自动驾驶中3D目标检测综述

1 背景

1.1 3D目标检测

3D目标检测是通过输入传感器数据，预测3D目标的属性信息的任务。如何表示3D目标的属性信息是关键，因为后续的预测和规划需要这些信息。在大部分情况下，3D目标被定义为一个立方体，(x,y,z)是立方体的中心坐标，l,w,h是长宽高信息，delta是航向角，比如立方体在地平面的偏航角，class是3D目标的类别。vx、vy描述3D目标在地面上沿x轴和y轴方向的速度。在工业应用中，一个3D目标的参数可以进一步简化为BEV上一个长方体的4个角位置。

如今在自动驾驶应用场景中，3D目标检测一般基于摄像机、LiDAR或者两者融合来进行，LiDAR传感器更贵，但是通过LiDAR能获得实时的深度图像和点云。

与2D检测相比，基于点云的3D目标检测需要处理不规则的点数据，而且同时基于点云和图像的检测需要特殊的融合机制；3D目标检测是多视角的，如BEV、点视图、圆柱形视图等；3D目标检测需要更加精准的定位信息，它不像2D检测中几像素的位置偏差仍然能够获取非常不错的IoU，驾驶场景中，几像素的偏差很有可能在检测行人时出现致命错误。

1.2 数据集

在这里插入图片描述

1.3 评估指标

在3D目标检测中，一般有两类评估指标，一类是将2D检测中的AP挪用到3D检测中，如KITTI，包含3D和BEV两个AP，分别代表3D上的IoU和BEV上的IoU，另一类评估指标则是基于下游任务的，如PKL、SDE等，比如在驾驶场景中，相同的IoU随着离驾驶人越近，权重增加，因为更能危及到驾驶人的安全问题，这就是AP指标未能考虑的点。但是PKL、SDE也不是完美的，PKL是需要预训练的运动规划器的，但是预训练的过程并非能保证不出错，而SDE需要重构物体边界，这通常是很复杂的。

2 基于LiDAR的3D目标检测

通过LiDAR，传感器能输出深度图像和点云，但是简单的将2D目标检测中的诸如卷积等操作应用过来，可能会丧失像素中包含的3D信息，同时在自动驾驶场景中，要实时且准确的描述信息是一个巨大的挑战。

2.1 Data Representations

2.1.1 Point-based 3D目标检测

在这里插入图片描述
点云下采样
在 PointNet++ 中用到了FPS(Farthest Point Sampling) 最远点采样法，该方法比随机采样的优势在于它可以尽可能的覆盖空间中的所有点。

实现步骤
假设一共有n个点,整个点集为N = {f1, f2,…,fn}, 目标是选取n1个起始点做为下一步的中心点:

①随机选取一个点fi为起始点，并写入起始点集 B = {fi};
②选取剩余n-1个点计算和fi点的距离，选择最远点fj写入起始点集B={fi,fj};
③选取剩余n-2个点分别计算和点集B中每个点的距离, 将最短的那个距离作为该点到点集的距离, 这样得到n-2个到点集的距离，选取最远的那个点写入起始点B = {fi, fj ,fk},同时剩下n-3个点, 如果n1=3 则到此选择完毕;
④如果n1 > 3则重复上面步骤直到选取。

其他的下采样有 segmentation guided filtering、feature space sampling、random sampling、voxel-based sampling、coordinate refinemen等。

点云特征学习
set abstraction（SA）首先点云通过预先定义好半径的ball query收集，然后通过mlp和max pooling抽取特征。

其他方法还有graph operators、attentional operators、Transformer。

分析
模型的表征能力主要基于两种因素：点的数量和ball query的半径。

通过LiDAR采样的点并不是均匀分布的，随机采样往往导致过度采样那些高密度区域，而忽略掉分散的点，所以随机采样较fps表现不佳。fps是一连串的算法不可能高并行化，所以不太合适做实时检测。

2.1.2 Grid-based 3D目标检测

在这里插入图片描述

Grid-based表示
有三种类型：voxel体素、pillars、BEV特征图

voxel：在实际应用场景中，只有那些非空的voxel被利用于特征提取，VoxelNet就是一项先驱性工作，提出了VFE用于提取在voxel cell中的点的特征。除此以外还有Muti-view voxels（一种从多角度表征3D目标且能融合的方法）和Multi-scale voxels。

pillars：可以看作特殊的voxel，它在垂直尺度上是不受限制的。该表征方法由PointPillars提出。

BEV feature maps：每个像素相当于一块特定的区域的编码，BEV特征图能够直接通过summary point statistics获取，或者通过投影3D特征（从voxel或pillars获取）到鸟瞰图。

Grid-based神经网络
一般有两类：2D卷积神经网络（pillars、BEV特征图）和3D稀疏神经网络（voxel）。

2D卷积神经网络：有很多经典的，像resnet、rpn、fpn

3D稀疏卷积神经网络：
①稀疏卷积：卷积的输入为一个矩阵M和一个哈希表H。矩阵M为输入feature map上不为空的部分的特征，大小为 a × n， a代表不为空的位置个数，n代表特征维度C。哈希表H， key代表输入feature map中不为空的位置的坐标，value代表这个坐标对应的特征是M中的哪一行特征。
计算流程：
1.(CPU上)。对H中的key进行遍历，确定卷积输出feature map上不为空的位置的坐标与个数，组成Hout 。同时确定rule book， rule book的每一行对应计算卷积输出feature map上不为空的某个位置所需要输入feature map上的位置，通过这个位置得到输入哈希表中该位置对应的key，填充到rule book中
2. (GPU上)。对rule book的每一行进行并行计算，得到每个不为空的输出位置的输出。

