Birds-Eyes-View（BEV）：鳥瞰圖，這個詞本身沒什么特別意義，但在自動駕駛（Autonomous Driving，簡稱AD）領(lǐng)域逐漸普及后變成了這個行業(yè)內(nèi)的一種術(shù)語。

Simultaneous Localization and Mapping（SLAM）：并發(fā)定位與地圖測繪，相對于BEV的另外一種感知技術(shù)。

Perception：感知，SLAM和BEV在AD領(lǐng)域里都是協(xié)助控制系統(tǒng)了解車輛周圍狀況的感知技術(shù)：知道自己在哪，有哪些障礙物，障礙物在自己的什么方位，距離多遠，哪些障礙物是靜態(tài)的那些是移動的，等等相關(guān)信息，便于隨后做出駕駛決策。

SLAM VS BEV：SLAM主要通過各種傳感器掃描周圍空間的物體結(jié)構(gòu)，以3維數(shù)據(jù)來描述這些信息。BEV同樣通過傳感器掃描獲知周邊狀況，主要以2維數(shù)據(jù)來描述這些信息。從應(yīng)用范圍來講，目前SLAM更為廣闊，在AD火起來之前主要應(yīng)用在VR/AR等領(lǐng)域，BEV主要集中在AD行業(yè)里。從技術(shù)實現(xiàn)來看，SLAM偏向于傳統(tǒng)數(shù)學(xué)工具，包括各種幾何/概率論/圖論/群論相關(guān)的軟件包，而BEV基本上清一色的基于深度神經(jīng)網(wǎng)絡(luò)DNN。兩者最好不要對立著看，很多情況下可以互補。

以下將側(cè)重于BEV的基礎(chǔ)介紹。

SLAM和BEV最基礎(chǔ)和核心的傳感器就是相機（Camera），所以兩者在計算過程中有大量的算力都被消耗在了圖像中信息提取/識別和變換計算。SLAM傾向于識別圖像中的特征（Feature）點，屬于特征信息里的低級信息，通過計算這些特征點在不同圖像幀上的位置來獲取場景結(jié)構(gòu)以及相機自身的位姿（Position and Pose）。而BEV傾向于識別車輛/道路/行人/障礙物等等高級特征信息，這些是卷積網(wǎng)CNN和Transformer擅長的。

相機有兩個最基礎(chǔ)的數(shù)據(jù)：內(nèi)參(Instrinsics)和外參(Extrinsics)，內(nèi)參主要描述的是相機的CCD/CMOS感光片尺寸/分辨率以及光學(xué)鏡頭的系數(shù)，外參主要描述的是相機在世界坐標(biāo)系下的擺放位置和朝向角度。

其中內(nèi)參的常見矩陣是：

其中fx和fy分別表示光學(xué)鏡頭的橫向/縱向焦距長度（Focus），正常情況下焦距是不分橫縱向的，但因為CCD/CMOS感光片上的像素單元不夠正，如果這個像素是絕對的正方形，那么fx = fy，實際上很難做到，有微小的差異，導(dǎo)致光線經(jīng)過鏡頭投射到感光片上后，橫縱坐標(biāo)在單位距離上出現(xiàn)不等距的問題，所以相機模塊的廠家會測量這個差異并給出fx和fy來，當(dāng)然開發(fā)者也可以利用標(biāo)定(calibration）過程來測量這兩個值。

圖1

圖2

另外，在傳統(tǒng)的光學(xué)領(lǐng)域里，fx和fy的默認單位是毫米:mm，但在這個領(lǐng)域默認單位是像素：Pixel，導(dǎo)致很多有攝影經(jīng)驗的人看到fx和fy的值都挺納悶，特別大，動不動就是大幾千，這數(shù)值都遠超業(yè)余天文望遠鏡了。為什么這里用像素？我們試著通過內(nèi)參計算一下相機的FOV（Field of View，視場大小，通常以角度為單位）就明白了：

圖3

這里fy是縱向焦距，h是照片高度。因為h的單位是像素，所以fy也必須是像素，這樣才好便于計算機處理，所以fx和fy的單位就統(tǒng)一成了像素。其實都不用到計算機這步，CCD/CMOS感光片一般是要集成另外一塊芯片ISP(Image Signal Processor)的，這塊芯片內(nèi)部就要把感光數(shù)據(jù)轉(zhuǎn)成數(shù)字化的圖片，這里就可以用像素單位了。

