BEV（Bird’s-eye-view）三部曲之二：方法详解

一、Introdution

Why BEV

• 高度信息在自动驾驶中并不重要，BEV视角可以表达自动驾驶需要的大部分信息.
• BEV空间可以大致看作3D空间.
• BEV representation有利于多模态的融合
  • 可解释性强，有助于对每一种传感器模态调试模型
  • 扩展其它新的模态很方便
  • BEV representation有助于下游的prediction和planning任务
• BEV语义分割依赖于朝向不同的多摄像头，比SALM只朝一个方向获取语义更丰富；通知在ego运动速度慢的时候也能work.
• 在纯视觉系统（无雷达或激光雷达）中，几乎必须在BEV中执行感知任务，因为传感器融合时没有其它3D观测可用于视图转换

BEV的难点

• 视角变换。为了得到BEV representation，算法需要利用
  • 先验的几何信息，包括相机的内参和外参（可能有噪声）
  • soft priors：路面布局的信息库
  • common sense：车在BEV视角下不会overlap.
• 数据获取与标注。
  • 人手工标注
  • 使用一些人造的数据
• 单目的相机获取图像上从3D到2D的映射图像，但是从2D提升到3D本身就是个ill-posed problem(解不唯一).

分类法

• 监督/indirect supervision
• 3D目标检测/扫图/预测/语义分割
• 输入: 单张图像/多张图像/仅雷达/图像+雷达/其它传感器融合

任务拓展

一些较新的数据集，例如(Lyft, Nuscenes, Argoverse)，提供了

• 3D检测框
• HD map
• ego在每个时间戳时在HD map的位置
  BEV的语义分割分为静态（道路布局）语义分割和动态实例分割，因此可以基于ego定位的结果，将静态的map映射到ego坐标系

视角变换的主要方法

• 逆透视变换（IPM, Inverse Perspective Mapping），例如Cam2BEV。假设地面上平的，一般只用在车道线检测或free space检测。
• Lift-splat。例如Lift, Splat, Shoot；BEV-Seg；CaDDN；FIERY。先估计深度信息，将图像提升到类似于3D点云，再splat得到BEV视角特征
• MLP。使用MLP直接对变换矩阵进行预测，例如VPN，HDMapNet
• Transformer。基于attention的transformer来建模视角的变换，最近论文比较多。

二、仅摄像头X语义分割

VPN (IROS 2020)

• paper，github ， 无速度汇报

• 输入：多模态，主要是多视角的图像

• 输出：语义分割
  VPN (Cross-view Semantic Segmentation for Sensing Surroundings)几乎是第一个探索BEV语义分割的任务。
  

• VPN 对每个模态的每个输入经encoder得到的feature map，经过不同的MLP回归从原始view到BEV视角的映射矩阵R_i（View transformer）。当然，不足之处是也忽略了feature点与点之间的位置关系。

• 使用人造的数据和对抗损失来训练。

• View transformer：输入（原视角）与输出（BEV视角）尺寸相同。（实际上是没必要的）

Cam2BEV (ITSC 2020)

A Sim2Real Deep Learning Approach for the Transformation of Images from Multiple Vehicle-Mounted Cameras to a Semantically Segmented Image in Bird’s Eye View

• paper，github，无速度汇报

• 输入：4个摄像头

• 输出：语义分割
  Cam2BEV 使用一个space trasnformer module with IPM（Inverse Perspective Mapping）来将原视角的feature映射到BEV空间。
  

• 主干网络借鉴了uNet的思想

• 对ground truth做预处理，来生成被遮挡的部分为一类。
  

• Spatial Transformer Module
  

  • Localisation Network-局部网络，由输入特征图回归变换矩阵
  • Parameterised Sampling Grid-参数化网格采样，得到输出特征图的坐标点对应的输入特征图的坐标点的位置
  • Differentiable Image Sampling-差分图像采样，利用插值方式来计算出对应点的灰度值

• 直接用四个相机的语义分割结果作为输入，类别有road, sidewalk, person, car, truck, bus,
  bike, obstacle, vegetation.
  

