ICRA 2023 | CurveFormer：基于Transformer的3D车道线检测新网络

作者 | erkang 编辑 | CVer

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心技术交流群

过年休息，有时间做一下 3d 车道线检测工作的小记，讲讲我们为什么做这个工作。

CurveFormer: 3D Lane Detection by Curve Propagation with Curve Queries and Attention, ICRA 2023
https://arxiv.org/abs/2209.07989

这篇文章的主要工作可以概括为以下3点：

C1: BEV/3D 车道线检测;

C2: 车道线参数曲线输出;

C3: 最重要的：不显式构建bev，而是从图像feature直接求解3d车道线;

1: BEV视角的车道线参数曲线

首先关于C1&C2，在自动驾驶/辅助驾驶产品中，车道线检测的下游模块是planning，往往需要本车坐标系下的车道线参数曲线，一般情况下，本车坐标系原点为车辆的后轮中心，车道线被formulate为多项式曲线，为下游服务。例如，在mobileye的EyeQ系列产品里面，车道线一般表示为2维（BEV视角）的4次多项式曲线；另外Tesla从2019年起，在auto-pilot产品中，定义的车道线为3d车道线。因此，车道线检测的输出为BEV视角下的2d或者3d的车道线参数曲线，为下游模块服务。

但是，除此之外，在计算机视觉中，深度学习大规模应用以来，开源出来的数据集和工作大多以图像平面（UV-space）上的车道线检测为主，典型的数据集包括，tusimple的车道线数据集[1], 港中文开源的车道线数据集CULane Dataset [2]。

图1: 图像上计算车道线中间结果 + 后处理转换到BEV视角下的参数曲线

如图1所示，在图像（UV-space）上做车道线检测的缺陷是，得到的车道线是在图像空间，需要后处理才能转换到BEV空间。往往在工程实践中，这个UV-space to BEV-space的转换需要大量的后处理代码，另外，把图像上的中间结果，例如分割等，转换到BEV-space之后，往往也需要复杂的后处理才能得到下游所需的参数曲线。总结：在图像UV-space计算的车道线，一般需要大量复杂的后处理，才能转换到BEV视角下的参数曲线。

在learning为主的算法设计角度，需要把上面描述的后处理转化为learning的模块，这也符合原Tesla AI 总监Andrej Karpathy倡导的software 2.0机制 [4]。通过问题的重新定义，让learning的方法在整个工程模块中的比重越来越大。

那么对于车道线检测来说，重新定义问题就比较直接：输入图像（单目或者多目，或者再加上激光），输出BEV视角下的车道线参数曲线；

• 注1: BEV视角一般在此为摄像头坐标系，摄像头坐标系和车辆后轮中心的坐标系，两个坐标系的转换（平移和旋转）一般在车辆下线时标定；

• 注2: 车道线可以描述为2D或者3D，一般由下游的需求决定；

3D 车道线检测

随着新的、更面向自动驾驶/辅助驾驶任务的数据集的出现，3D车道线检测变成新的研究方向和热点。例如百度开源的Apollo 3D Lane Synthetic Dataset [5]，商汤等基于Waymo dataset发布的OpenLane Dataset [6]， 华为诺亚实验室开源的ONCE-3DLanes [3,7] 的出现，吸引了不少研究者跟进这一实际工作。我们的curveformer工作也是直接输出bev视角3d车道线的参数曲线，而不是聚焦在图像空间做输出。

那么图像空间的车道线检测or理解是否还有意义？有两个角度可以思考：
1: 从获得GT得角度，如果图像空间的车道线标注比较便捷或者廉价，那么图像空间的标注信息同样值得关注；
例如在ONCE-3DLanes [3,7] 中，使用几乎零成本的图像空间车道线预标注，去实现3d车道线GT提取。

2: 在图像空间车道线的标注信息，如何帮助更好的完成bev视角的车道线检测or更广义的local map，也是一个很好的出发点。
例如我们在curveformer中使用的图像空间车道线分割作为额外监督信号，还有[8]中提出的，在loss端加入图像空间车道线和BEV视角车道线的几何约束。类似的设计，这里统称为deep-supervision；

下面转入curveformer最想探索的话题，能不能不去显示构建BEV，而直接从图像特征空间求解BEV视角的3d车道线参数曲线。

2: 为什么不显式构建bev？（简单回答：一切为了加速）

为了回答这个问题，我们首先简单回顾下最近非常热的BEV + Transformer。从研究角度，BEV视角的研究首先从机器人角度开始，例如Zhou Bolei老师从室内移动机器人角度，研究multi-view (or corss-view)如何直接得到BEV视角的语义信息[9]，随着Tesla的AI day的推广而变得炙手可热，也成为各家自动驾驶相关公司的工程落地重点。

