19、自动驾驶中的3D目标检测方法综述

自动驾驶中的3D目标检测方法综述

在自动驾驶领域，3D目标检测是至关重要的一环，它能够帮助车辆准确感知周围环境中的物体，从而做出合理的决策。目前，主要的3D目标检测方法可分为基于相机、基于激光雷达（LiDAR）和基于雷达（RADAR）的方法。

基于相机的方法

基于相机的方法主要分为结果提升方法和特征提升方法。

结果提升方法

• 关键点与边界框预测 ：KM3D使用center - net基线预测图像中每个物体9个关键点的投影，并通过最小化关键点预测和实例预测之间的投影误差来预测深度。MonoFlex则仅利用物体的3D高度和视觉高度来预测深度，充分利用自动驾驶场景的知识。
• 基于先验的深度估计 ：单目方法高度依赖深度估计，几何投影技术可用于从2D图像中检测3D物体，通过物体高度估计深度。M3D - RPN、GAC和YoloStereo3D从训练数据集中收集深度先验来定义锚点，但投影过程可能会放大误差，影响深度推断和训练效率。GUPNet引入几何不确定性投影方法，通过GUP模块获得推断深度的几何引导不确定性，并在概率框架下对投影过程进行建模。

特征提升方法

特征提升方法将中间特征转换为世界坐标，并在鸟瞰图（BEV）或3D体积中产生最终预测，可进一步分为伪激光雷达方法和特征映射方法。

• 伪激光雷达方法 ：源于[35]，该框架从图像中显式生成点云，并应用基于激光雷达的3D检测方法产生检测输出。Pseudo - LiDAR++使用稀疏激