万字总结2023 3D Detection汇总来了(真实场景友好篇)

发布网友 发布时间：2024-10-23 12:39

我来回答

共1个回答

热心网友 时间：2024-11-02 12:07

2023年已经过去一半，自动驾驶领域的伙伴们，你们的项目和研究进展如何？高阶ADAS方案是否实现量产？今日，我们将对2023年前后基于LiDAR方案的3D检测文章及开源项目进行总结。

欢迎大家关注与点赞，我们会持续分享来自顶级学术会议和顶尖公司的研究进展。

2023年标志着高阶自动驾驶方案从理论验证向实际量产的转折点。学术界聚焦于提升基于LiDAR的3D检测算法的部署效率、数据利用率及模型性能。

以下是6篇关于LiDAR模型算法的文章摘要，主要探讨如何在保持精度的同时，提高检测效率：

FastPillars：部署友好的柱状3D检测器

美团的研究人员提出FastPillars，旨在解决自动驾驶领域从概念验证到量产过程中LiDAR检测部署的挑战。FastPillars通过基于LiDAR点云的高效部署，减少计算开销，提供高性能3D检测器。创新之处在于Max-and-Attention柱状编码模块，旨在解决传统柱状编码中的特征信息损失问题。

DSVT：动态稀疏体素转换器

相较于Spconv和Pillar + CNN的感知架构，Transformer在3D检测任务中的应用较少。这篇论文提出了一种名为DSVT的体素Transformer骨干结构，适用于室外3D目标检测。DSVT在Waymo开放数据集上取得最佳性能，并支持TensorRT轻松部署，实现实时推理（27Hz）。重点在于Dynamic Sparse Window Attention机制和动态集合分区策略，以高效处理稀疏数据。

FSD V2：引入虚拟体素的完全稀疏检测器改进

图森和中科院自动化所的研究，作为FSD V1的延续，引入了虚拟体素概念以解决完全稀疏检测器中的中心特征缺失问题。文章还介绍了与虚拟体素相关的组件，包括虚拟体素编码器、混合器和分配策略。

DynStatF：高效LiDAR特征融合策略

地平线等研究机构提出DynStatF，一种用于多帧LiDAR输入的高效特征融合策略，通过结合动态信息与静态信息提升三维物体检测性能。关键在于动态-静态交互模块，确保从两个分支提取的特征在检测前充分交互。

成本意识评估与模型缩放

卡内基梅隆大学的研究者探讨了在相同成本下比较不同3D检测器的评估方法，强调了在控制推理成本时进行经验比较的重要性。研究使用SECOND作为基准，展示了模型在不同规模下的性能，指出在提出新方法时，SECOND可以作为强有力的对比基础。

鲁棒性基准

清华大学-博世AI联合研究院研究了3D检测算法在常见自动驾驶干扰下的鲁棒性。通过在公共数据集上合成干扰，建立了鲁棒性基准，评估了算法在极端天气、传感器噪声等真实世界条件下的表现。

本文总结了2023年LiDAR 3D检测领域的关键研究和创新，涵盖了从部署优化、Transformer应用到鲁棒性评估的多个角度。欢迎关注与分享，我们将持续带来自动驾驶领域的最新进展。