自动驾驶中3D目标检测综述

最新推荐文章于 2024-12-08 20:40:55 发布

原创

最新推荐文章于 2024-12-08 20:40:55 发布 · 2.9k 阅读

30 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #自动驾驶 #3d

文章探讨了3D目标检测在自动驾驶领域的应用，强调了LiDAR传感器和点云数据的重要性。3D目标检测涉及到多种数据表示方法，如点云下采样、体素网格和BEV特征图。此外，文章还讨论了不同的评估指标，包括AP、PKL和SDE，以及基于LiDAR的3D目标检测技术，如点-体素混合方法和范围图像处理。在学习目标方面，提到了anchor-based和anchor-free策略，以及辅助任务如语义分割和形状完成在提升检测性能中的作用。

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。