- …
- …
#27
summarized by : Naoya Chiba
どんな論文か？
自動運転車を想定し，Implicitに複数のカメラを一つのBEVに統合する手法（Lift, Splat, Shoot）を提案．各カメラ画像を錐台にLiftしてからBEV上にSplat，軌跡の候補をShootすることで軌跡候補に対応するコストを推定し，モーションプランニングまで行う．画像はEfficientNets，BEV表現はPointPillarsのネットワークを用いる．
新規性
各カメラ画像のピクセルに対応する光線を考え，Depth方向にたいして曖昧さを許す形で各点の三次元座標を推定する．各カメラ画像に対応する錐台での点群を統合してBEVにする．さらにBEV上での軌跡候補点を規定しておき，これらの点でのコストをサンプリングして集約することでNeural Motion Plannerの発想で軌道計画までEnd-to-Endで学習できる．
結果
nuScenesとLyft Level 5データセットで学習・評価．集約部分の高速化のためOFTで導入されたcumsum trickを用いた．セグメンテーション結果は既存手法よりも良好で，カメラの欠損を用いた学習・評価で容易にロバスト化できることも示した．ただしLiDAR点群を用いる手法（PointPillars）とは異なりカメラ画像のみを用いるため，夜間の性能が有意に低下した．
その他（なぜ通ったか？等）
Volumetricな表現をImplicitな表現で置き換えるという最近の動向を自動運転/BEVの文脈にうまく応用した．
- …
- …