目前學(xué)術(shù)圈還是用“打榜”來對(duì)自動(dòng)駕駛算法評(píng)分，所謂“打榜”是指在某一數(shù)據(jù)集上利用其訓(xùn)練數(shù)據(jù)集測(cè)試算法的優(yōu)劣勢(shì)，目前自動(dòng)駕駛?cè)?nèi)最常用的打榜數(shù)據(jù)集是安波福Aptiv旗下的nuScenes。nuScenes數(shù)據(jù)集的任務(wù)包括六大類，分別是3D目標(biāo)檢測(cè)（Detection）、目標(biāo)追蹤（Tracking）、目標(biāo)軌跡預(yù)測(cè)（Prediction）、激光雷達(dá)目標(biāo)分割（Lidar Segmentation）、全景（Panoptic）、決策（Planning）。

其中，3D目標(biāo)檢測(cè)是自動(dòng)駕駛最基礎(chǔ)的任務(wù)，全球有近300個(gè)團(tuán)隊(duì)或企業(yè)參加了比試，也是全球自動(dòng)駕駛數(shù)據(jù)集參賽者最多的，足見其權(quán)威性。華為的TransFusion出自2021年10月，當(dāng)時(shí)也曾在nuScenes數(shù)據(jù)集上打榜，并奪得第一名的位置，不過最近華為沒有打榜。

3D目標(biāo)檢測(cè)（Detection）又可分為融合算法和單一傳感器算法，其中純視覺算法第一名就是地平線Sparse4D，NDS得分高達(dá)0.719；純激光雷達(dá)算法第一名是浪潮信息和中科院的Real-Aug++，NDS得分是0.744；而激光雷達(dá)和視覺融合的第一名是零跑汽車的EA-LSS，NDS得分0.776。不難看出傳感器融合性能提升非常有限。很多人會(huì)說，特斯拉才是純視覺第一名，不過根據(jù)特斯拉AI Day的資料，特斯拉目標(biāo)感知算法骨干是META開發(fā)的Regnet，脖頸是谷歌的BiFPN，感測(cè)頭是Transformer，但特斯拉描述的比較模糊，Transformer似乎只是2D到BEV變換。特斯拉的純視覺基礎(chǔ)似乎是來自Facebook的論文《End-to-End Object Detection with Transformers》（發(fā)表于2020年5月），稀疏化之后就是DETR3D，2021年10月打榜（實(shí)際DETR3D在2020年初就有了），DETR3D曾經(jīng)打榜，NDS得分0.479，在當(dāng)年確實(shí)是第一，不過第一的位置只保持了近大半年。 ?

再就是什么是所謂端到端。傳統(tǒng)的自動(dòng)駕駛系統(tǒng)通常會(huì)采用級(jí)聯(lián)式的架構(gòu)，在模塊與模塊之間通常傳遞的是結(jié)構(gòu)化信息，同時(shí)在系統(tǒng)內(nèi)存在著海量人工設(shè)計(jì)的復(fù)雜規(guī)則。這使得整體的自動(dòng)駕駛系統(tǒng)復(fù)雜性高、難以聯(lián)合優(yōu)化以及迭代周期比較長(zhǎng)。而端到端的設(shè)計(jì)思路則帶來了全新的可能性。在端到端架構(gòu)中，首先各個(gè)主要的模塊都是基于神經(jīng)網(wǎng)絡(luò)的形式設(shè)計(jì)；其次模塊間也不再只是傳遞結(jié)構(gòu)化信息，而是同時(shí)傳遞稀疏實(shí)例特征表示，這使得從感知到規(guī)控的整體系統(tǒng)可以進(jìn)行聯(lián)合優(yōu)化；最終的決策規(guī)劃模塊也能從更加靠前的階段獲得更豐富的信息。BEV就是端到端的典型代表。

還有一種徹底的端到端，就是英偉達(dá)在2016年的論文《End to End Learning forSelf-Driving Cars》，不產(chǎn)生中間結(jié)果，可以直接通過圖像輸入，直接輸出控制信號(hào)的徹底端到端技術(shù)路線。貌似很高大上，不過神經(jīng)網(wǎng)絡(luò)或者說AI本身就是黑盒，加上這個(gè)徹底黑盒的流程，完全不具備任何可解釋性，成敗完全取決于運(yùn)氣，無法迭代，因此2020年以后再也無人提及。從自動(dòng)駕駛產(chǎn)品安全性的角度來看，把每個(gè)模塊都網(wǎng)絡(luò)化并串聯(lián)在一起的技術(shù)路線，會(huì)更加可靠可行，感知的結(jié)果必須有顯式的。