图2: BEV + Transformer架构设计

如图2所示，简单总结，BEV + Transformer的架构设计，通过利用
（1）cross attention机制
（2）Nx decoder机制
完成输入（图像空间）和输出（BEV视角的感知结果）的mapping。后面会简介在curveformer中如何利用这两个机制完成BEV视角下的3d车道线检测。

注：图2-5取自之前分享过 BEV + Transformer的总结。

Cross attention一般把图像特征当作K/V，计算query（如目标检测中的一个目标）和KV之间的attention，利用多次decoder解析query对应的输出。这里面一个query需要和dense的KV里面的所有元素计算attention，计算量很大。为了节约计算量，deformable detr[11]提出可以通过query先预测一个reference point，然后仅计算和这个reference point相关的几个位置，大大减少计算量。这个attention简记为deformable attention。至此deformable detr还是在图像空间做的目标检测。

Deformable detr带来2个核心观点：

1: query在cross attention中的reference point的设计，可以粗略关联到目标框;

2: 通过N个decoder逐渐细化目标，这里记作iterative refinement;

这两点也是上面总结 BEV + Transformer技术架构的核心机制。

Deformable detr中的1，实现的是图像空间中的query和图像中的目标之间的关联，那么，能否实现BEV空间中的query和图像中的信息之间的关联呢？这也是我们做BEVSegFormer[12]的出发点：利用deformable attention机制中的cross attention，完成BEV空间的query和图像feature之间的关联。这种设计带来的好处：

1: 相比后面提出的BEVFormer[13], BEVSegFormer不依赖相机参数（内参和外参），可以完成BEV空间和图像空间的转化；

2: query和图像特征之间的attention计算量小；

注：BEVSegFormer不依赖相机参数（内参和外参），可以完成BEV空间和图像空间的转化，后续被扩展至目标检测、时序等多个工作。

但是这里面BEVSegFormer，还是后面出来的BEVFormer，都需要显式构建这个dense的BEV空间（例如BEV grid的大小为100x100），然后在此基础上完成具体感知任务的输出。Tesla AI Day介绍的雏形也是类似的设计，也就是two-stage的设计，首先构建BEV feature map，然后计算相应的感知结果。我们知道在现实的三维空间，大量感知是sparse形式的，比如障碍物检测，视野范围内可能就几个目标；车道线也类似，视野范围内就几根车道线；这些数目远小于BEV的grid的个数（ex：5条车道线 < 100x100 BEV grid）。其实对于local map也是，local map的组成也是sparse的元素。

关于dense和sparse的输出总结，参考之前的总结:

图3: BEV + Transformer简单汇总

那么有没有方法可以不显式构建BEV，one-stage的直接计算感知结果呢？DETR3D[10]带给了我们一些思路：

DETR3D首先引入类似deformable detr中reference point的概念，3D空间的一个障碍物query 产生一个reference point，然后利用相机参数投影到图像空间，完成cross attention的计算。那么这里面cross attention的计算是一个代表3D空间的query和图像空间中的一个点计算，计算复杂度远小于和KV中所有点计算attention (1 << HxW)。在障碍物检测中，不通过显式构建BEV，直接输出BEV视角下的sparse的3D障碍物，算是curveformer最初形态的一个motivation。

车道线检测其实和障碍物检测类似，都是在BEV视角下的感知输出，而且输出也是sparse的，能否把类似的机制借鉴到车道线检测里面来呢？应该怎么formulate这个过程呢？一个最简单粗暴的做法是，由BEV视角下的一个车道线query生成N个3D reference points，然后通过然后利用相机参数投影到图像空间，完成cross attention的计算。这种做法和其它transformer的方法类似，把query当作黑盒子，无法准确理解query和输出之间的关系，或者无法根据输出的特性，完成query的设计，同时也会加大模型的训练时间。

DAB-DETR [14]给出了对query的解析，针对目标检测任务，把query描述成(x,y,w,h)，然后针对性的设计cross attention，可以完成对目标的位置(x,y)以及大小(w,h)的可解释性学习，加速transformer-based目标检测的训练，更重要的是，给出了query在transformer中的含义。

注：这种物理含义的query设计其实在Deformable detr中也有体现。

这一做法可以天然的借鉴到3d车道线检测而来，我们只需要把3d车道线query描述成点集即可。也就是在三维空间，车道线由N个ordered的3D点组成，称之为curve query。然后在cross-attention中根据N个3D点，设计curve attention，即可完成车道线的解析。

idea也简单，为了加速计算，根据3d车道线的特性设计了curve query （N个有序三维点），在cross-attention中使用curve attention，完成图像空间和BEV/3D空间的转化，同时也不需要构建dense的BEV，one-stage直接计算车道线的参数方程。

