深度解析自動(dòng)駕駛中的BEV和SLAM技術(shù)

Birds-Eyes-View（BEV）：鳥(niǎo)瞰圖，這個(gè)詞本身沒(méi)什么特別意義，但在自動(dòng)駕駛（Autonomous Driving，簡(jiǎn)稱(chēng)AD）領(lǐng)域逐漸普及后變成了這個(gè)行業(yè)內(nèi)的一種術(shù)語(yǔ)。

Simultaneous Localization and Mapping（SLAM）：并發(fā)定位與地圖測(cè)繪，相對(duì)于BEV的另外一種感知技術(shù)。

Perception：感知，SLAM和BEV在AD領(lǐng)域里都是協(xié)助控制系統(tǒng)了解車(chē)輛周?chē)鸂顩r的感知技術(shù)：知道自己在哪，有哪些障礙物，障礙物在自己的什么方位，距離多遠(yuǎn)，哪些障礙物是靜態(tài)的那些是移動(dòng)的，等等相關(guān)信息，便于隨后做出駕駛決策。

SLAM VS BEV：SLAM主要通過(guò)各種傳感器掃描周?chē)臻g的物體結(jié)構(gòu)，以3維數(shù)據(jù)來(lái)描述這些信息。BEV同樣通過(guò)傳感器掃描獲知周邊狀況，主要以2維數(shù)據(jù)來(lái)描述這些信息。從應(yīng)用范圍來(lái)講，目前SLAM更為廣闊，在AD火起來(lái)之前主要應(yīng)用在VR/AR等領(lǐng)域，BEV主要集中在AD行業(yè)里。從技術(shù)實(shí)現(xiàn)來(lái)看，SLAM偏向于傳統(tǒng)數(shù)學(xué)工具，包括各種幾何/概率論/圖論/群論相關(guān)的軟件包，而B(niǎo)EV基本上清一色的基于深度神經(jīng)網(wǎng)絡(luò)DNN。兩者最好不要對(duì)立著看，很多情況下可以互補(bǔ)。

以下將側(cè)重于BEV的基礎(chǔ)介紹。

SLAM和BEV最基礎(chǔ)和核心的傳感器就是相機(jī)（Camera），所以兩者在計(jì)算過(guò)程中有大量的算力都被消耗在了圖像中信息提取/識(shí)別和變換計(jì)算。SLAM傾向于識(shí)別圖像中的特征（Feature）點(diǎn)，屬于特征信息里的低級(jí)信息，通過(guò)計(jì)算這些特征點(diǎn)在不同圖像幀上的位置來(lái)獲取場(chǎng)景結(jié)構(gòu)以及相機(jī)自身的位姿（Position and Pose）。而B(niǎo)EV傾向于識(shí)別車(chē)輛/道路/行人/障礙物等等高級(jí)特征信息，這些是卷積網(wǎng)CNN和Transformer擅長(zhǎng)的。

相機(jī)有兩個(gè)最基礎(chǔ)的數(shù)據(jù)：內(nèi)參(Instrinsics)和外參(Extrinsics)，內(nèi)參主要描述的是相機(jī)的CCD/CMOS感光片尺寸/分辨率以及光學(xué)鏡頭的系數(shù)，外參主要描述的是相機(jī)在世界坐標(biāo)系下的擺放位置和朝向角度。

其中內(nèi)參的常見(jiàn)矩陣是：

其中fx和fy分別表示光學(xué)鏡頭的橫向/縱向焦距長(zhǎng)度（Focus），正常情況下焦距是不分橫縱向的，但因?yàn)镃CD/CMOS感光片上的像素單元不夠正，如果這個(gè)像素是絕對(duì)的正方形，那么fx = fy，實(shí)際上很難做到，有微小的差異，導(dǎo)致光線經(jīng)過(guò)鏡頭投射到感光片上后，橫縱坐標(biāo)在單位距離上出現(xiàn)不等距的問(wèn)題，所以相機(jī)模塊的廠家會(huì)測(cè)量這個(gè)差異并給出fx和fy來(lái)，當(dāng)然開(kāi)發(fā)者也可以利用標(biāo)定(calibration）過(guò)程來(lái)測(cè)量這兩個(gè)值。

圖1

圖2

另外，在傳統(tǒng)的光學(xué)領(lǐng)域里，fx和fy的默認(rèn)單位是毫米:mm，但在這個(gè)領(lǐng)域默認(rèn)單位是像素：Pixel，導(dǎo)致很多有攝影經(jīng)驗(yàn)的人看到fx和fy的值都挺納悶，特別大，動(dòng)不動(dòng)就是大幾千，這數(shù)值都遠(yuǎn)超業(yè)余天文望遠(yuǎn)鏡了。為什么這里用像素？我們?cè)囍ㄟ^(guò)內(nèi)參計(jì)算一下相機(jī)的FOV（Field of View，視場(chǎng)大小，通常以角度為單位）就明白了：

圖3

這里fy是縱向焦距，h是照片高度。因?yàn)閔的單位是像素，所以fy也必須是像素，這樣才好便于計(jì)算機(jī)處理，所以fx和fy的單位就統(tǒng)一成了像素。其實(shí)都不用到計(jì)算機(jī)這步，CCD/CMOS感光片一般是要集成另外一塊芯片ISP(Image Signal Processor)的，這塊芯片內(nèi)部就要把感光數(shù)據(jù)轉(zhuǎn)成數(shù)字化的圖片，這里就可以用像素單位了。

