自动驾驶中的3D物体状态检测

点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达

摘要

3D物体检测是自动驾驶的一项重要技术，KITTI提供了一种用于训练和评估不同的3D对象检测器的性能的标准化数据集。在这里，我们使用来自KITTI的数据来总结和突出3D对象检测方案中的优劣，这些方案通常可以分为使用LIDAR和使用LIDAR + Image（RGB）。

激光雷达

CNN用于2D对象检测和分类的机器已经成熟。但是，用于自动驾驶的3D对象检测带来至少两个独特的挑战：

• 与RGB图像不同，LIDAR点云是3D的并且是非结构化的。

• 自动驾驶的3D检测必须快速（<〜100ms）。

几个3 d的检测方法已通过离散化LIDAR点云成3D体素网格和解决的第一个问题中应用3D卷积。但是，与2D卷积相比，3D卷积具有更大的计算成本并因此具有更高的延迟。或者，可以在自顶向下的鸟瞰图（BEV）或激光雷达的本机范围视图（RV）中将点云投影到2D图像。优点是可以通过更快的2D卷积有效地处理投影图像，从而降低延迟。

我们从KITTI BEV中选择了一些方法，以突出显示RV，BEV和在体素功能上运行的方法之间的一些优劣。该图显示了检测器延迟（ms）与车辆AP的关系：

检测器（仅LIDAR）延迟与车辆AP

可得到如下结果：

• BEV投影保留了物体的大小和距离，为学习提供了强大的先决条件。

  Z轴被