BEV感知经典模型分析及对比

点击上方蓝字谈思实验室

获取更多汽车网络安全资讯

对于纯视觉的感知来说，准确地测距是最关键也是最难的问题。对单目测距来说，这是一个病态问题，对于图像中的物体，难以判断它是一个远处的大目标，还是一个近处的小目标。例如下图的场景，以我们的经验（对于车、人和建筑物尺度的大致判断）来说，镜头离道路上的车大概有几米到十几米的距离，但细看会发现这是一个仿真场景，假如人和车都是玩具的仿真，只有十几厘米高，那这个距离也就只有几十厘米而已了。

解决这个问题的一个方法是使用双目测距。传统方法是对双目进行严格的标定，利用特征点匹配+对极几何进行计算，但这种方法计算量很大，且严重依赖于标定质量，同时基线的长度限制了测距的范围，所以实际应用有较大的局限性。目前常用的视觉3D检测主要有以下两种方法：

这种方法依赖很多假设和先验知识：

假设1：地面平坦，没有起伏和坑洞

假设2：目标接地，且可以看到接地点

先验1：目标的实际高度（或宽度，可以通过分类的方式与经验平均值回归得到），或照相机高度

先验2：相机的焦距

满足了以上假设并且已知相关先验，即可通过2D检测的结果，经过相似三角形关系，估算目标大致深度（如下图，深度Z=H *f / h），再通过内参转换，估算出3D box的位置。

视觉几何深度估计

显而易见，这种方法局限性很多，首先两个假设和先验知识就很难获取，其次对于多视角目标检测来说，同一个目标可能同时出现在两个视角中，且都不完整，对其做拼接也非常困难。再次这种方法还依赖于2D检测的结果，即使检测框很准，由于目标角度的千变万化，也难以表征目标在2D空间中的实际高度，所以还需要大量的后处理工程进行优化。

即本文开头提到的方法：先得到伪激光雷达点云，再使用点云3D检测的方法，这类方法最大问题就是严重依赖于深度估计的结果，不能进行端到端的调优。由于深度估计方法的潜能目前并未挖掘充分，所以也对结果产生了局限性。

基于以上问题，具有上帝视角的鸟瞰图bird-eye-view(bev)是一个很好的解决方案。关于如何获取bev，传统方法是进行逆透视变换（IPM），即通过多相机的内外参标定，求得相机平面到地平面的单应性矩阵，实现平面到平面的转换，再进行多视角图像的拼接。效果如下：

IPM示例

IPM相关的技术已比较成熟，并广泛运用在自动泊车等场景中，但也有不小的局限性，比如同样依赖于标定的准确性且内外参必须固定，而且从原理上说，IPM只能表征地平面的信息，有一定高度的目标都会在图片上产生畸变，所以同样需要假设地面平坦、目标接地，这就意味着难以应用在较远距离的感知任务中。

所以目前对bev大量的研究都是基于深度学习的方法。而且随着近年来transformer的横空出世，深度学习网络对于全局特征的学习和多特征融合都有了相比CNN的显著提升，所以bev是transformer非常合适的应用场景。下面介绍的一系列模型几乎都以transformer作为基础架构。

[1]Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D[1]

代码：GitHub - nv-tlabs/lift-splat-shoot: Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D (ECCV 2020)[2]

LSS是早期的比较直接的尝试，即先估计每个像素的深度，再通过内外参投影到bev空间。只是因为不存在深度标签，这里并没有直接回归深度值，而是对每个像素点预测一系列的离散深度值的概率（文中是1-50m），概率最大的深度值即为估计结果。如下图所示：

转换示例

此时我们可以得到深度分布特征α和图像特征c，将二者做外积，可以得到一个视锥特征（frustum-shaped point cloud），如下图左二所示（因为近大远小的特点）。这一步作者称为lift。

LSS框架

得到多视角的视锥特征后，可以通过外参将视锥投影到bev平面。在bev平面下，每个存在高度信息的像素称为体素（voxel），具有无限高度的voxel称为pillar[2]。我们将每个视锥的每个点分配给最近的pillar，再执行sum pooling，得到CxHxW的bev特征。作者采用cumsum trick来提升sum pooling 效率，并把这一过程称为splat.

