Simple-BEV: Was wirklich für die mehrsensorische BEV-Wahrnehmung zählt?

Die Entwicklung von 3D-Wahrnehmungssystemen für autonome Fahrzeuge, die nicht auf hochdichte LiDAR-Systeme angewiesen sind, stellt ein wichtiges Forschungsproblem dar, da LiDAR-Systeme im Vergleich zu Kameras und anderen Sensoren erheblich teurer sind. Neueste Forschungen haben eine Vielzahl von rein kamera-basierten Methoden entwickelt, bei denen Merkmale differenzierbar aus den Mehrkamerasystemen auf die 2D-Ebene des Bodens "projiziert" werden, um eine "Vogelperspektive" (BEV) Darstellung des 3D-Raums um das Fahrzeug zu erzeugen. Diese Forschungsrichtung hat bereits eine Reihe neuer "Projektions"-Methoden hervorgebracht, jedoch beobachten wir, dass andere Details in den Trainingssetups gleichzeitig verändert wurden, was es schwierig macht zu eruieren, welche Faktoren in den besten Methoden tatsächlich entscheidend sind. Zudem stellen wir fest, dass die alleinige Verwendung von Kameras keine realistische Einschränkung darstellt, wenn man bedenkt, dass zusätzliche Sensoren wie Radar seit Jahren in realen Fahrzeugen integriert werden.In dieser Arbeit versuchen wir zunächst die wesentlichen Faktoren im Design und Trainingsprotokoll von BEV-Wahrnehmungsmodellen zu klären. Wir stellen fest, dass die Batch-Größe und die Eingabeauflösung die Leistung stark beeinflussen, während Projektionsstrategien einen eher bescheidenen Einfluss haben – sogar ein einfacher parameterfreier Projektor funktioniert gut. Zweitens zeigen wir, dass Radar-Daten eine erhebliche Verbesserung der Leistung bringen können und dabei helfen, die Lücke zwischen rein kamera-basierten und LiDAR-gestützten Systemen zu schließen. Wir analysieren die Details der Radarnutzung, die zu guten Ergebnissen führen, und fordern die Gemeinschaft auf, diesen oft vernachlässigten Teil der Sensorplattform neu zu bewerten.