SoftRangeBEV: 用于轻量级激光雷达三维目标检测的范围感知 BEV 特征学习

《Neurocomputing》：SoftRangeBEV: Range-aware BEV feature learning for lightweight LiDAR-based 3D object detection

　　

摘要

基于激光雷达（LiDAR）的三维（3D）目标检测是自动驾驶的基本感知任务。轻量级鸟瞰图（BEV）骨干网络通常通过均匀通道压缩或简化卷积结构来降低计算成本，尽管LiDAR观测具有很强的距离依赖性，且随着距离增加变得越来越稀疏。为解决这一不匹配问题，我们提出了SoftRangeBEV，一种基于稀疏嵌入卷积检测（SECOND）的距离感知BEV特征学习框架。所提出的骨干网络将近距、中距和远距BEV特征路由到具有独立变换参数的紧凑分支中，同时保留无门控残差表示。SoftBins进一步用连续的非负掩码替换二元距离分配，形成可微分的单位分区，并支持受约束的边界优化。路由距离根据传感几何进行适配：KITTI使用正向纵向距离，而nuScenes使用地面径向距离用于$$感知。在KITTI验证集上，SoftRangeBEV在中等难度下的平均三维平均精度（AP_R40）较SECOND提高了1.83个百分点，同时将BEV骨干的浮点运算量（FLOPs）从75.50 G降至53.26 G。在nuScenes上，SoftRangeBEV使SECOND-MultiHead参考检测器的平均精度（mAP）提高了1.01点，nuScenes检测分数（NDS）提高了0.66点，并超过匹配的固定软分区变体0.63 mAP和0.47 NDS点。这些结果为进一步证明了物理条件距离路由在不同LiDAR传感几何之间的可迁移性，同时保持了轻量级BEV设计。

引言

精确的三维感知对于自动驾驶系统理解周围交通参与者（包括车辆、行人和骑自行车者）至关重要。它提供了几何信息以支持路径规划、运动预测和驾驶决策。LiDAR可以直接捕获场景的空间结构，且相比摄像头更少受光照变化的影响。因此，基于LiDAR的三维目标检测已成为自动驾驶感知中的重要任务[1]、[2]、[3]。与基于图像的二维目标检测不同，基于LiDAR的三维目标检测需要从稀疏且不规则的点云中估计目标类别、三维位置、尺寸和朝向。尽管LiDAR提供了精确的几何测量，但点云的稀疏性和不规则分布使得特征表示和空间建模具有挑战性。

近年来，基于LiDAR的三维目标检测器通过不同的点云表示和特征提取架构取得了显著进展。基于点的方法，如PointNet、PointNet++、PointRCNN、3DSSD和IA-SSD [4]、[5]、[6]、[7]、[8]，直接从原始点集学习特征并保留细粒度的几何信息。基于体的方法将不规则点云转换为规则的三维网格，并使用三维卷积或稀疏卷积进行空间特征提取，代表方法包括VoxelNet、稀疏卷积网络、SECOND、Part-A²、PV-RCNN、PV-RCNN++、Voxel R-CNN、SA-SSD和CIA-SSD [9]、[10]、[11]、[12]、[13]、[14]、[15]。基于柱体和基于BEV的方法，如PointPillars、CenterPoint、PillarNet、PillarNeXt、VoxelNeXt、SST、DSVT、HEDNet、FSDv2、SAFDNet、SparseDet、Voxel Mamba和LION [16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]，通过将三维特征投影到紧凑的BEV表示中进一步提高了计算效率。尽管取得了这些进展，在实际部署中实现检测精度与计算效率之间的可靠平衡仍然是一个关键需求。

在车载计算平台上，三维检测器需要满足精度、计算成本、内存使用量和推理速度等方面的约束。现有的轻量级策略通常通过通道压缩、层数减少、轻量级卷积、剪枝或知识蒸馏来降低模型复杂度。这些策略在减少参数和FLOPs方面是有效的，但其中许多策略以均匀方式降低网络容量。对于BEV骨干网络，这种均匀压缩可能不是最优的，因为LiDAR点云表现出明显的距离依赖非均匀性。随着与目标距离的增加，点密度降低，目标表面变得不够完整，局部几何结构变得更加难以表示。这种现象也与目标类别有关。汽车通常占据更大的物理空间，在中远距离保留更多几何结构，而行人和骑自行车者体积较小，对点稀疏性、遮挡和不完整局部观测更为敏感。

这些观察结果表明，轻量级BEV骨干网络不应将所有物理距离区域等同对待。相反，其有限的变换参数应根据点密度、目标尺度和几何完整性随距离变化的差异进行特化。现有的距离感知检测器主要通过编码点密度、通过注意力重新加权特征或用距离视图替换BEV。现有的多分支检测器则通常通过特征来源、尺度或任务来区分分支，同时允许它们处理相同的支持区域。这些设计没有直接检验轻量级BEV骨干网络的参数是否可以基于物理距离进行条件化，而不改变体素编码器或检测头。此外，直接将BEV平面裁剪为不相连区域会在目标或其上下文跨越预定义边界时引入突变的特征路由。

