[论文解读] Uncertainty-Aware Voxel based 3D Object Detection and Tracking with von-Mises Loss

Yuanxin Zhong, Minghan Zhu+1 more|arXiv (Cornell University)|Nov 4, 2020

Robotics and Sensor-Based Localization参考文献 25被引用 6

一句话总结

该论文提出了一种基于体素检测器（SECOND）并引入高斯分布与冯-米塞斯负对数似然（NLL）损失的不确定性感知3D目标检测与跟踪框架，用于估计位置、尺寸和偏航角的不确定性。通过将学习到的不确定性整合进基于卡尔曼滤波的追踪器中，该方法在恒定协方差基线基础上提升了追踪性能，表明自适应不确定性估计可增强自主感知系统在鲁棒性与准确性方面的表现。

ABSTRACT

Object detection and tracking is a key task in autonomy. Specifically, 3D object detection and tracking have been an emerging hot topic recently. Although various methods have been proposed for object detection, uncertainty in the 3D detection and tracking tasks has been less explored. Uncertainty helps us tackle the error in the perception system and improve robustness. In this paper, we propose a method for improving target tracking performance by adding uncertainty regression to the SECOND detector, which is one of the most representative algorithms of 3D object detection. Our method estimates positional and dimensional uncertainties with Gaussian Negative Log-Likelihood (NLL) Loss for estimation and introduces von-Mises NLL Loss for angular uncertainty estimation. We fed the uncertainty output into a classical object tracking framework and proved that our method increased the tracking performance compared against the vanilla tracker with constant covariance assumption.

研究动机与目标

• 通过在感知系统中建模随机性不确定性，提升3D目标检测与追踪的鲁棒性。
• 解决3D检测中缺乏不确定性估计的问题，特别是针对偏航角等周期性参数。
• 通过将检测器中学习到的不确定性替代恒定观测噪声，提升目标追踪性能。
• 探索基于不确定性的评分机制与NMS优化，以提升检测质量。
• 通过仅增加少量网络结构改动，为现有3D检测器提供即插即用的不确定性分支解决方案。

提出的方法

• 提出一个多分支检测头，包含独立的分支用于边界框回归与不确定性估计（方差与角度不确定性）。
• 使用高斯NLL损失估计3D边界框的位置与尺寸不确定性。
• 提出一种新颖的冯-米塞斯NLL损失，用于角度不确定性的回归，适用于偏航角等周期性变量。
• 将估计的不确定性整合进经典的基于卡尔曼滤波的追踪框架中，以提升状态估计性能。
• 应用基于不确定性的评分与NMS策略，通过优先选择更可靠的检测结果来提升检测质量。
• 采用双损失训练策略，结合分类损失（Focal Loss）、边界框回归损失（Smooth L1）与不确定性回归损失（高斯与冯-米塞斯NLL），并引入可学习的加权系数。

实验结果

研究问题

• RQ1 在体素网络中，学习到的不确定性估计是否能提升3D目标检测性能？
• RQ2 如何有效建模周期性参数（如偏航角）的角度不确定性？
• RQ3 将估计的不确定性整合进卡尔曼滤波追踪器是否能带来可测量的追踪精度提升？
• RQ4 基于不确定性的评分能否提升非极大值抑制（NMS）性能，尤其是在困难样本上？
• RQ5 不确定性损失加权与不确定性映射函数的最优超参数是什么？

主要发现

• 在KITTI检测基准上，所提方法在所有物体类别上均实现了比基线SECOND检测器更高的平均精度（AP）。
• 冯-米塞斯NLL损失能够有效回归角度不确定性，优于处理周期性参数的标准方法。
• 采用不确定性感知的卡尔曼滤波后，追踪性能显著提升，ID切换（IDSW）与碎片化（FRAG）减少，同时Max F1与AP提高。
• 消融实验表明，将原始边界框回归与方差回归结合，其检测性能优于仅使用不确定性回归。
• 基于不确定性的NMS结合指数映射策略，显著提升了困难样本的鸟瞰图平均精度（BEV AP），证明了其在检测优化中的有效性。
• 该方法在不同不确定性损失权重与正则化系数下保持鲁棒，但最优调参仍需通过经验搜索确定。