BEV感知算法学习

3D目标检测系列

Mono3D(Monocular 3D Object Detection for Autonomous Driving)

流程：

• 通过在地平面上假设先验，在3D空间中对具有典型物理尺寸的候选边界框进行采样；
• 然后我们将这些方框投影到图像平面上，从而避免了图像中的多尺度搜索；
• 我们通过利用多个特征对候选框进行评分:类语义、实例语义、轮廓、对象形状、上下文和位置先验；
• 经过非极大值抑制，得到最终的目标建议集。

PointPillars: Fast Encoders for Object Detection from Point Clouds

三大步骤：
① 特征编码器将点云转化为稀疏伪图像；
所谓伪图像就是从一个3D柱到图像的过程，即利用3d柱的9维特征表示图像的通道，利用柱子的数量和每个柱子里点的数量来表示图像的高和宽，再添加卷积层和激活函数处理这些点得到（C,P,N）大小的tensor，然后在N的维度执行max函数得到输出tensor维度大小（C, P），再将得到的特征分散到原始的柱子位置，就可以得到（C, H, W）大小的伪图像。
② 2D卷积骨干网络将伪图像处理为高级表示；
Backbone和VoxelNet类似，包含两个子网络，一个自上而下的网络以越来越小的空间分辨率产生特征，而第二个网络执行自上而下特征的上采样和级联。
③ 一个检测头检测回归3D框。
采用SSD检测头。

BEV系列

• LSS(Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D)
  

三个步骤：Lift, Splat, Shoot
1. Lift
目的：将图像从二维坐标系提升到所有相机共享的三维帧。

每个像素都分配了一组离散的深度，这样整个图像的维度就是D×H×W（跟点云一样）。对于每个像素p，网络预测了一个上下文向量c和深度分布α，点$p_d$处的特征$c_d$就可以表示为：
$$c_d={\alpha }_{d}c$$也就是说，射线上每个点的特征由α和c的外积决定。
通过lift操作可以得到一个frustum形状的点云。
2. Splat:Pillar Pooling
参考PointPillars建立Pillar柱子，执行sum pooling操作产生C×H×W大小的tensor，可以被CNN处理用于BEV推理。
3. Shoot: Motion Planning
所谓规划即为预测车辆在K个模板轨迹上的分布，参考NMP（Neural Motion Planner）。

其中分布满足如下的形式，训练时即为减小模板和真实轨迹之间的损失：