数据闭环与AutoLabeling方案总结！（Waymo/Uber/Open MMLab）

作者 | AmazingRoad  编辑 | 汽车人

原文链接：zhuanlan.zhihu.com/p/587140851

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【全栈算法】技术交流群

后台回复【标定工具】获取2D检测/分割/关键点，3D点云检测分割标注工具！

1什么是数据闭环

自动驾驶中的数据闭环，是指算法研发由case-driven转向data-driven的核心步骤。我大概整理了下数据闭环的链路，如下图所示：

• 链路中的环节包含工具链路打通和算法开发两部分。

• 算法开发主要有数据挖掘、数据标注、模型优化这三部分。

• 这里面数据标注中的自动标注，即AutoLabeling是目前数据闭环中最为核心的部分。

• 数据挖掘和模型优化，也是需要攻克和解决的点，只不过从成本和效率上，目前优先级没有自动标注高。

2AutoLabeling方案

以下的讨论以目标检测任务为例。

Pipeline

• 目标检测任务的主要pipeline流程包含目标检测、轨迹生成、轨迹优化三部分

• 其中目标检测模型、MOT算法，都有比较成熟的算法，所以AutoLabeling中创新点主要体现在轨迹优化这个步骤。

学术界的SOTA

目前关于AutoLabeling的完整方案方面的论文不是很多，这里面比较有代表性的有：

• 谷歌的Waymo在2021年发表的：《Offboard 3D Object Detection from Point Cloud Sequences》

• Uber的ATG（Advanced Technology Group）在2021年发表的：《Auto4D: Learning to Label 4D Objects from Sequential Point Clouds》

• Open MMLab在2022年发表的：《MPPNet: Multi-Frame Feature Intertwining with Proxy Points for 3D Temporal Object Detection》

下面对这三篇文章做了个简单地总结和对比：

Auto4D的轨迹优化

• Size Branch: 累积全轨迹点（时域信息忽略），BEV编码，得到全局的稳定size。

• Update：基于最近corner align，更新全轨迹的box属性。

• Path Branch：累积全轨迹点（保留时域信息，但时域和高度channel合并），BEV编码，得到相邻帧位移

Offboard3D的轨迹优化处理

• 动静态判断：box中心点方差<1m/s^2，首尾帧中心点偏移<1m，则为静态，否则为动态。

• 静态轨迹优化：前背景分割网络对box周围的原始点进行分割，box回归网络得到box属性（基于PointNet）

• 动态轨迹优化：对于点进行前背景分割+点序列编码，对于框进行序列编码，最后加2层box回归网络。

MPPNet

• 选取代理点：每个框均匀选择代理点(4x4x4)

• 单帧提取特征：提取几何特征、运动特征

• 组内特征编码：x、y、z、c通道分割使用MLP进行feature mixing

• 组间特征编码：使用Former结构，共享K、V，进行feature mixing

• 3D检测头：使用Tranformer Decoder

往期回顾

Make RepVGG Greater Again！揭示重参化量化崩溃根因并解决（美团）

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称

自动驾驶之心【知识星球】

想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球（三天内无条件退款），日常分享论文+代码，这里汇聚行业和学术界大佬，前沿技术方向尽在掌握中，期待交流！