內(nèi)參除了這個矩陣外還有一套畸變（Distortion）系數(shù)K，這個東西不詳細說了，正常的鏡頭成像后都是居中位置的變形小，四周變形大，一般通過標(biāo)定(Calibration）獲得這個參數(shù)后，對照片做反畸變處理，恢復(fù)出一個相對“正?！钡恼掌?。SLAM算法里很強調(diào)這個反畸變的重要性，因為特征點在照片上的絕對位置直接關(guān)系到了定位和建圖的準(zhǔn)確性，而大部分的BEV代碼里看不到這個反畸變處理，一方面是BEV注重物體級別的高級特征，像素級別的輕微偏移影響不大，另一方面是很多BEV項目都是為了寫論文，采用了類似nuScenes/Argoverse這類訓(xùn)練數(shù)據(jù)，這些數(shù)據(jù)的畸變比較小而已，一旦你在自己的項目里用了奇怪的鏡頭還是老老實實得做反畸變預(yù)處理。

圖4

外參就簡單多了，一個偏移（Transform）系數(shù)加一個旋轉(zhuǎn)（Rotation）系數(shù)。

三維空間里表述旋轉(zhuǎn)的計算方式常見的有2種：矩陣(Matrix)和四元數(shù)（Quaternion），為了防止矩陣方式存在萬向節(jié)死鎖（Gimbal Lock）問題，通常采用四元數(shù)來計算旋轉(zhuǎn)。但在AD領(lǐng)域里很少這么干，因為相機是固定在車子上，只有垂直于地面的軸（一般是Z軸）才會發(fā)生360度的旋轉(zhuǎn)，根本無法引發(fā)萬向節(jié)問題，總不至于用戶堅持在翻車的階段仍舊保持自動駕駛這個詭異的需求。所以BEV的代碼里通常就是矩陣形式，SLAM因為還會用在AR和其它領(lǐng)域，相機不是相對固定的，所以會采用四元數(shù)。另外，AD領(lǐng)域里不考慮透視現(xiàn)象，所以外參都是仿射矩陣(Affine Matrix），這點和CG領(lǐng)域的3維渲染是不同的。

另外，一般文章里介紹內(nèi)參時還會考慮旋轉(zhuǎn)偏差，這是由于CCD/CMOS感光片在工廠里被機器給裝歪了，但AD領(lǐng)域一般不會考慮它，誤差太小，而相機安裝在車輛上時本身外參就有很大的相對旋轉(zhuǎn)，不如一并算了，最后交由DNN學(xué)習(xí)過濾掉，而AR領(lǐng)域里的SLAM更是要主動計算外參，這點毛毛雨就不考慮了。

內(nèi)外參了解之后，下一個基礎(chǔ)的重點就是坐標(biāo)系。AD的坐標(biāo)系有好幾個，不事先理清楚就直接看代碼有點暈。

1、世界坐標(biāo)系（World Coordination），這個是真實世界空間里，車輛的位置和方位角，通常粗略的位置是由GNSS（Global Navigation Satellite System)衛(wèi)星定位系統(tǒng)獲取，GNSS包括了美國GPS/中國BDS/歐洲Galileo/毛子GLONASS/日本QZSS/印度IRNSS，各有千秋，定位精度一言難盡，一般標(biāo)稱的精度都是指：車輛在空曠地區(qū)，上面有好幾顆定位衛(wèi)星罩著你，車輛靜止，定位設(shè)備天線粗壯，無其它信號源干擾的情況下的測試結(jié)果。

如果你處在城市內(nèi)，四周高樓林立，各種無線電干擾源，衛(wèi)星相對你時隱時現(xiàn)，車速還不慢，這種情況下給你偏個幾十米都是對的起你了。為此有兩種常見解決方案：差分基站糾偏和地圖通行大數(shù)據(jù)糾偏。這能給你造成一種錯覺：衛(wèi)星定位還是蠻準(zhǔn)的。不管怎么弄，最后得到的坐標(biāo)位置是經(jīng)緯度，但跟常規(guī)GIS（Geographic Information System）相比，AD的經(jīng)緯度不是球面坐標(biāo)系，而是展開成2維地圖的坐標(biāo)系，所以最終在系統(tǒng)內(nèi)的坐標(biāo)系也是有區(qū)別的，比如google會把WGS84的經(jīng)緯度換算成它自家地圖的矩形切片編碼，Uber提出過一種六邊形切片的H3坐標(biāo)編碼，百度則是在火星坐標(biāo)的基礎(chǔ)上疊加了一個BD09的矩形切片坐標(biāo)，等等諸如此類。

