DeFlow项目在Argoverse2数据集上的坐标变换问题解析

DeFlow项目在Argoverse2数据集上的坐标变换问题解析

DeFlow [ICRA'24] DeFlow: Decoder of Scene Flow Network in Autonomous Driving 项目地址: https://gitcode.com/gh_mirrors/de/DeFlow

背景介绍

在基于点云的场景流估计任务中，DeFlow项目展现出了卓越的性能。然而，当用户在Argoverse2验证集上测试预训练模型时，发现性能有所下降。经过分析，这一问题主要源于数据预处理阶段中坐标变换的疏忽。

问题本质

在DeFlow项目中，模型训练使用的是传感器坐标系下的点云数据。如果忽略将原始点云从自车坐标系转换到传感器坐标系这一关键步骤，会导致输入数据分布与训练时不一致，从而影响模型性能。

坐标变换的重要性

传感器坐标系与自车坐标系的主要区别在于Z轴方向的偏移。具体表现为：

1. 传感器坐标系通常位于激光雷达传感器的安装位置
2. 自车坐标系则位于车辆底盘中心
3. 两者在Z轴方向存在固定偏移量

这种坐标系的差异虽然看似微小，但对点云数据的空间分布会产生显著影响。实验对比显示，未经正确坐标变换的点云数据会导致场景流估计质量明显下降。

解决方案

正确的数据处理流程应包含以下步骤：

1. 将原始点云从自车坐标系转换到传感器坐标系
2. 保持流标签不变（因为流是相对运动，坐标系转换不影响相对关系）
3. 确保预处理流程与训练时完全一致

实际效果验证

按照正确流程处理后，模型在Argoverse2验证集上能够恢复预期性能。测试结果表明，正确的坐标变换处理可以显著提升以下指标：

• 场景流估计的准确性
• 运动物体的分割质量
• 整体场景理解的一致性

技术建议

对于类似点云处理项目，建议开发者：

1. 仔细检查训练和推理时的数据预处理一致性
2. 理解不同坐标系之间的转换关系
3. 建立数据预处理验证机制
4. 在模型文档中明确标注数据要求

通过正确处理坐标变换问题，可以确保DeFlow模型在各种场景下都能发挥最佳性能。这一经验也适用于其他基于点云的深度学习应用。

DeFlow [ICRA'24] DeFlow: Decoder of Scene Flow Network in Autonomous Driving 项目地址: https://gitcode.com/gh_mirrors/de/DeFlow