地平線Sparse4D與特斯拉對比

目前學術(shù)圈還是用“打榜”來對自動駕駛算法評分，所謂“打榜”是指在某一數(shù)據(jù)集上利用其訓練數(shù)據(jù)集測試算法的優(yōu)劣勢，目前自動駕駛?cè)?nèi)最常用的打榜數(shù)據(jù)集是安波福Aptiv旗下的nuScenes。nuScenes數(shù)據(jù)集的任務包括六大類，分別是3D目標檢測（Detection）、目標追蹤（Tracking）、目標軌跡預測（Prediction）、激光雷達目標分割（Lidar Segmentation）、全景（Panoptic）、決策（Planning）。

其中，3D目標檢測是自動駕駛最基礎(chǔ)的任務，全球有近300個團隊或企業(yè)參加了比試，也是全球自動駕駛數(shù)據(jù)集參賽者最多的，足見其權(quán)威性。華為的TransFusion出自2021年10月，當時也曾在nuScenes數(shù)據(jù)集上打榜，并奪得第一名的位置，不過最近華為沒有打榜。

3D目標檢測（Detection）又可分為融合算法和單一傳感器算法，其中純視覺算法第一名就是地平線Sparse4D，NDS得分高達0.719；純激光雷達算法第一名是浪潮信息和中科院的Real-Aug++，NDS得分是0.744；而激光雷達和視覺融合的第一名是零跑汽車的EA-LSS，NDS得分0.776。不難看出傳感器融合性能提升非常有限。很多人會說，特斯拉才是純視覺第一名，不過根據(jù)特斯拉AI Day的資料，特斯拉目標感知算法骨干是META開發(fā)的Regnet，脖頸是谷歌的BiFPN，感測頭是Transformer，但特斯拉描述的比較模糊，Transformer似乎只是2D到BEV變換。特斯拉的純視覺基礎(chǔ)似乎是來自Facebook的論文《End-to-End Object Detection with Transformers》（發(fā)表于2020年5月），稀疏化之后就是DETR3D，2021年10月打榜（實際DETR3D在2020年初就有了），DETR3D曾經(jīng)打榜，NDS得分0.479，在當年確實是第一，不過第一的位置只保持了近大半年。

再就是什么是所謂端到端。傳統(tǒng)的自動駕駛系統(tǒng)通常會采用級聯(lián)式的架構(gòu)，在模塊與模塊之間通常傳遞的是結(jié)構(gòu)化信息，同時在系統(tǒng)內(nèi)存在著海量人工設計的復雜規(guī)則。這使得整體的自動駕駛系統(tǒng)復雜性高、難以聯(lián)合優(yōu)化以及迭代周期比較長。而端到端的設計思路則帶來了全新的可能性。在端到端架構(gòu)中，首先各個主要的模塊都是基于神經(jīng)網(wǎng)絡的形式設計；其次模塊間也不再只是傳遞結(jié)構(gòu)化信息，而是同時傳遞稀疏實例特征表示，這使得從感知到規(guī)控的整體系統(tǒng)可以進行聯(lián)合優(yōu)化；最終的決策規(guī)劃模塊也能從更加靠前的階段獲得更豐富的信息。BEV就是端到端的典型代表。

還有一種徹底的端到端，就是英偉達在2016年的論文《End to End Learning for Self-Driving Cars》，不產(chǎn)生中間結(jié)果，可以直接通過圖像輸入，直接輸出控制信號的徹底端到端技術(shù)路線。貌似很高大上，不過神經(jīng)網(wǎng)絡或者說AI本身就是黑盒，加上這個徹底黑盒的流程，完全不具備任何可解釋性，成敗完全取決于運氣，無法迭代，因此2020年以后再也無人提及。從自動駕駛產(chǎn)品安全性的角度來看，把每個模塊都網(wǎng)絡化并串聯(lián)在一起的技術(shù)路線，會更加可靠可行，感知的結(jié)果必須有顯式的。

與科研機構(gòu)不同，地平線是要考慮產(chǎn)品落地商業(yè)化的，從名字就可看出，地平線是要“稀疏”，從圖像空間到BEV空間的轉(zhuǎn)換，是稠密特征到稠密特征的重新排列組合，計算量比較大，與圖像尺寸以及BEV特征圖尺寸成正相關(guān)。在大家常用的nuScenes 數(shù)據(jù)中，感知范圍通常是長寬 [-50m, +50m] 的方形區(qū)域，然而在實際場景中，我們通常需要達到單向100m，甚至200m的感知距離。若要保持BEV Grid 的分辨率不變，則需要大大增加BEV 特征圖的尺寸，從而使得端上計算負擔和帶寬負擔都過重；若保持BEV特征圖的尺寸不變，則需要使用更粗的BEV Grid，感知精度就會下降。因此，在車端有限的算力條件下，BEV 方案通常難以實現(xiàn)遠距離感知和高分辨率特征的平衡。此外，BEV 空間可以看作是壓縮了高度信息的3D空間，這使得BEV范式的方法難以直接完成2D相關(guān)的任務，如標志牌和紅綠燈檢測等，感知系統(tǒng)中仍然要保留圖像域的感知模型；這也正是馬斯克展示特斯拉的v12版時，紅綠燈檢測出現(xiàn)明顯的錯誤，Occupancy Network忽略了部分2D相關(guān)任務。

