BEV经典之作Lift, Splat, Shoot解析

2023-10-08 04:20

本文主要是介绍BEV经典之作Lift, Splat, Shoot解析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

第一篇:LSS算法数据shape流程图 - 知乎

Lift Splat Shoot算法是一种用于自动驾驶感知的算法,它由NVIDIA提出。该算法通过将多视角相机图像转换为3D空间中的特征表示。其主要思想是将每个相机的图像通过"抬升(Lift)"的方式生成3D特征,然后将这些3D特征通过"拍扁(Splat)"的方式投射到光栅化的鸟瞰图网格中。最后,通过将模板运动轨迹"投射(Shoot)"到网络输出的BEV Cost Map中,实现可解释的端到端的运动规划。

对于感知算法而言,Lift Splat Shoot算法的关键在于对BEV(鸟瞰图)的感知范围、BEV单元格大小和深度估计范围的设置。感知范围可以决定x轴和y轴方向的感知距离,BEV单元格大小决定了BEV下的单位大小,深度估计范围则决定了Lift Splat Shoot算法需要估计的离散深度范围。

通过Lift Splat Shoot算法,可以将多个相机的2D信息转换为3D信息,并将多个摄像头的3D信息进行拼接,从而得到对整个场景的统一表示。该算法在目标分割、地图分割等任务上取得了优于基线方法和之前工作的结果。

总体流程

总体流程

获取空间位置

构造frustum

frustum是LiftSplatShoot的一个用nn.Parameter(frustum, requires_grad=False)包裹的成员,是参与梯度与更新的。

frustum是一个4维矩阵,代表了在41×8×22的伪点云中,每个点的x,y,z三个坐标

部分x坐标的实际值

部分y坐标的实际值

z坐标(深度)的实际值

将相机坐标系转换至自车坐标系

geom = self.get_geometry(rots, trans, intrins, post_rots, post_trans)

geom的shape任然为(41,8,22,3),但是转换到了自车坐标系下

获取相机特征(CamEncode)

voxel_pooling

获取BEV特征(BevEncode)

第二篇:BEV经典之作Lift, Splat, Shoot解析 - 知乎

本文的主要内容:

  • BEV感知
  • LSS贡献
  • LSS工作流程
  • Lift & Splat 原理以及相关源码解析

BEV感知

自动驾驶汽车为了感知周围的环境,会在车身周围安装多个传感器,每个传感器都有自己的坐标系。为了使得后续处理更加方便,我们通常将不同传感器的感知数据转换到一个统一的坐标系。比如目前最流行的鸟瞰图BEV("bird's-eye-view")感知范式,就是从来自不同传感器的数据中提取特征,然后将这些特征转换到统一的BEV坐标系下,再进行后续的感知任务,比如检测、分割等。如下图所示,上方为车上前、后、左、右4个相机拍摄到的画面,下方为转换后的BEV表示。

LSS的贡献

LSS算是BEV感知的开山之作,其主要贡献有以下几点:

  • 提出了一种将图像从2d转换到3d的方法(Lift);
  • 提出了一种end-to-end模型,可以将来自多个相机的图像特征转换到统一的BEV空间;
  • LSS是纯视觉模型,为后续的纯视觉BEV感知算法研究奠定了基础。

上图左边是不同相机拍摄的图像,右边是将这些不同视角的图像转换到BEV空间后,在BEV空间直接进行语义分割的结果。(左边图像中的着色点,代表将BEV空间中的预测结果反投影到了图像上)

LSS工作流程

LSS的整个工作流如上图,模型的输入是来自不同相机拍摄的 � 张图像,以及每个相机的外参矩阵 �� 和内参矩阵 �� ,其中 �∈[1,2,...,�] ;模型首先对每张图像(实际上是特征图)进行 "Lift" 操作,将图像从2d平面提升到3d空间,生成3d视锥(frustum)点云,并对点云上所有的点预测context特征,生成context特征点云;然后对视锥点云和context特征点云进行 “Splat” 操作,在BEV网格中构建BEV特征,即模型的输出;最后,得到BEV特征后,可通过“Shooting”完成特定的下游任务,比如Motion Planning。

要理清LSS的工作流程,就是要搞明白“Lift”和“Splat”这两个操作,在上图中,我列出了源码中实现"Lift"和“Splat”这两个操作的相关函数,接下来我将结合源码,来重点解析下这两个操作的原理以及它们是如何实现的。

