Lift, Splat, Shoot 论文学习

1. 解决了什么问题？

LSS 在工业界具有非常重要的地位。自从 Tesla AI Day 上提出了 BEV 感知后，不少公司都进行了 BEV 工程化的探索。当前 BEV 下的感知方法大致分为两类：

• 自下而上：利用 transformer 的 query 机制，通过 BEV query 构建 BEV 特征，隐式地变换深度信息；
• 自上而下：以本文 LSS 为代表的方法，直接估计图像的深度信息，将深度信息投影到 BEV。

传统的视觉任务如图像分类不考虑帧坐标系；而目标检测和分割任务则是在同一帧的坐标系进行预测。对于自动驾驶任务，输入来自于多个传感器，帧坐标系各不相同。算法最终的输出结果会表现在一个新的坐标系里（即车辆自身 ego frame 的坐标系），以供下游任务使用。

现有的方法比较简单，对所有的输入图像分别应用单帧图像的目标检测器，然后根据相机内外参对检测结果进行平移、旋转，得到 ego frame 坐标系的结果。但由于对单帧检测器的预测结果做了后处理，我们就很难在 ego frame 对预测结果进行追溯，它到底来自于哪个传感器，也就无法根据下游任务的反馈使用反向传播来自动改进感知系统。此外，单目融合也极具挑战性，我们需要深度信息来变换到 reference frame 的坐标系，但是每个像素的深度值是不明确的。

2. 提出了什么方法？

本文提出了一个端到端、可微的方法，直接从任意相机提供的图像里面提取场景 BEV 表征。对于每个相机，先将每张图像 “lift” 为一个特征视锥（frustum of features）。然后将所有的视锥 “splat” 为一个 BEV 栅格化的网格，作为 reference plane。最后将候选轨迹 “shoot” 到该 reference plane，进行后续的端到端的运动规划。

给定输入$n$张图像 { X k ∈ R 3 × H × W } n \lbrace \text{X}_k\in \mathbb{R}^{3\times H\times W} \rbrace_n {Xk​∈R3×H×W}n​，每张图像都有一个外参矩阵${\text{E}}_k\in {\mathbb{R}}^{3\times 4}$和内参矩阵${\text{I}}_k\in {\mathbb{R}}^{3\times 3}$，输出是 BEV 坐标系里栅格化的表征$\text{y}\in {\mathbb{R}}^{C\times X\times Y}$。对于每个相机，外参和内参矩阵将 reference 坐标系的坐标$(x,y,z)$映射到图像的像素坐标$(h,w,d)$。

2.1 Lift: Latent Depth Estimation

模型对每个相机的图片单独计算，将每张图像从局部的 2D 坐标系 “lift” 为 3D frame，该 3D frame 被所有相机共用。
整个 lift 过程可分为三个部分。

1. 特征提取和深度估计

如上图所示，多视角相机的画面输入主干网络提取图像特征。同时利用一个深度估计网络，生成每个像素点所有可能的深度表征。这里的深度表征和图像特征的宽度和高度是相等的，因为后续要进行外积操作。$\text{X}\in {\mathbb{R}}^{3\times H\times W}$是一张图像，外参是$\text{E}$，内参是$\text{I}$。$p$是图像上的一个像素点，坐标为$(h,w)$。每个像素点会关联$|D|$个点$\{(h,w,d)\in {\mathbb{R}}^3|d\in D\}$，$D$是深度值的集合，定义为 { d 0 + Δ , . . . , d 0 + ∣ D ∣ Δ } \lbrace d_0+\Delta,...,d_0+|D|\Delta \rbrace {d0​+Δ,...,d0​+∣D∣Δ}。为每张图像创建一个大小是$D\cdot H\cdot W$的点云。

2. 外积

这一步是 LSS 的灵魂操作。作者在论文里多次提到，深度信息是 ambiguous，因此作者并没有直接预测每个像素点的深度值，而是预测每个像素点的深度分布，来表示像素点的深度信息。使用外积操作，用$H\times W\times C$维度的图像特征和$H\times W\times D$维度的深度特征构造出一个$H\times W\times D\times C$维度的特征视锥。在像素点$p$，主干网络预测一个 context 向量 $\text{c}\in {\mathbb{R}}^C$，深度估计网络预测一个深度值分布$\alpha \in {\Delta }^{|D|-1}$。特征${\text{c}}_d\in {\mathbb{R}}^C$与点$p_d$关联，定义为：
$${\text{c}}_d={\alpha }_d\cdot \text{c}$$
总之，其目的是为每张图像构建一个函数：$g_c:(x,y,z)\in {\mathbb{R}}^3\to \text{c}\in {\mathbb{R}}^C$，可以在每个空间位置都得到一个 context 向量。如下图，每个相机的可见空间都对应着一个视锥。$\alpha$和$\text{c}$的外积计算了每个点的特征。