這些都是絕對坐標(biāo)位置，而通過類似SLAM技術(shù)掃描的高精度地圖還會在這個基礎(chǔ)上引入一些相對坐標(biāo)。不管怎么樣，最后在代碼里看到的只剩下XY了。但這些系統(tǒng)都不能獲取車輛朝向（地理正北為0度，地理正東為90度，依此類推，這仍舊是在2維地圖上表示方式），所以AD里的車輛角度都是指“軌跡朝向”，用當(dāng)前位置坐標(biāo)減去上一時刻的坐標(biāo)獲得一個指向性的矢量。當(dāng)然在高精度地圖的加持下，是可以通過SLAM技術(shù)算出車輛的瞬時方位角。在缺失GNSS定位的時候，比如過隧道，需要用車輛的IMU（Inertial Measurement Unit）這類芯片做慣性導(dǎo)航補充，它們提供的數(shù)值是一個相對的坐標(biāo)偏移，但隨著時間的推移累積誤差大，所以長時間沒有GNSS信號的時候，IMU表示也沒辦法。

2、BEV訓(xùn)練數(shù)據(jù)集的世界坐標(biāo)系（nuScenes World Coordination，其它訓(xùn)練集就不特別說明了），這個跟GNSS的絕對坐標(biāo)系就不同了：

圖5

這是一個nuScenes地圖，它的世界坐標(biāo)系是圖片坐標(biāo)系，原點在圖片左下角，單位是米，因此在使用訓(xùn)練數(shù)據(jù)集時，是不用考慮經(jīng)緯度的。數(shù)據(jù)集中會根據(jù)時間序列給出車輛的瞬時位置，也就是在這個圖片上的XY。

3、Ego坐標(biāo)系（Ego Coordination），在BEV里，這個Ego是特指車輛本身，它是用來描述攝像機/激光雷達（Lidar，light detection and ranging）/毫米波雷達（一般代碼里就簡稱為Radar）/IMU在車身上的安裝位置（單位默認都是米）和朝向角度，坐標(biāo)原點一般是車身中間，朝向如圖：

圖6

所以車頭正放的相機默認都是Yaw（Z軸）為0度，外參（Extrinsics Matrix）主要就是描述這個坐標(biāo)系的。

4、相機坐標(biāo)系（Camera Coordination），切記，這個不是照片坐標(biāo)系，坐標(biāo)原點在CCD/CMOS感光片的中央，單位是像素，內(nèi)參（Intrinsics Matrix）主要就是描述這個坐標(biāo)系的。

5、照片坐標(biāo)系（Image Coordination），坐標(biāo)原點在圖片的左上角，單位是像素，橫縱坐標(biāo)軸一般不寫成XY，而是uv。

圖7

左中右三套坐標(biāo)系分別為：Ego Coordination, Camera Coordination, Image Coordination。

所以，當(dāng)在BEV中做LSS（Lift,Splat,Shoot)時，需要把照片中的像素位置轉(zhuǎn)換到世界坐標(biāo)系時，要經(jīng)歷：

Image_to_Camera, Camera_to_Ego, Ego_to_World，用矩陣表示：

Position_in_World = Inv_World_to_Ego * Inv_Ego_to_Camera * Inv_Camera_to_Image * (Position_in_Image)

其中Inv_表示矩陣的逆。實際代碼里，Camera_to_Image通常就是Intrinsics參數(shù)矩陣，Ego_to_Camera就是Extrinsics參數(shù)矩陣。

這里要注意的一點是：fx,fy,它們實際上是這樣計算得到的：

Fx和Fy分別是橫向/縱向的鏡頭焦距，但單位是米，Dx和Dy分別是一個像素有幾米寬幾米高，得出fx和fy的單位就是像素。當(dāng)使用（Ego_to_Camera * Camera_to_Image）矩陣乘上Ego空間的坐標(biāo)，會以像素為單位投影到照片空間，當(dāng)使用（Inv_Ego_to_Camera * Inv_Camera_to_Image）矩陣乘上照片空間的坐標(biāo)，會以米為單位投影到Ego空間，不會有單位上的問題。

大部分的BEV是多攝像頭的，意味著要一次性把多組攝像頭拍攝的照片像素換算到Ego或者世界坐標(biāo)系：

圖8

在統(tǒng)一的坐標(biāo)系下，多角度的照片才能正確得“環(huán)繞”出周邊的景象。另外還有一些單目（Monocular）攝像頭的BEV方案，它們有的不考慮Ego坐標(biāo)系，因為只有一個朝向正前方（Yaw,Pitch,Roll全部為0）的攝像頭，而且原點就是這個攝像頭本身，所以直接從相機坐標(biāo)系跳到世界坐標(biāo)系。

