RQR3D：用于基于鸟瞰图的 3D 目标检测的回归目标再参数化

准确、快速且可靠的 3D 感知是自动驾驶的必备能力。最近，基于鸟瞰图 (BEV) 的感知方法已涌现作为透视方法的优越替代方案，提供增强的空间理解和更自然的规划输出。现有的 BEV 基于 3D 目标检测方法通常使用角度表示，直接估计旋转包围盒的大小和姿态。我们注意到，BEV 基于 3D 目标检测类似于航空 oriented 目标检测，其中基于角度的方法在损失函数中可能存在不连续性。借鉴此领域的思路，我们提出了受限四边形表示 (Restricted Quadrilateral Representation) 来定义 3D 回归目标。RQR3D 回归包围旋转框的最小水平包围盒，以及这些两个框的角点之间的偏移量，从而将 oriented 目标检测问题转化为关键点回归任务。我们在基于无锚框的单阶段目标检测方法中采用 RQR3D，实现了最先进的性能。我们展示了该架构与不同目标检测方法的兼容性。此外，我们引入了一个简化的雷达融合主干网络，该网络对雷达特征应用标准 2D 卷积。该主干网络利用数据固有的 2D 结构进行高效且几何一致的处理，无需体素分组和稀疏卷积。广泛的在 nuScenes 数据集上的评估表明，RQR3D 尽管采用轻量级设计，即可在相机-雷达 3D 目标检测中实现最先进性能，分别达到 67.5 个 NDS 和 59.7 个 mAP，显著降低了平移和姿态误差，这些误差对于安全的自动驾驶至关重要。