PETRv2：一种基于多相机图像的3D感知统一框架

在本文中，我们提出 PETRv2，一种基于多视角图像的3D感知统一框架。基于 PETR，PETRv2 探索了时序建模的有效性，利用先前帧的时序信息来提升3D目标检测。更具体地，我们扩展了 PETR 中的3D位置嵌入（3D PE）以用于时序建模。该3D PE 实现了不同帧在目标位置上的时序对齐。进一步引入了特征引导的位置编码器以提升3D PE的数据适应性。为支持多任务学习（如 BEV 分割和3D车道检测），PETRv2 通过引入在不同空间下初始化的任务特定查询，提供了一种简单而有效的解决方案。PETRv2 在3D目标检测、BEV 分割和3D车道检测上取得了最先进的性能。我们还对 PETR 框架进行了详细的鲁棒性分析。我们希望 PETRv2 能够作为3D感知的强基线。代码已发布于 \url{https://github.com/megvii-research/PETR}。