论文阅读笔记：(2022) Delving into the Devils of Bird‘s-eye-view Perception: A Review, Evaluation and Recipe_delving into the devils of bird鈥檚-eye-view percept

paper:  https://arxiv.org/abs/2209.05324

code:  GitHub - OpenPerceptionX/BEVPerception-Survey-Recipe: Awesome BEV perception papers and cookbook for achieving SOTA results

一、主要贡献

1. 对于近年来BEV感知进行全面回顾，包含一些高层级的逻辑和一些深入的细节；

2. 对于BEV的关键问题进行了分析， 包含深度估计，视角转换，传感器融合，域迁移等；也讨论了一些工程化过程中的系统层级设计；

3. 介绍了很多提高BEV感知性能的实践技巧；

二、3D感知的背景知识

2.1 主要的任务：

1）基于单目的3D目标检测；2）基于激光雷达的3D目标检测和分割；3）多传感器融合方案；总的来说，肯定是融合的方案精度高；

2.2 数据集：

waymo的比较全面， OpenLane的有车道线

2.3 评价标准

最常用还是mAP；NDS(nuScene Detection Score)是多个指标的加权平均；LET-3D-LPL主要用在纯视觉的方案（参考https://arxiv.org/pdf/2206.07705.pdf）

三、不同的BEV感知方案比较

3.1 BEV Camera

 

BEV Camera的研究重点一般实在view transformation, 一般有两种思路：

2D-3D：通过估计每个像素的视差/深度（或者他们沿着视线的分布）等， 把feature“提升”到3D空间，在3D空间做后续任务， 有点bottom up的感觉；由于图片像素数量很大，这个方法如果不做优化，会存在计算量上的瓶颈；

3D-2D:  3D空间采样点/voxel, 或者anchor（bbox或者车道线等任务）采样相机平面的feature. 其中又分为两种方法： 1. 利用相机内外参投影到相机平面采样feature； 2. 不依赖相机内外参， 用transformer attention 相机平面不同的feature；总之有点top down的感觉；

view transform 之后，一般再拍扁到bev，拍扁的方式一般可以是z方向的pooling或者x*y*z*c->x*y*(zc)

3.2 BEV LiDAR

Pre-Bev: 换到体素视图，用3D卷积或者spconv提取视图，再拍扁到bev, 代表的方法是voxelnet以及second

Post-Bev: 直接拍扁到bev，然后提取特征， 代表的方法是pointpillars

lidar到bev几何上算是降维，可能难点是保证空间信息的同时提高语义信息。

3.3 BEV Fusion

3.3.1 空间融合（lidar-camera fusion）

图片和激光雷达都在voxel或者俯视图，融合起来就比较方便了， 比如concat, channel上用MLP搅一搅等；

在voxel上做融合计算量肯定会比拍扁了在bev上做融合计算量大，但是能够保持z方向的信息不被牺牲掉

bev上做融合的代表：(2022.05) BEVFusion: Multi-task multi-sensor fusion with Unified Bird’s-Eye View Representation

voxel上做融合的代表：(2022.06) Unifying voxel-based representation with transformer for 3d object detection

3.3.2 时间融合（temporal fusion）

首先做feature alignment: 预测或者从定位拿到rotation和translation， 计算相对运动， 把前面一帧的feature 对齐到当前时刻;

然后，简单的做法就是直接concatenate当前feature和align过的feature，但是这时动态物体依然是mis-align的；因此，可以设计temporal self attention,  更加“柔性”地融合：

3.4 Industrial Design of BEV Perception

 Tesla和毫末的结构和目前主流paper里面的方法比较接近

四、一些经验总结

这一节主要以基于BEVformer++的3D目标检测和基于Voxel-SPVCNN的点云分割为例，介绍一些使用的trick

4.1 训练时的数据增强

BEVformer++： 色彩相关的增强可以直接搞；几何相关的增强要同时变化相机的参数， gt的大小以及图片的顺序，保证在空间上的一致性

4.2 测试时增强

一般是scaling, flip等

4.3 损失函数

BEVformer++： 可以采用一些auxiliary loss， 比如2D检测或者单目深度估计等

Voxel-SPVCNN：

a. Geo Loss: 体现体素的位置重要性，更加关注体素的点，线和面等特征，参考： https://arxiv.org/abs/2001.10709

b. Lovász-loss：相当于直接优化IoU, 比优化cross-entropy效果更加好， 参考原文：https://openaccess.thecvf.com/content_cvpr_2018/papers/Berman_The_LovaSz-Softmax_Loss_CVPR_2018_paper.pdf

4.4 模型集成

BEVformer++： 可以考虑用WBF对多尺度的模型进行融合，参考： https://arxiv.org/abs/1910.13302

Voxel-SPVCNN： 可以考虑把多个模型输出概率做平均；

4.5 后处理

BEVformer++： 用2D框过滤3D框， NMS等

Voxel-SPVCNN：按照欧式距离进行聚类, 并在单个cluster里面进行majority voting等；