2023

LSS是早期一篇使用BEV来做自动驾驶感知的开山之作，后面的很多bev相关的算法都是基于LSS这一套框架做的改变。 BEV感知 BEV（Bird‘s’ Eye View）感知，顾名思义是用一种俯瞰的视角来解决自动驾驶感知的问题。这个视角下的目标检测、分割、跟踪等问题都会很直接，而且针对于自动驾驶场景，目标的高度信息其实并没有那么重要，下游的决策规划之类的任务大多数也是用的这种自上而下的视图来做的，多个相机信息的融合会变得方便很多，所以bev下的自动驾驶方案会更加的简单直接。 ...

单目3D检测在自动驾驶领域是一个重要且充满挑战的任务，目前的难点是如何准确对目标深度进行预测。MonoRCNN利用几何关系将深度估计问题解耦为目标实际高度和在图像上的投影高度问题。 ...

在2D实时目标检测框架yolo上引入一个轻量级立体匹配模块来实现高效的3D物体检测。大致结构如下图： Anchors 对于3D目标检测，原本yolo针对2D物体的anchors需要重新设计，作者采用了12个参数来表示一个anchor： ...

点云有着分布上稀疏、结构上不规则、几何上无序的特性，所以直接在点云上使用卷积操作可能会导致生成的特征极度地偏离它原本的表达。 VoxelNet 该模型是对点云进行体素化，然后利用3D卷积来获取特征。具体是： ...