自動駕駛中多模態(tài)三維目標檢測研究綜述

摘要：過去幾年，我們見證了自動駕駛的快速發(fā)展。然而，由于復雜和動態(tài)的駕駛環(huán)境，目前實現(xiàn)完全自動駕駛仍然是一項艱巨的任務。因此，自動駕駛汽車配備了一套傳感器來進行強大而準確的環(huán)境感知。隨著傳感器的數(shù)量和類型不斷增加，將它們融合來更好地感知環(huán)境正在成為一種趨勢。到目前為止，還沒有文章對基于多傳感器融合的3D目標檢測進行深入調研。為了彌合這一差距并推動未來的研究，本文致力于回顧最近利用多個傳感器數(shù)據(jù)源（尤其是相機和 LiDAR）的基于融合的 3D 檢測深度學習模型。首先，本文介紹了自動駕駛汽車中常用的傳感器，包括它們的通用數(shù)據(jù)表示以及基于每種類型的傳感器數(shù)據(jù)的3D目標檢測網(wǎng)絡。接下來，我們討論一些多模態(tài)3D目標檢測中流行的數(shù)據(jù)集，重點介紹每個數(shù)據(jù)集中包含的傳感器數(shù)據(jù)。然后我們從三個方面來深入回顧最近的多模態(tài)3D檢測融合網(wǎng)絡：融合位置、融合數(shù)據(jù)表示和融合粒度。最后，本文總結了現(xiàn)有的開放式挑戰(zhàn)并指出可能的解決方案。

1. 引言

自動駕駛感知模塊

如圖1，自動駕駛汽車（AV）通常配備一個感知子系統(tǒng)來實時檢測和跟蹤運動目標。感知子系統(tǒng)是將來自一組傳感器的數(shù)據(jù)作為輸入，經(jīng)過一系列的處理步驟后，輸出關于環(huán)境、其他物體（如汽車）以及自動駕駛汽車本身的知識。如圖2所示，AV上的傳感器通常包括攝像頭、激光雷達（Light Detection And Ranging sensor，LiDAR）、雷達（Radio detection and ranging，Radar）、GPS（Global Positioning System）、慣性測量單元(inertial measurement units)等。

具體來說，感知子系統(tǒng)有三個基本要求。

首先，它需要是準確的，并給出了駕駛環(huán)境的準確描述。

其次，具有魯棒性。能在惡劣天氣下、甚至當一些傳感器退化甚至失效時保證AV的穩(wěn)定與安全。

第三，實時性，能提供快速的反饋。

為了滿足上述需求，感知子系統(tǒng)同時執(zhí)行多個重要任務，如3D目標檢測、跟蹤、同步定位與映射(SLAM)等。

圖1：一個典型的自動駕駛感知子系統(tǒng)

圖2：自動駕駛汽車Sonic

3D目標檢測

3D目標檢測是感知子系統(tǒng)的一項重要任務，其目的是在傳感器數(shù)據(jù)中識別出所有感興趣的物體，并確定它們的位置和類別(如車輛、自行車、行人等)。在3D目標檢測任務中，需要輸出參數(shù)來指定物體周圍的面向3d的邊界框。如圖3所示，為了繪制紅色的三維包圍盒，我們需要預測中心三維坐標c，長度l，寬度w，高度h，物體偏轉角度θ。顯然，2D目標檢測無法滿足自動駕駛環(huán)境感知的需求，因為缺少現(xiàn)實三維空間下的目標位置。接下來介紹自動駕駛的3D目標檢測任務，根據(jù)傳感器的使用類型，包括使用相機、使用LiDAR以及使用Radar等一些單模態(tài)方法。在第二章中會詳細介紹。

結果例子（分別對應綠框、紅框）

多模態(tài)目標檢測

在現(xiàn)實的自動駕駛情況下，通過單一類型的傳感器進行目標檢測是遠遠不夠的。首先，每種傳感器都有其固有的缺點。例如，Camera only方法易遭受物體遮擋；LiDAR only方法的缺點是輸入數(shù)據(jù)的分辨率比圖像低，特別是在遠距離時點過于稀疏。圖4清楚地展示了兩種單模態(tài)檢測失效的情況。其次，要實現(xiàn)真正的自動駕駛，我們需要考慮廣泛的天氣、道路和交通條件。感知子系統(tǒng)必須在所有不同的條件下都能提供良好的感知結果，這是依靠單一類型的傳感器難以實現(xiàn)的。

