基于鸟瞰的高效感知算法

近年来，在鸟瞰(BEV)中进行的3D感知已成为智能驾驶和机器人技术的新兴技术。如今，各种基于bev的算法被部署来支持复杂任务的感知方法，如3D车辆和行人识别、语义分割、行为预测、运动规划等。基于BEV的感知背后的原理是，BEV对世界(尤其是交通场景)的表示包含丰富的语义信息、精确的定位和绝对规模，这些可以被许多下游的现实世界应用程序直接部署。此外，BEV提供了一种物理可解释的方式来融合来自不同视图、模式、时间序列和代理的信息。此外，其他广泛使用的采集传感器，如LiDAR和Radar，可以在3D空间中捕获数据，这些数据可以很容易地转换为BEV，并与摄像机进行传感器融合。

在本研究课题中，我们的目标是深入研究最近的进展，以满足基于bev的感知的效率和稳健性需求。特别是，我们在视角转换、数据收集、注释和压缩、高效融合、语义感知、可视化和交互等方面寻求新的解决方案。例如，在BEV空间中，我们期望解决方案能够实现更好的检测效率和鲁棒性，而不是一般的基于图像和lidar的3D检测。我们欢迎学术界和产业界针对基于bev感知的基本挑战和机遇提交的意见书。

本研究课题涉及的课题包括但不限于:

•从透视视图到鸟瞰视图的范例(PV2BEV)
BEV的传感器安装，校准，融合和改造
•BEV数据收集、注释和压缩
•BEV空间的三维检测
•BEV空间中的地图、车道和语义分割
•BEV空间中的混合语义和网络
•BEV下的多任务学习
•bev相关算法的度量和评估
•BEV下的可视化和人机交互

关键字:鸟瞰、智能驾驶、人工智能、3D感知、机器视觉

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。