3. Grid Sampling

目的是将上面构造的特征视锥利用相机外参和内参转换到 BEV 视角下。限定好 BEV 视角的范围，划定一个一个的 grid，将能投影到相应 grid 的特征汇总到一个 grid 里，之后进行 splat 操作。

2.2 Splat: Pillar Pooling

“Lift” 步骤会生成一个点云。“Pillar” 是高度无穷的 voxels。每个像素点会被分到最近的 pillar，用 sum pooling 得到一个 $C\times H\times W$ 张量，然后通过 CNN 来推理出 BEV。

2.3 Shoot: Motion Planning

Lift-Splat 模型使我们只需相机输入，即可实现端到端的 cost map 学习，然后进行运动规划。测试时，我们将不同的轨迹 “shoot” 到 cost map 上，计算它们的代价，然后选取代价最低的轨迹。

本文将“规划”问题看作为一个分布预测问题，车辆自身共有$K$个模板轨迹：
T = { τ i } K = { { x j , y j , t j } T } K \mathcal{T}=\lbrace\tau_i\rbrace_K=\lbrace\lbrace x_j,y_j,t_j\rbrace_T \rbrace_K T={τi​}K​={{xj​,yj​,tj​}T​}K​
$\mathcal{T}$由传感器数据 $p(\tau |o)$决定。根据这$K$个模板轨迹，作者将规划问题当作分类问题解决。$K$个模板轨迹的分布符合下面形式：
$$p({\tau }_i|o)=\frac{\exp (-{\sum }_{x_i,y_i\in {\tau }_i}{c}_o(x_i,y_i))}{{\sum }_{\tau \in \mathcal{T}}\exp (-{\sum }_{x_i,y_i\in \tau }{c}_o(x_i,y_i))}$$
给定位置$(x,y)$处的观测值$o$，在 cost map 上进行索引，得到$c_o(x,y)$。对于标签，给定一个 ground-truth 轨迹，我们计算与模板轨迹$\mathcal{T}$的 L2 距离最近的轨迹，然后用交叉熵损失训练。

如下图，在实际操作中，我们使用 K-Means 算法在大量的专家轨迹上进行聚类，得到一组模板轨迹，然后将这些模板轨迹 shoot 到预测的代价图上。训练时，计算每个模板轨迹的代价，对这些模板计算出一个 1000 维的 Boltzman 分布。测试时，选择分布的 argmax 进行后续操作。

整体流程如下，模型的输入是$n$张图像以及对应的外参和内参。在 “lift” 步骤，每张图像会产生一个视锥点云。然后用外参和内参将每个视锥 splat 到 BEV 平面。最后，BEV CNN 计算 BEV 表征，完成 BEV 语义分割或规划任务。

3. 有什么优点？

提出了一个端到端的训练方法，解决了多传感器融合的问题。传统的多传感器先单独检测再后处理的方法，无法将此过程的损失反向传播，从而调整相机输入，而 LSS 省去了这一阶段的后处理步骤，直接输出融合结果。

• 提出了一个很好的融合到 BEV 视角的办法。基于此方法，无论是动态目标检测，还是静态道路结构感知，甚至是红绿灯检测，前车转向检测等信息，都可以用该方法提取到 BEV 特征下进行输出，极大提高了自动驾驶感知框架的集成度；
• 虽然 LSS 初衷是为了融合多视角相机特征，为纯视觉模型服务。但在实际应用中，此方法完全兼容其它传感器的特征融合；

4. 有什么缺点？

• 极度依赖深度信息的准确性，必须显式地提供深度信息。如果直接使用此方法通过梯度反传来优化深度网络，而深度估计网络又比较复杂，会因为反传链过长而导致优化方向模糊，难以取得理想效果。
• 外积操作耗时。当图片的特征图较大时，且想要预测的深度距离和精细度高时，外积这一操作带来的计算量则会大大增加。这十分不利于模型的轻量化部署，而这一点上，Transformer 的方法反而还稍好一些。