从物理世界重新思考 3D 物体检测
机器人学
2025-07-02 v1 计算机视觉与模式识别
摘要
高精度低延迟的 3D 物体检测是自动驾驶系统的关键需求。虽然先前研究在 3D 物体检测上往往基于平均精度（mAP）和延迟指标评估性能，但通常未能解决速度与精度之间的权衡，如 100 毫秒时达到 60.0 mAP 与 500 毫秒时达到 61.0 mAP 的对比。尽管硬件设备与加速器之间的差异对实际时序应用至关重要，但此类差异的量化评估仍未被探讨。此外，现有研究忽视了对碰撞规避在运动规划中的影响，例如 60.0 mAP 可能带来更安全的运动规划，而 61.0 mAP 可能导致高风险运动规划。本文引入感知延迟的平均精度（L-AP）与规划感知的平均精度（P-AP）作为新的评估指标，这些指标考虑了时间概念及物理约束，为实时 3D 物体检测提供更全面的评估框架。我们在 nuPlan 数据集上展示了这些指标的有效性，并评估了在不同硬件环境下的 3D 物体检测模型。我们还通过感知延迟超参数优化（L-HPO）开发了面向实时 3D 物体检测的前沿性能模型。此外，本文定量证明了“点云越多，识别性能越好的假设”在实时应用中并不成立，并根据我们的指标优化硬件与模型选择。
引用
@article{arxiv.2507.00190,
title = {Rethink 3D Object Detection from Physical World},
author = {Satoshi Tanaka and Koji Minoda and Fumiya Watanabe and Takamasa Horibe},
journal= {arXiv preprint arXiv:2507.00190},
year = {2025}
}
备注
15 pages, 10 figures