MonoLayout（WACV 2020）

MonoLayout: Amodal scene layout from a single image

• paper，github，video，在1080Ti上>32fps，具体见下图

• 输入：单个摄像头

• 输出：语义分割，道路和交通参与者
  

• Shared encoder，分两个decoder，一个用来做静态语义分割，一个做动态语义分割

• 对KITTI数据集使用temporal sensor fusion生成一些weak groundtruth，通过结合2D语义分割结果和位置信息

• 对抗学习损失，静态分割head的先验数据分布来自公开数据集OpenStreetMap，属于unpaired fashion.

PyrOccNet (CVPR 2020)

Predicting Semantic Map Representations from Images using Pyramid Occupancy Networks

• paper，github，video，无测速结果

• 输入：多个摄像头

• 输出：语义分割，道路、交通参与者、障碍物
  
  

• Semantic occupancy grid prediction：与2D图像的语义分割类似，预测$m_i^c$，即第c类占据第i个grid的概率

• dense transformer module，use of both camera geometry and fully-connected reasoning to map features from the image to the BEV space。这里feature map的size不一定一致了，输入为
  $H\times W\times C$, 输出为$Z\times X\times C$。

  • 水平方向的变换只需要用相机的参数即可获得；竖直方向的变换需要更多信息，因为常有很多遮挡、缺少深度信息和路面拓扑的不可知。
  • 为了最大化保留水平方向信息，将水平方向保留，拉平竖直和channel维度B，将输入reshape为$B\times W$, 沿着水平维度做1D卷积，得到维度为$Z\times W\times C$的输出
  • 使用相机的焦距、水平位移等参数， 对输出特征做resampling到BEV维度

• Multiscale transformer pyramid

• 使用Bayesian Filtering融合跨相机和扩时间的信息。

Lift, Splat, Shoot (ECCV 2020，NVIDIA)

Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D

• paper，github，主页， 35 hz on a Titan V

• 输入：多个摄像头

• 输出：语义分割，道路和交通参与者

• 第一篇对每个角度的摄像头作用于不同的CNN，对像素点的深度进行估计，根据深度将感知的图像提升大3D点云，然后使用相机外参（已知）映射到BEV空间，最后使用一个BEV CNN来精修这些预测。
  

• 流程

  • Lift: Latent Depth Distribution：无训练参数地将2D图像(H,W)等深度间距地提升到(D,H,W)，神经网络预测该深度的置信度，对生成的feature乘以该深度的概率。
    

  • Splat: Pillar Pooling：借鉴pointpillars，得到(C,H,W)的feature，可被CNN处理

  • Shoot: Motion Planning：为ego预测K条轨迹模板的分布
    

  • 结果展示（其实是个动画，可以进主页看）
    

BEV Feature Stitching （RAL/ICRA 2022）

Understanding Bird’s-Eye View Semantic HD-Maps Using an Onboard Monocular Camera

• paper，github，21FPS on a RTX 2080Ti

• 输入：单个摄像头的多帧+估计的ego pose

• 输出：静态/动态目标的分割
  

• 输入：$N\times H\times W\times 3$，输出$1\times H^{\prime }\times W^{\prime }\times C$，C为静态目标（HD map）类别+动态目标类别+1个背景类别

• object image decoder：仅对当前一帧进行分割；static image decoder 对输入的所以帧分割。两者皆输出heatmap

• Temporal Aggregation

  • Temporal warping: 已知相机的内参和外参(车辆的运动通过vehicles’ odometry pipeline获取，例如vSLAM)，将相机平面变换到ego为参照的BEV空间，假设地面上平的
  • symmetric aggregation：the object heatmap, the aggregated static heatmap, and the aggregated image features聚合。

• BEV Decoder
  

GKT（arvix 22.06）

Efficient and Robust 2D-to-BEV Representation Learning via Geometry-guided Kernel Transformer

• paper，github待更新，3090 GPU上的72.3 FPS/2080ti GPU上的45.6 FPS
• 输入：多摄像头图像
• 输出：语义分割

三、仅摄像头X语义分割（Tranformers）

PYVA: Projecting Your View Attentively (CVPR 2021)

Projecting Your View Attentively: Monocular Road Scene Layout Estimation via Cross-view Transformation