Frustum，這個東西在3維渲染領(lǐng)域通常叫做“視錐體”，用來表示相機的可視范圍：

圖9

紅面和綠面以及線框包圍起來的空間就是視錐體，綠面通常叫做近平面（Near Plane），紅面叫做遠平面（Far Plane），線框構(gòu)成的角度叫做FOV，如果CCD/CMOS成像的高寬相同，那么近平面和遠平面就都是正方形，一個FOV就足以表示，反之，就要區(qū)分為FOVx和FOVy了，超出這個視錐體范圍的物體都不考慮進計算。

圖7中由6個三角面構(gòu)成了組合的可視范圍，實際上應(yīng)該是6個俯視的視錐體構(gòu)成，能看出視錐體之間是有交疊區(qū)域的，這些區(qū)域有利于DNN在訓(xùn)練/推理中對6組數(shù)據(jù)做相互矯正，提高模型準(zhǔn)確性，在不增加相機數(shù)量的前提下，如果想擴大這個交疊區(qū)域，就必須選擇FOV更大的相機，但FOV越大的相機一般鏡頭畸變就會越嚴重（反畸變再怎么做也只能一定程度上的矯正圖片），物體在圖片上的成像面積也越小，干擾DNN對圖片上特征的識別和提取。

BEV是個龐大的算法族，傾向于不同方向的算法選擇，粗略得看，有Tesla主導(dǎo)的以視覺感知流派，核心算法建立在多路攝像頭上，另外一大類是激光雷達+毫米波雷達+多路攝像頭的融合（Fusion）派，國內(nèi)很多AD公司都是融合派的，Google的Waymo也是。

嚴格得講，Tesla正在從BEV（Hydranet）過渡到一種新的技術(shù)：Occupancy Network，從2維提升到3維：

圖10

無論是2維的還是3維的，都在試圖描述周遭空間的Occupany（占用）情況，只是一個用2維棋盤格來表述這種占用情況，一個是用3維的積木方式表述占用。DNN在度量這種占用時采用的是概率，比如我們直觀看到某個格子上是一輛車，而DNN給出的原始結(jié)果是：這個格子上，是車的可能性有80%，是路面的可能性為5%，是行人的可能性為3%，所以，在BEV代碼里，一般將各種可能出現(xiàn)的物體分了類，通常是兩大類：

1. 不常變化的：車輛可通信區(qū)域（Driveable），路面（Road），車道（Lane），建筑（Building），植被（Foliage/Vegetation），停車區(qū)域（Parking），信號燈（Traffic Light）以及一些未分類靜態(tài)物體（Static），它們之間的關(guān)系是可以相互包容的，比如Driveable可以包含Road/Lane等等。
2. 可變的：也就是會發(fā)生移動的物體：行人（Pedestrian），小汽車（Car），卡車（Truck），錐形交通標(biāo)/安全桶（Traffic Cone）等等
   這樣分類的目的是便于AD做后續(xù)的駕駛規(guī)劃（Planning，有的翻譯成決策）和控制（Control）。而BEV在感知（Perception）階段就是按照這些物體在格子上出現(xiàn)的概率打分，最后通過Softmax函數(shù)將概率歸一取出最大的那個可能性作為占用這個格子的物體類型。

但這有個小問題：BEV的DNN模型（Model）在訓(xùn)練階段，是要指明照片中各個物體是啥？也就是要在標(biāo)注數(shù)據(jù)（Labeled Data）上給各種物體打上類型標(biāo)簽的。

圖11

右邊的我們權(quán)當(dāng)做是標(biāo)注數(shù)據(jù)吧，左邊是對應(yīng)的相片，按照這個物體分類訓(xùn)練出來的DNN模型，真得跑上路面，如果遭遇了訓(xùn)練集里未出現(xiàn)的物體類型怎么辦？如果模型效果不好，比如某個姿勢奇葩的人體未被識別成行人和其它已知類型，又當(dāng)如何？Occupancy Network為此改變的感知策略，不再強調(diào)分類了（不是不分類，只是重點變了），核心關(guān)注路面上是否有障礙物（Obstacle），先保證別撞上去就行了，別管它是什么類型。3維的積木方式表述這種障礙物更為貼切，有的地方借用了3維渲染（Rendering/Shading）領(lǐng)域的常見概念把這種3維表述叫做體素（Voxel），想象一下我的世界（MineCraft）就很簡單了。

