V2X-ViT：基于Vision Transformer的V2X协同感知

论文标题：V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision Transformer
发表期刊/会议：ECCV 2022
开源代码：https://github.com/DerrickXuNu/v2x-vit
数据集：V2XSet (https://drive.google.com/drive/folders/1r5sPiBEvo8Xby-nMaWUTnJIPK6WhY1B6)

任务：基于LiDAR的3D目标检测
挑战：V2V协同感知忽略了路边智能设施，安装在高处的路边设施具有更广泛的视线，能减少遮挡；V2X协同感知将路边智能设施加入来提高车辆的感知精度，但也面临一些挑战：
1.路边设施和无人车的传感器配置存在很大差异（类型、噪音水平、安装高度，传感器属性和模式），这些异构性使得V2X感知系统的设计具有挑战性。
2.GPS定位误差以及 agent之间传输信息延迟会导致坐标转换不准确和感知信息滞后，将严重影响系统的感知精度。

3 V2X协同感知系统

假设V2X场景中一辆无人车为ego车辆 (接收车辆)：
1）元数据共享：每个 agent 通过无线通信互相分享元数据，如pose、外在特征和 agent 类型（路边设施或车辆）。这里元数据共享延迟很小可以忽略不计，每个agent可以在实时收到 ego车辆的pose信息。当每个合作车辆和路边设施收到ego车辆的pose信息后，会将自己的LiDAR点云投影到ego车辆的坐标系上。
2）特征提取：利用anchor-based PointPillar方法从点云中提取视觉特征。
3）压缩和共享：为了减少传输带宽，利用一系列1×1的卷积沿通道维度逐步压缩特征图，减少通道数，然后传送给ego车辆，在ego车辆上使用1×1的卷积再将特征图解压。

由于在发送车辆采集LiDAR数据到ego车辆收到压缩特征之间存在一定的时间延迟，因此，ego车辆接收到的特征与ego车辆自己捕获的特征在时间上不一致，导致空间错位。 在特征解压后，利用spatial-temporal correction module (STCM)通过微分变换和 sampling operator将特征图转换到ego车辆的当前位姿下。
4）V2X-ViT：将所有接收到的中间特征，通过V2X-ViT利用self-attention机制进行特征融合。
5）检测头：利用最终融合的特征图，通过两个1×1的卷积层进行边界框回归和分类。

3.2 V2X-ViT

（a） delay-aware positional encoding (DPE)：编码延迟时间信息，根据不同的延迟时间，直接进行余弦编码，然后加到输入特征中，再传给HMSA。
（b）Heterogeneous multi-agent self-attention (HMSA) ：捕捉路边设施和车辆之间的异构性（构建一个V2X graph，其中每个节点是车辆或路边设施，每条边代表定向V2X通信通道。假设同一类别的agent之间的传感器设置是相同的，就有两种类型的节点和四种类型的边。），HMSA根据节点和边缘类型来学习不同类型的agent之间的关系，同时进行特征融合，融合后的特征再传给MSwin。

（c）Multi-scale window attention (MSwin)：使用不同大小的窗口，每个窗口都有不同的attention范围，通过捕捉多尺度long-range interactions来聚合空间信息，以帮助消除GPS定位误差。

将这两个attention模块合起来组成V2X-ViT，然后将一系列的V2X-ViT模块堆叠起来，迭代地学习agent之间的关联关系和每个agent的空间注意力，从而获得融合特征用于最终的目标检测。

3.2.3 Delay-aware位置编码

考虑在滞后时间内由物体运动引起的错位，采用DPE对延迟时间信息编码。

• 基于延迟时间Δti和通道数c∈[1, C]，用正弦/余弦函数对其进行初始化：
  
• 经过线性projection f 获得编码，将其添加到输入特征Hi中：
  

3.2.1 HMSA

将注意力权重ATT 与 聚合的特征信息 MSG 进行点乘，再经过线性聚合Dense_ci （一组以节点类型为索引的线性projection，聚合了 multi-head 信息），获得新的一个融合特征：

• ATT注意力权重估计，基于节点类型和边类型计算一对节点之间的相关性权重。
  
  将输入的融合特征Hi 通过2个不同的Dense得到2个不同的Q和K（把不同类型节点的特征提取出来），2个不同的Q、K分别拼接在一起。为了纳入边类型的语义信息，通过边权重矩阵W_φ(eij) ^m,ATT （可训练的embedding）来加权Q和K的点积。然后将 multi-head 信息 拼接，经过softmax，得到注意力权重。
• MSG信息聚合
  
  将输入的融合特征Hi 通过2个不同的Dense，分别提取路边设施和车辆节点的特征，矩阵W_φ(eij) ^m,MSG被用于根据发送节点和接收节点之间的边类型来加权特征，然后将 multi-head 输出拼接，得到聚合特征信息。

3.2.2 MSwin

为了解决定位误差，需要对融合特征进行long-range注意力交互，使用全局交互运算量大，所以采用MSwin，用不同的窗口大小分割输入特征图，每个像素点只与同一窗口的其他像素点进行交互；当使用较大的窗口尺寸时，逐步减少head的数量以节省内存的使用。最后，用split-attention模块将不同大小窗口self-attention分支的信息融合一起，形成最后的融合特征。

数据集V2XSet

V2X感知的数据集，用于研究V2X面临的定位错误和传输时间延迟问题。采用CARLA和OpenCDA来生成数据集，CARLA负责现实环境的渲染和传感器的建模，OpenCDA提供方便的同时控制多个AV和嵌入式车辆网络通信协议。将传感器安装在每辆无人车的顶部，只在拥挤的交通场景（十字路口、街区中段和入口坡道）上高度为14英尺处部署路边设施传感器。以10Hz频率记录LiDAR点云，并保存相应的位置数据和时间戳。总共有11,447个帧（对于同一场景中每个agent的帧，则有33,081个样本），训练/验证/测试的分界线分别为6,694/1,920/2,833。V2XSet包含了V2X协同和不同道路类型的现实噪音模拟。
数据样本：

(a) 在CARLA中的模拟场景，两个自动驾驶汽车和基础设施位于一个繁忙的十字路口的不同侧面。(b) 这三个代理的LiDAR点云的汇总。

总结

• 提出了首个用于V2X感知的transformer架构（V2X-ViT），可以捕捉到V2X系统的异质性，对各种噪声具有很强的鲁棒性。
• 为自适应融合异构的agent的信息，提出了一种 heterogeneous multi-agent attention（HMSA）模块。
• 提出了一个multi-scale window attention（MSWin）模块，使用multiresolution windows 并行处理定位错误，可以同时捕捉到局部和全局的空间特征之间的相关性。
• 构建了一个用于V2X协同感知的大规模开放仿真数据集V2XSet。