• paper，github，35 FPS

• 输入：单张摄像头前向图

• 输出：road layout estimation and vehicle occupancy estimation
  

• a cross-view transformation module：

  • Cycled View Projection (CVP)：使用MLP将前向相机的feature($X$)映射到BEV视角($X^{\prime }$)，但这种方法太多navie，提出cycled self-supervision scheme将BEV视角的feature($X^{\prime }$)用MLP映射回前向相机视角($X^{\prime \prime }$)，使用$L_1$ loss做自监督训练。
  • Cross-View Transformer (CVT)：目的是使的$X^{\prime }$和$X$加强关联，同时利用$X^{\prime \prime }$的信息。
    K=$X$，Q=$X’$，V=$X^{\prime \prime }$,但不是用transformer那一套，而是计算$X^{\prime }$和$X$的相关矩阵，根据相关矩阵提取每一行中最大的相关性组成的矩阵W 和 $X^{\prime \prime }$最重要的信息$T$
    

• 如果将$X^{\prime \prime }$和$X$看作同一种特征表达，该方法更类似于cross-attention

• 损失函数：对抗损失

BEVFormer （CVPR 2022 Workshop）

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

• paper，github，中文blog，测速V100上，R101-DCN，input size 900X1600，大约2FPS

• 输入：多视角相机图像

• 输出：语义分割/3D目标检测
  
  

• 使用Transformer在BEV空间下进行时空信息融合，通过生成显式的BEV特征，用来融合时序信息或者来自其他模态的特征，并且能够同时支撑更多的感知任务

• 定义BEV queries：BEV queries 每个位于(x, y)位置的query都仅负责表征其对应的小范围区域。BEV queries 通过对spatial space 和 tempoal space 轮番查询从而能够将时空信息聚合在BEV query特征中。最终我们将BEV queries 提取的到的特征视为BEV 特征，该BEV特征能够支持包括3D 目标检测和地图语义分割在内的多种自动驾驶感知任务。

• Spatial Cross-Attention：使用了一种基于deformable attention 的稀疏注意力机制时每个BEV query之和部分图像区域进行交互。 对于每个位于(x, y)位置的BEV特征，我们可以计算其对应现实世界的坐标x’,y’。 然后我们将BEV query进行lift 操作，获取在z轴上的多个3D points。 有了3D points, 就能够通过相机内外参获取3D points 在view 平面上的投影点。受到相机参数的限制，每个BEV query 一般只会在1-2个view上有有效的投影点。基于Deformable Attention, 我们以这些投影点作为参考点，在周围进行特征采样，BEV query使用加权的采样特征进行更新，从而完成了spatial 空间的特征聚合。

• Temporal Self-Attention：从经典的RNN网络获得启发，我们将BEV 特征视为类似能够传递序列信息的memory。对于当前时刻位于(x, y)出的BEV query, 它表征的物体可能静态或者动态，但是我们知道它表征的物体在上一时刻会出现在(x, y)周围一定范围内，因此我们再次利用deformable attention 来以(x, y)作为参考点进行特征采样

ViT-BEVSeg （arxiv 2205）

ViT-BEVSeg: A Hierarchical Transformer Network for Monocular Birds-Eye-View Segmentation

• paper，github待更新，
• 输入：单摄像头
• 输出：语义分割
  使用vision transformers (ViT)作为backbone来生成BEV maps

四、3D目标检测等其它任务

FIERY (ICCV 2021)

Predicting the Future from Monocular Cameras in Bird’s-Eye View

• paper，github，主页
• 输入：6个角度相机图像
• 输出：分割+交通参与者行为预测（十字路口、超车、U-turn）

• 对交通参与者进行轨迹预测

  • 十字路口：continuing straight, turning left, turning right, changing lane
  • 超车，对于静态车
  • U-turn
    

• Pipeline

  • 在过去的时间{1, 2, …,t}，将图像的2D输入提升到3D，按照等间距(步长为1m)设置深度的方法，结合相机参数得到深度的概率分布
  • 将其投影到BEV视角
  • Temporal model通过3D卷积，学习一个时空状态s_t
  • 分两个预测任务：当前状态和未来的状态，均由高斯分布的参数表达。
  • 未来预测模型是一个卷积GRU网络，将当前状态 st 和训练中未来分布 F 或当前分布 P 采样的潜代码 ηt 作为输入，进行推理，递归地预测未来状态 (s(t+1,…,s)t+H)。
  • Decoder : 状态被解码为BEV未来实例分割和未来运动(yˆt,…,yˆt+H)。与真实未来标签(yt+1 , …, yt+H )进行比较调整网络参数。y包含centerness, offset, segmentation, and flow.
    

