TBP-Former：学习用于视觉中心自动驾驶的时序鸟瞰图金字塔联合感知与预测

以视觉为中心的联合感知与预测（PnP）已成为自动驾驶研究中的新兴趋势。该方法从原始RGB图像中预测周围环境中交通参与者未来的状态。然而，由于不可避免的几何畸变，多视角和多时间戳获取的特征同步仍然是一个关键挑战，进一步利用这些时空特征也颇具难度。为了解决这一问题，我们提出了一种用于以视觉为中心的PnP的时间鸟瞰图金字塔变换器（TBP-Former），其中包括两项创新设计。首先，提出了一种姿态同步的鸟瞰图编码器，可以将任何时间点、任何相机姿态下的原始图像输入映射到共享且同步的鸟瞰图空间，从而实现更好的时空同步。其次，引入了一种时空金字塔变换器，全面提取多尺度鸟瞰图特征，并在时空先验的支持下预测未来的鸟瞰图状态。在nuScenes数据集上的大量实验表明，我们提出的框架总体上优于所有现有的基于视觉的预测方法。