圖4：單模態(tài)探測器典型問題的說明。對于場景#1，(a)表示Camera only無法避免遮擋問題，(b)中LiDAR only檢測器檢測結果正確；而在場景2中，(c)中Camera only的檢測器表現(xiàn)良好，而(d)中LiDAR only檢測器顯示了遠處點云稀疏時檢測的難度。請注意，虛線紅框表示未探測目標

為了解決這些挑戰(zhàn)，多模態(tài)融合的3D檢測方法被提出。雖然傳感器融合帶來了可觀的好處，但如何進行高效的融合對底層系統(tǒng)的設計提出了嚴峻的挑戰(zhàn)。一方面，不同類型的傳感器在時間和空間上不同步;在時域上，由于不同傳感器的采集周期是相互獨立的，很難保證同時采集數(shù)據(jù)。在空間領域，傳感器在部署時具有不同的視角。另一方面，在設計融合方法時，我們需要密切關注幾個問題。下面我們列舉了一些問題作為例子。

多傳感器校準和數(shù)據(jù)對齊：由于多模態(tài)數(shù)據(jù)的異質性(如表1所示)，無論是在原始輸入空間還是在特征空間，都很難對它們進行精確對齊。

信息丟失：我們以計算為代價，將傳感器數(shù)據(jù)轉換為一種可以對齊的處理格式，信息丟失是不可避免的。

跨模態(tài)數(shù)據(jù)增強：數(shù)據(jù)增強在3D目標檢測中起著至關重要的作用，可以防止模型過擬合。全局旋轉和隨機翻轉等增強策略在單模態(tài)融合方法中得到了廣泛的應用，但由于多傳感器一致性的問題，許多多傳感器融合方法都缺少這種增強策略。

數(shù)據(jù)集與評價指標：高質量、可公開使用的多模態(tài)數(shù)據(jù)集數(shù)量有限。即使是現(xiàn)有的數(shù)據(jù)集也存在規(guī)模小、類別不平衡、標記錯誤等問題。此外，目前還沒有針對多傳感器融合模型的評價指標，這給多傳感器融合方法之間的比較帶來了困難。

本文貢獻

我們對最近基于深度學習的多模態(tài)融合3D目標檢測方法進行了系統(tǒng)的總結。特別地，由于攝像頭和LiDAR是自動駕駛中最常見的傳感器，我們的綜述重點關注這兩種傳感器數(shù)據(jù)的融合。

根據(jù)輸入傳感器數(shù)據(jù)的不同組合，對基于多模態(tài)的3D目標檢測方法進行分類。特別是range image(點云的一種信息完整形式)、pseudo-LiDARs (由相機圖像生成)，在過去的綜述文章中沒有進行討論。

從多個角度仔細研究了基于多模態(tài)的3D目標檢測方法的發(fā)展。重點關注這些方法如何實現(xiàn)跨模態(tài)數(shù)據(jù)對齊，如何減少信息損失等關鍵問題。

對基于深度學習的相機-LiDAR融合的方法進行詳細對比總結。同時，我們還介紹了近年來可用于3D目標檢測的多模態(tài)數(shù)據(jù)集。

仔細探討具有挑戰(zhàn)性的問題，以及可能的解決方案，希望能夠啟發(fā)一些未來的研究。

2. 背景

在本節(jié)中，我們將提供自動駕駛中使用的典型傳感器的背景概述，包括基于于每種傳感器的數(shù)據(jù)表示和3D目標檢測方法。其中，我們主要討論相機和激光雷達傳感器。最后，介紹了其他的一些傳感器。

基于相機的3D目標檢測

相機的得到的數(shù)據(jù)是圖像。在多模態(tài)融合方法中，對于圖像的處理形式，有以下幾種表示。

1）Feature map

2）Mask

3）Pseudo-LiDAR

圖5：RGB圖像及其典型數(shù)據(jù)表示。原始圖像來自KITTI訓練集。對于(b)，使用預先訓練的AlexNet獲取64個通道的特征圖。對于(d)，我們采用偽點云的BEV來更好的顯示