與科研機(jī)構(gòu)不同，地平線是要考慮產(chǎn)品落地商業(yè)化的，從名字就可看出，地平線是要“稀疏”，從圖像空間到BEV空間的轉(zhuǎn)換，是稠密特征到稠密特征的重新排列組合，計(jì)算量比較大，與圖像尺寸以及BEV特征圖尺寸成正相關(guān)。在大家常用的nuScenes 數(shù)據(jù)中，感知范圍通常是長(zhǎng)寬 [-50m, +50m] 的方形區(qū)域，然而在實(shí)際場(chǎng)景中，我們通常需要達(dá)到單向100m，甚至200m的感知距離。若要保持BEV Grid 的分辨率不變，則需要大大增加BEV 特征圖的尺寸，從而使得端上計(jì)算負(fù)擔(dān)和帶寬負(fù)擔(dān)都過重；若保持BEV特征圖的尺寸不變，則需要使用更粗的BEV Grid，感知精度就會(huì)下降。因此，在車端有限的算力條件下，BEV 方案通常難以實(shí)現(xiàn)遠(yuǎn)距離感知和高分辨率特征的平衡。此外，BEV 空間可以看作是壓縮了高度信息的3D空間，這使得BEV范式的方法難以直接完成2D相關(guān)的任務(wù)，如標(biāo)志牌和紅綠燈檢測(cè)等，感知系統(tǒng)中仍然要保留圖像域的感知模型；這也正是馬斯克展示特斯拉的v12版時(shí)，紅綠燈檢測(cè)出現(xiàn)明顯的錯(cuò)誤，Occupancy Network忽略了部分2D相關(guān)任務(wù)。

特斯拉的OccupancyNetwork在找尋自由空間方面優(yōu)勢(shì)明顯，策略是避障而非減速剎車，但也有缺點(diǎn)，大量的無意義的靜態(tài)目標(biāo)如路兩邊的建筑物浪費(fèi)了不少運(yùn)算資源，按照特斯拉2022 AI Day上的資料，特斯拉的幀率大概是12fps，通常智能駕駛是30fps以上，顯然是運(yùn)算資源不足導(dǎo)致的。

地平線追求一個(gè)高性能、高效率的長(zhǎng)時(shí)序純稀疏BEV感知算法，既能提高效率也不降低性能?；A(chǔ)還是首個(gè)稀疏的BEV感知模型，即DETR3D。《DETR3D:3D Object Detection from Multi-view Images via 3D-to-2D Queries》，作者來自五湖四海，包括麻省理工學(xué)院（MIT）、清華大學(xué)、卡梅隆大學(xué)、理想汽車（不過作者留的郵箱是斯坦福大學(xué)，應(yīng)該還是學(xué)生）豐田北美研究院和斯坦福大學(xué)。

DETR3D是第一個(gè)端到端的目標(biāo)檢測(cè)模型，不需要眾多手工設(shè)計(jì)組件，如anchor、固定規(guī)則的標(biāo)簽分配策略、NMS后處理等），也是首先將tranformer引入目標(biāo)檢測(cè)的。DETR3D模型包含3個(gè)關(guān)鍵組件。第一，遵循 2D 視覺中的常見做法，使用共享的 ResNet主干從相機(jī)圖像中提取特征，視需要使用特征金字塔FPN加強(qiáng)這些特征。第二，一個(gè)以幾何感知方式將計(jì)算的2D特征和3D包絡(luò)框預(yù)測(cè)集合進(jìn)行連接的檢測(cè)頭，檢測(cè)頭的每一層都從一組稀疏的目標(biāo)查詢開始，這些查詢是從數(shù)據(jù)中學(xué)習(xí)的。每個(gè)目標(biāo)查詢編碼一個(gè)3D位置，該位置投影到相機(jī)平面并通過雙線性插值用于收集圖像特征。DERT類似，然后我們使用多頭注意力通過合并目標(biāo)交互來優(yōu)化目標(biāo)查詢。這一層會(huì)重復(fù)多次，在特征采樣和目標(biāo)查詢優(yōu)化之間交替。最后，我們使用set-to-set損失來訓(xùn)練網(wǎng)絡(luò)。

DETR3D架構(gòu)

圖片來源：網(wǎng)絡(luò)

