自動駕駛中基于網格的交通場景感知介紹

本文介紹了自動駕駛中基于網格的交通場景感知：研究綜述?；诰W格的感知是移動機器人感知和導航的關鍵領域。盡管如此，在自動駕駛中以網格為中心的感知不如以目標為中心的感知那么常用，因為自動駕駛汽車需要精確感知高度動態的大規模室外交通場景，并且以網格為中心的感知具有較高復雜度和計算代價。深度學習技術和硬件的快速發展為以網格為中心的感知提供了新的視角，并且使得很多實時算法得以部署。目前的工業和學術研究證明了以網格為中心的感知具有較大優勢，例如全面的精細環境表示、對遮擋具有更強魯棒性、更高效的傳感器融合以及更安全的規劃策略。鑒于目前缺乏對這一快速發展領域的調研，本文對自動駕駛汽車中基于網格的感知進行分層結構化的回顧。本文總結了先前和目前占據網格技術的知識，并且從三方面對算法進行系統深入地分析：特征表示、數據效用和自動駕駛系統中的應用。最后，本文總結了當前的研究趨勢，并且提供了一些可能的未來展望。

主要貢獻

本文的貢獻總結如下：

1）據我們所知，本文首次從自動駕駛的各個角度全面回顧了以網格為中心的感知方法；

2）本文提供了以網格為中心的感知技術的結構化和分層概述，并且分析了學術界和工業界對自動駕駛中以網格為中心的感知的看法；

3）本文總結了對當前趨勢的觀測，并且為以網格為中心的感知提供了未來展望。

論文圖片和表格

總結

本文對自動駕駛中成熟和新興的以網格為中心的感知進行了全面回顧和分析。背景從以網格為中心的感知的問題定義、數據集和評估指標的介紹開始。對于最常用的BEV 2D網格，給出了各種傳感器（包括激光雷達、相機、毫米波雷達以及多模態融合）的特征表示。此外，本文進一步研究了3D網格表示，其中包括基于激光雷達的語義場景補全以及基于相機的顯式重建和隱式表示。

對于以網格為中心的感知中的時間模塊的進展，本文回顧了歷史信息的順序聚合、短期運動預測以及長期占據流。之后，我們對以網格為中心的感知領域中的高效學習進行深入研究，其中包括模型高效的多任務框架、標注高效的學習算法、內存高效的3D建圖結構以及計算高效的基于體素的算子。本文回顧了以網格為中心的感知在整個自動駕駛系統中的作用、工業設計、相關感知任務以及與規劃方法的聯系。最終，本文總結了基于網格感知的當前研究趨勢和未來展望。作者希望本文能夠探索基于網格的感知在自動駕駛汽車上的未來發展和部署。