【论文笔记】PolarPoint-BEV: Bird-eye-view Perception in Polar Points for Explainable End-to-end Autonomous

【论文笔记】PolarPoint-BEV: Bird-eye-view Perception in Polar Points for Explainable End-to-end Autonomous Driving
原文链接：https://ieeexplore.ieee.org/document/10418570

I. 引言

端到端自动驾驶以传感器数据为输入，输出路径点或者控制信号。路径点可以输入低级控制器，如PID或模型预测控制。与包含各个模块（定位、感知、规划、控制）的传统方法相比，端到端方法可以避免误差的积累，且对复杂场景的可放缩性更强。但是，端到端方法通常可解释性较差，会导致不可预期的误差或危险。一些方法使用可解释人工智能（XAI）技术，生成交通场景的BEV图进行解释。

但是，传统BEV图有一些缺陷。首先，交通场景中的所有区域都被同等对待，但离自车近的物体对安全更为关键。因此，网络可能关注不重要的区域，而忽视重要信息。其次，像素方式表达相比稀疏表达，会需要更高的计算量、通信量和存储量，从而导致延迟。

本文提出BEV感知方法PolarPoint-BEV。使用极点BEV图，可以更关注自车附近的区域；此外，其为稀疏表达。为检验其可解释性和驾驶性能，本文提出端到端自动驾驶网络XPlan，同时预测控制指令和极点BEV图。

III. 提出的方法

A. PolarPoint-BEV

本文的极点BEV图与传统BEV图如上图所示。传统BEV图使用沿坐标轴均匀分布的矩形网格表达场景，极点BEV图则使用自车附近点的序列来表达。极点BEV图上的每个点都有语义标签，表示背景（橙色， { 0 } \{0\} { 0}）、汽车（红色， { 1 } \{1\} { 1}）和道路（绿色， { 2 } \{2\} { 2}）。

极点BEV图上的点由极坐标表达，角度范围由前视相机的视野决定。可将该角度范围分割为若干子部分。径向方向被分为16层。因此，极点BEV图可表达为 P i ∈ { 0 , 1 , 2 } 16 × n P_i\in\{0,1,2\}^{16\times n} Pi​∈{ 0,1,2}16×n。

将半径方向的16层分为4个区域，每个区域有不同的层间距，层间距随着区域离自车的距离增大而增大。因此，点的密度会随着离自车距离的增大而减小。这样，极点BEV图表达可使得模型更加关注离自车更近的区域。

B. 网络结构

如上图所示为XPlan的结构，包含3个组件：编码器、控制预测（CP）模块以及极点（PP）模块。网络以前视图像 I i ∈ R h × w × c I_i\in\mathbb{R}^{h\times w\times c} Ii​∈R