[2]Pointpillars: Fast encoders for object detection from point clouds[3]

有了bev特征后，就可以很方便的进行3D检测、语义分割、预测和规划等一系列任务，作者把这个过程称为shoot。LSS方法可以得到稠密的bev特征，缺点是由于每个像素都预测了一系列深度概率值，计算量相对较大。LSS方法为bev感知提供了一种重要的思路。

[2]BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View[4]

[3]BEVerse: Unified Perception and Prediction in Birds-Eye-View for Vision-Centric Autonomous Driving[5]

BEVdet是近期出现的基于LSS的自底向上建立BEV的方法。如下图所示，先对多视角图像进行特征提取（Image-view Encoder）,再通过基于LSS的视角转换（View Transformer）将多视角特征投影到bev空间下，再用和第一步类似的backbone对bev特征进行编码，最后进行目标检测。这种方法虽然在LSS这一步存在不少冗余的计算，但好处是得到了显式的bev特征，可以做bev视角下的特征提取和数据增强，并且可以使用任意的目标检测头。

BEVDet

在真值匹配和后处理上，BEVdet也偏向传统，使用了NMS，但提出了scale-NMS，即对不同类别的目标进行不同尺度的缩放，来做更符合客观场景的目标框过滤，如下图所示。

scale-NMS

鉴智的另一篇工作是BEVerse，加入时序序列构建了感知预测一体的框架。基本思路是对于一个长度为N的时序序列，每一帧分别做特征提取和基于LSS的视角转换，再经过BEV时空编码器融合空间域和时域的多种特征，最后经过多任务解码器做目标检测、建图和运动预测等下游任务。

BEVerse

感知预测一提的框架最初是从Wayve的Fiery[11]发展而来，同样是基于LSS视角转换。Fiery主要步骤如下：

[4]FIERY: Future Instance Prediction in Bird’s-Eye View from Surround Monocular Cameras[6]

代码：FIERY: Future Instance Prediction in Bird’s-Eye View from Surround Monocular Cameras[7]

• 从1到t时刻，参照LSS思路预测每个点的深度分布并投影到bev空间

• 根据ego-motion将1……t-1时刻特征都转换到t时刻（Spatial Transformer module S）

• 用3D卷积学习时序特征

• 根据未来的标签y，预测当前和未来的特征分布

• 支撑未来的实例分割和预测任务

Fiery框架

BEVerse改善了Fiery的内存消耗，提出了高效生成未来状态的迭代流。因为博主对轨迹预测的研究不是很深就不详述了，具体可参照黄浴大佬的博客：

黄浴：BEVerse：自动驾驶视觉为中心的BEV统一感知和预测框架[8]

[5]End-to-End Object Detection with Transformers[9]

[6]DETR3D: 3D Object Detection from Multi-view Images via 3D-to-2D Queries[10]

代码：GitHub - WangYueFt/detr3d[11]

LSS方法进行透视视角到bev视角转换是非常直接的，但会带来较高的计算复杂度。而且仅从目标检测这个任务来说，稠密的特征表达其实是非必要的，因为最终目标是得到少量的target bbox。又因为我们有transformer这个大杀器，让自顶向下的稀疏bev表示成为可能。DETR3D便是在bev空间中使用transformer进行自顶向下特征提取的新范式。

介绍DETR3D之前先要介绍DETR[5]（facebook,2020）和deformable DETR[7](商汤科技，2021）。

[7]Deformable DETR: Deformable Transformers for End-to-End Object Detection[12]

DETR是vision transformer用在目标检测的开山之作，首先应用在2D检测。它将目标检测任务视为一个图像到集合的问题，即给定一张图像，模型的预测结果是一个包含了所有目标的无序集合。这打破了以faster-rcnn为代表的anchors和非极大值抑制NMS机制，大大简化了目标检测pipeline。

[8]Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[13]

