分消融研究，更多的消融研究在補(bǔ)充材料中顯示。各組件的貢獻(xiàn)：我們評估每個(gè)組件在我們的TransCAR網(wǎng)絡(luò)中的貢獻(xiàn)。nuScenes驗(yàn)證集的消融研究結(jié)果如表3所示。僅限視覺的基線是DETR3D[35]。徑向速度是雷達(dá)可以提供的唯一測量結(jié)果之一；雖然它不是真實(shí)的速度，但它仍然可以引導(dǎo)網(wǎng)絡(luò)在沒有時(shí)間信息的情況下預(yù)測物體的速度。如表3第二行所示，在沒有雷達(dá)徑向速度時(shí)，網(wǎng)絡(luò)只能利用雷達(dá)點(diǎn)的位置進(jìn)行融合，且mAVE (m/s)顯著較高(0.906 vs. 0.523)。查詢雷達(dá)注意屏蔽可以根據(jù)查詢和雷達(dá)特征之間的距離來防止對它們的注意。如果沒有它，每個(gè)查詢都必須與場景中的所有雷達(dá)特征(在我們的工作中是1500)交互。 表3:TransCAR組件在nuScenes 驗(yàn)證集上的消融。

迭代改進(jìn)：在TransCAR中有三個(gè)迭代工作的transformer交叉注意解碼器。我們研究了迭代設(shè)計(jì)在TransCAR融合中的有效性，結(jié)果如表4所示。從表4的定量結(jié)果可以看出，TransCAR融合中的迭代細(xì)化可以提高檢測表現(xiàn)，有利于充分利用我們提出的融合架構(gòu)。 表4:對不同數(shù)量transformer解碼器在TransCAR中檢測結(jié)果的評價(jià)。

不同距離范圍的表現(xiàn)：表5和表6顯示了不同距離范圍下nuScenes數(shù)據(jù)集的檢測表現(xiàn)，表5顯示了10個(gè)類的平均結(jié)果，表6僅為轎車類。這兩個(gè)表的結(jié)果表明，僅視覺基線法(DETR3D)和我們的TransCAR在較短的距離中表現(xiàn)更好。在20~40米范圍內(nèi)，TransCAR的改進(jìn)更為顯著。這主要是因?yàn)閷τ?0米以內(nèi)的目標(biāo)，位置誤差較小，利用雷達(dá)進(jìn)行改進(jìn)的空間有限。對于超過40米的物體，該基線的表現(xiàn)很差，因此TransCAR只能提供有限的改進(jìn)。請注意，表5中所有10個(gè)類的平均精度(mAP)和相應(yīng)的改進(jìn)比表6中轎車類的要小。這主要有兩個(gè)原因。首先，mAP是所有類ap的均值，在nuScenes數(shù)據(jù)集中，雷達(dá)傳感器對于小型目標(biāo)類(行人、自行車、交通錐等)有較高的失誤率。例如，78.16%的行人和63.74%的騎自行車的人沒有雷達(dá)信號。因此，與大型對象(汽車、公共汽車等)相比，這些類的表現(xiàn)更差。因此，對于這類目標(biāo)，TransCAR所帶來的改進(jìn)是有限的，對于有雷達(dá)回波的目標(biāo)類，TransCAR可以利用雷達(dá)信號來提高檢測表現(xiàn)，對于無雷達(dá)回波的目標(biāo)類，TransCAR只能保持基線表現(xiàn)。其次，nuScenes數(shù)據(jù)集存在明顯的類失衡現(xiàn)象，轎車類占訓(xùn)練實(shí)例的43.74%，而其他類如自行車和摩托車僅占1.00%和1.07%。這些稀少的類的訓(xùn)練例子是不夠的。對于主要的轎車類，也是駕駛場景中最常見的對象，TransCAR可以大幅度提高檢測表現(xiàn)和速度估計(jì)(表6)。 表5:nuScenes驗(yàn)證集上所有不同距離范圍的平均精度(mAP, %)、nuScenes檢測分?jǐn)?shù)(NDS)和平均速度誤差(AVE, m/s)。我們的TransCAR在所有距離范圍內(nèi)都優(yōu)于基線(DETR3D)。

表6:nuScenes驗(yàn)證集上不同距離范圍的轎車類的平均精度(AP, %)和平均速度誤差(AVE, m/s)。給出了雷達(dá)傳感器在不同距離下的漏檢率。被雷達(dá)錯(cuò)過的轎車被定義為沒有雷達(dá)回波的轎車。我們的TransCAR改進(jìn)了AP，并在所有距離范圍內(nèi)大大降低了速度估計(jì)誤差。

