【端到端】CVPR 2023最佳论文：UniAD解读
作者：知乎@一根呆毛授权发布
传统的端到端网络是用多个小model串起来，但这会有误差累积的问题，因此我们提出了UniAD，一个综合框架，把所有任务整合到一个网络。整一个网络都是为planner而进行设计的。
Introduction
a传统方案：单独部署各个小model
b共享同一个backbone，但是分了多个不同的head
c.1. 直接一步到位从2D图到planner。但明显可解释性比较差，且安全缺乏保证。
c.2. 串联的形式，但以往的做法都没有完整地从头预测到planner，都只做了整条pipeline里的部分模块。
c.3. 一共使用了5个模块来处理所有的任务，真正的端到端，不是直接串联的形式。
把所有模块搭建起来的核心是使用了query的形式，而所有模块都采用了transformer的model。query的形式拥有更广阔的视野，可以对各种物体进行query，也因此能减少累积的误差。
Methodology
使用BEVFormer进行多相机的特征提取，投影查询建立鸟瞰图每个体素的特征，方便之后的模块拿到环境信息。TrackFormer负责从BEV中提取出agent的检测结果（同时也是track结果），得到的query其实也包含了一部分历史信息。MapFormer则是进行了地图的语义分割。MotionFormer负责建立agent和map之间的交互，得到joint的预测，同时也会处理ego和agent之间的交互给后续使用。OccFormer则使用BEV为query，motion为KV，进行每个时刻的占用网格预测。最后Planner使用之前的ego和agent交互的特征和来得到轨迹，以及用占用网格来使轨迹避免碰撞。
Perception
感知部分包含了tracking（agent的检测与跟踪）和mapping（map元素的特征提取）。
TrackFormer
使用DETR的做法，K和V都是BEV的结果，一开始query是固定给的embedding，然后输出detection结果，这些检测结果作为下一个时刻的query，用于tracking上一帧检测出来的物体，同时还会有新的空query（和最开始的一样）加入，用于检测新出现的物体。这样输出的结果就是每个agent的feature
Q
A
Q_A
QA
。在此基础上，还会有一个新的query来负责ego，这个query会在planning中使用。
MapFormer
使用Panoptic SegFormer的做法，只是变成了3D版。以此来进行BEV每个稀疏像素的分割。包含了lane, divider, crossing, drivable area. 最后输出的是稀疏的地图像素feature
Q
M
Q_M
QM。
Prediction
预测部分包含了motion预测和occupancy预测。
MotionFormer
MotionFormer使用感知部分得到的 Q A Q_A QA 和 Q M Q_M QM 信息作为K和V，预测k个mode的行为，都是scene-centric的（不是在agent坐标系下融合的）。这样可以一口气出结果，避免了转坐标系的计算。同时trackFormer的ego query也会放进来进行ego和agent间的交互。
先来看对于每个agent而言的motion query是怎么定义的。
首先是query position Q p o s Q_{pos} Qpos . 一共有4项，
Q p o s = MLP ( PE ( I s ) ) + MLP ( PE ( I a ) ) + MLP ( PE ( x ^ 0 ) ) + MLP ( PE ( x ^ T l − 1 ) ) \begin{aligned}Q_{\mathrm{pos}} & =\operatorname{MLP}\left(\operatorname{PE}\left(I^s\right)\right)+\operatorname{MLP}\left(\operatorname{PE}\left(I^a\right)\right) \\& +\operatorname{MLP}\left(\operatorname{PE}\left(\hat{\mathbf{x}}_0\right)\right)+\operatorname{MLP}\left(\operatorname{PE}\left(\hat{\mathbf{x}}_T^{l-1}\right)\right)\end{aligned} Qpos=MLP(PE(Is))+MLP(PE(Ia))+MLP(PE(x^0))+MLP(PE(x^Tl−1))
I
S
I^S
IS 是scene-level的anchor position。这个是全局坐标系中的ego的anchor轨迹（多mode）。
I
a
I^a
Ia 是agent-level的anchor position。这个是agent坐标系中的anchor轨迹（多mode）。
以上两个anchor都是从数据gt中用k-means获得的。
x
^
0
\hat{x}_0
x^0 是agent的当前位置。
x
^
T
l
−
1
\hat{x}_T^{l-1}
x^Tl−1 代表上一个transformer结构得到的预测 goal points（会有多层transformer结构进行不断微调预测轨迹) 。而一开始的这项则使用
I
S
I^S
IS 的goal points。
以上feature都经过positional embedding和MLP后再加起来一起作为一个agent的query。
后面还会讲到query context是怎么算的，这个 Q p o s Q_{pos} Qpos 和 Q c t x Q_{ctx} Qctx 共同组成多重交互的query Q。
然后来看多重交互的框架。
整个交互模块由多个transformer组成，分为3种交互融合：agent和agent之间，agent和map之间，agent和goal之间。进行多次这样的模块，以实现先粗后细地不断调整轨迹到准确的轨迹。
对于agent间，agent和map的交互，都采用多头cross-attention。其中Q采用的是上面提到的再经过self attention. K和V则是 Q A Q_A QA或 Q M Q_M QM.