基于LiDAR的3D目標檢測

由于點云數(shù)據(jù)是不規(guī)則的和稀疏的，找到一個合適的點云表示對于高效的處理是很重要的。大多數(shù)現(xiàn)有的處理形式可以分為三大類:體素、點和視圖。

1）Voxel-based

2）Point-based

3）View-based

圖6：原始點云及其典型數(shù)據(jù)表示。我們從KITTI訓練集中得到原始點云

基于其他傳感器的3D目標檢測

AV其他的傳感器包括如Radar，紅外相機等等。這里我們主要介紹毫米波雷達（mmRadar）。我們使用原始收集的雷達數(shù)據(jù)進行可視化。如圖7所示，對原始數(shù)據(jù)進行兩次快速傅里葉變換，得到圖像對應的距離-方位熱圖。(b)中的亮度表示該位置的信號強度，也表明物體出現(xiàn)的概率很高。

圖7：同一場景上的RGB圖像(a)和毫米波雷達熱圖(b)。數(shù)據(jù)是在中國科學技術大學西校區(qū)北門收集的。

3. 數(shù)據(jù)集與評價指標

數(shù)據(jù)集是有效進行深度學習研究的關鍵。特別是，像3D目標檢測這樣的任務需要精細標記的數(shù)據(jù)。在這一部分，我們討論了一些廣泛使用的自動駕駛3D目標檢測數(shù)據(jù)集。并且進行了詳細地比較，包括年份，激光雷達數(shù)量，激光雷達通道數(shù)量、攝像頭的數(shù)量，是否帶有雷達，2D盒子的數(shù)量(不區(qū)分2D盒子和2D實例分割注釋)，3D盒子的數(shù)量，標注的類的數(shù)量，以及位置。具體如表2所展示。

另外，大多數(shù)基于深度學習的多模態(tài)融合方法都是在KITTI、nuSecenes、Waymo上進行實驗的。從圖8，我們觀察到三個流行的數(shù)據(jù)集的大小從只有15,000幀到超過230,000幀。與圖像數(shù)據(jù)集相比，這里的數(shù)據(jù)集仍然相對較小，對象類別有限且不平衡。圖8也比較了汽車類、人類和自行車類的百分比。有更多的物體被標記為“汽車”比“行人”或“自行車”。

圖8：KITTI、nuScenes和Waymo開放數(shù)據(jù)集的比較

4. 基于深度學習的多模態(tài)3D檢測網(wǎng)絡

在本節(jié)中，我們介紹了基于多模態(tài)融合的3D檢測網(wǎng)絡。我們通過考慮以下三個融合策略中的重要因素來組織我們的文章：(1)融合位置，即多模態(tài)融合在整個網(wǎng)絡結構中發(fā)生的位置；(2)融合輸入，即每個傳感器使用什么數(shù)據(jù)表示進行融合；(3)融合粒度，即多個傳感器的數(shù)據(jù)在什么粒度進行融合檢測。

其中，融合位置是區(qū)分融合方法的最重要因素。一般來說，我們有兩種可能的融合位置，如圖9所示：特征融合和決策融合。特征融合是將不同模態(tài)的特征組合起來得到檢測結果，而決策融合則是將每個單獨的檢測結果組合起來。下面，我們首先回顧了特征融合方法，然后討論了決策融合方法。注意，由于融合方法的設計與數(shù)據(jù)集的選擇是正交的，因此我們將一起討論KITTI、Waymo和nuScenes數(shù)據(jù)集的融合方法。其中，大多數(shù)多模態(tài)三維檢測方法都是在KITTI上進行評價的。從表3的評價總結中，可以清楚地看出該方法適用于哪些數(shù)據(jù)集。

圖9：特征融合與決策融合

特征融合

特征融合在神經(jīng)網(wǎng)絡層中分層混合模態(tài)。它允許來自不同模式的特性在層上相互交互。特征融合方法需要特征層之間的相互作用，如圖9 (a)所示。這些方法首先對每個模態(tài)分別采用特征提取器，然后結合這些特征實現(xiàn)多尺度信息融合。最后，將融合后的特征輸入神經(jīng)網(wǎng)絡層，得到檢測結果。