Lift

相机将真实世界投影到图像平面,是一个3d转2d的过程,会丢失深度信息。Lift的目的就是为了恢复图像中每个像素的深度,将图像从2d平面提升到3d空间,该操作具体分为两步:

【Step1】生成3d视锥(frustum)点云:令图像大小为 [H, W] ,为每个像素生成D个离散的深度值,表示这个像素所有可能处于的深度位置,从而生成大小为 [D, H, W] 的视锥点云,然后利用相机的内参和外参,将所有的视锥点云转换到自车坐标系。论文中设置深度方向的范围是 [4m, 45m],每间隔1m估计1个离散深度,故每个像素会生成41个深度值,即D=41。

实现该步骤的源码为models.py文件中的create_frustum()和get_geometry()这两个函数,源码解析:

def create_frustum(self):"""将图像从2d提升到3d,生成3d视锥(frustum)点云。这里实际上是在下采样后的特征图上生成点云,然后把每个点的坐标映射回原图中。"""ogfH, ogfW = self.data_aug_conf['final_dim']  # 原始图像大小 (128,352)fH, fW = ogfH // self.downsample, ogfW // self.downsample  # 经backbone下采样后的特征图大小 (8,22)# 为特征图上的每个点生成一组深度位置,shape变化:(41,) -> (41,1,1) -> (41,8,22),这里dbound=[4,45,1]ds = torch.arange(*self.grid_conf['dbound'], dtype=torch.float).view(-1, 1, 1).expand(-1, fH, fW)D, _, _ = ds.shape# 将每个点的x坐标映射回原图,shape变化:(22,) -> (1,1,22) -> (41,8,22)xs = torch.linspace(0, ogfW - 1, fW, dtype=torch.float).view(1, 1, fW).expand(D, fH, fW)# 将每个点的y坐标映射回原图,shape变化:(8,) -> (1,8,1) -> (41,8,22)ys = torch.linspace(0, ogfH - 1, fH, dtype=torch.float).view(1, fH, 1).expand(D, fH, fW)# 堆叠生成视锥点云,shape为(41,8,22,3),3代表每个点的3d坐标(x,y,d)frustum = torch.stack((xs, ys, ds), -1)return nn.Parameter(frustum, requires_grad=False)def get_geometry(self, rots, trans, intrins, post_rots, post_trans):"""将每张图的视锥点云从图像坐标系转换到自车坐标系。rots:由相机坐标系->自车坐标系的旋转矩阵,(B, N, 3, 3)trans:由相机坐标系->自车坐标系的平移矩阵,(B, N, 3)intrins:相机内参,(B, N, 3, 3)post_rots:由图像增强引起的旋转矩阵,(B, N, 3, 3)post_trans:由图像增强引起的平移矩阵,(B, N, 3)"""B, N, _ = trans.shape # 恢复数据增强以及预处理对像素位置的变化points = self.frustum - post_trans.view(B, N, 1, 1, 1, 3)points = torch.inverse(post_rots).view(B, N, 1, 1, 1, 3, 3).matmul(points.unsqueeze(-1))# 图像坐标系 -> 相机归一化坐标系points = torch.cat((points[:, :, :, :, :, :2] * points[:, :, :, :, :, 2:3],points[:, :, :, :, :, 2:3]), 5)combine = rots.matmul(torch.inverse(intrins))# 相机归一化坐标系 -> 相机坐标系 -> 自车坐标系points = combine.view(B, N, 1, 1, 1, 3, 3).matmul(points).squeeze(-1)points += trans.view(B, N, 1, 1, 1, 3)return points  # shape (B,N,41,8,22,3)

【Step2】生成context特征点云:利用EfficientNet作为backbone提取图像特征,对特征图上的每个点,预测C维的特征向量�∈��以及D个离散深度的概率分布�(C等于64,D等于41),然后将特征向量和深度分布做外积,生成context特征。实际上,每个点的context特征可以看作成一个shape为(64, 41)的2维张量,其中每一列 �� 由该点在深度为d处的深度分布值 �� 乘以特征向量c上得到,即论文中的公式(1):

��=���

如下图所示,左边为图像上某点在其深度方向上预测的D个深度分布 � ,中间为该点的特征向量c,右边为通过外积得到的context特征,可以看出,由于在第三个深度处的概率值最高,所以在外积结果中 �2� 获得的特征最丰富。