Q a / m = MHCA ( MHSA ( Q ) , Q A / Q M ) Q_{a / m}=\operatorname{MHCA}\left(\operatorname{MHSA}(Q), Q_A / Q_M\right) Qa/m=MHCA(MHSA(Q),QA/QM)
agent和goal之间的话，目标时学出朝着目标goal前进的能力。用deformable attention来处理，Q是上文提到的, K是上一个模块预测出的轨迹的最后一个点，V是整个BEV的feature。朝目标前进时需要看的V的feature一般不会只停留在固定的某个点上（只看goal那就不知道路上会不会有别的阻碍了），需要让它能动态学出到底取哪个位置的feature效果更好。
Q g = DeformAttn ( Q , x ^ T l − 1 , B ) Q_g=\operatorname{DeformAttn}\left(Q, \hat{\mathbf{x}}_T^{l-1}, B\right) Qg=DeformAttn(Q,x^Tl−1,B)
以上3个attention模块是并行的，最后得到
Q
a
Q_a
Qa,
Q
m
Q_m
Qm
Q
g
Q_g
Qg.
。将它们concat在一起后经过MLP得到一个query context
Q
c
t
x
Q_{ctx}
Qctx
. 这个东西会传递到下一个transformer模块里，或者说在最后一个模块后加上decoder得到最后的轨迹。
由于用于监督的gt本身可能存在noise（因为所谓的gt也是用感知model得到的，自然会有noise），因此还加上了Non-linear Optimization来让gt变得更平滑，这样拿来监督的话就会更符合现实。
定义优化轨迹的cost function：被smooth的轨迹和gt之间，需要有3项限制，轨迹之间点点的距离，轨迹的goal之间的距离，以及smooth的轨迹本身的物理量之间的运动学关系。希望这个函数最小。
c ( x , x ~ ) = λ x y ∥ x , x ~ ∥ 2 + λ goal ∥ x T , x ~ T ∥ 2 + ∑ ϕ ∈ Φ ϕ ( x ) c(\mathbf{x}, \tilde{\mathbf{x}})=\lambda_{\mathrm{xy}}\|\mathbf{x}, \tilde{\mathbf{x}}\|_2+\lambda_{\text {goal }}\left\|\mathbf{x}_T, \tilde{\mathbf{x}}_T\right\|_2+\sum_{\phi \in \Phi} \phi(\mathbf{x}) c(x,x~)=λxy∥x,x~∥2+λgoal ∥xT,x~T∥2+ϕ∈Φ∑ϕ(x)
而被优化出来的轨迹就是能让上面这个函数最小的轨迹，其中优化过程中采用了multiple-shooting的方法，应该是分段进行优化，而不是一口气把所有点都优化了。
x ~ ∗ = arg min x c ( x , x ~ ) \tilde{\mathbf{x}}^*=\arg \min _{\mathbf{x}} c(\mathbf{x}, \tilde{\mathbf{x}}) x~∗=argxminc(x,x~)
OccFormer
occupancy grid map是一个离散的BEV，但是一个表示未来是否被占用的BEV。之前的做法使用RNN结构来建模。但这样依赖于手工处理每个agent的未来占用，因为在压缩整个BEV的特征时，里面有很多和agent无关的信息，因此很难预测agent的行为。因此提出了OccFormer，来兼顾scene和agent的feature。对于scene而言，在预测未来的时刻的信息时，需要agent的feature来进行attention，使用矩阵相乘的方法来融合agent的feature和scene的feature，这么做不需要太多的后处理。
OccFormer一共有 T o T_o To 个连续的block形成RNN的结构， T o T_o To 代表的是预测的时刻，一般来说比 motion任务的丁更小。每个block的输入是agent的feature G t G^t Gt 和上一个block的state F t − 1 F^{t-1} Ft−1 ，输出是 F t F^t Ft ，包含了t时刻的instance和scene的信息. 从MotionFormer的结果里在模态维度进行 max-pool得到agent的motion预测query Q X ∈ R N a × D Q_X \in R^{N_a \times D} QX∈RNa×D ，同时还有上游的track query Q A Q_A QA ，以及当前位置的position embedding + P A { }^{+} P_A +PA ，一起concat后用MLP处理得到每个时刻的agent feature G t G^t Gt.
