原文链接：https://arxiv.org/abs/2307.10249

1. 引言

  目前的一些雷达-相机融合3D目标检测方法进行实例级的融合，从相机图像生成3D提案，并与雷达点云相关联以修正提案。但这种方法没有在最初阶段使用雷达，依赖于相机3D检测器；且融合发生在图像视图，多模态数据关联可能因为雷达点云的高度模糊性而不精确。
  本文提出雷达-相机多级融合（RCM-Fusion）方法，在BEV融合特征。首先会进行特征级融合，使用雷达数据指导图像特征变换到BEV下，并生成3D边界框。然后使用基于网格点的提案特征融合，进行实例级融合以修正提案，
  对于特征级融合，本文设计了雷达指导的BEV查询，使用雷达的位置信息将图像特征转换到BEV。然后雷达-相机门控模块加权聚合多模态BEV特征。这种自适应特征聚合模块被整合到Transformer中，解码密集的BEV查询特征。对于实例级融合，提出提案感知的雷达注意力模块，考虑雷达点与3D提案的相关性，获取雷达点特征。

2. 相关工作

2.3. 两阶段3D目标检测

  基于激光雷达的两阶段3D目标检测器利用提案框内的激光雷达点云来修正提案。可分两种方法：第一种方法将与提案相关的一些点视为关键点，使用PointNet++基于关键点提取特征。第二种方法定义一组虚拟点，称为网格点，并基于网格点提取特征。本文认为考虑提案内的点云分布是两阶段检测器的关键部分，使用网格点方法根据点云分布生成关键点。

3. 方法

  网络结构如下图所示。

3.1. 雷达和图像主干

  使用ResNet-101和FPN提取多尺度图像特征$F_C$；使用PointPillars提取雷达BEV特征图$F_R\in {\mathbb{R}}^{H\times W\times C}$。

3.2. 雷达指导的BEV编码器

  首先使用$F_R$生成雷达指导的BEV查询（RGBQ），该查询包含雷达的位置信息。然后，使用RGBQ将多模态特征转换为增强BEV特征。最后，雷达-相机门控（RCG）根据各模态的信息量，进行多模态的门控聚合。
  雷达指导的BEV查询：本文利用雷达的位置信息，使用$F_R$生成BEV查询（RGBQ）$Q^{RG}\in {\mathbb{R}}^{H\times W\times C}$。具体来说，将$F_R$与BEV查询$Q\in {\mathbb{R}}^{H\times W\times C}$拼接后通过可变形注意力（DeformAttn）模块生成$Q^{RG}$： Q p R G = ∑ V ∈ { Q , F R } DeformAttn ( Q p , p , V ) Q_p^{RG}=\sum_{V\in\{Q,F_R\}}\text{DeformAttn}(Q_p,p,V) QpRG​=V∈{Q,FR​}∑​DeformAttn(Qp​,p,V)其中$Q_p^{RG}$和$Q_p$分别表示BEV像素$p=(x,y)$处的查询。然后$Q_p^{RG}$通过空间交叉注意力（SCA）块生成修正的相机BEV特征$B_C$和修正的雷达BEV特征$B_R$：$$\begin{gathered} B_C={\text{SCA}}_C(Q_p^{RG},F_C) \\ {B}_R={\text{SCA}}_R(Q_p^{RG},F_R) \end{gathered}$$其中SCA是将$Q_p^{RG}$投影到模态特征然后进行可变形交叉注意力的操作。
  雷达-相机门控：通过加权组合融合$B_C$与$B_R$： B R C = { σ ( Conv C [ B C ; B R ] ) ⊙ B C } ⊕ { σ ( Conv R [ B R ; B C ] ) ⊙ B R } B_{RC}=\{\sigma(\text{Conv}_C[B_C;B_R])\odot B_C\}\oplus\{\sigma(\text{Conv}_R[B_R;B_C])\odot B_R\} BRC​={σ(ConvC​[BC​;BR​])⊙BC​}⊕{σ(ConvR​[BR​;BC​])⊙BR​}其中$B_{RC}$表示融合BEV特征图，$\sigma (\cdot )$表示sigmoid函数，$\odot$、$\oplus$和$[\cdot ;\cdot ]$分别表示按元素乘法、按元素加法和通道拼接。然后，$B_{RC}$以和基准方案BEVFormer相同的方式，通过归一化和前馈网络。重复BEV编码器（本节所有内容）$L$次后，生成最终的BEV特征图。和BEVFormer相比，本文的方法可以生成更精确的BEV特征图（特征更集中在真实边界框附近），而前者缺少足够的深度信息。

