ST-P3：端到端時空特徵學習的自動駕駛視覺方法

arXiv論文“ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning“，22年7月，作者來自上海交大、上海AI實驗室、加州聖地亞哥分校和京東公司的北京研究院。

提出一種時空特徵學習方案，可以同時為感知、預測和規劃任務提供一組更具代表性的特徵，稱為ST-P3。具體而言，提出一種以自車為中心對齊（egocentric-aligned）的累積技術，在感知BEV轉換之前保留3-D空間中的幾何信息；作者設計一種雙路（dual pathway ）模型，將過去的運動變化考慮在內，用於未來的預測；引入一個基於時域的細化單元，補償為規劃的基於視覺元素識別。原始碼、模型和協定詳細資料開源https://github.com/OpenPerceptionX/ST-P3.

開創性的LSS方法從多視圖攝影機中提取透視特徵，透過深度估計將其提升到3D，並融合到BEV空間。兩個視圖之間的特徵轉換，其潛深度預測至關重要。

將二維平面資訊提升到三維需要附加維度，也就是適合三維幾何自主駕駛任務的深度。為了進一步改進特徵表示，自然要將時域資訊合併到框架中，因為大多數場景的任務是視訊來源。

如圖描述ST- P3整體框架：具體來說，給定一組周圍的攝影機視頻，將其輸入主幹生成初步的前視圖特徵。執行輔助深度估計將2D特徵轉換到3D空間。以自車為中心對齊累積方案，首先將過去的特徵對齊到目前視圖座標系。然後在三維空間中聚合當前和過去的特徵，在轉換到BEV表示之前保留幾何資訊。除了常用的預測時域模型外，透過建構第二條路徑來解釋過去的運動變化，表現也進一步提升。這種雙路徑建模確保了更強的特徵表示，推斷未來的語義結果。為了實現軌跡規劃的最終目標，整合網路早期的特徵先驗知識。設計了一個細化模組，在不存在高清地圖的情況下，借助高級命令產生最終軌跡。

如圖是感知的以自我為中心對齊累計方法。 （a） 利用深度估計將當前時間戳處的特徵提升到3D，並在對齊後合併到BEV特徵；（b-c）將先前幀的3D特徵與當前幀視圖對齊，並與所有過去和當前狀態融合，從而增強特徵表示。

如圖是用於預測的雙路模型：（i） 潛碼是來自特徵圖的分佈；（ii iii）路a結合了不確定性分佈，指示未來的多模態，而路b從過去的變化中學習，有助於路a的資訊進行補償。

作為最終目標，需要規劃一條安全舒適的軌跡，到達目標點。這個運動規劃器對一組不同的軌跡進行取樣，並選擇一個最小化學習成本函數的軌跡。然而，透過一個時域模型來整合目標（target）點和交通燈的信息，加上額外的最佳化步驟。

如圖是為規劃的先驗知識整合與細化：總體成本圖包含兩個子成本。使用前視特徵進一步重新定義最小成本軌跡，從攝影機輸入中聚合基於視覺的資訊。

懲罰具有較大橫向加速度、急動或曲率的軌跡。希望這條軌跡能夠有效地到達目的地，因此向前推進的軌跡將會獎勵。然而，上述成本項不包含通常由路線地圖提供的目標（target）資訊。採用進階命令，包括前進、左轉和右轉，並且只根據相應的命令評估軌跡。

此外，交通號誌對SDV至關重要，透過GRU網路優化軌跡。以編碼器模組的前攝影機特徵初始化隱藏狀態，並以成本項的每個取樣點作為輸入。

實驗結果如下：

###########################

以上是ST-P3：端到端時空特徵學習的自動駕駛視覺方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！