BEV感知算法：下一代自動駕駛的核心技術(shù)

01??BEV感知算法概念？

Bird’s-Eye-View，鳥瞰圖（俯視圖）。BEV感知算法存在許多的優(yōu)勢。

首先，BEV視圖存在遮擋小的優(yōu)點(diǎn)，由于視覺的透視效應(yīng)，現(xiàn)實(shí)世界的物體在2D圖像中很容易受到其他物體的遮擋，因此，傳統(tǒng)的基于2D的感知方式只能感知可見的目標(biāo)，對于被遮擋的部分算法將無能為力。

而在BEV空間內(nèi)，時(shí)序信息可以很容易地被融合，算法可以基于先驗(yàn)知識，對被遮擋的區(qū)域進(jìn)行預(yù)測，“腦補(bǔ)”出被遮擋的區(qū)域是否有物體。雖然“腦補(bǔ)”出來的物體固然有“想象”的成分，但對后續(xù)的控制模塊來說，還是有不少益處。

此外，BEV感知算法的尺度變化小，將尺度相對一致的數(shù)據(jù)輸入到網(wǎng)絡(luò)中，可以得到更好的感知結(jié)果。

02??BEV感知算法數(shù)據(jù)集介紹

2.1 kitti-360數(shù)據(jù)集

kitti-360是一個(gè)包含豐富感官信息和完整注釋的大規(guī)模數(shù)據(jù)集。我們記錄了德國卡爾斯魯厄的幾個(gè)郊區(qū)，在73.7公里的駕駛距離內(nèi)，對應(yīng)超過32萬張圖像和10萬個(gè)激光掃描。我們用粗糙的邊界基元對靜態(tài)和動態(tài)的三維場景元素進(jìn)行注釋，并將這些信息轉(zhuǎn)移到圖像領(lǐng)域，從而為三維點(diǎn)云和二維圖像提供了密集的語義和實(shí)例注釋。

為了收集數(shù)據(jù)，旅行車兩邊各配備了一個(gè)180°的魚眼相機(jī)，前面一個(gè)90°的透視立體相機(jī)（基線60厘米）。此外，在車頂上安裝了一個(gè)Velodyne HDL-64E和一個(gè)SICK LMS 200激光掃描裝置，采用推桿式配置。這個(gè)裝置與KITTI使用的裝置類似，只是由于額外的魚眼相機(jī)和推帚式激光掃描儀，獲得了一個(gè)完整的360°視野，而KITTI只提供透視圖像和Velodyne激光掃描，垂直視野為26.8°。此外，系統(tǒng)還配備了一個(gè)IMU/GPS定位系統(tǒng)。采集車的傳感器布置如圖所示。

圖1 Kitti-360數(shù)據(jù)集采集車

2.2 nuScenes數(shù)據(jù)集

nuScenes是第一個(gè)提供 自動汽車 全套傳感器數(shù)據(jù)的大型數(shù)據(jù)集，包括了6個(gè)相機(jī)、1個(gè)激光雷達(dá)、5個(gè)毫米波雷達(dá)、以及GPS和IMU。與kitti數(shù)據(jù)集相比，其包含的對象注釋多了7倍多。采集車的傳感器布置如圖所示。

圖2 nuScenes數(shù)據(jù)集采集車模型

03??BEV感知算法分類

基于輸入數(shù)據(jù)，將BEV感知研究主要分為三個(gè)部分——BEV Camera、BEV LiDAR和BEV Fusion。下圖描述了BEV 感知家族的概況。具體來說，BEV Camera表示僅有視覺或以視覺為中心的算法，用于從多個(gè)周圍攝像機(jī)進(jìn)行三維目標(biāo)檢測或分割；BEV LiDAR描述了點(diǎn)云輸入的檢測或分割任務(wù)；BEV Fusion描述了來自多個(gè)傳感器輸入的融合機(jī)制，例如攝像頭、激光雷達(dá)、全球?qū)Ш叫l(wèi)星系統(tǒng)、里程計(jì)、高清地圖、CAN總線等。

圖3 自動駕駛的基本感知算法

如圖所示，將自主駕駛的基本感知算法（分類、檢測、分割、跟蹤等）分為三個(gè)級別，其中BEV感知的概念位于在中間?；趥鞲衅鬏斎雽?、基本任務(wù)和產(chǎn)品場景的不同組合，某種BEV感知算法可以相應(yīng)表明。例如，M2BEV和BEVFormer屬于視覺BEV方向，用于執(zhí)行包括3D目標(biāo)檢測和BEV地圖分割在內(nèi)的多項(xiàng)任務(wù)。BEVFusion在BEV空間設(shè)計(jì)了一種融合策略，同時(shí)從攝像機(jī)和激光雷達(dá)輸入執(zhí)行3D檢測和跟蹤。