实现该步骤的源码为models.py文件中的get_cam_feats()和==get_depth_feat()这两个函数,源码解析:

def get_depth_feat(self, x):"""为特征图上的每个点生成context特征,构建context特征点云。x: 输入图像,shape为(B*N,3,128,352),注意这里将batch和每个batch的图像数量N融合成了一个维度"""# get_eff_depth用于提取图像特征,源码中使用efficientNet作为backbone,输出的特征图shape为(B*N,512,8,22)x = self.get_eff_depth(x)# depthnet实际就是一个Conv2d,输出的特征图shape为(B*N,105,8,22),其中105的前41项为深度值,后面64项为特征x = self.depthnet(x)# 提取前41维的深度图,通过get_depth_dist执行softmax得到概率分布,shape为(B*N,41,8,22)depth = self.get_depth_dist(x[:, :self.D])# 提取后64维的特征图,和深度分布做外积,构建context特征点云,shape为(B*N,64,41,8,22)new_x = depth.unsqueeze(1) * x[:, self.D:(self.D + self.C)].unsqueeze(2)return depth, new_xdef get_cam_feats(self, x):"""构建context特征点云。x: 输入图像,shape为(B,N,3,128,352)"""B, N, C, imH, imW = x.shape  # shape(B,N,3,128,352)x = x.view(B*N, C, imH, imW)  # 合并维度0和维度1,shape(B*N,3,128,352)x = self.camencode(x)  # camencode内部会调用get_depth_feat得到context特征点云,shape(B*N,64,41,8,22)x = x.view(B, N, self.camC, self.D, imH//self.downsample, imW//self.downsample)  # shape(B,N,64,41,8,22)x = x.permute(0, 1, 3, 4, 5, 2)  # shape(B,N,41,8,22,64)return x  

Splat

经过Lift操作后,我们得到了两个3d点云:

  1. 视锥点云:shape为(B, N, 41, 8, 22, 3),包含了每个点在自车坐标系中的位置
  2. context特征点云:shape为(B, N, 41, 8, 22, 64),包含了每个点的context特征

Splat的目的就是将context特征投影到BEV网格中,构建BEV特征。具体为:首先将视锥点云从自车坐标系平移到BEV网格中,并滤除平移后落在BEV网格边界外的点;由于可能存在多个点落到同一个单元格中,所以对每个点赋一个rank值,rank值相同的点表示在同一个batch的同一个单元格里;最后对落在同一个单元格的context特征进行求和池化,得到BEV特征。

BEV网格:在以自动驾驶车辆为中心的俯视图中,沿着x轴和y轴方向划分N个单元格(有的论文中也称为"Pillar"),每个单元格有特定的大小,在车辆感知范围内的所有单元格构成了BEV网格。
论文中设置x轴方向和y轴方向的感知范围都为-50m ~ 50m,z轴方向的感知范围为-10m ~10m,单元格的长宽高为[0.5m, 0.5m, 20m],故BEV网格大小为200x 200x1。

实现Splat操作的源码为models.py文件中的voxel_pooling()函数,源码解析:

def voxel_pooling(self, geom_feats, x):"""构建BEV特征。geom_feats: 视锥点云,shape为(B,N,41,8,22,3)x: context特征点云,shape为(B,N,41,8,22,64)"""B, N, D, H, W, C = x.shapeNprime = B*N*D*H*W# flatten x = x.reshape(Nprime, C)# 将视锥点云从自车坐标系平移到BEV网格中,BEV网格以左上角为原点geom_feats = ((geom_feats - (self.bx - self.dx / 2.)) / self.dx).long()geom_feats = geom_feats.view(Nprime, 3)# 每个点的batch索引,shape(Nprime,1)batch_ix = torch.cat([torch.full([Nprime//B, 1], ix, device=x.device, dtype=torch.long) for ix in range(B)])# 合并batch索引,shape(Nprime,4)geom_feats = torch.cat((geom_feats, batch_ix), 1)# 过滤掉在落BEV网格边界外的点,网格各维度的边界为[0,200)、[0,200)、[0,1)kept = (geom_feats[:, 0] >= 0) & (geom_feats[:, 0] < self.nx[0])\& (geom_feats[:, 1] >= 0) & (geom_feats[:, 1] < self.nx[1])\& (geom_feats[:, 2] >= 0) & (geom_feats[:, 2] < self.nx[2])x = x[kept]geom_feats = geom_feats[kept]# 给每个点赋予一个rank值,rank相同的点表明落在同一个batch的同一个格子里ranks = geom_feats[:, 0] * (self.nx[1] * self.nx[2] * B)\+ geom_feats[:, 1] * (self.nx[2] * B)\+ geom_feats[:, 2] * B\+ geom_feats[:, 3]# 对ranks排序,将rank值相同的点排在一起,这么做的目的是为了后续的cumsumsorts = ranks.argsort()x, geom_feats, ranks = x[sorts], geom_feats[sorts], ranks[sorts]# 利用cumsum trick对落在同一个格子里的context特征进行求和池化if not self.use_quickcumsum:x, geom_feats = cumsum_trick(x, geom_feats, ranks)else:x, geom_feats = QuickCumsum.apply(x, geom_feats, ranks)# 构建BEV特征图,shape(B,64,1,200,200)final = torch.zeros((B, C, self.nx[2], self.nx[0], self.nx[1]), device=x.device)final[geom_feats[:, 3], :, geom_feats[:, 2], geom_feats[:, 0], geom_feats[:, 1]] = x# 消除第2维,shape(B,64,200,200)final = torch.cat(final.unbind(dim=2), 1)return finaldef cumsum_trick(x, geom_feats, ranks):"""对落在同一个单元格的特征进行求和池化。x: 铺平的context特征,shape为(n,64)geom_feats: 铺平的视锥点,shape为(n,3)ranks:每个点的rank值,shape为(n,)"""# 求所有点的特征执行累加和x = x.cumsum(0)# 获取前后rank值不相等的索引位置kept = torch.ones(x.shape[0], device=x.device, dtype=torch.bool)kept[:-1] = (ranks[1:] != ranks[:-1])# 对于具有相同rank值的点,只保留最后一个x, geom_feats = x[kept], geom_feats[kept]# 由于前面是对所有点执行累加和,这里进行移位相减,得到具有相同rank值的点的实际特征和x = torch.cat((x[:1], x[1:] - x[:-1]))return x, geom_feats

