論文地址：ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning
程式碼倉庫：https:// github.com/OpenPercepti onX/ST-P3
引言
最近在學習ECCV2022自動駕駛方面的工作，看到一篇有意思的文章(如題)，看到這個P3（perception，predict，planning） 聰明的你大概明白了主要的工作，類似的工作還有MP3,而這個ST是時空(Spatial-Temporal)特征的含義。論文的工作很豐富，但是我還是想先提一下論文存在的問題。
問題1：表述存在問題
如下圖，原文表述子圖b是預測之後的地圖表示，但依我的經驗看，該圖應該是nuScenes數據集map介面渲染的標簽結果，不是完全真實推理的預測結果。這部份應該是作者的筆誤(推測)
問題2 ：缺少forward時間方面的消融實驗
論文中借鑒了fiery中的關於future prediction的工作，但實際情況是，因為這部份模組的存在，在計算時間方面不具備優勢，甚至很難真正的上車使用。所以，可以推斷ST-P3的時間方面應該不是論文的亮點，但還是希望能在時間方面做一個消融實驗，以便大家能更全面的了解演算法的效能。
論文的主要工作
perception： 為了更好的進行時空特征融合，提出egocentric aligned accumulation，先進行lift將2d->3d然後再目標特征的對齊。
prediction ：預測模組融合了兩路資訊，一路是t時刻的障礙物，另外一個是t-n時刻的障礙物位置，透過GRU單元進行特征融合從而進行障礙的預測。這個模組應該很影響演算法的執行效率。
Planning ：以規則和模型學習兩種演算法為基礎，確定路徑規劃的代價函式，並透過前檢視的特征提取進行模型學習，完成軌跡最佳化。
論文的超參數：
backbone：EfficientNet-B4
head net: resnet18
硬體：4張v100
bev分辨率：以自車為中心上下左右50公尺(nuScenes);以自車為中心上下左右20公尺(carla);
損失函式的定義：
實驗部份：
實驗1：在nuScenes數據集上的開環實驗
開環應該指的是perception，predict，planning三個模組針對性的演算法驗證過程。
從這個perception結果上來看，提升確實不夠明顯，畢竟一頓操作後。但是整體看來，工作還是有效的。
實驗2：在carla仿真環境下的閉環實驗
閉環我推測指的是整個系統端到端的實驗。
總結：
論文整體工作豐富，但是還存在一些問題，瑕不掩瑜，還是得感謝作者的工作。也希望大家在看完論文後能就上述兩個問題留言討論，我的各人見解不一定準確。
往期回顧：
自動駕駛開發者說|前沿|ECCV2022有哪些自動駕駛方面的工作？
自動駕駛開發者說| 前沿 | CVPR2022有哪些自動駕駛方面的工作？
自動駕駛開發者說| 求職 | 2022年如何找到優秀的自動駕駛公司？
自動駕駛開發者說|技術棧|入門感知模組需要儲備哪些知識？
自動駕駛開發者說|前沿|基於BEV的自動駕駛會顛覆現有的自動駕駛架構嗎？
自動駕駛開發者說 | 前沿|如何定義&檢測&解決Corner Cases？
自動駕駛開發者說| 前沿 | 2022年ViT(vision transform)如何套用在自動駕駛任務上？
自動駕駛開發者說| 前沿 | 近兩年有哪些ViT(Vision Transformer)的改進演算法？
自動駕駛開發者說 | 前沿|如何進行LiDAR-Camera（雷達-相機）的聯合標定？
自動駕駛開發者說|前沿|如何用360度全景圖來深度估計？
自動駕駛開發者說|前沿|如何進行多傳感器的融合？
自動駕駛開發者說| 前沿 |如何利用ViT(vision transformer)進行全景影像的分割？
自動駕駛開發者說|前沿|如何結合深度資訊進行道路區域分割？
自動駕駛開發者說|數據集|CVPR2022有哪些數據集方面的工作(一)
自動駕駛開發者說 | 數據集 | 如何使用KITTI數據？
自動駕駛開發者說|高精地圖(1)|如何采集處理高精地圖的原始數據？
自動駕駛開發者說| 仿真 | 如何利用開源的自動駕駛仿真環境？
自動駕駛開發者說|仿真|如何安裝配置lgsvl-apollo聯調環境？
自動駕駛開發者說|框架|如何用vscode偵錯apollo？
自動駕駛開發者說|框架|如何單獨執行apollo相機感知模組？
自動駕駛開發者說|框架|如何找到apollo感知模組的爽點？
自動駕駛開發者說| 框架 |如何快準狠的安裝apollo6.0？
自動駕駛開發者說|框架|如何在apollo中添加自己的USB網路攝影機？
自動駕駛開發者說|框架|如何理解Apollo感知模組的配置檔？
自動駕駛開發者說|行業|如何看待特斯拉傳感器的部署？
自動駕駛開發者說|行業|如何看待無人駕駛汽車的發展？
自動駕駛開發者說| 工具 |如何快速上手&運用ROS1？
CVPR2022 |自動駕駛|BEV感知|Cross-view Transformers for real-time Map-view Semantic Segmentation
CVPR2022 |目標檢測-多模態|CAT-Det: Contrastively Augmented Transformer for Multi-modal 3D Object Detection
CVPR2022 |自動駕駛 | 軌跡預測|Forecasting from LiDAR via Future Object Detection
CVPR2022|自動駕駛 | 極端天氣點雲檢測 | LiDAR Snowfall Simulation for Robust 3D Object Detection