內(nèi)參除了這個(gè)矩陣外還有一套畸變（Distortion）系數(shù)K，這個(gè)東西不詳細(xì)說(shuō)了，正常的鏡頭成像后都是居中位置的變形小，四周變形大，一般通過(guò)標(biāo)定(Calibration）獲得這個(gè)參數(shù)后，對(duì)照片做反畸變處理，恢復(fù)出一個(gè)相對(duì)“正常”的照片。SLAM算法里很強(qiáng)調(diào)這個(gè)反畸變的重要性，因?yàn)樘卣鼽c(diǎn)在照片上的絕對(duì)位置直接關(guān)系到了定位和建圖的準(zhǔn)確性，而大部分的BEV代碼里看不到這個(gè)反畸變處理，一方面是BEV注重物體級(jí)別的高級(jí)特征，像素級(jí)別的輕微偏移影響不大，另一方面是很多BEV項(xiàng)目都是為了寫(xiě)論文，采用了類(lèi)似nuScenes/Argoverse這類(lèi)訓(xùn)練數(shù)據(jù)，這些數(shù)據(jù)的畸變比較小而已，一旦你在自己的項(xiàng)目里用了奇怪的鏡頭還是老老實(shí)實(shí)得做反畸變預(yù)處理。

圖4

外參就簡(jiǎn)單多了，一個(gè)偏移（Transform）系數(shù)加一個(gè)旋轉(zhuǎn)（Rotation）系數(shù)。

3維空間里表述旋轉(zhuǎn)的計(jì)算方式常見(jiàn)的有2種：矩陣(Matrix)和四元數(shù)（Quaternion），為了防止矩陣方式存在萬(wàn)向節(jié)死鎖（Gimbal Lock）問(wèn)題，通常采用四元數(shù)來(lái)計(jì)算旋轉(zhuǎn)。但在AD領(lǐng)域里很少這么干，因?yàn)橄鄼C(jī)是固定在車(chē)子上，只有垂直于地面的軸（一般是Z軸）才會(huì)發(fā)生360度的旋轉(zhuǎn)，根本無(wú)法引發(fā)萬(wàn)向節(jié)問(wèn)題，總不至于用戶堅(jiān)持在翻車(chē)的階段仍舊保持自動(dòng)駕駛這個(gè)詭異的需求。所以BEV的代碼里通常就是矩陣形式，SLAM因?yàn)檫€會(huì)用在AR和其它領(lǐng)域，相機(jī)不是相對(duì)固定的，所以會(huì)采用四元數(shù)。另外，AD領(lǐng)域里不考慮透視現(xiàn)象，所以外參都是仿射矩陣(Affine Matrix），這點(diǎn)和CG領(lǐng)域的3維渲染是不同的。

另外，一般文章里介紹內(nèi)參時(shí)還會(huì)考慮旋轉(zhuǎn)偏差，這是由于CCD/CMOS感光片在工廠里被機(jī)器給裝歪了，但AD領(lǐng)域一般不會(huì)考慮它，誤差太小，而相機(jī)安裝在車(chē)輛上時(shí)本身外參就有很大的相對(duì)旋轉(zhuǎn)，不如一并算了，最后交由DNN學(xué)習(xí)過(guò)濾掉，而AR領(lǐng)域里的SLAM更是要主動(dòng)計(jì)算外參，這點(diǎn)毛毛雨就不考慮了。

內(nèi)外參了解之后，下一個(gè)基礎(chǔ)的重點(diǎn)就是坐標(biāo)系。AD的坐標(biāo)系有好幾個(gè)，不事先理清楚就直接看代碼有點(diǎn)暈。

世界坐標(biāo)系（World Coordination），這個(gè)是真實(shí)世界空間里，車(chē)輛的位置和方位角，通常粗略的位置是由GNSS（Global Navigation Satellite System)衛(wèi)星定位系統(tǒng)獲取，GNSS包括了美國(guó)GPS/中國(guó)BDS/歐洲Galileo/毛子GLONASS/日本QZSS/印度IRNSS，各有千秋，定位精度一言難盡，一般標(biāo)稱(chēng)的精度都是指：車(chē)輛在空曠地區(qū)，上面有好幾顆定位衛(wèi)星罩著你，車(chē)輛靜止，定位設(shè)備天線粗壯，無(wú)其它信號(hào)源干擾的情況下的測(cè)試結(jié)果。如果你處在城市內(nèi)，四周高樓林立，各種無(wú)線電干擾源，衛(wèi)星相對(duì)你時(shí)隱時(shí)現(xiàn)，車(chē)速還不慢，這種情況下給你偏個(gè)幾十米都是對(duì)的起你了。為此有兩種常見(jiàn)解決方案：差分基站糾偏和地圖通行大數(shù)據(jù)糾偏。這能給你造成一種錯(cuò)覺(jué)：衛(wèi)星定位還是蠻準(zhǔn)的。不管怎么弄，最后得到的坐標(biāo)位置是經(jīng)緯度，但跟常規(guī)GIS（Geographic Information System）相比，AD的經(jīng)緯度不是球面坐標(biāo)系，而是展開(kāi)成2維地圖的坐標(biāo)系，所以最終在系統(tǒng)內(nèi)的坐標(biāo)系也是有區(qū)別的，比如google會(huì)把WGS84的經(jīng)緯度換算成它自家地圖的矩形切片編碼，Uber提出過(guò)一種六邊形切片的H3坐標(biāo)編碼，百度則是在火星坐標(biāo)的基礎(chǔ)上疊加了一個(gè)BD09的矩形切片坐標(biāo)，等等諸如此類(lèi)。這些都是絕對(duì)坐標(biāo)位置，而通過(guò)類(lèi)似SLAM技術(shù)掃描的高精度地圖還會(huì)在這個(gè)基礎(chǔ)上引入一些相對(duì)坐標(biāo)。不管怎么樣，最后在代碼里看到的只剩下XY了。但這些系統(tǒng)都不能獲取車(chē)輛朝向（地理正北為0度，地理正東為90度，依此類(lèi)推，這仍舊是在2維地圖上表示方式），所以AD里的車(chē)輛角度都是指“軌跡朝向”，用當(dāng)前位置坐標(biāo)減去上一時(shí)刻的坐標(biāo)獲得一個(gè)指向性的矢量。當(dāng)然在高精度地圖的加持下，是可以通過(guò)SLAM技術(shù)算出車(chē)輛的瞬時(shí)方位角。在缺失GNSS定位的時(shí)候，比如過(guò)隧道，需要用車(chē)輛的IMU（Inertial Measurement Unit）這類(lèi)芯片做慣性導(dǎo)航補(bǔ)充，它們提供的數(shù)值是一個(gè)相對(duì)的坐標(biāo)偏移，但隨著時(shí)間的推移累積誤差大，所以長(zhǎng)時(shí)間沒(méi)有GNSS信號(hào)的時(shí)候，IMU表示也沒(méi)辦法。

