[论文解读] It's All Around You: Range-Guided Cylindrical Network for 3D Object Detection

Meytal Rapoport-Lavie, Dan Raviv|arXiv (Cornell University)|Dec 5, 2020

Robotics and Sensor-Based Localization参考文献 29被引用 7

一句话总结

本文提出了一种新颖的端到端3D目标检测框架，采用圆柱坐标系以更好地匹配360° LiDAR传感器的环形扫描模式。该方法引入了基于距离的卷积机制，能够根据物体距离和尺度自适应调整感受野，从而在nuScenes基准上实现了最先进性能，NDS得分为0.585，优于大多数基于笛卡尔坐标的方法。

ABSTRACT

Modern perception systems in the field of autonomous driving rely on 3D data analysis. LiDAR sensors are frequently used to acquire such data due to their increased resilience to different lighting conditions. Although rotating LiDAR scanners produce ring-shaped patterns in space, most networks analyze their data using an orthogonal voxel sampling strategy. This work presents a novel approach for analyzing 3D data produced by 360-degree depth scanners, utilizing a more suitable coordinate system, which is aligned with the scanning pattern. Furthermore, we introduce a novel notion of range-guided convolutions, adapting the receptive field by distance from the ego vehicle and the object's scale. Our network demonstrates powerful results on the nuScenes challenge, comparable to current state-of-the-art architectures. The backbone architecture introduced in this work can be easily integrated onto other pipelines as well.

研究动机与目标

• 解决基于笛卡尔坐标的深度学习架构与360° LiDAR传感器自然环形输出之间的不匹配问题。
• 通过采用更符合LiDAR数据空间关系的圆柱坐标系，提升3D目标检测的准确性。
• 开发一种基于距离的卷积机制，动态根据物体距离和尺度调整感受野。
• 实现在自对齐的圆柱坐标系框架下，端到端学习方向和速度。
• 证明圆柱坐标系在3D检测任务中可超越传统的笛卡尔体素化方法。

提出的方法

• 网络通过将LiDAR点云投影到圆柱坐标系中进行处理，保留传感器的自然扫描几何结构。
• 其主干网络在距离轴上包含四层步长为2的卷积层，在角度轴上包含三层，将空间尺寸缩减为88×300，同时保持空间保真度。
• 提出一种新型的基于距离的卷积模块，根据与自车的距离和物体尺度动态调整卷积核大小和有效感受野。
• 在角度维度应用循环填充以保持旋转连续性，并将卷积核大小增加至5，以增强方位方向的视野。
• 模型采用类别平衡采样和类别分组头（CBGS）以解决nuScenes数据集中类别不平衡问题。
• 推理阶段仅使用y-翻转增强（而非多次翻转），将推理时间减少50%，同时保持高性能。

实验结果

研究问题

• RQ1 与标准的笛卡尔体素化相比，圆柱坐标系是否能提升LiDAR数据的3D目标检测性能？
• RQ2 基于距离的卷积如何通过根据物体距离和尺度自适应调整感受野来增强特征学习？
• RQ3 在圆柱坐标系中训练深度网络时，特别是在方向和速度估计方面，会面临哪些挑战？
• RQ4 自对齐的圆柱网络在复杂3D检测任务（如nuScenes）中的泛化能力如何？
• RQ5 使用与几何对齐的坐标系是否能减少信息损失并提升检测精度，尤其是对远距离或小尺寸物体？

主要发现

• 所提出的圆柱网络在nuScenes测试集上取得了0.585的NDS得分，优于除一种方法外的所有现有方法，并超过两个CVCNet提交结果。
• 基于距离的主干网络在距离区间[30m, 50m]内将NDS提升了0.007（有引导时为0.485，无引导时为0.478）。
• 所有类别mAP提升了0.002（从0.574提升至0.576），在障碍物、交通锥、骑行人和摩托车等小尺寸及远距离物体上取得显著改进。
• 引入方向和速度预测的改进显著提升了AAE和方向误差指标，证实了圆柱设计的有效性。
• 与CenterPoint相比，圆柱主干网络将输出特征图尺寸减少了近20%，同时保持或提升了性能。
• 仅使用一次翻转增强（y-翻转）而非三次，使推理时间减少一倍，且性能下降可忽略。