3D目标检测综述，202206

https://arxiv.org/abs/2206.09474

摘要

目标检测的目的是智能的检测出自动驾驶车辆周围的3D的目标物的位置，尺寸，类别，是感知的重要环节。

介绍

感知的输入：摄像头、激光雷达、毫米波雷达、高精地图

感知的输出：路上的关键的几何以及语义信息

高质量的感知输出，是下游任务，决策规划的重要输入。

感知包含的具体细分任务：

        目标的检测和跟踪

        车道线检测

        语义和目标的分割

如下是此综述的主要内容：

 背景：

1. 什么是3D检测：

给定传感器信息，输入到模型，得到3D的检测框。

B = [cx,cy,cz,l,w,h,Θ,class,vx,vy]

 

摄像头图像：

        表达形式， WxHx3

        优点，便宜，语义信息丰富

        缺点，从某个特定视角记录世界表面，无结构信息，无深度信息，受天气和光照影响大

激光点云：

        表达形式，WxHxN(range, intensity, elongation etc), NxM(N pints, x,y,z,intensity,elongation)

        优点，精细的3D结构信息，带深度信息

        缺点，很贵，也有cornercase(在雨天，雪天，高反，低反，强光下，会出现不同的缺陷，如噪点，高反鬼影，高反膨胀)

3D和2D目标检测任务的对比：

2D的目标检测相对比较成熟，3D的目标检测借鉴了很多框架和方法，比如： proposal generation，refinment，anchors, nms etc；

3D目标检测需要处理异质数据，点云和图像；

3D目标检测需要考虑多个视角，bev, point_view, cylindrical_view, perspective view；

3D目标检测需要更精准的定位误差；

3D车端目标检测和室内3D目标检测对比：

车端的检测范围要求很大；

车端的点云分布往往更稀疏，距离差别较大，密度差距也较大；

车端的对效率要求很高，需要实时性。

2. 数据集

kitti是师祖，其他的在如下维度进行扩增，目前常用的waymo, nuscenes

        更多的数据

        更丰富的场景

        更多的标注类别

        更多模态的传感器数据        image, pointcloud, gps,imu, radar, map

 

3. 评价的指标

沿用2D的评价指标，mAP

机器学习算法评估指标——3D目标检测_格物钛工程师的博客-CSDN博客_3d目标检测的评价指标

根据实际的下游任务，以及实际的场景，去生成评价结果。

waymo当前的，按距离，按照类别的mAP可以适当参考。这里可以结合当前市场上主机厂的一些具体的要求做一下展开。