摘要：过去几年，我们见证了自动驾驶的快速发展。然而，由于复杂和动态的驾驶环境，目前实现完全自动驾驶仍然是一项艰巨的任务。因此，自动驾驶汽车配备了一套传感器来进行强大而准确的环境感知。随着传感器的数量和类型不断增加，将它们融合来更好地感知环境正在成为一种趋势。到目前为止，还没有文章对基于多传感器融合的3D目标检测进行深入调研。为了弥合这一差距并推动未来的研究，本文致力于回顾最近利用多个传感器数据源（尤其是相机和 LiDAR）的基于融合的 3D 检测深度学习模型。首先，本文介绍了自动驾驶汽车中常用的传感器，包括它们的通用数据表示以及基于每种类型的传感器数据的3D目标检测网络。接下来，我们讨论一些多模态3D目标检测中流行的数据集，重点介绍每个数据集中包含的传感器数据。然后我们从三个方面来深入回顾最近的多模态3D检测融合网络：融合位置、融合数据表示和融合粒度。最后，本文总结了现有的开放式挑战并指出可能的解决方案。

1. 引言

自动驾驶感知模块

如图1，自动驾驶汽车（AV）通常配备一个感知子系统来实时检测和跟踪运动目标。感知子系统是将来自一组传感器的数据作为输入，经过一系列的处理步骤后，输出关于环境、其他物体（如汽车）以及自动驾驶汽车本身的知识。如图2所示，AV上的传感器通常包括摄像头、激光雷达（Light Detection And Ranging sensor，LiDAR）、雷达（Radio detection and ranging，Radar）、GPS（Global Positioning System）、惯性测量单元(inertial measurement units)等。

具体来说，感知子系统有三个基本要求。

首先，它需要是准确的，并给出了驾驶环境的准确描述。

其次，具有鲁棒性。能在恶劣天气下、甚至当一些传感器退化甚至失效时保证AV的稳定与安全。

第三，实时性，能提供快速的反馈。

为了满足上述需求，感知子系统同时执行多个重要任务，如3D目标检测、跟踪、同步定位与映射(SLAM)等。

图1：一个典型的自动驾驶感知子系统

图2：自动驾驶汽车Sonic

3D目标检测

3D目标检测是感知子系统的一项重要任务，其目的是在传感器数据中识别出所有感兴趣的物体，并确定它们的位置和类别(如车辆、自行车、行人等)。在3D目标检测任务中，需要输出参数来指定物体周围的面向3d的边界框。如图3所示，为了绘制红色的三维包围盒，我们需要预测中心三维坐标c，长度l，宽度w，高度h，物体偏转角度θ。显然，2D目标检测无法满足自动驾驶环境感知的需求，因为缺少现实三维空间下的目标位置。接下来介绍自动驾驶的3D目标检测任务，根据传感器的使用类型，包括使用相机、使用LiDAR以及使用Radar等一些单模态方法。在第二章中会详细介绍。

结果例子（分别对应绿框、红框）

多模态目标检测

在现实的自动驾驶情况下，通过单一类型的传感器进行目标检测是远远不够的。首先，每种传感器都有其固有的缺点。例如，Camera only方法易遭受物体遮挡；LiDAR only方法的缺点是输入数据的分辨率比图像低，特别是在远距离时点过于稀疏。图4清楚地展示了两种单模态检测失效的情况。其次，要实现真正的自动驾驶，我们需要考虑广泛的天气、道路和交通条件。感知子系统必须在所有不同的条件下都能提供良好的感知结果，这是依靠单一类型的传感器难以实现的。

图4：单模态探测器典型问题的说明。对于场景#1，(a)表示Camera only无法避免遮挡问题，(b)中LiDAR only检测器检测结果正确；而在场景2中，(c)中Camera only的检测器表现良好，而(d)中LiDAR only检测器显示了远处点云稀疏时检测的难度。请注意，虚线红框表示未探测目标

为了解决这些挑战，多模态融合的3D检测方法被提出。虽然传感器融合带来了可观的好处，但如何进行高效的融合对底层系统的设计提出了严峻的挑战。一方面，不同类型的传感器在时间和空间上不同步;在时域上，由于不同传感器的采集周期是相互独立的，很难保证同时采集数据。在空间领域，传感器在部署时具有不同的视角。另一方面，在设计融合方法时，我们需要密切关注几个问题。下面我们列举了一些问题作为例子。