G t = MLP t ( [ Q A , P A , Q X ] ) , t = 1 , … , T o G^t=\operatorname{MLP}_t\left(\left[Q_A, P_A, Q_X\right]\right), t=1, \ldots, T_o Gt=MLPt([QA,PA,QX]),t=1,…,To
而对于场景信息，使用BEV特征B，作为初始的state F 0 F^0 F0, 实际使用时先下采样到1/4（为了运算快）输入，输出前再上采样，以此来节省算力。
Pixel-agent interaction
Instance feature G t G^t Gt 作为K和V，而下采样的 F t F^t Ft（写为 F d s t F_{ds}^t Fdst）经过一次self-attnetion作为Q，然后进行cross-attention，以此来不断获得每个时刻的BEV的占用。这个cross-attention会使用mask，这个mask时确保了每个像素只能看到占据这个像素的物体所占据的所有像素（考虑其他物体的像素并没有太大意义，因为一个像素不可能被两个物体霸占）。
D d s t = MHCA ( MHSA ( F d s t ) , G t , attn mask = O m t ) D_{\mathrm{ds}}^t=\operatorname{MHCA}\left(\operatorname{MHSA}\left(F_{\mathrm{ds}}^t\right), G^t, \text { attn mask }=O_m^t\right) Ddst=MHCA(MHSA(Fdst),Gt, attn mask =Omt)
Instance-level occupancy
对于agent level的占用，是需要判断每一个agent的占用情况。使用一个decode网络，提取出一个scene-level的BEV占用 F d e c t ∈ R C × H × W F_{d e c}^t \in R^{C \times H \times W} Fdect∈RC×H×W. 然后用之前的mask输出过一个MLP得到的 U t ∈ R N a × C U^t \in R^{N_a \times C} Ut∈RNa×C 和这个占用进行矩阵相乘，以提取出每个agent的占用。
O ^ A t = U t ⋅ F d e c t \hat{O}_A^t=U^t \cdot F_{\mathrm{dec}}^t O^At=Ut⋅Fdect
Planning
此paper不使用高精地图以及route，而是使用导航的信号 (比如左转，右转，前进)。把这些信号embed进learnable embeddings。由于在MotionFormer中已经有了ego的多mode的输出 Q c t x e g o Q_{c t x}^{e g o} Qctxego ，并且trackFormer里也提取出了ego的的feature Q A ego Q_A^{\text {ego }} QAego ，于是可以把他们三者组合在一起，成为plan query。以此query可以在BEV feature里取周遭的特征，然后decode为未来的 waypoints τ ^ \hat{\tau} τ^.
而为了避免碰撞，则是采用了优化控制的办法，使用了Newton法来找出能使碰撞函数最小的轨迹。它的输入是规划的轨迹 τ ^ \hat{\tau} τ^ ，新的轨迹 τ \tau τ ，以及占用网格 O ^ \hat{O} O^.
τ ∗ = arg min f ( τ , τ ^ , O ^ ) \tau^*=\arg \min f(\tau, \hat{\tau}, \hat{O}) τ∗=argminf(τ,τ^,O^)
而对cost函数的定义如下
f ( τ , τ ^ , O ^ ) = λ coord ∥ τ , τ ^ ∥ 2 + λ obs ∑ t D ( τ t , O ^ t ) D ( τ t , O ^ t ) = ∑ ( x , y ) ∈ S 1 σ 2 π exp ( − ∥ τ t − ( x , y ) ∥ 2 2 2 σ 2 ) \begin{gathered}f(\tau, \hat{\tau}, \hat{O})=\lambda_{\text {coord }}\|\tau, \hat{\tau}\|_2+\lambda_{\text {obs }} \sum_t \mathcal{D}\left(\tau_t, \hat{O}^t\right) \\\mathcal{D}\left(\tau_t, \hat{O}^t\right)=\sum_{(x, y) \in \mathcal{S}} \frac{1}{\sigma \sqrt{2 \pi}} \exp \left(-\frac{\left\|\tau_t-(x, y)\right\|_2^2}{2\sigma^2}\right)\end{gathered} f(τ,τ^,O^)=λcoord ∥τ,τ^∥2+λobs t∑D(τt,O^t)D(τt,O^t)=(x,y)∈S∑σ2π1exp(−2σ2∥τt−(x,y)∥22)
这个cost函数的目标是和规划的轨迹尽可能接近，同时碰撞尽可能少。cost函数里的碰撞loss则是在对应时刻选择网格内和轨迹点距离小于一定阈值的，且被占用的网格，去计算这些网格和这个轨迹点之间的差异之和（采用高斯分布来算，应该能起到一定的平滑效果）。
Learning
训练过程是两阶段的，第一阶段训练感知部分，训练几个epoch后，再把所有模块一起训练，这样会更加stable
🏎️自动驾驶小白说官网：https://www.helloxiaobai.cn
原文地址：https://blog.csdn.net/2403_86993842/article/details/142904592
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！