CenterPoint自动驾驶：3D目标检测核心原理与工程实践

1次阅读

共计 1981 个字符，预计需要花费 5 分钟才能阅读完成。

传统 3D 目标检测方法如 PointPillars 在复杂场景下存在显著缺陷：

漏检问题：对遮挡物体和小尺度目标（如行人、摩托车）检测能力弱，尤其在 30 米外距离时召回率骤降
误检问题 ：基于锚框(anchor-based) 的设计在稠密场景中会产生大量冗余框，后处理 NMS 计算开销大
速度瓶颈 ：PointPillars 的柱状(Pillar) 特征提取方式导致长尾分布场景下内存访问效率低下

方法	mAP@0.5	推理速度(FPS)	显存占用(GB)
VoxelNet	0.63	12	3.2
SECOND	0.68	20	2.8
PointPillars	0.71	25	2.1
CenterPoint	0.75	18	2.5

注：测试环境为 RTX 3090，输入点云范围[-54m,54m]×[-54m,54m]×[-5m,3m]

# 体素网格划分（voxel_size=0.1m）def voxelize(points, voxel_size, point_cloud_range):
    # points: [N, 3+C] 包含 xyz 和反射率等特征
    coords = ((points[:, :3] - point_cloud_range[:3]) / voxel_size).int()

    # 计算每个点所属体素的唯一哈希值
    voxel_coords = coords[:, 0] + coords[:, 1] * 1000 + coords[:, 2] * 1000000

    # 使用 scatter_max 聚合体素内特征（公式：v_f = max(p_f1, p_f2,...p_fn)）unique_coords, inverse_indices = torch.unique(voxel_coords, return_inverse=True)
    voxel_features = scatter_max(points[:, 3:], inverse_indices, dim=0)[0]

    return voxel_features, unique_coords

CenterPoint 采用类高斯分布生成目标热图，关键步骤如下：

将 3D 边界框投影到 BEV 平面，计算中心点坐标(x,y)
根据目标尺寸动态调整高斯核半径：σ = (l+w)/6

热图值计算：

heatmap[y,x] = exp(-((x-x0)²+(y-y0)²)/(2σ²+ε))

对重叠区域取最大值而非平均值，避免目标中心被稀释

层融合：将 Conv+BN+ReLU 合并为单个 CBR 层，减少内核启动开销
FP16 量化：对检测头中的回归分支保持 FP32 精度，分类分支使用 FP16
动态形状优化 ：使用opt_shape_param 设置典型点云数量（如 30000 点）

# 基于通道重要性的剪枝（L1-norm 准则）def prune_model(model, pruning_rate=0.3):
    for name, module in model.named_modules():
        if isinstance(module, nn.Conv2d):
            weight = module.weight.data
            importance = weight.abs().mean(dim=(1,2,3))

            # 保留重要通道
            threshold = torch.quantile(importance, pruning_rate)
            mask = importance.gt(threshold).float().to(weight.device)

            # 应用掩码
            module.weight.data *= mask.view(-1,1,1,1)
            if module.bias is not None:
                module.bias.data *= mask