多传感器校准和数据对齐：由于多模态数据的异质性(如表1所示)，无论是在原始输入空间还是在特征空间，都很难对它们进行精确对齐。

信息丢失：我们以计算为代价，将传感器数据转换为一种可以对齐的处理格式，信息丢失是不可避免的。

跨模态数据增强：数据增强在3D目标检测中起着至关重要的作用，可以防止模型过拟合。全局旋转和随机翻转等增强策略在单模态融合方法中得到了广泛的应用，但由于多传感器一致性的问题，许多多传感器融合方法都缺少这种增强策略。

数据集与评价指标：高质量、可公开使用的多模态数据集数量有限。即使是现有的数据集也存在规模小、类别不平衡、标记错误等问题。此外，目前还没有针对多传感器融合模型的评价指标，这给多传感器融合方法之间的比较带来了困难。

本文贡献

我们对最近基于深度学习的多模态融合3D目标检测方法进行了系统的总结。特别地，由于摄像头和LiDAR是自动驾驶中最常见的传感器，我们的综述重点关注这两种传感器数据的融合。

根据输入传感器数据的不同组合，对基于多模态的3D目标检测方法进行分类。特别是range image(点云的一种信息完整形式)、pseudo-LiDARs (由相机图像生成)，在过去的综述文章中没有进行讨论。

从多个角度仔细研究了基于多模态的3D目标检测方法的发展。重点关注这些方法如何实现跨模态数据对齐，如何减少信息损失等关键问题。

对基于深度学习的相机-LiDAR融合的方法进行详细对比总结。同时，我们还介绍了近年来可用于3D目标检测的多模态数据集。

仔细探讨具有挑战性的问题，以及可能的解决方案，希望能够启发一些未来的研究。

2. 背景

在本节中，我们将提供自动驾驶中使用的典型传感器的背景概述，包括基于于每种传感器的数据表示和3D目标检测方法。其中，我们主要讨论相机和激光雷达传感器。最后，介绍了其他的一些传感器。

基于相机的3D目标检测

相机的得到的数据是图像。在多模态融合方法中，对于图像的处理形式，有以下几种表示。

1）Feature map

2）Mask

3）Pseudo-LiDAR

图5：RGB图像及其典型数据表示。原始图像来自KITTI训练集。对于(b)，使用预先训练的AlexNet获取64个通道的特征图。对于(d)，我们采用伪点云的BEV来更好的显示

基于LiDAR的3D目标检测

由于点云数据是不规则的和稀疏的，找到一个合适的点云表示对于高效的处理是很重要的。大多数现有的处理形式可以分为三大类:体素、点和视图。

1）Voxel-based

2）Point-based

3）View-based

图6：原始点云及其典型数据表示。我们从KITTI训练集中得到原始点云

基于其他传感器的3D目标检测

AV其他的传感器包括如Radar，红外相机等等。这里我们主要介绍毫米波雷达（mmRadar）。我们使用原始收集的雷达数据进行可视化。如图7所示，对原始数据进行两次快速傅里叶变换，得到图像对应的距离-方位热图。(b)中的亮度表示该位置的信号强度，也表明物体出现的概率很高。

图7：同一场景上的RGB图像(a)和毫米波雷达热图(b)。数据是在中国科学技术大学西校区北门收集的。

3. 数据集与评价指标

数据集是有效进行深度学习研究的关键。特别是，像3D目标检测这样的任务需要精细标记的数据。在这一部分，我们讨论了一些广泛使用的自动驾驶3D目标检测数据集。并且进行了详细地比较，包括年份，激光雷达数量，激光雷达通道数量、摄像头的数量，是否带有雷达，2D盒子的数量(不区分2D盒子和2D实例分割注释)，3D盒子的数量，标注的类的数量，以及位置。具体如表2所展示。

另外，大多数基于深度学习的多模态融合方法都是在KITTI、nuSecenes、Waymo上进行实验的。从图8，我们观察到三个流行的数据集的大小从只有15,000帧到超过230,000帧。与图像数据集相比，这里的数据集仍然相对较小，对象类别有限且不平衡。图8也比较了汽车类、人类和自行车类的百分比。有更多的物体被标记为“汽车”比“行人”或“自行车”。

图8：KITTI、nuScenes和Waymo开放数据集的比较

4. 基于深度学习的多模态3D检测网络

在本节中，我们介绍了基于多模态融合的3D检测网络。我们通过考虑以下三个融合策略中的重要因素来组织我们的文章：(1)融合位置，即多模态融合在整个网络结构中发生的位置；(2)融合输入，即每个传感器使用什么数据表示进行融合；(3)融合粒度，即多个传感器的数据在什么粒度进行融合检测。

