CVPR2023 l 新方法！自动驾驶中统一感知和预测的隐式占位流场！

作者：呀哈哈 | 来源：3D视觉工坊

在公众号「3D视觉工坊」后台，回复「原论文」即可获取论文pdf。

添加微信：cv3d007，备注：自动驾驶，拉你入群。文末附行业细分群。

1 前言

自动驾驶车辆必须能够感知周围环境并预测其他交通参与者的未来行为。现有的研究要么进行目标检测，然后对检测到的目标进行轨迹预测，要么对整个场景进行密集的占位和流格预测。前者存在安全问题，因为为了提高效率，需要保持较低的检测数量，从而牺牲了目标的回收率。后者由于输出格的高维度和完全卷积网络固有的有限感受野而计算成本高。此外，这两种方法都利用了许多计算资源来预测可能永远不会被运动规划器查询的区域或对象。

本文介绍了一种统一的感知和预测方法：通过单个神经网络隐式地表示占位和流格随时间变化。该方法避免了不必要的计算，因为运动规划器可以直接在连续的时空位置查询它。此外，论文作者设计了一种架构，通过添加高效而有效的全局注意机制，克服了先前明确的占位预测方法的有限感受野。通过在城市和高速公路环境中进行大量实验，论文作者证明了他们的隐式模型优于当前的最先进技术。

2 算法介绍

2.1 基础概念补充——隐式几何重建：

几何重建是指在给定某个不完整表示（如图像、LiDAR、体素）的情况下，预测对象的三维形状的任务。隐式神经几何重建方法已被证明优于显式对应方法，后者将三维形状表示为网格、点集、体素或网格

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！