與Transformer那種全局(global)&密集(dense)的注意力機(jī)制相比，DETR3D提出了新思路：每個(gè)參考點(diǎn)僅關(guān)注鄰域的一組采樣點(diǎn)，這些采樣點(diǎn)的位置并非固定，而是可學(xué)習(xí)的（與可變形卷積一樣），從而實(shí)現(xiàn)了一種局部(local)&稀疏(sparse)的高效注意力機(jī)制。Transformer在計(jì)算注意力權(quán)重時(shí)，伴隨著高計(jì)算量與空間復(fù)雜度。特別是在編碼器部分，與特征像素點(diǎn)的數(shù)量成平方級(jí)關(guān)系，因此難以處理高分辨率的特征（這點(diǎn)也是DETR檢測(cè)小目標(biāo)效果差的原因），說白了就是計(jì)算量太大，高分辨率攝像頭沒法用。DETR的第一波改進(jìn)就是Deformable DETR。它提出可變形注意力模塊，相比于Transformer那種方式，在這里，每個(gè)特征像素不必與所有特征像素交互計(jì)算，只需要與部分基于采樣獲得的其它像素交互即可，這就大大加速了模型收斂，同時(shí)也降低了計(jì)算復(fù)雜度與所需的空間資源。另外，該模塊能夠很方便地應(yīng)用到多尺度特征上，連FPN都不需要。

地平線做了二次改進(jìn)，就是Sparse 4D。

Sparse4D概覽

圖片來源：地平線

Sparse4D提出instance特征，即實(shí)例特征，應(yīng)該是車的實(shí)例，然后重新定義anchor盒尺寸。

圖片來源：地平線

Sparse4D也采用了Encoder-Decoder 結(jié)構(gòu)，其中Encoder包括imagebackbone和neck，用于對(duì)多視角圖像進(jìn)行特征提取，得到多視角多尺度特征圖。同時(shí)，cache 多張歷史幀的圖像特征用于在decoder 中提取時(shí)序特征；Decoder為多層級(jí)聯(lián)形式，輸入時(shí)序多尺度圖像特征圖和初始化instance，輸出精細(xì)化后的instance，每層decoder包含self-attention、deformable aggregation和refine module三個(gè)主要部分。

學(xué)習(xí)2D檢測(cè)領(lǐng)域DETR改進(jìn)的經(jīng)驗(yàn)，重新引入了Anchor的使用，并將待感知的目標(biāo)定義為instance，每個(gè)instance主要由兩個(gè)部分構(gòu)成：目標(biāo)的高維特征，在decoder 中不斷由來自于圖像特征的采樣特征所更新；目標(biāo)結(jié)構(gòu)化的狀態(tài)信息，比如3D檢測(cè)中的目標(biāo)3D框(x, y, z, w, l, h, yaw, vx, vy)；通過kmeans 算法來對(duì)anchor 的中心點(diǎn)分布進(jìn)行初始化；同時(shí)，在網(wǎng)絡(luò)中會(huì)基于一個(gè)MLP網(wǎng)絡(luò)來對(duì)anchor的結(jié)構(gòu)化狀態(tài)進(jìn)行高維空間映射得到 Anchor Embed 并與instance feature 相融合。

Anchor源自RPN，在深度學(xué)習(xí)時(shí)代，大名鼎鼎的RCNN和Fast RCNN依舊依賴滑窗來產(chǎn)生候選框，也就是Selective Search算法，該算法優(yōu)化了候選框的生成策略，但仍會(huì)產(chǎn)生大量的候選框，導(dǎo)致即使是Fast RCNN算法，在GPU上的速度也只有三、四幀每秒。直到Faster RCNN的出現(xiàn)，提出了RPN網(wǎng)絡(luò)，使用RPN直接預(yù)測(cè)出候選框的位置。RPN網(wǎng)絡(luò)一個(gè)最重要的概念就是anchor，啟發(fā)了后面的SSD和YOLOv2等算法，雖然SSD算法稱之為default box，也有算法叫做prior box，其實(shí)都是同一個(gè)概念，他們都是anchor的別稱。anchor就是在圖像上預(yù)設(shè)好的不同大小，不同長(zhǎng)寬比的參照框。（其實(shí)非常類似于上面的滑窗法所設(shè)置的窗口大?。?。

anchor有點(diǎn)定制的意味，首先你要知道你檢測(cè)的最重要的目標(biāo)類型是什么，是車還是小貓，再根據(jù)這個(gè)確定anchor，大大提高計(jì)算效率，也提高準(zhǔn)確度，而缺點(diǎn)就是可能出現(xiàn)漏檢。對(duì)智能駕駛來說，最重要的目標(biāo)是車和行人，這個(gè)anchor很好確定，也可以讓網(wǎng)絡(luò)自己確定。

圖片來源：地平線

在Sparse4D的decoder 中，最重要的是Deformable 4D Aggreagation模塊。這個(gè)模塊主要負(fù)責(zé)instance與時(shí)序圖像特征之間的交互，如上圖所示，主要包括三個(gè)步驟：