圖12

以上是視覺流派的簡述，混合派在干嘛？它們除了相機外，還側(cè)重于激光雷達的數(shù)據(jù)，毫米波雷達由于數(shù)據(jù)品相太差逐漸退出，留守的去充當(dāng)停車雷達了，也不能說它一無是處，Tesla雖然強調(diào)視覺處理，但也保留了一路朝向正前方的毫米波雷達，而且AD這個領(lǐng)域技術(shù)變化非?？?，冷不丁哪天有新算法冒出又能把毫米波雷達的價值發(fā)揚光大一把。

激光雷達的好處是什么：可以直接測出物體的遠近，精度比視覺推測出的場景深度要高很多，一般會轉(zhuǎn)化為深度（Depth）數(shù)據(jù)或者點云（Point Cloud），這兩者配套的算法有很長的歷史了，所以AD可以直接借用，減少開發(fā)量。另外，激光雷達可以在夜間或糟糕的天氣環(huán)境下工作，相機就抓瞎了。

但這幾天出現(xiàn)了一種新的感知技術(shù)HADAR（Heat-Assisted Detection and Ranging），可以和相機/激光雷達/毫米波雷達并列的傳感器級別感知技術(shù)。它的特點是利用特殊的算法把常規(guī)熱成像在夜間拍攝的圖片轉(zhuǎn)化為周圍環(huán)境/物體的紋理和深度，這個東西和相機配合能解決夜間視覺感知的問題。

以前的BEV為什么不提熱成像/紅外相機，因為傳統(tǒng)算法有些明顯的缺陷：只能提供場景的熱量分布，形成一張灰度（Gray）圖，缺乏紋理（Texture），原始數(shù)據(jù)缺乏深度信息，推算出的深度精度差，如果僅僅通過從灰度圖上提取的輪廓（Contour）和亮度過渡（Gradient），很難精確還原場景/物體的體積信息，并且目前的2維物體識別是很依賴紋理和色彩的。這個HADAR的出現(xiàn)，恰好可以解決這個問題：在較暗的環(huán)境下提取場景的深度以及紋理：

圖13

左列，自上而下：

1. 基礎(chǔ)的熱成像，簡稱T
2. 用常規(guī)熱成像算法從T提取的深度
3. 用HADAR算法從T提取的紋理圖
4. 用HADAR算法從T提取的深度
5. 真實場景的深度

右列，自上而下：

1. 這個場景在白天用可見光相機拍攝的照片
2. 通過照片推理的深度
   
3. 真實場景的深度

HADAR的這個深度信息老牛逼了，對比一下激光雷達的效果就知道了：

圖14

激光雷達的掃描范圍是有限的，一般半徑100米，從上圖可以看出，沒有紋理信息，遠處的場景也沒有深度了，掃描線導(dǎo)致其數(shù)據(jù)是個稀疏（Sparse）結(jié)構(gòu)，想要覆蓋半徑更大更稠密（Dense）就必須買更昂貴的型號，最好是停下來多掃一段時間。激光雷達模塊廠家在展示產(chǎn)品時，當(dāng)然得給出更好看的圖了，只有AD研發(fā)人員才知道這里面有多苦。

以上都是基礎(chǔ)的概念，作為BEV算法的入門，必須先提到LSS（Lift,Splat,Shoot):

https://link.zhihu.com/?target=https%3A//github.com/nv-tlabs/lift-splat-shoot

老黃家的，很多文章都把它列為BEV的開山（Groundbreaking）之作。它構(gòu)建了一個簡單有效的處理過程：

把相機的照片從2維數(shù)據(jù)投影成3維數(shù)據(jù)，然后像打蒼蠅一樣把它拍扁，再從上帝視角來看這個被拍扁的場景，特別符合人看地圖的直覺模式。一般看到這里會有疑惑的：都已經(jīng)建立了3維的場景數(shù)據(jù)，3維不香么？干嘛還要拍扁？不是不想要3維，是沒辦法，它不是一個完善的3維數(shù)據(jù)：

圖15

看過這玩意吧，它就是LSS的本質(zhì)，從正面看，能形成一張2維照片，這個照片被LSS拉伸到3維空間后就是上圖，你從BEV的視角也就是正上方向下看會是啥？什么都看不出來，所以后續(xù)要拍扁（Splat），具體過程是這樣：