下面通过一个例子来理解一下cumsum trick,假设我们有一组包含5个点的context特征,特征维度为2,对其求累加和:

feats = np.array([[1,1], [2,2], [3,3], [4,4], [5,5]])
ft_cumsum = feats.cumsum(0)
>>> ft_cumsum: [[1,1], [3,3], [6,6], [10,10], [15,15]]

假设在BEV网格中,第三个点和第四个点落在同一个单元格里,即它们具有相同的rank值:

ranks = np.array([0, 1, 2, 2, 3])
kept = np.ones(feats.shape[0], dtype=bool)
kept[:-1] = (ranks[1:] != ranks[:-1])
>>> kept: [True, True, False, True, True]

对于具有相同rank值的点,只会保留最后一个,所以第三个点会被滤掉:

ft_cumsum = ft_cumsum[kept]
>>> ft_cumsum: [[1,1], [3,3], [10,10], [15,15]]

移位相减,得到剩余每个点的实际特征和:

ft_cumsum = np.concatenate((ft_cumsum[:1], ft_cumsum[1:] - ft_cumsum[:-1]))
>>> ft_cumsum: [[1,1], [2,2], [7,7], [5,5]]

BevEncode

为了执行语义分割任务,最后还接个BevEncode对BEV特征进一步进行编码,BevEncode由一个2d Conv、resnet18的前三层、以及两个上采样层组成,最终输出的特征图shape为(4, 1, 200, 200)。

这篇关于BEV经典之作Lift, Splat, Shoot解析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/162668

相关文章

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

Springboot @Autowired和@Resource的区别解析

《Springboot@Autowired和@Resource的区别解析》@Resource是JDK提供的注解,只是Spring在实现上提供了这个注解的功能支持,本文给大家介绍Springboot@... 目录【一】定义【1】@Autowired【2】@Resource【二】区别【1】包含的属性不同【2】@

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

Spring MVC使用视图解析的问题解读

《SpringMVC使用视图解析的问题解读》:本文主要介绍SpringMVC使用视图解析的问题解读,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Spring MVC使用视图解析1. 会使用视图解析的情况2. 不会使用视图解析的情况总结Spring MVC使用视图

利用Python和C++解析gltf文件的示例详解

《利用Python和C++解析gltf文件的示例详解》gltf,全称是GLTransmissionFormat,是一种开放的3D文件格式,Python和C++是两个非常强大的工具,下面我们就来看看如何... 目录什么是gltf文件选择语言的原因安装必要的库解析gltf文件的步骤1. 读取gltf文件2. 提

Java中的runnable 和 callable 区别解析

《Java中的runnable和callable区别解析》Runnable接口用于定义不需要返回结果的任务,而Callable接口可以返回结果并抛出异常,通常与Future结合使用,Runnab... 目录1. Runnable接口1.1 Runnable的定义1.2 Runnable的特点1.3 使用Ru