論文"NeuRAD: Neural Rendering for Autonomous Driving"，來自Zenseact，Chalmers科技大學，Linkoping大學和Lund大學。

神經輻射場（NeRF）在自動駕駛（AD）社區(qū)中越來越受歡迎。最近的方法顯示了NeRFs在閉環(huán)模擬、AD系統(tǒng)測試和訓練數據增強技術方面的潛力。然而，現有的方法往往需要長的訓練時間、密集的語義監(jiān)督，缺乏可推廣性。這反過來又阻礙了NeRF在AD中的大規(guī)模應用。本文提出NeuRAD，一種針對動態(tài)AD數據的穩(wěn)健的新視圖合成方法。該方法具有簡單的網絡設計、包括相機和激光雷達的傳感器建模（包括滾動快門、光束發(fā)散和光線降落），適用于開箱即用的多個數據集。

如圖所示：NeuRAD是一種為動態(tài)汽車場景量身定制的神經渲染方法?？梢愿淖冏攒嚭推渌缆肥褂谜叩淖藨B(tài)，也可以自由添加和/或移除參與者。這些功能使NeuRAD適合作為傳感器逼真的閉環(huán)模擬器或強大數據增強引擎等組件的基礎。

本文目標是學習一種表示，從中可以生成真實的傳感器數據，其中可以改變自車平臺、行動者的姿態(tài)，或者兩者兼而有之。假設可以訪問由移動平臺收集的數據，由設定的相機圖像和激光雷達點云組成，以及對任何移動行動者大小和姿態(tài)的估計。為了實用性，該方法需要在主要汽車數據集上的重建誤差方面表現良好，同時將訓練和推理時間保持在最低限度。

如圖是本文提出方法NeuRAD的概覽：學習一個用于汽車場景的靜態(tài)和動態(tài)的聯合神經特征場，通過行動者-覺察的哈希編碼來區(qū)分。落入行動者邊框內的點被轉換為行動者局部坐標，并與行動者索引一起用于查詢4D哈希網格。用上采樣CNN將體渲染的光線級特征解碼為RGB值，并用MLP將其解碼為光線降落概率和強度。

在新視圖合成[4，47]的工作基礎上，作者用神經特征場（NFF）、NeRFs[25]的推廣和類似方法[23]對世界進行建模。

為了渲染圖像，對一組相機射線進行體渲染，生成特征圖F。如[47]所示，然后依靠CNN來渲染最終圖像。在實踐中，特征圖的分辨率低于圖像，并且用CNN進行上采樣。這樣能夠大幅減少查詢的光線數量。

激光雷達傳感器允許自動駕駛車輛測量一組離散點的深度和反射率（強度）。他們通過發(fā)射激光束脈沖和測量飛行時間來確定距離和反射率的返回功率。為了捕捉這些特性，將來自姿態(tài)激光雷達傳感器的傳輸脈沖建模為一組射線，并使用類似體渲染技術。

考慮不返回任何點的激光束射線。如果返回功率過低，就會出現一種現象，稱為射線降落，這對于減少模擬-實際差別的建模非常重要[21]。通常，這樣的光線傳播得很遠而不會碰到表面，或者碰到光束反彈到空地上的表面，例如鏡子、玻璃或潮濕的路面。對這些影響進行建模對于傳感器真實模擬很重要，但如[14]所述，很難完全基于物理來捕捉，因為它們依賴于（通常未公開的）低層傳感器檢測邏輯的細節(jié)。因此，選擇從數據中學習光線降落。與強度類似，可體渲染光線特征，并將其通過一個小MLP來預測光線下降概率pd（r）。請注意，與[14]不同的是，不對激光雷達光束的二次回波進行建模，因為實驗中五個數據集中不存在此信息。

將神經特征場（NFF）的定義擴展為學習函數（s，f）=NFF（x，t，d），其中x是空間坐標，t表示時間，d表示視角方向。重要的是，該定義引入了時間作為輸入，這對于場景的動態(tài)方面建模至關重要。