圖16

先提取圖像特征和深度（Feature and Depth，LSS里是同時提取的，后面會具體解釋），深度圖類似：

圖17

只能說類似，并不準(zhǔn)確，后面也會具體說明的，這個深度信息可以構(gòu)建一個偽3D模型（Point Cloud點云模式），類似圖15：

圖18

看著還行，但把這個3D模型轉(zhuǎn)到BEV俯視角下，估計親娘都認不出來了：

圖19

拍扁后結(jié)合特征Feature再做一次語義識別，形成：

圖20

這個就是喜聞樂見的BEV圖了。以上是對LSS的直觀認知，算法層面是如何實現(xiàn)的？

先給單個相機可拍攝的范圍構(gòu)建一個立方體模樣的鐵絲籠子（高8寬22深41），祭出大殺器Blender：

圖21

這里是示意圖，不要糾結(jié)于格子的數(shù)量和尺寸。這個3D網(wǎng)格代表的是一路相機的視錐體（Frustum），前面貼過視錐體的形狀（圖9），這里變形成立方體，在相機空間里看這個照片和這個立體網(wǎng)格的關(guān)系就是：

圖22

右邊是個正對著網(wǎng)格立方體的相機示意圖，相片提取深度后（深度圖的實際像素尺寸是高8寬22）：

圖23

把這個深度圖按照每個像素的深度沿著紅線方向展開（Lift）后：

圖24

可以看到，部分深度像素已經(jīng)超出了視錐體的范圍，因為LSS一開始就假設(shè)了這么個有限范圍的籠子，超出部分直接過濾掉。這里必須提醒一下：LSS并不是直接算出每個像素的深度，而是推理出每個像素可能處于籠子里每個格子的概率，圖24是已經(jīng)通過Softmax提取出每個像素最有可能位于哪個格子，然后把它裝進對應(yīng)格子的示意結(jié)果，便于理解，更準(zhǔn)確的描述如下：

圖25

在圖25中選取深度圖的某個像素（紅色格子，事實上LSS的深度圖分辨率是很小的，默認只有8*22像素，所以這里可以用一個格子當(dāng)做一個像素），它隸屬于籠子下方邊沿的一條深度格子（這條格子其實就代表相機沿著深度看向遠方的一條視線）：

圖26

圖25中的那個紅色的深度像素，沿著圖26這條視線格子的概率分布就是：

圖27

黃線的起伏表示2D深度圖像素在Lift后沿著視線3D深度的概率分布（Depth Distribution，我這是示意性得畫法，不是嚴格按照實際數(shù)據(jù)做的）。等價于LSS論文里的這張圖：

圖28

LSS中構(gòu)建立方籠子的代碼位于：

class LiftSplatShoot(nn.Module): def __init__(self, grid_conf, data_aug_conf, outC): self.frustum = self.create_frustum() def create_frustum(self): # D x H x W x 3 frustum = torch.stack((xs, ys, ds), -1) return nn.Parameter(frustum, requires_grad=False) def get_geometry(self, rots, trans, intrins, post_rots, post_trans): """Determine the (x,y,z) locations (in the ego frame) of the points in the point cloud. Returns B x N x D x H/downsample x W/downsample x 3 """ B, N, _ = trans.shape # undo post-transformation # B x N x D x H x W x 3 points = self.frustum - post_trans.view(B, N, 1, 1, 1, 3) points = torch.inverse(post_rots).view(B, N, 1, 1, 1, 3, 3).matmul(points.unsqueeze(-1)) # cam_to_ego points = torch.cat((points[:, :, :, :, :, :2] * points[:, :, :, :, :, 2:3], points[:, :, :, :, :, 2:3] ), 5) combine = rots.matmul(torch.inverse(intrins)) points = combine.view(B, N, 1, 1, 1, 3, 3).matmul(points).squeeze(-1) points += trans.view(B, N, 1, 1, 1, 3) return points

為了便于分析，我裁減了代碼。單個相機的frustum尺寸為：D x H x W x 3（深度D：41，高度H：8，寬度W：22），也就是創(chuàng)建了一個D x H x W的容器，容器的每個格子里存儲了這個格子的坐標(biāo)值（X，Y，Z）。