BEV訓(xùn)練數(shù)據(jù)集的世界坐標(biāo)系（nuScenes World Coordination，其它訓(xùn)練集就不特別說(shuō)明了），這個(gè)跟GNSS的絕對(duì)坐標(biāo)系就不同了：

圖5

這是一個(gè)nuScenes地圖，它的世界坐標(biāo)系是圖片坐標(biāo)系，原點(diǎn)在圖片左下角，單位是米，因此在使用訓(xùn)練數(shù)據(jù)集時(shí)，是不用考慮經(jīng)緯度的。數(shù)據(jù)集中會(huì)根據(jù)時(shí)間序列給出車(chē)輛的瞬時(shí)位置，也就是在這個(gè)圖片上的XY。

Ego坐標(biāo)系（Ego Coordination），在BEV里，這個(gè)Ego是特指車(chē)輛本身，它是用來(lái)描述攝像機(jī)/激光雷達(dá)（Lidar，light detection and ranging）/毫米波雷達(dá)（一般代碼里就簡(jiǎn)稱(chēng)為Radar）/IMU在車(chē)身上的安裝位置（單位默認(rèn)都是米）和朝向角度，坐標(biāo)原點(diǎn)一般是車(chē)身中間，朝向如圖：

圖6

所以車(chē)頭正放的相機(jī)默認(rèn)都是Yaw（Z軸）為0度，外參（Extrinsics Matrix）主要就是描述這個(gè)坐標(biāo)系的。

相機(jī)坐標(biāo)系（Camera Coordination），切記，這個(gè)不是照片坐標(biāo)系，坐標(biāo)原點(diǎn)在CCD/CMOS感光片的中央，單位是像素，內(nèi)參（Intrinsics Matrix）主要就是描述這個(gè)坐標(biāo)系的。

照片坐標(biāo)系（Image Coordination），坐標(biāo)原點(diǎn)在圖片的左上角，單位是像素，橫縱坐標(biāo)軸一般不寫(xiě)成XY，而是uv。

圖7

左中右三套坐標(biāo)系分別為：Ego Coordination, Camera Coordination, Image Coordination。

所以，當(dāng)在BEV中做LSS（Lift,Splat,Shoot)時(shí)，需要把照片中的像素位置轉(zhuǎn)換到世界坐標(biāo)系時(shí)，要經(jīng)歷：

Image_to_Camera, Camera_to_Ego, Ego_to_World，用矩陣表示：

Position_in_World = Inv_World_to_Ego * Inv_Ego_to_Camera * Inv_Camera_to_Image * (Position_in_Image)

其中Inv_表示矩陣的逆。實(shí)際代碼里，Camera_to_Image通常就是Intrinsics參數(shù)矩陣，Ego_to_Camera就是Extrinsics參數(shù)矩陣。

這里要注意的一點(diǎn)是：fx,fy,它們實(shí)際上是這樣計(jì)算得到的：

Fx和Fy分別是橫向/縱向的鏡頭焦距，但單位是米，Dx和Dy分別是一個(gè)像素有幾米寬幾米高，得出fx和fy的單位就是像素。當(dāng)使用（Ego_to_Camera * Camera_to_Image）矩陣乘上Ego空間的坐標(biāo)，會(huì)以像素為單位投影到照片空間，當(dāng)使用（Inv_Ego_to_Camera * Inv_Camera_to_Image）矩陣乘上照片空間的坐標(biāo)，會(huì)以米為單位投影到Ego空間，不會(huì)有單位上的問(wèn)題。

大部分的BEV是多攝像頭的，意味著要一次性把多組攝像頭拍攝的照片像素?fù)Q算到Ego或者世界坐標(biāo)系：

在統(tǒng)一的坐標(biāo)系下，多角度的照片才能正確得“環(huán)繞”出周邊的景象。另外還有一些單目（Monocular）攝像頭的BEV方案，它們有的不考慮Ego坐標(biāo)系，因?yàn)橹挥幸粋€(gè)朝向正前方（Yaw,Pitch,Roll全部為0）的攝像頭，而且原點(diǎn)就是這個(gè)攝像頭本身，所以直接從相機(jī)坐標(biāo)系跳到世界坐標(biāo)系。