3.3. 雷达网格点修正

  提案感知的雷达注意力（PRA）将3D提案和相关联的雷达点云作为输入，使用基于MLP的注意力决定每个点的重要程度。然后使用雷达网格点池化（RGPP），考虑雷达点的特性和分布采样网格点，并将雷达点和多尺度图像的特征聚合到网格点中，生成细化特征。细化特征和初始提案特征组合产生最终输出。
  提案感知的雷达注意力：使用CRAFT中的软极性关联（SPA）将雷达点与3D提案关联。首先将3D提案和雷达点转换到极坐标系下，然后将径向距离和水平角均在一定范围内的雷达点与3D提案关联。但这样会使更多的点与3D提案关联，因为该范围比3D提案更大。引入PRA，设$b=(\mathbf{c},w,l,h,\theta ,{\mathbf{v}}_{\text{pred}})$表示一个3D提案，其中心位置为$\mathbf{c}$，3D尺寸为$(w,l,h)$，朝向角为$\theta$，速度为${\mathbf{v}}_{\text{pred}}$。与$b$相关联的$K$个雷达点记为 { r k } k = 1 K \{r_k\}_{k=1}^K {rk​}k=1K​，其中第$k$个点的位置为${\mathbf{u}}_k\in {\mathbb{R}}^3$。引入逐点的分数向量$s_k$来决定每个点的重要程度，得到被关注的雷达点特征$a_k$：$$\begin{gathered} s_k={\text{MLP}}_2([{\text{MLP}}_1(r_k);\delta (\mathbf{c}-{\mathbf{u}}_k)]) \\ {a}_k=\text{Softmax}(s_k)\odot {\text{MLP}}_3(r_k) \end{gathered}$$其中MLP沿通道维度处理，$\delta (\cdot )$表示位置编码。

  雷达网格点池化：网格点的位置和数量对基于网格点的修正模块来说是最重要的。考虑到雷达点的位置误差和稀疏程度，本文提出RGPP。如上图所示，3D提案的速度向量${\mathbf{v}}_{\text{pred}}$可分解为切向速度${\mathbf{v}}_{\text{tan}}$和径向速度${\mathbf{v}}_{\text{rad}}$。对第$k$个雷达点$r_k$，$T$个网格点 { g k t } t = 0 T − 1 \{g_k^t\}_{t=0}^{T-1} {gkt​}t=0T−1​按如下方式被生成在位置${\mathbf{u}}_k$附近：$$\begin{gathered} \gamma =\{\begin{array}{cc}{\rho }_{\min },& |{\mathbf{v}}_{\tan }|\le {\rho }_{\min }\\ |{\mathbf{v}}_{\tan }|,& {\rho }_{\min }<|{\mathbf{v}}_{\tan }|<{\rho }_{\max }\\ {\rho }_{\max },& |{\mathbf{v}}_{\tan }|\ge {\rho }_{\max }\end{array} \\ {g}_k^t=\gamma \cdot \left(\frac{t}{T-1}-\frac{1}{2}\right)\cdot \frac{{\mathbf{v}}_{\tan }}{|{\mathbf{v}}_{\tan }|}+{\mathbf{u}}_k,t=0,\cdots ,T-1 \end{gathered}$$
本文沿速度切向（${\mathbf{v}}_{\tan }$）创建网格点，这是因为雷达点通常在切向更具噪声。网格点的距离与切向速度${\mathbf{v}}_{\tan }$的大小相关。这样，对该3D提案有$KT$个网格点。然后使用最远点采样选择$M$个网格点 { g m } m = 1 M \{g_m\}_{m=1}^M {gm​}m=1M​。
  然后使用集合抽象（SetAbs）编码每个网格点$g_m$周围的雷达点，得到雷达点特征$F_m^{\text{pts}}$： F m pts = SetAbs ( { a k } k = 1 K , { r k } k = 1 K , g m ) F_m^\text{pts}=\text{SetAbs}(\{a_k\}_{k=1}^K,\{r_k\}_{k=1}^K,g_m) Fmpts​=SetAbs({ak​}k=1K​,{rk​}k=1K​,gm​)同时，网格点被投影到图像特征图$F_C$上通过双线性采样得到图像特征$F_m^{\text{img}}$：$$F_m^{\text{img}}=\text{Bilinear}(F_C,\text{proj}(g_m))$$其中$\text{proj}(\cdot )$表示投影过程。最后按下式获得提案特征：$$F_m^{\text{obj}}=\text{maxpool}(F_m^{\text{pts}}\oplus F_m^{\text{img}})$$上述提案特征会与初始提案特征融合进行3D提案的修正。

3.4. 雷达数据预处理

  本文通过降低判断雷达点是否有效的严格性和多帧积累（进行自车运动补偿和点运动补偿）增加雷达点云的密度。

4. 实验

4.2. 实施细节

  图像分支使用FCOS3D的预训练权重，雷达分支从头训练。训练时使用类别平衡策略CBGS。

4.3. 数据增广

  通过关联雷达点与图像像素，使用图像数据增广和BEV数据增广；在极坐标下使用GT增广，并使用方法增加非空（即含雷达点的）真实边界框的数量。

4.4. nuScenes数据集上的结果

  本文方法的性能能大幅超过基于相机的和基于相机-雷达融合的方法。

4.5. nuScenes验证集上的消融实验

  组件分析：RGBQ能带来最高的性能提升，而RCG，RGPP和RPA能带来少量性能提升。
  雷达网格点采样的作用：与不适用网格点的方法以及常规网格点生成方法相比，本文的自适应网格点生成方法的性能最优。常规网格点的生成会受到稀疏雷达的特性影响，而导致某些网格点周围不含雷达点，从而减少有效网格点的数量。
  数据增广：图像数据增广和BEV数据增广均能显著增加性能；极坐标GT增广能略微增加性能。
  雷达点过滤：通过适当过滤原始雷达点能带来一定的性能提升。