圖29

實際上是在照片坐標(biāo)系（uv）上拓展了一個深度Z構(gòu)成的新坐標(biāo)系。由于LSS默認是5路攝像頭，把5個Frustum送到get_geometry函數(shù)里，會輸出5路Frustum構(gòu)成的一個組合籠子，其張量尺寸變?yōu)椋築 x N x D x H x W x 3，其中B是batch_size，默認是4組訓(xùn)練數(shù)據(jù)，N是相機數(shù)量5。

get_geometry里一開始要做一個

# undo post-transformation

這玩意是干啥的？這跟訓(xùn)練集有關(guān)，在深度學(xué)習(xí)里里，有一種增強現(xiàn)有訓(xùn)練樣本的方法，一般叫做Augmentation（其實AR技術(shù)里這個A就是Augmentation，增強的意思），通過把現(xiàn)有的訓(xùn)練數(shù)據(jù)做一些隨機的：翻轉(zhuǎn)/平移/縮放/裁減，給樣本添加一些隨機噪音（Noise）。比如，在不做樣本增強前，相機的角度是不變的，訓(xùn)練后的模型只認這個角度的照片，而隨機增強后再訓(xùn)練，模型可以學(xué)習(xí)出一定角度范圍變化內(nèi)的適應(yīng)性，也就是Robustness。

圖30

Augmentation技術(shù)也是有相關(guān)理論和方法的，這里就貼個圖不贅述了。數(shù)據(jù)增強的代碼一般都是位于DataLoader內(nèi)：

class NuscData(torch.utils.data.Dataset): def sample_augmentation(self):

回到剛才的get_geometry，數(shù)據(jù)增強會給照片增加一些隨機變化，但相機本身是必須固定的，這樣才能讓DNN模型學(xué)習(xí)這些隨機變化的規(guī)律并去適應(yīng)它們。所以將5路Frustum的安置到車身坐標(biāo)系時候要先去掉（undo）這些隨機變化。

然后通過：

# cam_to_ego points = torch.cat((points[:, :, :, :, :, :2] * points[:, :, :, :, :, 2:3], points[:, :, :, :, :, 2:3] ), 5) combine = rots.matmul(torch.inverse(intrins)) points = combine.view(B, N, 1, 1, 1, 3, 3).matmul(points).squeeze(-1) points += trans.view(B, N, 1, 1, 1, 3)

將各路Frustum從相機坐標(biāo)系轉(zhuǎn)入車輛自身坐標(biāo)系，注意這里的intrins是相機內(nèi)參，rots和trans是相機外參，這些都是nuScenes訓(xùn)練集提供的，這里只有intrincs用了逆矩陣，而外參沒有，因為nuScenes是先把每個相機放在車身原點，然后按照各路相機的位姿先做偏移trans再做旋轉(zhuǎn)rots，這里就不用做逆運算了。如果換個數(shù)據(jù)集或者自己架設(shè)相機采集數(shù)據(jù)，要搞清楚這些變換矩陣的定義和計算順序。

四視圖大概就是這個樣子：

圖31

LSS中推理深度和相片特征的模塊位于：

class CamEncode(nn.Module): def __init__(self, D, C, downsample): super(CamEncode, self).__init__() self.D = D self.C = C self.trunk = EfficientNet.from_pretrained("efficientnet-b0") self.up1 = Up(320+112, 512) self.depthnet = nn.Conv2d(512, self.D + self.C, kernel_size=1, padding=0)

trunk用于同時推理原始的深度和圖片特征，depthnet用于將trunk輸出的原始數(shù)據(jù)解釋成LSS所需的信息，depthnet雖是卷積網(wǎng)但卷積核（Kernel）尺寸只有1個像素，功能接近一個全連接網(wǎng)FC（Full Connected)，F(xiàn)C日常的工作是：分類或者擬合，對圖片特征而言，它這里類似分類，對深度特征而言，它這里類似擬合一個深度概率分布。EfficientNet是一種優(yōu)化過的ResNet，就當(dāng)做一個高級的卷積網(wǎng)（CNN）看吧。對于這個卷積網(wǎng)而言，圖片特征和深度特征在邏輯上沒有區(qū)別，兩者都位于trunk上的同一個維度，只是區(qū)分了channel而已。

這就引出了另外一個話題：從單張2D圖片上是如何推理/提取深度特征的。這類問題一般叫做：Monocular Depth Estimation，單目深度估計。一般這類系統(tǒng)內(nèi)部分兩個階段：粗加工（Coarse Prediction）和精加工（Refine Prediction），粗加工對整個畫面做一個場景級別的簡單深度推測，精加工是在這個基礎(chǔ)上識別更細小的物體并推測出更精細的深度。這類似畫家先用簡筆畫出場景輪廓，然后再細致勾勒局部畫面。