Frustum，這個(gè)東西在3維渲染領(lǐng)域通常叫做“視錐體”，用來(lái)表示相機(jī)的可視范圍：

圖9

紅面和綠面以及線框包圍起來(lái)的空間就是視錐體，綠面通常叫做近平面（Near Plane），紅面叫做遠(yuǎn)平面（Far Plane），線框構(gòu)成的角度叫做FOV，如果CCD/CMOS成像的高寬相同，那么近平面和遠(yuǎn)平面就都是正方形，一個(gè)FOV就足以表示，反之，就要區(qū)分為FOVx和FOVy了，超出這個(gè)視錐體范圍的物體都不考慮進(jìn)計(jì)算。圖7中由6個(gè)三角面構(gòu)成了組合的可視范圍，實(shí)際上應(yīng)該是6個(gè)俯視的視錐體構(gòu)成，能看出視錐體之間是有交疊區(qū)域的，這些區(qū)域有利于DNN在訓(xùn)練/推理中對(duì)6組數(shù)據(jù)做相互矯正，提高模型準(zhǔn)確性，在不增加相機(jī)數(shù)量的前提下，如果想擴(kuò)大這個(gè)交疊區(qū)域，就必須選擇FOV更大的相機(jī)，但FOV越大的相機(jī)一般鏡頭畸變就會(huì)越嚴(yán)重（反畸變?cè)僭趺醋鲆仓荒芤欢ǔ潭壬系某C正圖片），物體在圖片上的成像面積也越小，干擾DNN對(duì)圖片上特征的識(shí)別和提取。

BEV是個(gè)龐大的算法族，傾向于不同方向的算法選擇，粗略得看，有Tesla主導(dǎo)的以視覺(jué)感知流派，核心算法建立在多路攝像頭上，另外一大類(lèi)是激光雷達(dá)+毫米波雷達(dá)+多路攝像頭的融合（Fusion）派，國(guó)內(nèi)很多AD公司都是融合派的，Google的Waymo也是。

嚴(yán)格得講，Tesla正在從BEV（Hydranet）過(guò)渡到一種新的技術(shù)：Occupancy Network，從2維提升到3維：

圖10

無(wú)論是2維的還是3維的，都在試圖描述周遭空間的Occupany（占用）情況，只是一個(gè)用2維棋盤(pán)格來(lái)表述這種占用情況，一個(gè)是用3維的積木方式表述占用。DNN在度量這種占用時(shí)采用的是概率，比如我們直觀看到某個(gè)格子上是一輛車(chē)，而DNN給出的原始結(jié)果是：這個(gè)格子上，是車(chē)的可能性有80%，是路面的可能性為5%，是行人的可能性為3%。。。。。所以，在BEV代碼里，一般將各種可能出現(xiàn)的物體分了類(lèi)，通常是兩大類(lèi)：

不常變化的：車(chē)輛可通信區(qū)域（Driveable），路面（Road），車(chē)道（Lane），建筑（Building），植被（Foliage/Vegetation），停車(chē)區(qū)域（Parking），信號(hào)燈（Traffic Light）以及一些未分類(lèi)靜態(tài)物體（Static），它們之間的關(guān)系是可以相互包容的，比如Driveable可以包含Road/Lane等等。

可變的，也就是會(huì)發(fā)生移動(dòng)的物體：行人（Pedestrian），小汽車(chē)（Car），卡車(chē)（Truck），錐形交通標(biāo)/安全桶（Traffic Cone）等等

這樣分類(lèi)的目的是便于AD做后續(xù)的駕駛規(guī)劃（Planning，有的翻譯成決策）和控制（Control）。而B(niǎo)EV在感知（Perception）階段就是按照這些物體在格子上出現(xiàn)的概率打分，最后通過(guò)Softmax函數(shù)將概率歸一取出最大的那個(gè)可能性作為占用這個(gè)格子的物體類(lèi)型。

但這有個(gè)小問(wèn)題：BEV的DNN模型（Model）在訓(xùn)練階段，是要指明照片中各個(gè)物體是啥？也就是要在標(biāo)注數(shù)據(jù)（Labeled Data）上給各種物體打上類(lèi)型標(biāo)簽的：

右邊的我們權(quán)當(dāng)做是標(biāo)注數(shù)據(jù)吧，左邊是對(duì)應(yīng)的相片，按照這個(gè)物體分類(lèi)訓(xùn)練出來(lái)的DNN模型，真得跑上路面，如果遭遇了訓(xùn)練集里未出現(xiàn)的物體類(lèi)型怎么辦？如果模型效果不好，比如某個(gè)姿勢(shì)奇葩的人體未被識(shí)別成行人和其它已知類(lèi)型，又當(dāng)如何？Occupancy Network為此改變的感知策略，不再?gòu)?qiáng)調(diào)分類(lèi)了（不是不分類(lèi)，只是重點(diǎn)變了），核心關(guān)注路面上是否有障礙物（Obstacle），先保證別撞上去就行了，別管它是什么類(lèi)型。3維的積木方式表述這種障礙物更為貼切，有的地方借用了3維渲染（Rendering/Shading）領(lǐng)域的常見(jiàn)概念把這種3維表述叫做體素（Voxel），想象一下我的世界（MineCraft）就很簡(jiǎn)單了。

以上是視覺(jué)流派的簡(jiǎn)述，混合派在干嘛？它們除了相機(jī)外，還側(cè)重于激光雷達(dá)的數(shù)據(jù)，毫米波雷達(dá)由于數(shù)據(jù)品相太差逐漸退出，留守的去充當(dāng)停車(chē)?yán)走_(dá)了，也不能說(shuō)它一無(wú)是處，Tesla雖然強(qiáng)調(diào)視覺(jué)處理，但也保留了一路朝向正前方的毫米波雷達(dá)，而且AD這個(gè)領(lǐng)域技術(shù)變化非常快，冷不丁哪天有新算法冒出又能把毫米波雷達(dá)的價(jià)值發(fā)揚(yáng)光大一把。