不同的天氣和光照條件：與相機(jī)相比，雷達(dá)在不同的天氣和光照條件下魯棒性更強(qiáng)。我們對雨天和夜間的檢測表現(xiàn)進(jìn)行了評估，結(jié)果如表7和表8所示。注意nuScenes不為每個(gè)帶注釋的幀提供天氣標(biāo)簽，天氣信息在場景描述部分提供(場景是一個(gè)20秒的數(shù)據(jù)段[3])。在人工檢查了一些帶注解的幀后，我們發(fā)現(xiàn)“雨”下的幀并不是在下雨的時(shí)候捕獲的，有些是在下雨之前或之后采集的。然而，與在晴天采集的圖像相比，這些圖像的質(zhì)量較低。因此，它們適合于我們的評價(jià)實(shí)驗(yàn)。 表7顯示了轎車類在下雨和無雨場景下的AP和AVE。與無雨場景相比，在下雨場景中，TransCAR有更高的AP改善(+5.1% vs. +3.6%)。下雨場景的AVE小于無雨場景;這是因?yàn)橛陰嬖谄睿@些雨場景中的車輛更接近主車，更容易被檢測到。 表8為夜間和白天場景的檢測表現(xiàn)比較。夜間光照條件差，基線法的表現(xiàn)不如白天(AP為52.2% vs.54.8%，AVE為1.691m/s vs.0.866m/s)， TransCAR可以利用雷達(dá)數(shù)據(jù)提高AP 6.9%， 降低AVE 1.012m/s。雖然夜間場景有限(15個(gè)場景，602幀)，但該結(jié)果仍然可以證明TransCAR在夜間場景中的有效性。 表7:在nuScenes驗(yàn)證集上，轎車類在下雨和無雨場景下的平均精度(AP)和平均速度誤差(AVE, m/s)的比較。nuScenes驗(yàn)證集中6019幀(150個(gè)場景)中有1088幀(27個(gè)場景)被標(biāo)注為下雨。在下雨條件下，TransCAR能夠顯著提高探測表現(xiàn)，降低速度估計(jì)誤差。

表8:轎車類在nuScenes驗(yàn)證集的夜間和白天場景的平均精度(AP)和平均速度誤差(AVE, m/s)的比較。夜間采集nuScenes驗(yàn)證集6019幀中的602幀。TransCAR可以利用雷達(dá)數(shù)據(jù)顯著提高表現(xiàn)，降低夜間相機(jī)受到影響時(shí)的速度估計(jì)誤差。

4補(bǔ)充材料

4.1

雷達(dá)和激光雷達(dá)漏檢率的比較

與激光雷達(dá)相比，雷達(dá)具有更高的漏檢率。主要有兩個(gè)原因:第一，與激光雷達(dá)相比，汽車?yán)走_(dá)的視野非常有限。并且雷達(dá)通常安裝在較低的位置。因此，任何位于雷達(dá)小垂直視場之外的物體都將被忽略。其次，雷達(dá)波束較寬，方位角分辨率有限，難以探測到小型目標(biāo)。nuScenes訓(xùn)練集的LiDAR和radar失誤率統(tǒng)計(jì)如表9所示。我們計(jì)算了不同類別的物體數(shù)量，雷達(dá)或激光雷達(dá)漏檢的物體數(shù)量以及相應(yīng)的漏檢率。雷達(dá)有很高的漏檢率，特別是對小目標(biāo)。對于道路上最常見的兩個(gè)類別——汽車和行人，雷達(dá)漏掉了36.05%的汽車和78.16%的行人。 請注意，我們不是在批評雷達(dá)。表9顯示了在目標(biāo)探測任務(wù)中使用雷達(dá)所面臨的挑戰(zhàn)。了解雷達(dá)測量的性質(zhì)有助于我們設(shè)計(jì)合理的融合系統(tǒng)。正如在主論文中討論的，基于這些統(tǒng)計(jì)數(shù)據(jù)，我們得出結(jié)論，雷達(dá)，配置在nuScenes車輛上，不適合用于生成3D查詢。 表9:nuScenes訓(xùn)練集中，主車50米范圍內(nèi)不同類別對象的統(tǒng)計(jì)。* ‘C.V.’, ‘Ped’,‘Motor’ 和‘T.C’分別代表工程車輛、行人、摩托車及交通錐。被雷達(dá)或激光雷達(dá)錯(cuò)過的目標(biāo)被定義為該目標(biāo)沒有命中/回波。雷達(dá)漏掉了更多的目標(biāo)。對于自動駕駛應(yīng)用中最常見的兩個(gè)類別，汽車和行人，雷達(dá)忽略了36.05%的汽車和78.16%的行人。雖然nuScenes沒有提供圖像中物體的詳細(xì)可見性，但我們相信它比雷達(dá)高得多。因此，我們使用相機(jī)而不是雷達(dá)來生成3D目標(biāo)查詢進(jìn)行融合。