許多融合方法都屬于這一類。我們基于傳感器數(shù)據(jù)的不同組合，將這些方法分成以下幾類。

Point cloud view & image feature map

point cloud voxels & image feature map

LiDAR points & image feature map

LiDAR points & image mask:

point cloud voxels & image mask

point cloud voxels & point cloud view & image feature map

point cloud voxels & image feature map & image pseudo-LiDAR

此外，在特征融合方法中，我們還需要關注融合粒度。具體來說，特征融合可以在不同粒度上進行，即RoI-wise、voxel-wise、point-wise和pixel-wise。圖10總結了基于深度學習的多模態(tài)三維檢測方法出現(xiàn)的年份，并對每種方法的融合粒度進行了標記。我們觀察到，早期方法融合粒度比較粗糙，主要使用RoI和voxel。隨著多模態(tài)目標檢測技術的快速發(fā)展，融合粒度越來越細，融合種類越來越多，檢測性能不斷提高。

圖10：特征融合3D目標檢測方法的時間軸。用不同的顏色來標記它們的融合粒度。

決策融合

在決策融合中，多模態(tài)數(shù)據(jù)被單獨、獨立地處理，融合發(fā)生在最后的決策階段。這種方法的思想通常是利用神經(jīng)網(wǎng)絡對傳感器數(shù)據(jù)進行并行處理，然后將得到的所有決策輸出進行融合，得到最終結果。與特征融合相比，決策融合可以更好地利用現(xiàn)有網(wǎng)絡對每個模態(tài)的影響，并且我們可以很容易地知道每個模態(tài)的結果是否正確。然而，從表4可以看出，一個不能忽視的嚴重缺點是不能使用豐富的中間層特征。因此，決策融合直到最近才受到人們的重視。

相機-LiDAR融合方法總結

綜上所述，大多數(shù)融合方法都是基于KITTI 3D基準，但在KITTI 3D目標檢測排行榜上排名靠前的方法主要是LiDAR-only方法。在KITTI數(shù)據(jù)集上，多模態(tài)方法的效果并不好。相反，在最新數(shù)據(jù)集如nuScenes和Waymo Open Dataset上，排名靠前的方法主要是多模態(tài)融合的方法。一個可能的原因是這些數(shù)據(jù)集中使用的LiDAR傳感器具有不同的分辨率。KITTI使用一個64通道的LiDAR，nuScenes使用一個32光束的LiDAR。因此，當點云相對稀疏時，多模態(tài)方法更有用。更重要的是，最近的融合方法有一些共同的特點。一方面，它們都采用point-wise的融合粒度來有效地建立激光雷達點與圖像像素之間的精確映射；另一方面，在訓練融合網(wǎng)絡的過程中，都進行了精心設計的跨模態(tài)數(shù)據(jù)增強，不僅加快了網(wǎng)絡的收斂速度，而且緩解了類間的不平衡問題

其他傳感器融合方式

我們還簡單討論了針對其他類型傳感器的融合方法，如Radar-相機，LiDAR-Radar等。

5. 開放式挑戰(zhàn)與可能的解決方案

在本節(jié)中，我們將討論多模態(tài)3D目標檢測的開放式挑戰(zhàn)和可能的解決方案。我們重點討論了如何提高多傳感器感知系統(tǒng)的準確性和魯棒性，并同時實現(xiàn)系統(tǒng)的實時性。表6總結了我們的討論。包括以下幾個關鍵問題。

多傳感器聯(lián)合標定

數(shù)據(jù)對齊

跨模態(tài)數(shù)據(jù)增強

數(shù)據(jù)集與評價指標

6. 總結

由于3D視覺在自動駕駛等應用中的重要性日益增加，本文綜述了近年來的多模態(tài)3D目標檢測網(wǎng)絡，特別是相機圖像和激光雷達點云的融合。我們首先仔細比較了常用的傳感器，討論了它們的優(yōu)缺點，總結了單模態(tài)方法的常見問題。然后，我們提供了幾個常用的自動駕駛數(shù)據(jù)集的深入總結。為了給出一個系統(tǒng)的回顧，我們考慮以下三個維度對多模態(tài)融合方法進行分類：(1)融合在管道中發(fā)生的位置；(2)每個融合輸入使用什么數(shù)據(jù)表示；(3)融合算法的粒度是什么。最后，我們討論了在多模態(tài)3D目標檢測中的開放式挑戰(zhàn)和潛在的解決方案。

文章鏈接：https://arxiv.org/abs/2106.12735