关于BEV+Transformer架构的第二个特性：Nx decoder机制；如果采取了具备物理含义的query设计，那么就可以利用这个N个decoder完成iterative的refinement。对于车道线检测一样适用，可以在多个decoder中逐渐逼近真值。相比CNN的decoder，transformer中通过query的设计，更能发挥decoder对输出的解析。

总结：BEV + Transformer技术架构，可以利用机制（1）cross attention 完成图像空间和BEV空间的转化（显式or非显式）；更能利用机制（2）Nx decoder带来的iterative refinement得到更准确的感知结果。

那么是不是CNN的方式完成不了上面2个工作(1: 图像空间和BEV输出的转换；2: iterative refinement机制)？不是的，下面举2个例子。

1: 基于CNN的 图像空间和BEV空间的转化；

1.1 利用相机参数的BEV-CNN架构

图4: CNN vs Transformer 图像空间和BEV转换：利用相机参数

图4的上图，就是CNN-based的利用相机参数完成图像空间和BEV空间的转换，代表性工作为OFT[15]。

1.2 不利用相机参数的BEV-CNN架构

图5: CNN vs Transformer 图像空间和BEV转换：不利用相机参数

如图5的上图所示，CNN-based的不利用相机参数的方法，代表性工作为MonoLayout[16].

2: iterative refinement机制：

那么除了Transformer中的设计，CNN中是否有类似的设计，比如可以用到车道线检测中？

图6: CNN点集iterative refinement

如图6所示，DeepSnake[17] 通过把instance segmentation描述为轮廓，且轮廓的定义为点集，通过Graph CNN的方式完成轮廓点的逐渐逼近真值（即iterative refinement）。点集？是不是很熟悉，把车道线定义为点集的检测，也可以利用类似的机制完成车道线检测的iterative refinement。

最后车道线的参数化输出：

在CNN中也有直接输出车道线参数曲线的工作。例如在[18], 图像中的车道线检测被描述为多项式曲线，CNN用来估计多项式参数的系数。Transformer的目标检测方法DETR出来之后，立即被扩展到了图像空间的车道线检测上面LSTR[19],以及后续的3d车道线检测[8],都是直接输出参数曲线。

最后的最后，从software2.0的角度，可不可以丢掉车道线检测？如果下游的planning为learning为主，那么local map的输出更为直接，这也就是局部地图是最近新的热点，各家自动驾驶公司都在争抢的，不依赖HDMAP的局部地图感知，提供更高阶的自动驾驶/辅助驾驶产品形态。

[1] github.com/TuSimple/tusimple-benchmark

[2] https://xingangpan.github.io/projects/CULane.html

[3] https://once-3dlanes.github.io/

[4] https://www.youtube.com/watch?v=y57wwucbXR8

[5] Y. Guo, et al. “Gen-lanenet: A generalized and scalable approach for 3d lane detection”, ECCV 2020
[6] L. Chen, et al. “Persformer: 3d lane detection via perspective transformer and the openlane benchmark”, ECCV 2022
[7] Y. Fan, et al. "Once-3dlanes: Building monocular 3d lane detection”, CVPR 2022
[8] R. Liu, et al. “Learning to Predict 3D Lane Shape and Camera Pose from a Single Image via Geometry Constraints”, AAAI 2022
[9] B. Pan, et al. “Cross-view Semantic Segmentation for Sensing Surroundings”, RAL 2020
[10] W. Yue, et al. "Detr3d: 3d object detection from multi-view images via 3d-to-2d queries”, PMLR, 2022
[11] X. Zhu, et al. “Deformable DETR: Deformable Transformers for End-to-End Object Detection”, ICLR 2021
[12] P. Lang, et al. “BEVSegFormer: Bird’s Eye View Semantic Segmentation From Arbitrary Camera Rigs”, WACV 2023
[13] Z. Li, et al. “BEVFormer: Learning Bird's-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers”, ECCV 2022
[14] S. Liu, et al. “DAB-DETR: Dynamic Anchor Boxes are Better Queries for DETR”, ICLR 2022
[15] Thomas Roddick et al. “Orthographic Feature Transform for Monocular 3D Object Detection”, BMVC 2019
[16] K. Mani, et al. “MonoLayout: Amodal Scene Layout from a single image”, WACV 2020
[17] S. Peng, et al. “Deep Snake for Real-Time Instance Segmentation”, CVPR 2020
[18] W. Gansbeke, et al. “End-to-end Lane Detection through Differentiable Least-Squares Fitting”, ICCVW 2019
[19] R. Liu, et al. “End-to-end Lane Shape Prediction with Transformers”, WACV 2021

往期回顾

3D车道线检测能否成为自动驾驶的核心？盘一盘近三年的SOTA论文！

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称