激光雷達(dá)的好處是什么：可以直接測(cè)出物體的遠(yuǎn)近，精度比視覺(jué)推測(cè)出的場(chǎng)景深度要高很多，一般會(huì)轉(zhuǎn)化為深度（Depth）數(shù)據(jù)或者點(diǎn)云（Point Cloud），這兩者配套的算法有很長(zhǎng)的歷史了，所以AD可以直接借用，減少開(kāi)發(fā)量。另外，激光雷達(dá)可以在夜間或糟糕的天氣環(huán)境下工作，相機(jī)就抓瞎了。

但這幾天出現(xiàn)了一種新的感知技術(shù)HADAR（Heat-Assisted Detection and Ranging），可以和相機(jī)/激光雷達(dá)/毫米波雷達(dá)并列的傳感器級(jí)別感知技術(shù)。它的特點(diǎn)是利用特殊的算法把常規(guī)熱成像在夜間拍攝的圖片轉(zhuǎn)化為周?chē)h(huán)境/物體的紋理和深度，這個(gè)東西和相機(jī)配合能解決夜間視覺(jué)感知的問(wèn)題。

以前的BEV為什么不提熱成像/紅外相機(jī)，因?yàn)閭鹘y(tǒng)算法有些明顯的缺陷：只能提供場(chǎng)景的熱量分布，形成一張灰度（Gray）圖，缺乏紋理（Texture），原始數(shù)據(jù)缺乏深度信息，推算出的深度精度差，如果僅僅通過(guò)從灰度圖上提取的輪廓（Contour）和亮度過(guò)渡（Gradient），很難精確還原場(chǎng)景/物體的體積信息，并且目前的2維物體識(shí)別是很依賴(lài)紋理和色彩的。這個(gè)HADAR的出現(xiàn)，恰好可以解決這個(gè)問(wèn)題：在較暗的環(huán)境下提取場(chǎng)景的深度以及紋理：

圖13

左列，自上而下：

基礎(chǔ)的熱成像，簡(jiǎn)稱(chēng)T

用常規(guī)熱成像算法從T提取的深度

用HADAR算法從T提取的紋理圖

用HADAR算法從T提取的深度

真實(shí)場(chǎng)景的深度

右列，自上而下：

這個(gè)場(chǎng)景在白天用可見(jiàn)光相機(jī)拍攝的照片

通過(guò)照片推理的深度

真實(shí)場(chǎng)景的深度

HADAR的這個(gè)深度信息老牛逼了，對(duì)比一下激光雷達(dá)的效果就知道了：

激光雷達(dá)的掃描范圍是有限的，一般半徑100米，從上圖可以看出，沒(méi)有紋理信息，遠(yuǎn)處的場(chǎng)景也沒(méi)有深度了，掃描線導(dǎo)致其數(shù)據(jù)是個(gè)稀疏（Sparse）結(jié)構(gòu)，想要覆蓋半徑更大更稠密（Dense）就必須買(mǎi)更昂貴的型號(hào)，最好是停下來(lái)多掃一段時(shí)間。激光雷達(dá)模塊廠家在展示產(chǎn)品時(shí)，當(dāng)然得給出更好看的圖了，只有AD研發(fā)人員才知道這里面有多苦。

以上都是基礎(chǔ)的概念，作為BEV算法的入門(mén)，必須先提到LSS（Lift,Splat,Shoot):

https://link.zhihu.com/?target=https%3A//github.com/nv-tlabs/lift-splat-shoot

老黃家的，很多文章都把它列為BEV的開(kāi)山（Groundbreaking）之作。它構(gòu)建了一個(gè)簡(jiǎn)單有效的處理過(guò)程：

把相機(jī)的照片從2維數(shù)據(jù)投影成3維數(shù)據(jù)，然后像打蒼蠅一樣把它拍扁，再?gòu)纳系垡暯莵?lái)看這個(gè)被拍扁的場(chǎng)景，特別符合人看地圖的直覺(jué)模式。一般看到這里會(huì)有疑惑的：都已經(jīng)建立了3維的場(chǎng)景數(shù)據(jù)，3維不香么？干嘛還要拍扁？不是不想要3維，是沒(méi)辦法，它不是一個(gè)完善的3維數(shù)據(jù)：

圖15

看過(guò)這玩意吧，它就是LSS的本質(zhì)，從正面看，能形成一張2維照片，這個(gè)照片被LSS拉伸到3維空間后就是上圖，你從BEV的視角也就是正上方向下看會(huì)是啥？什么都看不出來(lái)，所以后續(xù)要拍扁（Splat），具體過(guò)程是這樣：

先提取圖像特征和深度（Feature and Depth，LSS里是同時(shí)提取的，后面會(huì)具體解釋?zhuān)?，深度圖類(lèi)似

只能說(shuō)類(lèi)似，并不準(zhǔn)確，后面也會(huì)具體說(shuō)明的，這個(gè)深度信息可以構(gòu)建一個(gè)偽3D模型（Point Cloud點(diǎn)云模式），類(lèi)似圖15：