*在“傳感器”一欄中，C表示僅攝相機(jī)。L代表只使用激光雷達(dá), CR代表基于相機(jī)和雷達(dá)融合的方法。 我們注意到，盡管雷達(dá)傳感器有這些物理限制，但我們的結(jié)果表明，與雷達(dá)融合可以顯著改善僅對圖像的檢測。這開啟了以不同方式配置雷達(dá)的可能性，例如在車頂上，以減少漏檢率，并可能進(jìn)一步提高融合表現(xiàn)。

4.2

二級評價(jià)指標(biāo)的更多結(jié)果

為了完整起見，我們展示了表10，以顯示nuScenes測試集上的其他二級評價(jià)指標(biāo)與其他SOTA方法的比較。在與雷達(dá)融合后，與其他方法相比，我們的TransCAR在所有二級評價(jià)指標(biāo)上都具有更好或相同水平的表現(xiàn)。特別是在雷達(dá)信號融合的情況下，TransCAR在速度估計(jì)方面有很大的優(yōu)勢。與基線(DETR3D)相比，TransCAR提高了所有評估指標(biāo)的表現(xiàn)。 表10:nuScenes測試集上nuScenes數(shù)據(jù)集定義的其他二級評價(jià)指標(biāo)與其他SOTA方法的比較。排除激光雷達(dá)唯一的解決方案，最好的表現(xiàn)突出在粗體。

4.3

更多消融研究

用于融合的雷達(dá)幀數(shù)：由于雷達(dá)點(diǎn)云稀疏，我們累積了多個(gè)具有自車運(yùn)動補(bǔ)償?shù)睦走_(dá)幀進(jìn)行融合。我們評估了累積不同雷達(dá)幀數(shù)的影響，結(jié)果如表11和表12所示。表11顯示了nuScenes驗(yàn)證集中所有10個(gè)類的評估結(jié)果，表12是僅針對轎車類的結(jié)果。累積5幀雷達(dá)整體效果最好，累積10幀時(shí)速度誤差mAVE略低。積累更多的雷達(dá)幀可以提供更密集的雷達(dá)點(diǎn)云進(jìn)行融合，但同時(shí)也會包含更多的噪聲點(diǎn)。此外，對于快速移動的物體，積累更多的雷達(dá)幀會產(chǎn)生更長的“軌跡”，因?yàn)樵谶@個(gè)階段物體的運(yùn)動無法得到補(bǔ)償。這可能會潛在地?fù)p害邊界框位置估計(jì)。 表11:累積不同雷達(dá)幀數(shù)進(jìn)行融合的各類檢測結(jié)果評價(jià)。

表12:累積不同雷達(dá)幀數(shù)進(jìn)行融合的車輛檢測結(jié)果評價(jià)。

注意屏蔽半徑：在我們的TransCAR融合系統(tǒng)中，我們將圓形注意屏蔽應(yīng)用于transformer解碼器。對于每個(gè)transformer解碼器，圓形注意屏蔽的半徑可以不同。我們在nuScenes驗(yàn)證集上測試了不同的圓注意屏蔽半徑組合，結(jié)果如表13所示。如表13所示，所有半徑配置都能顯著提高3D檢測表現(xiàn)。大的和小的注意屏蔽之間存在一種權(quán)衡。大的注意屏蔽可以增加合并正確的雷達(dá)特征的概率，特別是對于大的物體，但包含噪聲和附近其他物體的雷達(dá)特征的可能性也更高。對于小的注意屏蔽，我們更確定所包含的雷達(dá)特征是好的，但我們更有可能錯(cuò)過正確的雷達(dá)特征。由表13可知，(2m, 2m, 1m)的綜合表現(xiàn)最好。開始時(shí)較大的半徑提供了較高的探測機(jī)會，以捕獲正確的雷達(dá)特征。最后半徑越小，估計(jì)結(jié)果越精確。 表13:在我們的TransCAR中，每個(gè)transformer解碼器的不同注意屏蔽半徑的比較。

5結(jié)論

在本文中，我們提出了一種基于transformer的高效、魯棒的相機(jī)與雷達(dá)3D檢測框架TransCAR，它可以學(xué)習(xí)雷達(dá)特征與視覺查詢之間的軟關(guān)聯(lián)，而不是基于傳感器標(biāo)定的硬關(guān)聯(lián)。相關(guān)的雷達(dá)特性提高了距離和速度估計(jì)。相關(guān)的雷達(dá)特性改善了距離和速度估計(jì)。我們的TransCAR在具有挑戰(zhàn)性的nuScenes探測基準(zhǔn)上成為了最先進(jìn)的相機(jī)-雷達(dá)探測方法。我們希望我們的工作可以啟發(fā)雷達(dá)相機(jī)融合的進(jìn)一步研究，并激勵使用transformer進(jìn)行傳感器融合。