DETR3D (CoRL 2021)

DETR3D: 3D Object Detection from Multi-view Images via 3D-to-2D Queries

• paper，github，无测速
• 输入：多相机图像
• 输出：3D检测框

• 将DETR用于3D目标框检测
• 无nms.
• 2D-to-3D Feature Transformation：
  • object queries是类似DETR那样，即先随机生成M个bounding box，类似先生成一堆anchor box
  • （蓝线）然后通过一个子网络，来对query预测一个三维空间中的参考点（实际上就是3D bbox的中心）
  • （绿线）利用相机参数，将这个3D参考点反投影回图像中，找到其在原始图像中对应的位置。
  • （黄线）从图像中的位置出发，找到其在每个layer中对应的特征映射中的部分
  • （红线）利用多头注意力机制，将找出的特征映射部分对queries进行refine
  • （黑色虚线框之后）得到新的queries之后，再通过两个子网络分别预测bounding box和类别

PersFormer （ECCV 2022 Oral）

PersFormer: a New Baseline for 3D Laneline Detection

• paper，github，
• 输入：单摄像头
• 输出：3D车道线检测

核心Proposed Perspective Transformer：

• 假设地面上平的，并且相机参数可知（IPM可用）
• 给出前向相机视角中的一个点，使用IPM将映射到BEV空间
• 给定一个BEV空间中的query点（target point），将其映射回前向相机视角，并找到其附近的一些reference points。

五、多模态融合

HDMapNET（ ICRA 2022）

HDMapNet: An Online HD Map Construction and Evaluation Framework

• paper，github，主页，知乎
• 输入：多摄像头or/and 雷达
• 输出：HD语义地图分割
  
  

主要解决两个问题：道路预测向量化和从相机前视图到鸟瞰图的视角转换。

• 向量化（Vectorization）是指我们最终得到的地图信息不是图片形式的，而是用点、线、框等几何形状表示的，这种表示在地图的下游任务使用、存储等方面都有巨大优势。HDMapNet的decoder输出3个分支：语义分割semantic segmentation、实例分割instance embedding、方向预测direction prediction。然后通过后处理的手段来将这些信息处理成向量化的道路表达。
• 从相机前视图到鸟瞰图视角转换：参考VPN，直接全连接去学变换矩阵

FUTR3D （arxiv 2022.03）

• paper，无代码
• 输入：相机，激光雷达，相机+激光雷达，相机+雷达
• 输出：3D目标检测

• Pipeline
  • 每个模态单独通过backbone提取特征
  • MAFS根据query的初始位置，从所有模态在采样和聚合特征
  • decoder基于聚合的特征，精修检测框
  • 预测和gt检测框而二部图匹配，计算loss

BEVFusion (arxiv 2022.05）

BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation
BEVFusion ranks first on nuScenes among all solutions.

• paper，github，video
• 输入： 3d点云+camera融合/或单独
• 输出：3D目标检测/BEV map segmentation.
  核心：在BEVrepresentation space里融合多模态的特征表达

核心：对BEV pooling的操作做了加速，从500ms 缩减到 12ms

六、业界

Tesla’s Approach

参考：blog1 blog2 video

1. 首先raw image进来;
2. 通过rectify layer, 把图片转到virtual camera下
3. 通过一个RegNet, 其实是一个ResNet的形式，然后给出不同尺度下的features.
4. 通过BiFPN, 把不同尺度下的features, 从上到下，又从下到上，来来回回对不同尺度下的features 做一个融合。双向FPN
5. 通过transformer的形式投到BEV视角下，得到一个俯视的feature
6. 给到feature queue里面，加入时序信号，video module 实际是对时序信号的一次融合。之后得到一个多camera 融合并加入了时序信号的features
7. 最后给到不同的detection head 里面去做检测；

Reference

• Monocular Bird’s-Eye-View Semantic Segmentation for Autonomous Driving
• Monocular BEV Perception with Transformers in Autonomous Driving
• 一个很全的3D目标检测in AD的综述：github paper
  3D Object Detection for Autonomous Driving: A Review and New Outlooks