圖18

看著還行，但把這個(gè)3D模型轉(zhuǎn)到BEV俯視角下，估計(jì)親娘都認(rèn)不出來(lái)了：

圖19

拍扁后結(jié)合特征Feature再做一次語(yǔ)義識(shí)別，形成：

圖20

這個(gè)就是喜聞樂(lè)見(jiàn)的BEV圖了。以上是對(duì)LSS的直觀認(rèn)知，算法層面是如何實(shí)現(xiàn)的？

先給單個(gè)相機(jī)可拍攝的范圍構(gòu)建一個(gè)立方體模樣的鐵絲籠子（高8寬22深41），祭出大殺器Blender：

圖21

這里是示意圖，不要糾結(jié)于格子的數(shù)量和尺寸。這個(gè)3D網(wǎng)格代表的是一路相機(jī)的視錐體（Frustum），前面貼過(guò)視錐體的形狀（圖9），這里變形成立方體，在相機(jī)空間里看這個(gè)照片和這個(gè)立體網(wǎng)格的關(guān)系就是：

圖22

右邊是個(gè)正對(duì)著網(wǎng)格立方體的相機(jī)示意圖，相片提取深度后（深度圖的實(shí)際像素尺寸是高8寬22）：

圖23

把這個(gè)深度圖按照每個(gè)像素的深度沿著紅線方向展開(kāi)（Lift）后：

圖24

可以看到，部分深度像素已經(jīng)超出了視錐體的范圍，因?yàn)長(zhǎng)SS一開(kāi)始就假設(shè)了這么個(gè)有限范圍的籠子，超出部分直接過(guò)濾掉。這里必須提醒一下：LSS并不是直接算出每個(gè)像素的深度，而是推理出每個(gè)像素可能處于籠子里每個(gè)格子的概率，圖24是已經(jīng)通過(guò)Softmax提取出每個(gè)像素最有可能位于哪個(gè)格子，然后把它裝進(jìn)對(duì)應(yīng)格子的示意結(jié)果，便于理解，更準(zhǔn)確的描述如下：

圖25

在圖25中選取深度圖的某個(gè)像素（紅色格子，事實(shí)上LSS的深度圖分辨率是很小的，默認(rèn)只有8*22像素，所以這里可以用一個(gè)格子當(dāng)做一個(gè)像素），它隸屬于籠子下方邊沿的一條深度格子（這條格子其實(shí)就代表相機(jī)沿著深度看向遠(yuǎn)方的一條視線）：

圖26

圖25中的那個(gè)紅色的深度像素，沿著圖26這條視線格子的概率分布就是：

圖27

黃線的起伏表示2D深度圖像素在Lift后沿著視線3D深度的概率分布（Depth Distribution，我這是示意性得畫(huà)法，不是嚴(yán)格按照實(shí)際數(shù)據(jù)做的）。等價(jià)于LSS論文里的這張圖：

圖28

LSS中構(gòu)建立方籠子的代碼位于：

?

?

class?LiftSplatShoot(nn.Module):
????def?__init__(self,?grid_conf,?data_aug_conf,?outC):
????????self.frustum?=?self.create_frustum()
????def?create_frustum(self):
????????#?D?x?H?x?W?x?3
????????frustum?=?torch.stack((xs,?ys,?ds),?-1)
????????return?nn.Parameter(frustum,?requires_grad=False)
????def?get_geometry(self,?rots,?trans,?intrins,?post_rots,?post_trans):
????????"""Determine?the?(x,y,z)?locations?(in?the?ego?frame)
????????of?the?points?in?the?point?cloud.
????????Returns?B?x?N?x?D?x?H/downsample?x?W/downsample?x?3
????????"""
????????B,?N,?_?=?trans.shape

????????#?undo?post-transformation
????????#?B?x?N?x?D?x?H?x?W?x?3
????????points?=?self.frustum?-?post_trans.view(B,?N,?1,?1,?1,?3)
????????points?=?torch.inverse(post_rots).view(B,?N,?1,?1,?1,?3,?3).matmul(points.unsqueeze(-1))

????????#?cam_to_ego
????????points?=?torch.cat((points[:,?:,?:,?:,?:,?:2]?*?points[:,?:,?:,?:,?:,?2:3],
????????????????????????????points[:,?:,?:,?:,?:,?2:3]
????????????????????????????),?5)
????????combine?=?rots.matmul(torch.inverse(intrins))
????????points?=?combine.view(B,?N,?1,?1,?1,?3,?3).matmul(points).squeeze(-1)
????????points?+=?trans.view(B,?N,?1,?1,?1,?3)

????????return?points

?

?

為了便于分析，我裁減了代碼。單個(gè)相機(jī)的frustum尺寸為：D x H x W x 3（深度D：41，高度H：8，寬度W：22），也就是創(chuàng)建了一個(gè)D x H x W的容器，容器的每個(gè)格子里存儲(chǔ)了這個(gè)格子的坐標(biāo)值（X，Y，Z）。

圖29

實(shí)際上是在照片坐標(biāo)系（uv）上拓展了一個(gè)深度Z構(gòu)成的新坐標(biāo)系。由于LSS默認(rèn)是5路攝像頭，把5個(gè)Frustum送到get_geometry函數(shù)里，會(huì)輸出5路Frustum構(gòu)成的一個(gè)組合籠子，其張量尺寸變?yōu)椋築 x N x D x H x W x 3，其中B是batch_size，默認(rèn)是4組訓(xùn)練數(shù)據(jù)，N是相機(jī)數(shù)量5。

get_geometry里一開(kāi)始要做一個(gè)

?

?

?#?undo?post-transformation?

?

?