特斯拉的OccupancyNetwork在找尋自由空間方面優(yōu)勢明顯，策略是避障而非減速剎車，但也有缺點，大量的無意義的靜態(tài)目標如路兩邊的建筑物浪費了不少運算資源，按照特斯拉2022 AI Day上的資料，特斯拉的幀率大概是12fps，通常智能駕駛是30fps以上，顯然是運算資源不足導致的。

地平線追求一個高性能、高效率的長時序純稀疏BEV感知算法，既能提高效率也不降低性能。基礎(chǔ)還是首個稀疏的BEV感知模型，即DETR3D。《DETR3D: 3D Object Detection from Multi-view Images via 3D-to-2D Queries》，作者來自五湖四海，包括麻省理工學院（MIT）、清華大學、卡梅隆大學、理想汽車（不過作者留的郵箱是斯坦福大學，應該還是學生）豐田北美研究院和斯坦福大學。

DETR3D是第一個端到端的目標檢測模型，不需要眾多手工設計組件，如anchor、固定規(guī)則的標簽分配策略、NMS后處理等），也是首先將tranformer引入目標檢測的。DETR3D模型包含3個關(guān)鍵組件。第一，遵循 2D 視覺中的常見做法，使用共享的 ResNet主干從相機圖像中提取特征，視需要使用特征金字塔FPN加強這些特征。第二，一個以幾何感知方式將計算的2D特征和3D包絡框預測集合進行連接的檢測頭，檢測頭的每一層都從一組稀疏的目標查詢開始，這些查詢是從數(shù)據(jù)中學習的。每個目標查詢編碼一個3D位置，該位置投影到相機平面并通過雙線性插值用于收集圖像特征。DERT類似，然后我們使用多頭注意力通過合并目標交互來優(yōu)化目標查詢。這一層會重復多次，在特征采樣和目標查詢優(yōu)化之間交替。最后，我們使用set-to-set損失來訓練網(wǎng)絡。

與Transformer那種全局(global)&密集(dense)的注意力機制相比，DETR3D提出了新思路：每個參考點僅關(guān)注鄰域的一組采樣點，這些采樣點的位置并非固定，而是可學習的（與可變形卷積一樣），從而實現(xiàn)了一種局部(local)&稀疏(sparse)的高效注意力機制。Transformer在計算注意力權(quán)重時，伴隨著高計算量與空間復雜度。特別是在編碼器部分，與特征像素點的數(shù)量成平方級關(guān)系，因此難以處理高分辨率的特征（這點也是DETR檢測小目標效果差的原因），說白了就是計算量太大，高分辨率攝像頭沒法用。DETR的第一波改進就是Deformable DETR。它提出可變形注意力模塊，相比于Transformer那種方式，在這里，每個特征像素不必與所有特征像素交互計算，只需要與部分基于采樣獲得的其它像素交互即可，這就大大加速了模型收斂，同時也降低了計算復雜度與所需的空間資源。另外，該模塊能夠很方便地應用到多尺度特征上，連FPN都不需要。

地平線做了二次改進，就是Sparse 4D。

Sparse4D概覽

圖片來源：地平線

Sparse4D提出instance特征，即實例特征，應該是車的實例，然后重新定義anchor盒尺寸。

圖片來源：地平線

Sparse4D也采用了Encoder-Decoder 結(jié)構(gòu)，其中Encoder包括image backbone和neck，用于對多視角圖像進行特征提取，得到多視角多尺度特征圖。同時，cache 多張歷史幀的圖像特征用于在decoder 中提取時序特征；Decoder為多層級聯(lián)形式，輸入時序多尺度圖像特征圖和初始化instance，輸出精細化后的instance，每層decoder包含self-attention、deformable aggregation和refine module三個主要部分。

學習2D檢測領(lǐng)域DETR改進的經(jīng)驗，重新引入了Anchor的使用，并將待感知的目標定義為instance，每個instance主要由兩個部分構(gòu)成：目標的高維特征，在decoder 中不斷由來自于圖像特征的采樣特征所更新；目標結(jié)構(gòu)化的狀態(tài)信息，比如3D檢測中的目標3D框(x, y, z, w, l, h, yaw, vx, vy)；通過kmeans 算法來對anchor 的中心點分布進行初始化；同時，在網(wǎng)絡中會基于一個MLP網(wǎng)絡來對anchor的結(jié)構(gòu)化狀態(tài)進行高維空間映射得到 Anchor Embed 并與instance feature 相融合。

