【儀表網 研發快訊】近日，中國科學院上海微系統與信息技術研究所仿生視覺系統實驗室李嘉茂研究員團隊與路特斯機器人(LOTUS ROBOTICS)合作在智能駕駛感知領域取得了重要進展。針對智能駕駛感知的兩個關鍵問題——柵格占據預測(Occupancy Prediction)和全景分割(Panoptic Segmentation)取得了突破，兩項成果被機器人領域頂級國際學術會議2024 IEEE International Conference on Robotics and Automation(ICRA)錄用，分別題為“CVFormer: Learning Circum-View Representation and Consistency for Vision-Based Occupancy Prediction via Transformers”與“BEE-Net: Bridging Semantic and Instance with Gated Encoding and Edge Constraint for Efficient Panoptic Segmentation”。
CVFormer：基于Transformer的環視視角表征和一致性約束的柵格占據預測方法。
在智能駕駛中，柵格占據預測旨在表征空間中的對象分布，以指導路徑選擇。最直接的表征方法是將立體空間劃分為無數個堆疊的占據體素(voxel)，但龐大的計算量導致難以在實車中部署。鳥瞰視角(Bird eyes view, BEV)的表征方式，將空間投影于單個水平面，可以大幅減少計算與存儲壓力，但由于缺失了細粒度的結構信息，在開放場景中對象的形狀或外觀不明確時，往往會出現錯誤估計障礙物的情況。TPVFormer基于傳統三視圖的占據預測方法，在BEV基礎上將表征平面擴展至三個，可客觀精細的表征三維環境，但該方法忽略了自車與表征平面的相對關系，導致場景中的視角重疊障礙物間難以分辨。
為解決上述問題，在TPVFormer基礎上，團隊提出了一種以自車為中心的環視視角的占據預測表征方法CVFormer。以汽車全景環視多視圖為輸入，建立環繞車輛的二維正交視角來表征三維場景，有效實現細粒度三維場景表征，并克服車體周身障礙物的視角遮擋問題。具體地，提出了環視視圖交叉注意力模塊構建二維環視特征，設計時序多重注意力模塊加強幀間關系的利用，并通過設計2D與3D類別一致性約束，增強網絡對場景的學習性能。本方法在駕駛場景占據預測權威評測數據nuScenes數據集上進行驗證，在預測精度上明顯優于現有算法，達到了43.09%的mIoU性能指標，相比基線算法(TPVFormer)提高了102.3%，并將計算復雜度由O(n3)降低至O(n)，展現了較強的可部署性，在路特斯下一代量產車型智能駕駛感知系統上完成了測試驗證。
柵格占據預測CVFormer在nuScenes數據集上達到最優性能
本研究成果得到了科技部科技創新2030、國家自然科學基金、中國科學院青促會、上海市優秀學術帶頭人等項目支持。上海微系統所仿生視覺系統實驗室研究生白正奇、副研究員石文君為論文共同一作，李嘉茂研究員為通訊作者。
BEE-Net：基于門控編碼和邊緣約束加強語義與實例關聯的高效全景分割
全景分割是理解場景中背景與對象個體的語義的基礎感知問題，是融合了語義分割與實例分割的綜合方法。其中，語義分割關注將圖像中的區域分割為不同的類別，而不區分不同的物體實例；實例分割則側重對每個實例對象進行獨立的分割。全景分割往往基于語義分割與實例分割的融合實現，既區分場景語義，又需要明確物體實例。全景分割方法在語義-實例分割任務融合中，往往由于二者預測結果間的矛盾，導致難以分辨合理的預測結果。
為解決這一問題，團隊設計了基于門控編碼和邊緣約束的端到端全景分割模型BEE-Net。該模型基于全局雙向信息交互以及多角度邊緣優化，有效地緩解了全景分割中的語義-實例預測矛盾問題與邊緣分割挑戰。具體地，針對語義與實例分割特征感知融合，設計了輕量級門控編碼模塊進行多尺度全局特征信息交互，并通過語義-實例-全景三重邊緣優化算法對邊緣分割質量進行針對性優化，保持高效的同時，顯著提升了場景分割性能。本方法在駕駛場景分割權威數據集CityScapes上完成了驗證，取得了65.0%的PQ精度指標，在精度上超越了現有基于CNN的全景分割模型，同時在效率上優于所有基于Transformer的全景分割模型。本方法兼顧了分割精度與效率的性能需求，在路特斯下一代量產車型智能駕駛感知系統上完成了測試驗證。
在CityScapes數據集上BEE-Net達到
基于CNN的全景分割模型最優性能
本研究成果得到了科技部科技創新2030、上海市啟明星揚帆計劃、中國科學院青促會、上海市優秀學術帶頭人等項目支持。上海微系統所仿生視覺系統實驗室研究生黃心陽、副研究員張廣慧為論文共同一作，李嘉茂研究員為通訊作者。
所有評論僅代表網友意見，與本站立場無關。