神經架構

NFF架構遵循NeRF[4，27]中公認的最佳方法。給定位置x和時間t，查詢行動者-覺察哈希編碼。然后，這種編碼輸入到一個小MLP中，該感知器計算有符號距離s和中間特征g。用球諧波[27]對視圖方向d進行編碼，使模型能夠捕捉反射和其他與視圖相關的效果。最后，通過第二個MLP聯合處理方向編碼和中間特征，用g的跳躍連接來增強，從而產生特征f。

場景構成

與之前的工作[18，29，46，47]類似，將世界分解為兩個部分，靜態(tài)背景和一組剛性動態(tài)行動者，每個行動者由一個3D邊框和一組SO（3）姿態(tài)定義。提供雙重目的：簡化學習過程，并允許一定程度的可編輯性，在訓練后可以動態(tài)行動者生成新場景。與之前不同場景元素使用單獨NFF的方法不同，本文用一個單個統(tǒng)一NFF，其中所有網絡都是共享的，靜態(tài)和動態(tài)組件之間的區(qū)別由行動者-覺察的哈希編碼透明處理。編碼策略很簡單：根據給定樣本（x，t）是否位于行動者邊框內，用兩個函數中的一個對其進行編碼。

無界靜態(tài)場景

用多分辨率哈希網格[27]表示靜態(tài)場景，因為這已被證明是一種高度表達和高效的表示。然而，為了將無界場景映射到網格上，采用MipNerf-360[3]中提出的收縮方法。這能夠用單個哈希網格準確地表示附近的道路元素和遠處的云。相比之下，現有的方法利用專用的NFF來捕捉天空和其他遙遠的區(qū)域[47]。

剛性動態(tài)行動者

當樣本（x，t）落在行動者的邊框內時，其空間坐標x和視角方向d在給定時間t轉換到行動者的坐標系。忽略之后的時間方面，并從與時間無關的多分辨率哈希網格中采樣特征，就像靜態(tài)場景一樣。簡單地說，需要分別對多個不同的哈希網格進行采樣，每個行動者是一個。然而，轉而使用單個4D哈希網格，其中第四個維度對應于行動者索引。這種方法允許并行地對所有行動者特征進行采樣，在匹配單獨哈希網格性能的同時實現顯著的加速。

多尺度場景問題

將神經渲染應用于汽車數據的最大挑戰(zhàn)之一是處理這些數據中存在的多個細節(jié)級。當車輛行駛很長距離時，無論是從遠處還是近距離都可以看到許多表面。在這些多尺度設置中天真地應用iNGP[27]或NeRF的位置嵌入會導致混疊偽影[2]。為了解決這一問題，許多方法將射線建模為截錐體，截錐體縱向由bin的大小決定，徑向由像素面積以及與傳感器的距離決定[2，3，13]。

Zip-NeRF[4]是目前iNGP哈希網格的唯一抗混疊（anti-aliasing）方法，它結合了兩種截頭體建模技術：多采樣和降低權重。在多采樣中，對截頭體多個位置的位置嵌入進行平均，捕捉縱向和徑向范圍。對于降低權重，每個樣本都被建模為各向同性高斯，網格特征的權重與單元（cell）大小和高斯方差之間比例成比，從而有效地抑制更精細的分辨率。雖然組合技術顯著提高了性能，但多重采樣也顯著增加了運行時間。所以本文目標是以最小的運行影響結合規(guī)模信息。受Zip-NeRF的啟發(fā)，作者提出了一種直觀的降低權重方案，根據哈希網格特征相對于截頭體的大小對其進行權重降低。

高效采樣

渲染大規(guī)模場景的另一個困難是需要高效的采樣策略。在一張圖像中，可能想在附近的交通標志上渲染詳細的文本，同時捕捉幾公里外摩天大樓之間的視差效果。為了實現這兩個目標，對射線進行均勻采樣將需要每條射線數千個樣本，這在計算上是不可行的。以前的工作在很大程度上依賴激光雷達數據來修剪樣本[47]，因此很難在激光雷達的工作之外進行渲染。