Anchor源自RPN，在深度學習時代，大名鼎鼎的RCNN和Fast RCNN依舊依賴滑窗來產(chǎn)生候選框，也就是Selective Search算法，該算法優(yōu)化了候選框的生成策略，但仍會產(chǎn)生大量的候選框，導致即使是Fast RCNN算法，在GPU上的速度也只有三、四幀每秒。直到Faster RCNN的出現(xiàn)，提出了RPN網(wǎng)絡，使用RPN直接預測出候選框的位置。RPN網(wǎng)絡一個最重要的概念就是anchor，啟發(fā)了后面的SSD和YOLOv2等算法，雖然SSD算法稱之為default box，也有算法叫做prior box，其實都是同一個概念，他們都是anchor的別稱。anchor就是在圖像上預設好的不同大小，不同長寬比的參照框。（其實非常類似于上面的滑窗法所設置的窗口大小）。

anchor有點定制的意味，首先你要知道你檢測的最重要的目標類型是什么，是車還是小貓，再根據(jù)這個確定anchor，大大提高計算效率，也提高準確度，而缺點就是可能出現(xiàn)漏檢。對智能駕駛來說，最重要的目標是車和行人，這個anchor很好確定，也可以讓網(wǎng)絡自己確定。

圖片來源：地平線

在Sparse4D的decoder 中，最重要的是Deformable 4D Aggreagation模塊。這個模塊主要負責instance與時序圖像特征之間的交互，如上圖所示，主要包括三個步驟：

4D關(guān)鍵點生成：首先，基于每個instance的3D anchor信息，生成一系列3D關(guān)鍵點，分為固定關(guān)鍵點和可學習關(guān)鍵點。將固定關(guān)鍵點設置為anchor box的各面中心點及其立體中心點，可學習關(guān)鍵點坐標通過instance feature接一層全連接網(wǎng)絡得到。在Sparse4D 中，采用了7個固定關(guān)鍵點 + 6個可學習關(guān)鍵點的配置。然后結(jié)合instance自身的速度信息以及自車的速度信息，對這些3D關(guān)鍵點進行運動補償，獲得其在歷史時刻中的位置。結(jié)合當前幀和歷史幀的3D關(guān)鍵點，我們獲得了每個instance的4D關(guān)鍵點。

4D 特征采樣：在獲得每個instance在當前幀和歷史幀的3D關(guān)鍵點后，根據(jù)相機的內(nèi)外參將其投影到對應的多視角多尺度特征圖上進行雙線性插值采樣。從而得到Multi-Keypoint，Multi-Timestamp, Multi-Scale, Multi-View的特征表示。

然后是層級融合，F(xiàn)use Multi-Scale/View：對于一個關(guān)鍵點在不同特征尺度和視角上的投影，采用了加權(quán)求和的方式，權(quán)重系數(shù)通過將instance feature和anchor embed輸入至全連接網(wǎng)絡中得到；Fuse Multi-Timestamp：對于時序特征，采用了簡單的recurrent策略（concat + linear）來融合；Fuse Multi-Keypoint：最后，采用求和的方式融合同一個instance不同keypoint的特征。

即便是已經(jīng)稀疏化、輕量化，由于時間T的導入，依然導致計算量偏大，第一代Sparse 4D使用ResNet50做骨干網(wǎng)，輸入圖像尺寸704*256，使用英偉達RTX3090顯卡，RTX3090擁有10496個CUDA核心，328個Tensor張量核心，F(xiàn)P32算力是35.58TOPS，F(xiàn)P16張量算力是285TOPS，INT8是570TOPS，論FP32算力比A100還高，價格不到A100的1/5。

幀率偏低，消耗內(nèi)存也太多，地平線提出第二代Sparse4D。

圖片來源：地平線

在Sparse4D-V2中，將decoder分為單幀層和時序?qū)印螏瑢右孕鲁跏蓟膇nstance作為輸入，輸出一部分高置信度的instance至時序?qū)?；時序?qū)拥膇nstance除了來自于單幀層的輸出以外，還來自于歷史幀（上一幀）。將歷史幀的instance投影至當前幀，其中，instance feature保持不變，anchor box通過自車運動和目標速度投影至當前幀，anchor embed通過對投影后的anchor進行編碼得到。這樣避免消耗內(nèi)存的多幀采樣，改為歷史幀重復利用，用遞歸recurrent的方式取代了多幀采樣。

最新的Sparse4D -V3也已經(jīng)出現(xiàn)，對骨干網(wǎng)和訓練策略都進行了升級，最終達到了純視覺第一名。

最后要說的是人人都說大模型，實際略大一點的模型無法在車端使用，存儲帶寬和算力最終變?yōu)槌杀鞠拗?，骨干網(wǎng)幾乎沒有例外都還是2015年微軟研究院的何愷明、張祥雨、任少卿、孫劍等人提出的ResNet，何愷明后來去了Facebook (Meta)，最近又回MIT教書，基本上何凱明引領(lǐng)了計算機目標檢測視覺的發(fā)展潮流，真正的大神。

自動駕駛需要走的路還很長，感知的問題還未完全解決。不過欣慰的是，中國在感知方面是穩(wěn)居第一的，如果中國都無法完成自動駕駛，那么其他國家更不可能。

免責說明：本文觀點和數(shù)據(jù)僅供參考，和實際情況可能存在偏差。本文不構(gòu)成投資建議，文中所有觀點、數(shù)據(jù)僅代表筆者立場，不具有任何指導、投資和決策意見。