4D關(guān)鍵點(diǎn)生成：首先，基于每個(gè)instance的3D anchor信息，生成一系列3D關(guān)鍵點(diǎn)，分為固定關(guān)鍵點(diǎn)和可學(xué)習(xí)關(guān)鍵點(diǎn)。將固定關(guān)鍵點(diǎn)設(shè)置為anchor box的各面中心點(diǎn)及其立體中心點(diǎn)，可學(xué)習(xí)關(guān)鍵點(diǎn)坐標(biāo)通過instancefeature接一層全連接網(wǎng)絡(luò)得到。在Sparse4D 中，采用了7個(gè)固定關(guān)鍵點(diǎn) + 6個(gè)可學(xué)習(xí)關(guān)鍵點(diǎn)的配置。然后結(jié)合instance自身的速度信息以及自車的速度信息，對(duì)這些3D關(guān)鍵點(diǎn)進(jìn)行運(yùn)動(dòng)補(bǔ)償，獲得其在歷史時(shí)刻中的位置。結(jié)合當(dāng)前幀和歷史幀的3D關(guān)鍵點(diǎn)，我們獲得了每個(gè)instance的4D關(guān)鍵點(diǎn)。

4D 特征采樣：在獲得每個(gè)instance在當(dāng)前幀和歷史幀的3D關(guān)鍵點(diǎn)后，根據(jù)相機(jī)的內(nèi)外參將其投影到對(duì)應(yīng)的多視角多尺度特征圖上進(jìn)行雙線性插值采樣。從而得到Multi-Keypoint，Multi-Timestamp, Multi-Scale, Multi-View的特征表示。

然后是層級(jí)融合，F(xiàn)use Multi-Scale/View：對(duì)于一個(gè)關(guān)鍵點(diǎn)在不同特征尺度和視角上的投影，采用了加權(quán)求和的方式，權(quán)重系數(shù)通過將instance feature和anchor embed輸入至全連接網(wǎng)絡(luò)中得到；Fuse Multi-Timestamp：對(duì)于時(shí)序特征，采用了簡(jiǎn)單的recurrent策略（concat + linear）來融合；Fuse Multi-Keypoint：最后，采用求和的方式融合同一個(gè)instance不同keypoint的特征。

即便是已經(jīng)稀疏化、輕量化，由于時(shí)間T的導(dǎo)入，依然導(dǎo)致計(jì)算量偏大，第一代Sparse 4D使用ResNet50做骨干網(wǎng)，輸入圖像尺寸704*256，使用英偉達(dá)RTX3090顯卡，RTX3090擁有10496個(gè)CUDA核心，328個(gè)Tensor張量核心，F(xiàn)P32算力是35.58TOPS，F(xiàn)P16張量算力是285TOPS，INT8是570TOPS，論FP32算力比A100還高，價(jià)格不到A100的1/5。

幀率偏低，消耗內(nèi)存也太多，地平線提出第二代Sparse4D。

圖片來源：地平線

在Sparse4D-V2中，將decoder分為單幀層和時(shí)序?qū)?。單幀層以新初始化的instance作為輸入，輸出一部分高置信度的instance至?xí)r序?qū)?；時(shí)序?qū)拥膇nstance除了來自于單幀層的輸出以外，還來自于歷史幀（上一幀）。將歷史幀的instance投影至當(dāng)前幀，其中，instance feature保持不變，anchor box通過自車運(yùn)動(dòng)和目標(biāo)速度投影至當(dāng)前幀，anchor embed通過對(duì)投影后的anchor進(jìn)行編碼得到。這樣避免消耗內(nèi)存的多幀采樣，改為歷史幀重復(fù)利用，用遞歸recurrent的方式取代了多幀采樣。

最新的Sparse4D -V3也已經(jīng)出現(xiàn)，對(duì)骨干網(wǎng)和訓(xùn)練策略都進(jìn)行了升級(jí)，最終達(dá)到了純視覺第一名。

最后要說的是人人都說大模型，實(shí)際略大一點(diǎn)的模型無法在車端使用，存儲(chǔ)帶寬和算力最終變?yōu)槌杀鞠拗疲歉删W(wǎng)幾乎沒有例外都還是2015年微軟研究院的何愷明、張祥雨、任少卿、孫劍等人提出的ResNet，何愷明后來去了Facebook (Meta)，最近又回MIT教書，基本上何凱明引領(lǐng)了計(jì)算機(jī)目標(biāo)檢測(cè)視覺的發(fā)展潮流，真正的大神。

自動(dòng)駕駛需要走的路還很長(zhǎng)，感知的問題還未完全解決。不過欣慰的是，中國(guó)在感知方面是穩(wěn)居第一的，如果中國(guó)都無法完成自動(dòng)駕駛，那么其他國(guó)家更不可能。

編輯：黃飛

?