BEV（Bird’s-eye-view）三部曲之一：综述

论文名：Delving into the Devils of Bird’s-eye-view Perception: A Review, Evaluation and Recipe
Github
论文网址

零、摘要

BEV perception 主要的4个问题是：

• 如何通过从perspective view 到 BEV视角的重构丢失的3D信息
• 如何获取BEV网格的ground truth 标注
• 如何公式化合并从不同sources和views获取的特征的pipline
• 如何在不同场景下传感器参数变化时，训练一个适配的、泛化性好的算法

一、Introducation

1.1 Big Picture at a Glance

本文基于输入的数据，将BEV研究分为：

• BEV camera：仅视觉 或 以视觉为中心的目标检测/分割算法，多摄像头
• BEV LiDAR ：点云作为输入
• and BEV fusion：多模态输入，例如camera，LiDAR，GNSS，odomerty，HD-Map，CAN-bus

1.2 Motivation to BEV Perception Research

• Significance.
  • 当前在nuScenes数据集上，仅视觉的算法比基于LiDAR的算法NDS指标低20%；在Waymon数据集上，甚至低超过30%。
  • 单个相机的价格低于LiDAR的1/10
• Space.
• Readiness.
  • 数据集：KITTI、Waymo、nuScenes、Argoverse
  • 结构：Transformer，ViT, Mased Auto-encoders, CLIP

二、Background in 3D perception

2.1 Task Definition and Related Work

• 基于单目摄像头的3D目标检测：从单张RGB图预估深度时ill-posed problem, 因此表现较差。
• 基于LiDAR的3D目标检测：效果往往比基于摄像头的要好很多，因为多了深度的先验信息
• 传感器融合：摄像头、激光雷达、雷达融合

2.2 Datasets and Metrics

2.2.1 数据集

主要的数据集如下：

• KITTI：3D目标检测两个衡量指标：3D目标检测指标 & BEV指标
• Waymo: 5 LiDARs and 5 views (左，左前，前，右前，右)
• nuScenes: 6 views, 1 LiDAR, and 5 Radars + HD-Map and CAN-bus data.

2.2.2 Evaluation Metrics

• LET-3D-APL：类似于3D-AP，但给纵向位置一定的容许偏差.
• mAP: 在BEV视角下，根据不同距离阈值
• NDS：The nuScenes detection score，综合考虑mAP, mATE (Average Translation Error), mASE (Average Scale Error), mAOE (Average Orientation Error), mAVE (Average Velocity Error) and mAAE (Average Attribute Error)给出的分数。

三、Methodology of BEV perception

近期主要的文献有如下：

这些方法的表现如下表

我们比较关心使用LiDAR和不适用的差距，由标黄的部分可以发现，两者差距还是较大。
与仅仅使用雷达的算法，例如CenterPoint,仍有部分差距。但已经超过了PointPillars.

3.1 BEV Camera

3.1.1 BEV Camera

• 算法主要分为：
  • 2D特征提取器：backbone；
  • 2D<->3D的转换矩阵：两种视角转换，2d->3d和3d->2d. 使用物理先验或者3D监督。
  • 3D解码器：输入2D/3D的特征，输出3D bbox、BEV视角的地图分割、3D车道线

3.1.2 View Transformation

视角转换在仅摄像头的3D感知中非常关键。主要由两种思路：

• 使用2D特征来估计深度信息（bin-wise distribution to voxel space），将2D特征lift到3D空间
• 使用3D-2D映射关系将2D特征编码到3D空间，基于Inverse Perspective Mapping (IPM)，投影矩阵由相机的内参和外参建模。
  3.2 BEV LiDAR
  

提取的3D点云特征转换为BEV特征图，再有一个解码器获得输出。3D点云->BEV的两种思路：

• Pre-BEV特征提取
  原始点云->体素化点云为离散的网格->3D卷积和3D稀疏卷积
• Post-BEV特征提取
  3D卷积计算量太大，因此转换为BEV grid, 网格中点的height、instensity、density来表示grid特征，常用的PointPillars、PointNet正是类似的思路

3.3 BEV Fusion

基于IPM，使用相机的内参&外参，将图像和点云特征在BEV视角内做融合。

• LiDAR-camera Fusion：以BEVFusion为代表
• Temporal Fusion：利用时序，将之前的BEV特征等利用起来。

3.4 Industrial Design of BEV Perception

将PV特征映射到BEV空间的四种方法：

• Fixed IPM: 假设路面是平的，固定的转换矩阵
• Adaptive IPM：仍假设路面是平的，使用SDV的外参数
• Transformer：不需要先验信息，数据驱动，使用一个dense transormer，广泛应用到Tesla，Horizon, HAOMO
• ViDAR: 与LiDAR类似，使用pixel-level depth来映射