一次训练多端部署：面向自动驾驶的基于极坐标系的自适应 BEV 感知
计算机视觉与模式识别
2023-04-04 v1 机器人学
摘要
当前车载芯片通常具有不同的算力，这意味着需经多次训练过程才能将同一基于学习的算法适配到不同芯片，耗费巨大计算资源。对于具有大模型的 3D 感知方法，情况更甚。以往的以视觉为中心的 3D 感知方法以固定分辨率的正则网格表示特征图进行训练，无法适用于适配其他网格尺度，限制了更广泛的部署。本文中，我们在由图像构建 BEV 特征图时利用极坐标（Polar）表示，以实现一次训练多端部署的目标。具体而言，极空间沿射线方向的特征可轻易自适应采样并投影到任意分辨率的笛卡尔空间特征中。为进一步提升适配能力，我们使多尺度上下文信息相互交互以增强特征表示。在大规模自动驾驶数据集上的实验表明，我们的方法凭借一次训练多端部署的良好特性优于其他方法。
引用
@article{arxiv.2304.00525,
title = {One Training for Multiple Deployments: Polar-based Adaptive BEV Perception for Autonomous Driving},
author = {Huitong Yang and Xuyang Bai and Xinge Zhu and Yuexin Ma},
journal= {arXiv preprint arXiv:2304.00525},
year = {2023}
}
备注
8 pages,4 figures. Accepted by IEEE International Conference on Robotics and Automation (ICRA)