相反，本文根據冪函數[4]沿射線渲染樣本，使得樣本之間的空間隨著與射線原點的距離而增加。即便如此，不可能在樣本數量急劇增加的情況下滿足所有相關條件。因此，還采用兩輪的提議采樣（proposal sampling）[25]，其中查詢NFF（neural feature field）的輕量級版本，生成沿射線的權重分布。然后，根據這些權重渲染一組新的樣本。經過兩輪這個過程后，得到了一組精細的樣本，這些樣本集中在射線上的相關位置，可以用來查詢全尺寸NFF。為了監(jiān)督所提出的網絡，采用了一種抗混疊的在線蒸餾方法[4]，并進一步使用激光雷達進行監(jiān)督。

建模滾動快門

在基于NeRF的標準公式中，假設每個圖像都是從一個原點o捕獲的。然而，許多相機傳感器都有滾動快門，即像素行是按順序捕獲的。因此，相機傳感器可以在第一行的捕獲和最后一行的捕獲之間移動，打破了單一原點的假設。雖然合成數據[24]或慢速手持相機拍攝的數據不是問題，但滾動快門在快速移動車輛的拍攝中變得明顯，尤其是側面相機。同樣的影響也存在于激光雷達中，每次掃描通常在0.1s內收集，當以高速公路速度行駛時，這相當于幾米移動。即使對于自我運動補償的點云，這些差異也可能導致有害的視線誤差，即3D點轉化為穿過其他幾何的射線。為了減輕這些影響，為每條光線指定單獨的時間并根據估計的運動調整其原點，這樣對滾動快門進行建模。由于滾動快門會影響場景的所有動態(tài)元素，因此會對每個單獨的光線時間，行動者姿態(tài)做線性插值。

不同的相機設置

模擬自動駕駛序列時的另一個問題是，圖像來自不同的相機，具有潛在的不同捕獲參數，如曝光。在這里，從“NeRFs in the wild”[22]的研究中獲得了靈感，其中為每個圖像學習外觀嵌入，并與其特征一起傳遞到第二個MLP。然而，當知道哪個圖像來自哪個傳感器時，反而為每個傳感器學習單個嵌入，從而最大限度地減少過擬合的可能性，并允許在生成新視圖時使用這些傳感器嵌入。當渲染特征而不是顏色時，在體渲染后應用這些嵌入，顯著減少了計算開銷。

含噪的行動者姿態(tài)

模型依賴于對動態(tài)行動者姿態(tài)的估計，無論其是以注釋的形式還是作為跟蹤輸出。為了解決缺陷，將行動者姿態(tài)作為可學習的參數納入模型中，并對其進行聯合優(yōu)化。姿態(tài)參數化為平移t和旋轉R，用6D-表示[50]。

注：NeuRAD是在開源項目Nerfstudio[33]中實現的。用Adam[17]optimizer訓練方法，進行20000次迭代。使用一臺英偉達A100，訓練大約需要1個小時。

復現UniSim：UniSim[47]是一種神經閉環(huán)傳感器模擬器。它具有逼真的渲染效果，對可用的監(jiān)督幾乎沒有任何假設，即它只需要相機圖像、激光雷達點云、傳感器姿態(tài)和帶有動態(tài)行動者軌跡的3D邊框。這些特性使UniSim成為一個合適的基線，因為它很容易應用于新自動駕駛數據集。然而，該代碼是封閉源代碼，也沒有非官方的實現。因此，本文選擇重新實現UniSim，作為自己的模型，在Nerfstudio[33]中這樣實現。由于UniSim的主要文章沒有詳細說明許多模型細節(jié)，只能依賴于IEEE Xplore提供的補充材料。盡管如此，一些細節(jié)仍然是未知的，作者已經調整了這些超參數，匹配10個選定PandaSet[45]序列的報告性能。