DETR

如上图所示，DETR的主要框架是首先经过CNN提取特征，再通过transformer encoder进行全局特征编码，得到K和V再通过预设的object queries，与上一步获取的K和V做cross-attention，更新object queries，再经过FFN(feed forward network)得到目标分类和bbox回归结果。这里的object queries代表每一个潜在的目标检测框，个数即为最大支持的检测数目，省去了预设大量anchors的步骤。作者使用的初始化方式是先进行全0初始化，再加上位置编码，也就是只保留位置信息，与检测框的物理意义一致。

DETR另一个创新之处就是用匈牙利匹配算法（Hungarian algorithm）代替NMS机制，在训练阶段计算损失函数之前，先得到一对一的最大匹配，而不是一对多的冗余匹配，在推理阶段也直接得到最终结果，不需要执行NMS，实现了真正的端到端检测，显著提高了效率。

Deformable DETR是针对DETR计算量大、收敛较慢、难以作用于高分辨率图像等问题，基于可变卷积[9]思想提出了一种可变注意力机制（deformable attention ）:

原生注意力机制

可变注意力机制

[9] Deformable convolutional networks[14]

可变注意力机制避免了原生注意力机制中每个query和所有图像特征之间的交互计算，而是引入了参考点（reference points）和采样点（sampling points）,每个object query对应一个参考点，代表目标的初始位置，它只和K个采样点做交互计算，大大节省了计算量，其中参考点和采样点的位置同样是可学习的，推理的结果不是bbox的绝对坐标，而是与参考点坐标的offset，使推理结果与decoder attention直接相关，有利于模型加速收敛。另外，deformable DETR还使用cross attention进行多尺度特征之间的信息交互，不需要FPN，并用scale-level embedding来区分不同尺度，对于小目标的检测效果提升显著。deformable DETR后续也成为一种重要的范式。

DETR

本节要介绍的DETR3D即是建立在DETR和deformable DETR的基础上，将2D检测推广到bev 3D检测的经典模型。

由于bev特征需要从多视角图像特征融合得到，所以需要先对多视角图像提取特征，文中用的是Resnet+FPN（没有transformer encoder模块）。Decoder模块参照deformable DETR的思路，在bev空间预设多个3D的object queries，并从object queries经线性映射得到3D的参考点（reference points)。下一步是3D的参考点如何与2D的特征做交互，文中利用了内外参的先验信息，将3D reference points投影到各个视角的图片上。由于多相机之间存在共视区域和盲区问题，一个参考点可能投影到多个视角，也可能一个视角也投不到，所以作者加了一个二进制的mask代表当前视角是否被投影成功。

接下来是做cross-attention，看代码后发现，DETR3D的做法与DETR和deformable DETR都有一些不同，object queries不是和DETR那样与全图交互，也不是和deformable DETR那样先从object queries预测一些参考点，再预测一些以参考点为基准的采样点，然后和采样点的特征交互，而是直接和3D参考点投影的2D参考点处的特征交互（经过双线性插值），相当于交互的特征个数=object queries个数，比deformable DETR还要少（每个object query预测K个采样点，默认是4个），应该说是更稀疏的deformable DETR了。后面bbox推理值和真值的匹配和损失函数的计算和DETR是一样的。

比较三者的代码还会发现，DETR的transformer阶段是标准的attention计算方式，包含Q，K，V的计算，而deformable DETR和DETR3D的K和V是合二为一的，与Q进行交互。这里可能也是为了节省计算量，或者因为已经进行了特征筛选，不需要再做多维度的特征提取。

[10]PETR: Position Embedding Transformation for Multi-View 3D Object Detection[15]

[11]PETRv2: A Unified Framework for 3D Perception from Multi-Camera Images[16]

代码：GitHub - megvii-research/PETR: [ECCV2022] PETR: Position Embedding Transformation for Multi-View 3D Object Detection[17]

PETR论文指出，DETR3D虽然可以得到比较好的性能，但是存在三个问题：

1.bev空间与多视图之间的信息交互依赖于3D参考点估计的准确性，如果估计不准，可能无法投影到有效区域内，无法与2D图像进行交互；

2.只进行了object queries与3D参考点投影的2D点的特征之间的信息交互（前文提到），没有学习到全局信息；

3.由于需要采样和投影，DETR3D的pipeline相对复杂，影响推理的效率。

所以，PETR摒弃了采样和投影，直接计算2D多视图对应的3D位置编码，并加到2D图像特征中，再和3D的object queries进行交互，直接对3D object queries进行更新，大大简化了pipeline。DETR/DETR3D/PETR的对比图和PETR结构图如下所示：