這玩意是干啥的？這跟訓(xùn)練集有關(guān)，在深度學(xué)習(xí)里里，有一種增強(qiáng)現(xiàn)有訓(xùn)練樣本的方法，一般叫做Augmentation（其實(shí)AR技術(shù)里這個(gè)A就是Augmentation，增強(qiáng)的意思），通過(guò)把現(xiàn)有的訓(xùn)練數(shù)據(jù)做一些隨機(jī)的：翻轉(zhuǎn)/平移/縮放/裁減，給樣本添加一些隨機(jī)噪音（Noise）。比如，在不做樣本增強(qiáng)前，相機(jī)的角度是不變的，訓(xùn)練后的模型只認(rèn)這個(gè)角度的照片，而隨機(jī)增強(qiáng)后再訓(xùn)練，模型可以學(xué)習(xí)出一定角度范圍變化內(nèi)的適應(yīng)性，也就是Robustness。

圖30

Augmentation技術(shù)也是有相關(guān)理論和方法的，這里就貼個(gè)圖不贅述了。數(shù)據(jù)增強(qiáng)的代碼一般都是位于DataLoader內(nèi)：

?

?

class?NuscData(torch.utils.data.Dataset):
???def?sample_augmentation(self):

?

?

回到剛才的get_geometry，數(shù)據(jù)增強(qiáng)會(huì)給照片增加一些隨機(jī)變化，但相機(jī)本身是必須固定的，這樣才能讓DNN模型學(xué)習(xí)這些隨機(jī)變化的規(guī)律并去適應(yīng)它們。所以將5路Frustum的安置到車(chē)身坐標(biāo)系時(shí)候要先去掉（undo）這些隨機(jī)變化。

然后通過(guò)：

?

?

#?cam_to_ego
????????points?=?torch.cat((points[:,?:,?:,?:,?:,?:2]?*?points[:,?:,?:,?:,?:,?2:3],
????????????????????????????points[:,?:,?:,?:,?:,?2:3]
????????????????????????????),?5)
????????combine?=?rots.matmul(torch.inverse(intrins))
????????points?=?combine.view(B,?N,?1,?1,?1,?3,?3).matmul(points).squeeze(-1)
????????points?+=?trans.view(B,?N,?1,?1,?1,?3)

?

?

將各路Frustum從相機(jī)坐標(biāo)系轉(zhuǎn)入車(chē)輛自身坐標(biāo)系，注意這里的intrins是相機(jī)內(nèi)參，rots和trans是相機(jī)外參，這些都是nuScenes訓(xùn)練集提供的，這里只有intrincs用了逆矩陣，而外參沒(méi)有，因?yàn)閚uScenes是先把每個(gè)相機(jī)放在車(chē)身原點(diǎn)，然后按照各路相機(jī)的位姿先做偏移trans再做旋轉(zhuǎn)rots，這里就不用做逆運(yùn)算了。如果換個(gè)數(shù)據(jù)集或者自己架設(shè)相機(jī)采集數(shù)據(jù)，要搞清楚這些變換矩陣的定義和計(jì)算順序。

四視圖大概就是這個(gè)樣子：

圖31

LSS中推理深度和相片特征的模塊位于：

?

?

class?CamEncode(nn.Module):
????def?__init__(self,?D,?C,?downsample):
????????super(CamEncode,?self).__init__()
????????self.D?=?D
????????self.C?=?C

????????self.trunk?=?EfficientNet.from_pretrained("efficientnet-b0")

????????self.up1?=?Up(320+112,?512)
????????self.depthnet?=?nn.Conv2d(512,?self.D?+?self.C,?kernel_size=1,?padding=0)

?

?

trunk用于同時(shí)推理原始的深度和圖片特征，depthnet用于將trunk輸出的原始數(shù)據(jù)解釋成LSS所需的信息，depthnet雖是卷積網(wǎng)但卷積核（Kernel）尺寸只有1個(gè)像素，功能接近一個(gè)全連接網(wǎng)FC（Full Connected)，F(xiàn)C日常的工作是：分類(lèi)或者擬合，對(duì)圖片特征而言，它這里類(lèi)似分類(lèi)，對(duì)深度特征而言，它這里類(lèi)似擬合一個(gè)深度概率分布。EfficientNet是一種優(yōu)化過(guò)的ResNet，就當(dāng)做一個(gè)高級(jí)的卷積網(wǎng)（CNN）看吧。對(duì)于這個(gè)卷積網(wǎng)而言，圖片特征和深度特征在邏輯上沒(méi)有區(qū)別，兩者都位于trunk上的同一個(gè)維度，只是區(qū)分了channel而已。

這就引出了另外一個(gè)話題：從單張2D圖片上是如何推理/提取深度特征的。這類(lèi)問(wèn)題一般叫做：Monocular Depth Estimation，單目深度估計(jì)。一般這類(lèi)系統(tǒng)內(nèi)部分兩個(gè)階段：粗加工（Coarse Prediction）和精加工（Refine Prediction），粗加工對(duì)整個(gè)畫(huà)面做一個(gè)場(chǎng)景級(jí)別的簡(jiǎn)單深度推測(cè)，精加工是在這個(gè)基礎(chǔ)上識(shí)別更細(xì)小的物體并推測(cè)出更精細(xì)的深度。這類(lèi)似畫(huà)家先用簡(jiǎn)筆畫(huà)出場(chǎng)景輪廓，然后再細(xì)致勾勒局部畫(huà)面。

除了用卷積網(wǎng)來(lái)解決這類(lèi)深度估計(jì)問(wèn)題，還有用圖卷積網(wǎng)（GCN）和Transformer來(lái)做的，還有依賴(lài)測(cè)距設(shè)備（RangeFinder）輔助的DNN模型，這個(gè)話題先不展開(kāi)了，龐雜程度不亞于BEV本身。

