精确的3D感知系统对于自动驾驶至关重要。经典方法依赖于激光雷达点云提供的精确3D信息。然而,激光雷达传感器通常花费数千美元,阻碍了其在经济型车辆上的应用。纯基于相机的鸟瞰图(BEV)方法最近因其令人印象深刻的3D感知能力和经济的成本而显示出巨大的潜力。
为了从2D图像特征中进行3D感知,nuScenes上最先进的BEV方法要么使用隐式/显式基于深度的投影,要么使用基于Transformer的投影。然而,它们很难部署在车载芯片上:
- 具有深度分布预测的方法通常需要多线程CUDA内核来加速推理,这不方便在资源受限或推理库不支持的芯片上操作。
- Transformer内的注意力机制需要专用芯片来支持。此外,它们在推理方面很耗时,这使它们无法进行实际部署。
1、省流阅读
本文主要对性能优秀、部署友好、推理速度高的Fast-BEV感知框架的讲解和TensorRT的落地部署
1、TensorRT落地效果
2、量化前后的精度与速度的对比
3、部署代码列表
4、环境的配置
5、开源地址
TensorRT的代码链接:https://github.com/Mandylove1993/CUDA-FastBEV
2、Fast-BEV的原理要点
1、Fast-BEV的前世
是最早用统一的BEV表示来解决多摄像机多任务感知的作品之一。它也更适用于车载平台,因为它没有昂贵的视图Transformer或深度表示。如图2顶部所示,的输入是多摄像机RGB图像,输出是预测的3D边界框(包括速度)和地图分割结果。
有4个关键模块:
- 从多摄像头图像中提取图像特征的2D图像编码器;
- 图像到BEV(2D→3D)视图转换模块,其将2D图像特征映射到3D BEV空间中;
- 处理3D特征的3D BEV编码器;
- 执行感知任务(例如3D检测)的任务专用头。
2、Fast-BEV的今生
尽管可以取得有竞争力的成绩,但我们发现它的性能和效率可以进一步提高。如图2底部所示,我们将三种技术集成到中,从而实现了更强、更快的快速BEV。
- Data augmentation:从经验上观察到,在的后期训练时期发生了严重的过度拟合问题。这是因为在原始中没有使用Data augmentation。受最近工作[BevDet,BevDepth]的启发,在图像和BEV空间上添加了强大的3D augmentation,如随机翻转、旋转等。
- Temporal fusion:在真实的自动驾驶场景中,输入在时间上是连续的,并且在时间上具有巨大的互补信息。例如,在当前帧中被部分遮挡的一名行人可能在过去的几帧中完全可见。因此,通过引入时间特征融合模块,将从BEV空间扩展到时空空间,类似于[Bevformer,Bevdet4d]。更具体地说,使用当前帧BEV特征和存储的历史帧特征作为输入,并以端到端的方式训练快速BEV。
- Optimized view transformation:作者发现从图像空间到体素空间的投影主导了延迟。作者建议从2个角度优化投影:
- 预先计算固定的投影索引,并将它们存储为静态查找表,这在推理过程中非常有效。
- 让所有的相机投影到同一个体素,以避免昂贵的体素聚集。不像基于Lift Splat Shoot的改进视图转换方案[ Bevdepth, Bevdet,Bevfusion]那样需要开发繁琐而困难的DSP/GPU并行计算,它足够快,只使用CPU计算,这非常方便部署。更多细节见第3.5节
重中之重——优化 View Transformation
iew transformation是将特征从2D图像空间变换到3D BEV空间的关键组件,这通常需要在整个过程中花费大量时间。Lift Splat Shoot是一种经典的view transformation方法。尽管已经针对高级GPU设备(例如,NVIDIA Tesla A100、V100)提出了一些加速技术,但优化无法轻易转移到边缘芯片等其他设备。
另一类view transformation是,它假设深度分布沿着光线是均匀的。优点是,一旦获得了相机的内参/外参,就可以很容易地知道2D到3D的投影。由于这里没有使用可学习的参数,可以很容易地计算2D特征图和BEV特征图中的点之间的对应矩阵。遵循的投影方法,并从两个角度进一步加速:
- 预计算投影指数
- 密集体素特征生成
投影索引是从2D图像空间到3D体素空间的映射索引。因为本文的方法既不依赖于依赖于数据的深度预测,也不依赖于Transformer,所以对于每个输入,投影索引都是相同的。因此,可以预先计算固定的投影索引并将其存储。在推理过程中,可以通过查询查找表来获得投影索引,这在边缘设备上是一种非常便宜的操作。此外,如果从单帧扩展到多帧,也可以很容易地预先计算内参和外参,并将它们预先对准当前帧。
cuda kernel实现如下:
static __global__ void compute_volum_kernel(int num_valid, const half* camera_feature, const float* valid_index, const int64_t* valid_y, const int64_t* valid_x, int num_camera, int feat_height, int feat_width, half* output_feature) { int tid = cuda_linear_index; if (tid >= num_valid) return; for (int icamera = 0; icamera < num_camera; ++icamera) { int index = icamera * num_valid + tid; if(valid_index[index] == 1.0){ int64_t x = valid_x[index]; int64_t y = valid_y[index]; for(int c=0; c< 64; c++){ output_feature[c*num_valid+tid] = camera_feature[icamera*64*feat_height*feat_width+c*feat_height*feat_width +feat_width*y+x]; } } } }
将为每个相机视图存储一个体素特征,然后将其聚合以生成最终的体素特征(见图5)。因为每个相机只有有限的视角,所以每个体素特征都非常稀疏,例如,只有大约17%的位置是非零的。作者认为这些体素特征的聚集由于其巨大的尺寸而非常昂贵。建议生成密集的体素特征,以避免昂贵的体素聚集。
具体来说,让来自所有相机视图的图像特征投影到相同的体素特征,从而在末端产生一个密集的体素。
在表1中,分析了4种不同方法的视图转换延迟,发现:
- BEVDepth在GPU上实现了最佳延迟,但它需要专用的并行计算支持,因此不适用于CPU。
- 与 Baseline相比,所提出的快速BEV在CPU上实现了数量级的加速。
3、参考
[1].Fast-BEV: Towards Real-time On-vehicle Bird’s-Eye View Perception.
[2].https://github.com/Mandylove1993/CUDA-FastBEV.