PolarFormer：基于极坐标变换器的多相机3D目标检测

在自动驾驶领域，3D目标检测旨在推理场景中目标的“是什么”（what）以及“在哪里”（where），即在三维空间中定位并识别感兴趣的物体。受传统2D目标检测范式的影响，现有方法通常采用标准的笛卡尔坐标系（Cartesian coordinate system），其坐标轴相互垂直。然而，我们认为这种坐标系统并不契合车辆自身视角的本质特性——因为车载摄像头所感知的环境具有楔形（wedge-shaped）的空间结构，这是由成像几何特性决定的，其坐标轴呈径向分布（非正交）。因此，本文主张采用极坐标系（Polar coordinate system），并提出一种新型的极坐标变换器模型——PolarFormer，用于仅以多摄像头2D图像为输入，在鸟瞰图（Bird's-Eye-View, BEV）空间中实现更精确的3D目标检测。具体而言，我们设计了一种基于交叉注意力机制的极坐标检测头（Polar detection head），该结构不受输入网格形状的限制，能够有效处理不规则的极坐标网格。针对极坐标系中沿径向距离维度上物体尺度变化无约束的问题，我们进一步引入了一种多尺度极坐标表示学习策略，以增强模型对尺度多样性的适应能力。最终，我们的模型能够通过序列到序列（sequence-to-sequence）的方式，有选择性地关注对应图像观测，充分利用极坐标表示的几何约束，实现高效且精准的特征融合与推理。在nuScenes数据集上的大量实验表明，所提出的PolarFormer在3D目标检测性能上显著优于当前最先进的方法，充分验证了极坐标建模在自动驾驶感知任务中的有效性与优越性。