3D雷达目标检测SOTA技术解析：从PointPillars到CenterPoint的演进与实战

1次阅读

没有评论

共计 1626 个字符，预计需要花费 5 分钟才能阅读完成。

3D 雷达目标检测是自动驾驶和机器人感知的核心任务之一。与 2D 图像不同，雷达点云直接提供了三维空间中的距离信息，这对于避障、路径规划等任务至关重要。然而，点云数据天然具有稀疏性、不规则性和噪声问题，这给目标检测带来了巨大挑战。

稀疏性挑战 ：远距离物体可能只有少量点云，容易漏检
实时性要求 ：自动驾驶系统通常要求检测延迟低于 100ms
多目标处理 ：复杂场景中存在大量重叠和遮挡目标
部署难度 ：模型需要在车载计算单元上高效运行

当前主流的 3D 目标检测算法主要分为基于体素化和基于点的方法。以下是三种 SOTA 算法的对比：

PointPillars
优点：推理速度快，部署简单
缺点：对小物体检测精度较低
适用场景：实时性要求高的车载系统
SECOND
优点：检测精度较高
缺点：计算复杂度较高
适用场景：对精度要求较高的应用
CenterPoint
优点：速度和精度平衡，支持多任务学习
缺点：训练复杂度较高
适用场景：通用自动驾驶场景

CenterPoint 的核心创新在于将 3D 目标检测简化为关键点检测问题。其网络架构主要包含以下模块：

体素化预处理
将无序点云转换为规则 3D 网格
每个体素内进行特征聚合
3D 骨干网络
基于稀疏卷积的 U -Net 结构
提取多层次特征
中心点预测
热图预测目标中心点
回归目标尺寸、方向等属性
后处理
非极大值抑制 (NMS)
结果融合与过滤

以下是 PyTorch 实现的体素化模块核心代码：

import torch
from torch import nn

class Voxelization(nn.Module):
    """
    点云体素化模块
    输入: 点云 (N, 3+C)
    输出: 体素特征 (B, C, H, W, D)
    """
    def __init__(self, voxel_size, point_cloud_range):
        super().__init__()
        self.voxel_size = voxel_size
        self.pc_range = point_cloud_range

    def forward(self, points):
        # 计算每个点所在的体素坐标
        voxel_coords = ((points[:, :3] - self.pc_range[:3]) / 
                        self.voxel_size).long()

        # 计算每个体素内的点特征均值
        unique_voxels, inverse_indices = torch.unique(voxel_coords, dim=0, return_inverse=True)

        # 聚合特征
        voxel_features = []
        for i in range(len(unique_voxels)):
            mask = (inverse_indices == i)
            voxel_features.append(points[mask, 3:].mean(0))

        return torch.stack(voxel_features), unique_voxels

在 nuScenes 数据集上的评测结果：