除了用卷積網(wǎng)來解決這類深度估計問題，還有用圖卷積網(wǎng)（GCN）和Transformer來做的，還有依賴測距設(shè)備（RangeFinder）輔助的DNN模型，這個話題先不展開了，龐雜程度不亞于BEV本身。

那么LSS這里僅僅采用了一個trunk就搞定深度特征是不是太兒戲了，事實上確實如此。LSS估計出的深度準(zhǔn)頭和分辨率極差，參看BEVDepth項目里對LSS深度問題的各種測試報告：

https://link.zhihu.com/?target=https%3A//github.com/Megvii-

BaseDetection/BEVDepth

BEVDepth的測試里發(fā)現(xiàn)：如果把LSS深度估計部分的參數(shù)換成一個隨機數(shù)，并且不參與學(xué)習(xí)過程（Back Propagation），其BEV的總體測試效果只有很小幅度的降低。但必須要說明，Lift的機制本身是很強的，這個突破性的方法本身沒問題，只是深度估計這個環(huán)節(jié)可以再加強。

LSS的訓(xùn)練過程還有另外一個問題：相片上大約有1半的數(shù)據(jù)對訓(xùn)練的貢獻度為0，其實這個問題是大部分BEV算法都存在的：

圖32

右邊的標(biāo)注數(shù)據(jù)實際上只描述了照片紅線以下的區(qū)域，紅線上半部都浪費了，你要問LSS里的模型對上半部都計算了些什么，我也不知道，因為沒有標(biāo)注數(shù)據(jù)可以對應(yīng)上，而大部分的BEV都是這么訓(xùn)練的，所以這是一個普遍現(xiàn)象。訓(xùn)練時，BEV都會選擇一個固定面積范圍的周遭標(biāo)注數(shù)據(jù)，而照片一般會拍攝到更遠的景物，這兩者在范圍上天生就是不匹配的，另一方面部分訓(xùn)練集只關(guān)注路面標(biāo)注，缺乏建筑，因為眼下BEV主要解決的是駕駛問題，不關(guān)心建筑/植被。

這也是為什么圖17哪里的深度圖和LSS內(nèi)部真實的深度圖是不一致的，真實深度圖只有接近路面這部分才有有效數(shù)據(jù)：

圖33

所以整個BEV的DNN模型勢必有部分算力被浪費了。目前沒看到任何論文關(guān)于這方面的研究。

接著繼續(xù)深入LSS的Lift-Splat計算過程：

def get_depth_feat(self, x): x = self.get_eff_depth(x) # Depth x = self.depthnet(x) depth = self.get_depth_dist(x[:, :self.D]) new_x = depth.unsqueeze(1) * x[:, self.D:(self.D + self.C)].unsqueeze(2) return depth, new_x def get_voxels(self, x, rots, trans, intrins, post_rots, post_trans): geom = self.get_geometry(rots, trans, intrins, post_rots, post_trans) x = self.get_cam_feats(x) x = self.voxel_pooling(geom, x) return x

這里的new_x是把深度概率分布直接乘上了圖片紋理特征，為了便于直觀理解，我們假設(shè)圖片特征有3個channel：c1,c2,c3，深度只有3格：d1,d2,d3。我們從圖片上取某個像素，那么它們分別代表的意義是：c1:這個像素點有70%的可能性是車子，c2：有20%的可能性是路，c3：有10%的可能性是信號燈, d1：這個像素有80%的可能是在深度1，d2：有15%的可能性是在深度2，d3：有%5的可能性是在深度3上。如果把它們相乘的到：

那么這個像素最大的概率是：位于深度1的一輛車子。這也就是LSS里：

公式的意義，注意它這里把圖像特征叫做c（Context）, a_d的意義是深度沿視線格子的概率分布，d是深度。new_x就是這個計算結(jié)果。前面說過，由于圖像特征和深度都是通過trunk訓(xùn)練出來的，它們位于同一維度，只是占用channel不同，深度占用了前self.D（41）個channel，Context占用了后面self.C（64）個channel。

由于new_x是分別按照每路相機的Frustum單獨計算的，而5個Frustum有重疊區(qū)域，須要做作數(shù)據(jù)融合，所以在voxel_pooling里計算好格子的索引和對應(yīng)的空間位置，通過這個對應(yīng)關(guān)系，把new_x的內(nèi)容一一裝入指定索引的格子。

LSS在voxel_pooling的計算力引入了cumsum這個機制，雖然有很多文章在解釋它，但這里不建議花太多功夫，它只是一個計算上的小技巧，對整個LSS是錦上添花的事，不是必要的。