ST-P3：端到端时空特征学习的自动驾驶视觉方法

arXiv论文“ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning“，22年7月，作者来自上海交大、上海AI实验室、加州圣地亚哥分校和京东公司的北京研究院。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

提出一种时空特征学习方案，可以同时为感知、预测和规划任务提供一组更具代表性的特征，称为ST-P3。具体而言，提出一种以自车为中心对齐（egocentric-aligned）的累积技术，在感知BEV转换之前保留3-D空间中的几何信息；作者设计一种双路（dual pathway ）模型，将过去的运动变化考虑在内，用于未来的预测；引入一个基于时域的细化单元，补偿为规划的基于视觉元素识别。源代码、模型和协议详细信息开源https://github.com/OpenPerceptionX/ST-P3.

开创性的LSS方法从多视图摄像机中提取透视特征，通过深度估计将其提升到3D，并融合到BEV空间。两个视图之间的特征转换，其潜深度预测至关重要。

将二维平面信息提升到三维需要附加维度，即适合三维几何自主驾驶任务的深度。为了进一步改进特征表示，自然要将时域信息合并到框架中，因为大多数场景的任务是视频源。

如图描述ST- P3总体框架：具体来说，给定一组周围的摄像机视频，将其输入主干生成初步的前视图特征。执行辅助深度估计将2D特征转换到3D空间。以自车为中心对齐累积方案，首先将过去的特征对齐到当前视图坐标系。然后在三维空间中聚合当前和过去的特征，在转换到BEV表示之前保留几何信息。除了常用的预测时域模型外，通过构建第二条路径来解释过去的运动变化，性能得到进一步提升。这种双路径建模确保了更强的特征表示，推断未来的语义结果。为了实现轨迹规划的最终目标，整合网络早期的特征先验知识。设计了一个细化模块，在不存在高清地图的情况下，借助高级命令生成最终轨迹。

如图是感知的以自我为中心对齐累计方法。（a） 利用深度估计将当前时间戳处的特征提升到3D，并在对齐后合并到BEV特征；（b-c）将先前帧的3D特征与当前帧视图对齐，并与所有过去和当前状态融合，从而增强特征表示。

如图是用于预测的双路模型：（i） 潜码是来自特征图的分布；（ii iii）路a结合了不确定性分布，指示未来的多模态，而路b从过去的变化中学习，有助于路a的信息进行补偿。

英特尔AI工具

英特尔AI与机器学习解决方案

70

查看详情

作为最终目标，需要规划一条安全舒适的轨迹，到达目标点。这个运动规划器对一组不同的轨迹进行采样，并选择一个最小化学习成本函数的轨迹。然而，通过一个时域模型来整合目标（target）点和交通灯的信息，加上额外的优化步骤。

如图是为规划的先验知识集成和细化：总体成本图包括两个子成本。使用前视特征进一步重新定义最小成本轨迹，从摄像机输入中聚合基于视觉的信息。

惩罚具有较大横向加速度、急动或曲率的轨迹。希望这条轨迹能够有效地到达目的地，因此向前推进的轨迹将奖励。然而，上述成本项不包含通常由路线地图提供的目标（target）信息。采用高级命令，包括前进、左转和右转，并且只根据相应的命令评估轨迹。

此外，交通信号灯对SDV至关重要，通过GRU网络优化轨迹。用编码器模块的前摄像头特征初始化隐藏状态，并用成本项的每个采样点作为输入。

实验结果如下：

以上就是ST-P3：端到端时空特征学习的自动驾驶视觉方法的详细内容，更多请关注php中文网其它相关文章！