那么LSS這里僅僅采用了一個(gè)trunk就搞定深度特征是不是太兒戲了，事實(shí)上確實(shí)如此。LSS估計(jì)出的深度準(zhǔn)頭和分辨率極差，參看BEVDepth項(xiàng)目里對(duì)LSS深度問(wèn)題的各種測(cè)試報(bào)告：

https://link.zhihu.com/?target=https%3A//github.com/Megvii-BaseDetection/BEVDepth

BEVDepth的測(cè)試?yán)锇l(fā)現(xiàn)：如果把LSS深度估計(jì)部分的參數(shù)換成一個(gè)隨機(jī)數(shù)，并且不參與學(xué)習(xí)過(guò)程（Back Propagation），其BEV的總體測(cè)試效果只有很小幅度的降低。但必須要說(shuō)明，Lift的機(jī)制本身是很強(qiáng)的，這個(gè)突破性的方法本身沒(méi)問(wèn)題，只是深度估計(jì)這個(gè)環(huán)節(jié)可以再加強(qiáng)。

LSS的訓(xùn)練過(guò)程還有另外一個(gè)問(wèn)題：相片上大約有1半的數(shù)據(jù)對(duì)訓(xùn)練的貢獻(xiàn)度為0，其實(shí)這個(gè)問(wèn)題是大部分BEV算法都存在的：

右邊的標(biāo)注數(shù)據(jù)實(shí)際上只描述了照片紅線以下的區(qū)域，紅線上半部都浪費(fèi)了，你要問(wèn)LSS里的模型對(duì)上半部都計(jì)算了些什么，我也不知道，因?yàn)闆](méi)有標(biāo)注數(shù)據(jù)可以對(duì)應(yīng)上，而大部分的BEV都是這么訓(xùn)練的，所以這是一個(gè)普遍現(xiàn)象。訓(xùn)練時(shí)，BEV都會(huì)選擇一個(gè)固定面積范圍的周遭標(biāo)注數(shù)據(jù)，而照片一般會(huì)拍攝到更遠(yuǎn)的景物，這兩者在范圍上天生就是不匹配的，另一方面部分訓(xùn)練集只關(guān)注路面標(biāo)注，缺乏建筑，因?yàn)檠巯翨EV主要解決的是駕駛問(wèn)題，不關(guān)心建筑/植被。

這也是為什么圖17哪里的深度圖和LSS內(nèi)部真實(shí)的深度圖是不一致的，真實(shí)深度圖只有接近路面這部分才有有效數(shù)據(jù)：

圖33

所以整個(gè)BEV的DNN模型勢(shì)必有部分算力被浪費(fèi)了。目前沒(méi)看到任何論文關(guān)于這方面的研究。

接著繼續(xù)深入LSS的Lift-Splat計(jì)算過(guò)程：

?

?

def?get_depth_feat(self,?x):
????????x?=?self.get_eff_depth(x)
????????#?Depth
????????x?=?self.depthnet(x)

????????depth?=?self.get_depth_dist(x[:,?:self.D])
????????new_x?=?depth.unsqueeze(1)?*?x[:,?self.D:(self.D?+?self.C)].unsqueeze(2)

????????return?depth,?new_x????
???def?get_voxels(self,?x,?rots,?trans,?intrins,?post_rots,?post_trans):
????????geom?=?self.get_geometry(rots,?trans,?intrins,?post_rots,?post_trans)
????????x?=?self.get_cam_feats(x)

????????x?=?self.voxel_pooling(geom,?x)

????????return?x

?

?

這里的new_x是把深度概率分布直接乘上了圖片紋理特征，為了便于直觀理解，我們假設(shè)圖片特征有3個(gè)channel：c1,c2,c3，深度只有3格：d1,d2,d3。我們從圖片上取某個(gè)像素，那么它們分別代表的意義是：c1:這個(gè)像素點(diǎn)有70%的可能性是車(chē)子，c2：有20%的可能性是路，c3：有10%的可能性是信號(hào)燈, d1：這個(gè)像素有80%的可能是在深度1，d2：有15%的可能性是在深度2，d3：有%5的可能性是在深度3上。如果把它們相乘的到：

那么這個(gè)像素最大的概率是：位于深度1的一輛車(chē)子。這也就是LSS里：

公式的意義，注意它這里把圖像特征叫做c（Context）, a_d的意義是深度沿視線格子的概率分布，d是深度。new_x就是這個(gè)計(jì)算結(jié)果。前面說(shuō)過(guò)，由于圖像特征和深度都是通過(guò)trunk訓(xùn)練出來(lái)的，它們位于同一維度，只是占用channel不同，深度占用了前self.D（41）個(gè)channel，Context占用了后面self.C（64）個(gè)channel。

由于new_x是分別按照每路相機(jī)的Frustum單獨(dú)計(jì)算的，而5個(gè)Frustum有重疊區(qū)域，須要做作數(shù)據(jù)融合，所以在voxel_pooling里計(jì)算好格子的索引和對(duì)應(yīng)的空間位置，通過(guò)這個(gè)對(duì)應(yīng)關(guān)系，把new_x的內(nèi)容一一裝入指定索引的格子。

LSS在voxel_pooling的計(jì)算力引入了cumsum這個(gè)機(jī)制，雖然有很多文章在解釋它，但這里不建議花太多功夫，它只是一個(gè)計(jì)算上的小技巧，對(duì)整個(gè)LSS是錦上添花的事，不是必要的。

編輯:黃飛

?