PETR

这里3D特征编码借鉴了DSGN[12]，即将图像的视锥空间坐标(h, w, d)转到3D空间坐标(x, y, z)，再进行embedding，其中d代表均匀分布的深度，从预先设定的深度范围和间隔得到。这里的3D空间指车身的bev空间，所以需要同时使用内参和外参进行转换。因为每个视角对应的视锥空间坐标都相同（只有内外参不同），所以只需要计算一次，省去了DETR对参考点的多次投影过程。

[12]Dsgn: Deep stereo geometry network for 3d object detection.[18]

得到3D特征编码后，与2D特征相加（代码中还加入了2D的正弦编码），然后与object queries做cross-attention。这里没有采样，使用的是全局attention。detection head部分与DETR相似。

PETRv2是在PETR的基础上进一步使用了时序特征、特征引导的3D位置编码和语义分割query，也是孙剑大佬离世前的项目（忧伤）。

PETRv2

在此之前，BEVformer(下文会提到）提出了使用时序bev进行特征增强和bev视角下语义分割的方案，PETRv2基于PETR的3D特征编码框架对此进行了进一步的探索。首先是增加了时序输入（如上图所示），将t-1帧的特征经过坐标转换后与t帧对齐（如图a左所示），并在batch维度与t帧拼接后输入编码器。其次，3D位置编码使用了特征引导的位置编码(FPE)（如图a右所示），而不是单纯依赖于3D空间坐标，这样可以提供深度信息。最后，增加了语义分割分支，将图像分割为一系列patch，编码得到segmentation queries，再与FPE得到的K,V进行交互，经过分割头得到分割结果（如图b所示）。PETRv2的时空特征融合框架实现了目前最好的目标检测和语义分割性能。

a 左：t-1帧到t帧的坐标转换 右：特征引导的位置编码器（FPE）

b 语义分割分支框架

以上介绍的模型主要分两类，一种是自底向上（LSS为代表）的稠密BEV特征建模，一种是自顶向下（DETR3D为代表）的稀疏BEV特征建模，还有一类是自顶向下的稠密BEV特征建模，比较有代表性的是BEVFormer和BEVSegformer。

[13]BEVFormer: Learning Bird’s-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers[19]

代码：BEVSegFormer: Bird’s Eye View Semantic Segmentation From Arbitrary Camera Rigs[20]

[14]BEVSegFormer: Bird’s Eye View Semantic Segmentation From Arbitrary Camera Rigs[21]

BEVFormer框架

BEVformer框架也是从DETR3D发展而来，也是从bev空间的3D query出发，得到参考点和采样点，再通过多相机的内外参投影到多视角2D图片上，和相应特征进行交互。但DETR3D的object queries是稀疏的，每个query代表一个可能的目标框，而Bevformer的bev queries是稠密的，大小为HWC，H,W为设定的bev特征尺度，每个query代表一个网格（grid）的查询，这样可以得到稠密的bev特征。

看代码会发现，BEVFormer的参考点和采样点的获取方式也和DETR3D有很大的不同，由于BEVFormer是稠密的，不需要额外去预测一些备选参考点，而是直接得到固定的H*W*Z个参考点坐标（Z代表每个bev pillar中设定的不同高度的参考点个数），再将所有参考点投影到N个2D视图中，得到N*H*W*Z个2D参考点，而采样点（与2D参考点的offset）是通过bev queries去预测的，每个bev query预测NZK个采样点，也就是直接从3D的query预测每个2D视图的offset。DETR3D就简单的多，直接从object queries预测N个参考点，再做多视图投影，并与多视图的2D参考点处的特征做交互，没有引入采样点。