为解决这一问题，本文提出了SoftRangeBEV，一种用于高效基于LiDAR的三维目标检测的距离感知BEV特征学习方法。基于SECOND检测框架构建，SoftRangeBEV使用物理距离掩码将近距、中距和远距BEV特征路由到独立的轻量级变换分支。路由变量根据传感器几何定义：前视KITTI使用正向纵向距离，而$$nuScenes设置使用地面径向距离。原始BEV特征通过残差路径保留，而门控分支学习距离特定的互补表示。因此，该方法与无约束的多分支扩展不同，因为分支特化明确与物理距离相关联，而不仅仅是附加拓扑。为缓解固定硬路由导致的边界不连续和上下文碎片化，本文进一步提出了SoftBins。其非负连续掩码在每个BEV位置上的和为一，使边界附近的特征能够被相邻分支平滑共享。受约束的可学习边界参数提供二次数据依赖适配，同时保持有效且有序的物理距离分区。实验区分了连续路由带来的增益与额外且依赖数据集的边界优化效果。

本文的主要贡献总结如下：

• •
  我们提出了一种物理距离条件的轻量级BEV骨干网络，将近距、中距和远距特征路由到独立的变换分支。与普通在每个分支中处理完整特征图的多分支设计不同，该方法根据物理距离特化分支参数，同时通过残差路径保留原始BEV表示。
• •
  我们提出了SoftBins，一个可微分的距离路由模块，其连续非负掩码构成单位分区。它实现了边界区域特征在相邻分支之间的平滑共享，并使用受约束的可学习边界来维持有效且有序的物理分区。
• •
  我们构建了一个受控评估序列，包括Uniform-Lite、Branch-Control、Hard RangeSplit、固定软分区和可学习软分区。匹配的分支拓扑、参数和FLOPs将通道压缩、额外分支、物理距离路由、边界平滑和边界学习的效果分离出来。nuScenes上的跨数据集实验进一步评估了$$径向传感几何下相同的距离路由原理。

本文其余部分组织如下。第2节回顾基于LiDAR的三维目标检测、轻量级三维检测和距离感知特征建模的相关工作。第3节介绍所提出的SoftRangeBEV方法。第4节报告实验设置、主要对比、复杂度分析和消融研究。第5节总结全文并展望未来工作。

章节摘要

相关工作

点云的稀疏性、不规则性和距离依赖密度变化使基于LiDAR的三维目标检测在特征表示、空间建模和计算效率方面具有挑战性。现有研究通过点云表示学习、稀疏卷积、BEV特征建模和多尺度特征融合改进了检测性能。为阐明所提出的距离感知BEV特征学习方法的位置，本节回顾相关

方法

本节描述所提出的SoftRangeBEV方法。如图1所示，整体检测器遵循SECOND流水线[11]，由体素特征编码器、三维稀疏卷积骨干网络、高度压缩模块、距离感知BEV骨干网络和检测头组成。输入点云首先被体素化并由平均体素特征编码器（MeanVFE）编码。然后使用VoxelBackBone8x提取三维稀疏卷积特征[10]，并将其压缩为BEV

实验

主要受控评估在KITTI三维目标检测验证集上进行，所提出的骨干网络与SECOND、Uniform-Lite、Branch-Control、Hard RangeSplit、固定软分区和可学习SoftRangeBEV进行比较。这些实验分析精度、模型复杂度、运行时效率、超参数敏感性、逐类表现和逐距离表现。为提供跨数据集评估，我们额外评估了相同的物理距离路由

结论

本研究表明，轻量级基于LiDAR的三维检测可以通过根据物理传感距离特化BEV特征变换来获益，而不仅仅依赖均匀的骨干网络压缩。SoftRangeBEV与无约束多分支设计不同，因为其紧凑分支接收物理门控输入，而无门控残差路径保留共享的BEV信息。SoftBins进一步用非负连续掩码替换硬分配，形成

未引用参考文献

[51]、[54]、[56]、[57]

CRediT作者贡献声明

Fuzheng Zhang：撰写——初稿、验证、软件、方法论、形式化分析。Xianwei Rong：撰写——审阅与编辑、监督、项目管理、概念化。Xiaoyan Yu：可视化、调查研究、数据整理。Huixin Qin：撰写——审阅与编辑、资源、调查研究。

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。

Fuzheng Zhang于2022年获得山东航空学院（滨州）电子信息工程学士学位。目前正在中国哈尔滨师范大学计算机与信息工程学院攻读工程硕士学位。其研究兴趣包括基于LiDAR的三维目标检测、计算机视觉和深度学习。

Fuzheng Zhang|Xianwei Rong|Xiaoyan Yu|Huixin Qin