3D目标检测总结

3D目标检测最主要的应用领域是自动驾驶，主流用的传感器是camera和lidar， 一般车上也会配备很多radar， 但是在检测中一般很少用到radar。

除了特斯拉坚决不用lidar， 只基于纯视觉做自动驾驶感知， 大多数的自动驾驶感知主传感器都是lidar, 然后加几个camera作为辅助。

最近也有一些研究开始在感知中采用radar， 但是一般也只是作为辅助。 然而radar的发展还是很快的， 特别是4D毫米波雷达出现， 未来没准能取代lidar。

1 单模态方法

单模态方式是指只采用单一传感器， 一般是lidar， camera。也有少数采用radar， 但基本处于非常低级的实验阶段， 不具备实用性。

1.1 camera

基于camera的2D检测是非常成熟的，深度学习在这个领域也是大放异彩。 但是在3D检测中， camera却面临巨大的挑战， 其中一个最大的难点是单目的camera没法测量深度，这对3D目标检测是致命的影响， 对应到自动驾驶场景就是， 你检测到前面有个目标， 但你不知道目标离你多远。当然这个问题也不是完全无解， 一般有这么2种方法解决：

• 1 采用单目估计深度。单目估计深度本质上是一个病态问题， 所以别指望会估的多准。
• 2 增加摄像头，2个及以上摄像头就可以估计深度。 这个方案会比单目好很多， 起码理论上也靠谱很多。 但是系统复杂度也高， 多个摄像头还涉及到定标， 校正， 实际用起来效果可能也不是那么理想。

这一类的方法非常多， 可以参考我的两外2篇博客：
[1] 单目3D目标检测网络CaDDN解读
[2] 单目3D目标检测网络SMOKE解读

1.2 lidar

基于lidar做3D目标检测应该说是自动驾驶感知中最主流的一种方法了。 在所有的单模态方法中效果也是最好的， 而且是领先很多的那种。 以KITTI数据集中的Car为例， 基于lidar的方法mAP可以做到80以上的有很多， 但是基于单目图像一般只能做到20左右。

1.3 radar

基于radar做3D目标检测的工作很少， 已有的少量工作基本处于玩具的转态。

但是随着4D radar的发展， 这方面的工作应该会逐渐多起来。

2 多模态方法

每个传感器都有各自的优劣， 比如lidar虽好，也有几个不小的缺点：极端天气环境下性能急剧下降，价格贵；另外机械式激光雷达不抗造，没法通过车规， 半固态会好一点， 有些产品已经能通过车规，纯固态是一个理想的方式， 目前正在朝这个方向大力发展。 这是激光雷达的3宗罪。摄像头更不必说了， 天气稍微差一点更是没法工作。 radar作用距离远也抗恶劣天气， 并且不是很贵， 但就是分辨率太差了， 不是一般的差。4D radar的出现或许会改变这一局面。

所以主流的多模态融合方法是lidar + camera, 加上radar的， 一般也就是个打酱油的角色。

2.1 lidar + camera

典型工作有：
1 MV3D
Multi-view 3d object detection network for autonomous driving

2 PointFusion

3 Frustum PointNet

2.2 camera + radar

1 CRF-Net
参考我的另一篇博客: 毫米波雷达与图像融合之CRF-Net
2 CenterFusion
参考我的另一篇博客： CenterFusion解读

2.3 lidar + radar

1 RadarNet

2.3 lidar + camera + radar

3 参考

[1] CenterFusion: Center-based Radar and Camera Fusion for 3D Object Detection