其中，融合位置是区分融合方法的最重要因素。一般来说，我们有两种可能的融合位置，如图9所示：特征融合和决策融合。特征融合是将不同模态的特征组合起来得到检测结果，而决策融合则是将每个单独的检测结果组合起来。下面，我们首先回顾了特征融合方法，然后讨论了决策融合方法。注意，由于融合方法的设计与数据集的选择是正交的，因此我们将一起讨论KITTI、Waymo和nuScenes数据集的融合方法。其中，大多数多模态三维检测方法都是在KITTI上进行评价的。从表3的评价总结中，可以清楚地看出该方法适用于哪些数据集。

图9：特征融合与决策融合

特征融合

特征融合在神经网络层中分层混合模态。它允许来自不同模式的特性在层上相互交互。特征融合方法需要特征层之间的相互作用，如图9 (a)所示。这些方法首先对每个模态分别采用特征提取器，然后结合这些特征实现多尺度信息融合。最后，将融合后的特征输入神经网络层，得到检测结果。

许多融合方法都属于这一类。我们基于传感器数据的不同组合，将这些方法分成以下几类。

Point cloud view & image feature map

point cloud voxels & image feature map

LiDAR points & image feature map

LiDAR points & image mask:

point cloud voxels & image mask

point cloud voxels & point cloud view & image feature map

point cloud voxels & image feature map & image pseudo-LiDAR

此外，在特征融合方法中，我们还需要关注融合粒度。具体来说，特征融合可以在不同粒度上进行，即RoI-wise、voxel-wise、point-wise和pixel-wise。图10总结了基于深度学习的多模态三维检测方法出现的年份，并对每种方法的融合粒度进行了标记。我们观察到，早期方法融合粒度比较粗糙，主要使用RoI和voxel。随着多模态目标检测技术的快速发展，融合粒度越来越细，融合种类越来越多，检测性能不断提高。

图10：特征融合3D目标检测方法的时间轴。用不同的颜色来标记它们的融合粒度。

决策融合

在决策融合中，多模态数据被单独、独立地处理，融合发生在最后的决策阶段。这种方法的思想通常是利用神经网络对传感器数据进行并行处理，然后将得到的所有决策输出进行融合，得到最终结果。与特征融合相比，决策融合可以更好地利用现有网络对每个模态的影响，并且我们可以很容易地知道每个模态的结果是否正确。然而，从表4可以看出，一个不能忽视的严重缺点是不能使用丰富的中间层特征。因此，决策融合直到最近才受到人们的重视。

相机-LiDAR融合方法总结

综上所述，大多数融合方法都是基于KITTI 3D基准，但在KITTI 3D目标检测排行榜上排名靠前的方法主要是LiDAR-only方法。在KITTI数据集上，多模态方法的效果并不好。相反，在最新数据集如nuScenes和Waymo Open Dataset上，排名靠前的方法主要是多模态融合的方法。一个可能的原因是这些数据集中使用的LiDAR传感器具有不同的分辨率。KITTI使用一个64通道的LiDAR，nuScenes使用一个32光束的LiDAR。因此，当点云相对稀疏时，多模态方法更有用。更重要的是，最近的融合方法有一些共同的特点。一方面，它们都采用point-wise的融合粒度来有效地建立激光雷达点与图像像素之间的精确映射；另一方面，在训练融合网络的过程中，都进行了精心设计的跨模态数据增强，不仅加快了网络的收敛速度，而且缓解了类间的不平衡问题

其他传感器融合方式

我们还简单讨论了针对其他类型传感器的融合方法，如Radar-相机，LiDAR-Radar等。

5. 开放式挑战与可能的解决方案

在本节中，我们将讨论多模态3D目标检测的开放式挑战和可能的解决方案。我们重点讨论了如何提高多传感器感知系统的准确性和鲁棒性，并同时实现系统的实时性。表6总结了我们的讨论。包括以下几个关键问题。

多传感器联合标定

数据对齐

跨模态数据增强

数据集与评价指标

6. 总结

由于3D视觉在自动驾驶等应用中的重要性日益增加，本文综述了近年来的多模态3D目标检测网络，特别是相机图像和激光雷达点云的融合。我们首先仔细比较了常用的传感器，讨论了它们的优缺点，总结了单模态方法的常见问题。然后，我们提供了几个常用的自动驾驶数据集的深入总结。为了给出一个系统的回顾，我们考虑以下三个维度对多模态融合方法进行分类：(1)融合在管道中发生的位置；(2)每个融合输入使用什么数据表示；(3)融合算法的粒度是什么。最后，我们讨论了在多模态3D目标检测中的开放式挑战和潜在的解决方案。

文章链接：https://arxiv.org/abs/2106.12735

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。