②submanifold卷积
在稀疏卷积的基础上提出了子流形稀疏卷积。submanifold指稀疏卷积指输出feature map上不为空的位置与输入feature map上不为空的位置相同。稀疏卷积会使得数据的稀疏性指数下降，而submanifold会保持一样的稀疏性，但是如果只用submanifold稀疏卷积，卷积核的感受野会限制在一定范围内，所以要和 maxpooling 或 stride=2 的卷积一起使用，在保持稀疏性的同时增大感受野。
具体的实现流程类似，直接把Hin复制到Hout，其他一致。

分析
voxel较pillar和BEV特征图能包含更多的3D信息，然而，一个3D的神经网络会消耗更多的时间和空间。BEV特征图是最有效的grid表示（高效且实时的推理速度），它直接将点云投影到2D平面上，而常见的2D目标检测操作也能无缝地迁移过来，但是这样简易的操作势必会丢失很多3D信息。Pillars则能在两者之间平衡。

grid-based最重要的就是cell的尺寸。网格表示本质上是点云的离散格式，通过将连续的点坐标转换为离散的网格索引。更小的cell精度也会越高，但也会消耗更多的memory。

2.1.3 Point-voxel based 3D目标检测

在这里插入图片描述

Single-stage point-voxel 检测框架
point包含高精度的位置信息，voxel在推理计算上又很有效率，所以在backbone中，两者通过 point-to-voxel 和 voxel-to-point进行转换。比如point-voxel convolutions、auxiliary point-based networks、multi-scale feature fusion

Two-stage point-voxel 检测框架
第一阶段：通过voxel-based检测框架来输出3D目标的候选集；代表工作：PV-RCNN

第二阶段：结合第一阶段的检测器以及点云采样得到keypoints，然后从keypionts进一步细化3D候选框，如RoI-grid pooling

分析
Point-voxel based方法虽然能结合两者的优点，但是在融合上有很耗时。对于Two-stage框架，如何有效地在3D候选框上综合点的特征，是一个挑战。

2.1.4 Range-based 3D目标检测

在这里插入图片描述
深度图像虽然是2D的，但是，每一个像素点都包含3D距离信息。

Range-based 检测模型
正因为深度图像是2D的，所以能将2D目标检测的模型迁移过来，LaserNet就是一个代表性的工作。

Range-based 算子
虽然是2D图像，但是一个滑动窗口中的像素在3D空间里可能离得很远。像 range dilated convolutions 等有效的解决了这个问题。

Range-based 视角
从range view检测势必会受到球面投影带来的遮挡和尺度变化问题的影响。

分析
从range view中提取特征，从BEV中检测物体，是Range-based的3D物体检测最实用的解决方案。

2.2 Learning Objectives

该节讲述准确估计3D目标的中心点和尺寸的方法。

2.2.1 anchor-based

在这里插入图片描述
通常3D目标的预测是基于标注好的anchor，相同的类别有相同的size，并且整个检测过程的视角是BEV。

如下所示，整个损失函数包含类别、尺寸位置、方向角三个部分。
在这里插入图片描述
在类别损失中，通常采用 bce loss 和 focal loss（针对样本不均衡问题）。
在尺寸位置、方向角损失中，通常采用SmoothL1。

除了上述三种分别处理的损失，还有IoU损失、corner loss等等。

分析：第一，3D目标相较于检测范围来说是相对小的，第二，对于行人等小目标检测不是很准确。通常anchor都是放置在每个cell的中央，如果cell很大，cell中的目标很小的话，就会导致较低的IoU。

2.2.2 anchor-free

在这里插入图片描述
（1）针对point-based：首先对点进行分割，选择那些在三维物体内部或附近的前景点作为正样本，最后从这些前景点中学习3D bounding box。
（2）针对range-based：选择三维物体内部的范围像素作为正样本，与其他基于全局三维坐标系的回归目标的方法不同，基于范围的方法借助于以物体为中心的坐标系进行回归。
（3）set-to-set：如2D目标检测中的DETR采用的匈牙利匹配算法。

缺点：bad positive samples

2.2.3 3D object detection with auxiliary tasks

（1）语义分割
语义分割可以在三个方面帮助三维物体检测：（1）前景分割可以提供物体位置的隐含信息。(2) 空间特征可以通过分割得到增强。(3) 可以作为预处理步骤来利用，以过滤掉背景样本，使三维物体检测更加有效。
（2）IoU rectification
IoU可以作为一个有用的监督信号来纠正物体的置信度分数。可以为每个检测到的三维物体预测一个IoU分数：SIoU。在推理过程中，原始置信度分数Sconf = Scls被SIoU进一步rectify。
在这里插入图片描述
通过IoU rectification，高质量的三维物体更容易被选为最终预测。
（3）Object shape completion
由于LiDAR的性质，远处的物体一般只收到其表面的几个点，所以三维物体一般是稀疏的、不完整的。提高检测性能的一个直接的方法是从稀疏的点云中完成物体形状。完整的形状可以为准确和稳健的检测提供更多有用的信息。
（4）Object part estimation
识别物体内部的部分信息对三维物体检测很有帮助，因为它揭示了一个物体更精细的三维结构信息。