BEV Camrea中的代表之作是BEVFormer。BEVFormer 通過提取環(huán)視相機(jī)采集到的圖像特征，并將提取的環(huán)視特征通過模型學(xué)習(xí)的方式轉(zhuǎn)換到 BEV 空間（模型去學(xué)習(xí)如何將特征從圖像坐標(biāo)系轉(zhuǎn)換到 BEV 坐標(biāo)系），從而實(shí)現(xiàn) 3D 目標(biāo)檢測和地圖分割任務(wù)，并取得了 SOTA 的效果。

3.1 BEVFormer 的 Pipeline：

1）Backbone + Neck （ResNet-101-DCN + FPN）提取環(huán)視圖像的多尺度特征；

2）論文提出的 Encoder 模塊（包括 Temporal Self-Attention 模塊和Spatial Cross-Attention 模塊）完成環(huán)視圖像特征向 BEV 特征的建模；

3）類似 Deformable DETR 的 Decoder 模塊完成 3D 目標(biāo)檢測的分類和定位任務(wù)；

4）正負(fù)樣本的定義（采用 Transformer 中常用的匈牙利匹配算法，F(xiàn)ocal Loss + L1 Loss 的總損失和最小）；

5）損失的計(jì)算（Focal Loss 分類損失 + L1 Loss 回歸損失）；

6）反向傳播，更新網(wǎng)絡(luò)模型參數(shù)；

圖4 BEVFormer框架圖

BEVFusion算法離不開BEV LiDAR和BEV Camera算法，通常使用一個(gè)fusion模塊進(jìn)行點(diǎn)云和圖像特征的融合。其中BEV Fusion是其中的代表之作。

3.2 BEVFusion的 Pipeline：

1）給定不同的感知輸入，首先應(yīng)用特定于模態(tài)的編碼器來提取其特征；

2）將多模態(tài)特征轉(zhuǎn)換為一個(gè)統(tǒng)一的BEV表征，其同時(shí)保留幾何和語義信息；

3）存在的視圖轉(zhuǎn)換效率瓶頸，可以通過預(yù)計(jì)算和間歇降低來加速BEV池化過程；

4）然后，將基于卷積的BEV編碼器應(yīng)用到統(tǒng)一的BEV特征中，以緩解不同特征之間的局部偏準(zhǔn)；

5）最后，添加一些特定任務(wù)頭支持不同的3D場景理解工作。

圖5 BEV Fusion框架圖

04??BEV感知算法的優(yōu)劣

目前業(yè)界基于純視覺的感知、預(yù)測算法研究通常僅針對上述流程中的單個(gè)子問題的image-view方案，如3D目標(biāo)檢測、語義地圖識別或物體運(yùn)動預(yù)測，通過前融合或后融合的方式將不同網(wǎng)絡(luò)的感知結(jié)果進(jìn)行融合。這導(dǎo)致了在搭建整體系統(tǒng)時(shí)只能以線性結(jié)構(gòu)堆疊多個(gè)子模塊。盡管上述方式能夠?qū)崿F(xiàn)問題分解、便于獨(dú)立的學(xué)術(shù)研究，但這種串行架構(gòu)具有幾個(gè)重要的缺陷：

1）上游模塊的模型誤差會不斷向下游傳遞，然而在子問題的獨(dú)立研究中通常以真值作為輸入，這使得累積誤差會顯著影響下游任務(wù)的性能表現(xiàn)。

2）不同子模塊中存在重復(fù)的特征提取、維度轉(zhuǎn)換等運(yùn)算過程，但是串行架構(gòu)無法實(shí)現(xiàn)這些冗余計(jì)算的共享，不利于提升系統(tǒng)的整體效率。

3）無法充分利用時(shí)序信息，一方面，時(shí)序信息可以作為空間信息的補(bǔ)充，更好地檢測當(dāng)前時(shí)刻被遮擋的物體，為定位物體的位置提供更多參考信息。另一方面，時(shí)序信息能夠幫助判斷物體的運(yùn)動狀態(tài)，在缺少時(shí)序信息的條件下，基于純視覺的方法幾乎無法有效判斷物體的運(yùn)動速度。

區(qū)別于image-view方案，BEV方案通過多攝像頭或雷達(dá)將視覺信息轉(zhuǎn)換至鳥瞰視角進(jìn)行相關(guān)感知任務(wù)，這樣的方案能夠?yàn)樽詣玉{駛感知提供更大的視野并且能夠并行地完成多項(xiàng)感知任務(wù)。同時(shí)，BEV感知算法是要將信息融合到BEV空間中來，所以這有利于探索2D到3D的轉(zhuǎn)換過程。

與此同時(shí)，BEV感知算法當(dāng)前在3D檢測任務(wù)上，與現(xiàn)有的點(diǎn)云方案有有差距。探索視覺BEV感知算法有利于降低成本。一套LiDAR設(shè)備的成本往往是視覺設(shè)備的10倍，所以視覺BEV是未來的真理，但同時(shí)帶來的巨大數(shù)據(jù)量需要巨大的計(jì)算資源。

審核編輯：黃飛

?