Bevformer另一个创新之处是时序特征融合（temporal self-attention），即用前一帧和当前帧的bev特征进行交互，获取当前帧缺失的时序特征，用来解决当前帧目标遮挡或者不稳定的问题，如下图所示。这里前一帧的特征根据已知的ego-motion转换为与当前帧的特征点位置对齐，但由于存在动态目标，难以建立前后两帧之间动态目标的特征联系，所以本模块采用的deformable attention中采样点的坐标偏移∆p与原生的deformable attention略有不同，是将query和上一帧的bev特征B'拼接后再进行采样点的预测。

BEVFormer效果示意

加入时序信息的deformable attention

上文的PETRv2也利用了时序特征，与BEVformer对比可参考PETR与DETR3D的对比，都是使用较固定的3D位置编码（PETRv2采用特征引导的位置编码）代替了内外参投影，在效率上有一定的提升，但PETRv2仍然没做稠密的bev特征建模，而是针对目标检测和语义分割单独设置不同的queries。另外参照BEVDet（自底向上的稠密bev特征建模）的优点，稠密的bev特征可以进一步进行特征提取和数据增强，而且更容易支持多种检测、分割、预测头，但损失一定的开销，所以各有优劣。

另一个相似的模型是BEVSegformer，也是通过bev空间稠密的bev queries与多视角2D图像特征进行信息交互，但主要的不同点在于，BEVformer是通过固定的3D 参考点经过内外参投影到各个相机视角，而BEVSegformer不依赖于3D坐标先验和多相机的内外参，直接从bev query得到多视角的2D参考点和采样点，多视角时间参数不共享，也就是说BEVSegformer整个pipeline都是可学习的，没有内外参投影过程，可以作用于任意相机。整体框架和解码器可以参见下图。

BEVSegformer框架

由于任何传感器都具有局限性，所以目前自动驾驶到落地量产阶段必须要做的就是多传感器融合。对于激光雷达和摄像头两种重要的传感器来说，传统的特征融合方法主要有两种：Lidar-to-camera和Camera-to-lidar。然而，前者损失了lidar的几何结构信息，难以用于3D目标检测等任务，后者损失了camera的语义信息，难以用于语义分割等任务，如下如所示。经过本文的介绍大家可以想到，将多种传感器都投影到bev空间是一个有效的特征融合方式，可以同时保留lidar的几何结构信息和camera的语义信息。BEVFusion[15]即是一种有效的多模态特征融合框架。

特征融合方式对比

[15]BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation[22]

代码：GitHub - mit-han-lab/bevfusion: BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation[23]

BEVFusion框架非常直观，照相机和激光点云数据经过各自的encoder进行特征编码后，camera特征采用LSS的自底向上的方法进行bev视角转换，lidar特征直接沿着z轴展平即得到bev特征，再将二者特征拼接后输入BEV encoder进行BEV特征编码，即得到融合后的BEV特征，来支持下游多任务。

BEVFusion框架

作者还做了效率的提升，提出由于camera产生的稠密伪点云规模较大（经lift处理后规模远远大于lidar特征），原始Bev pooling操作耗时占整个推理耗时的80%，所以采用预计算和GPU并行化提高bev pooling效率，实现bev转换时延从500ms减少到12ms（仅占整个推理过程的10%）。预计算指的是由于只要相机内外参一定，产生的3D伪点云坐标就是一定的，所以可以一次计算好并保存下来，不需要多次计算。GPU并行化简单地说是为每个bev grid开启一个线程进行并行处理。

另一个BEV特征融合框架FUTR3D[16]是从DETR3D发展而来的（同一批作者），采用自顶向下的方式进行特征融合。

[16]FUTR3D: A Unified Sensor Fusion Framework for 3D Detection[24]

FUTR3D

FUTR3D可以支持任意传感器，如2D摄像机、3D激光雷达、3D雷达和4D成像雷达等，只需要对不同的传感器配置不同的特征提取backbone即可。整体框架参照DETR3D，通过object queries得到3D reference points，再与多个传感器特征进行交互，最后同样适用匈牙利匹配的方式计算损失。感慨BEV的各种框架让原本很复杂的多视角图像特征融合、多传感器特征融合变得如此容易！

由于本文介绍的多个BEV框架细节各不相同，难以区分，所以最后做一个简要的总结。

模型对比

来源：青稞智驾