20、自动驾驶中的3D目标检测技术：现状与展望

自动驾驶中的3D目标检测技术：现状与展望

1. 基于雷达的目标检测

在部分视野或遮挡条件下，深度学习模型已成为强大的特征提取器和分类器用于感知任务。基于雷达的目标检测有不同的实现方式：
- 频谱图像分类 ：Kanil等人首先从频谱图像生成提案，并使用CNN模型进行分类。若借助R - CNN框架或单阶段检测框架，其工作可能进一步改进。
- 点云作为输入 ：通过聚类预处理可从雷达原始数据中获取点云。不同学者提出了多种方法：
- Scheiner等人提出用DBSCAN将输入的雷达点云分离成多个聚类，再用LSTM进行分类。
- Schumann等人分别用CNN和记忆感知的PointNets从静态和动态雷达点中提取特征。
- Danzer等人提出从雷达点云估计旋转的2D边界框，采用PointNet架构提取特征并回归2D边界框。
- 雷达点云可量化为2D图像，用CNN提取特征和检测目标。有研究提出基于雷达的检测基准，比较了YOLOv3、PointPillars、PointNet++及其变体，结果显示YOLOv3和PointNet++性能优于PointPillars变体。

与基于相机和激光雷达的目标检测相比，基于雷达的目标检测由于数据观测稀疏，研究还不够充分。

2. 多传感器融合方法

多传感器融合是3D目标检测的热门研究方向，能在面对破坏、故障、恶劣条件和盲点时提供互补和冗余信息。但不同传感器提供不同的数据表示，如何融合多传感器数据进行感知是一个重要问题。以下是几种常见的融合方法：
- 特征融合