多模態(tài)融合是感知自動(dòng)駕駛系統(tǒng)的一項(xiàng)基本任務(wù)，最近引起了許多研究人員的興趣。然而，由于原始數(shù)據(jù)噪聲大、信息利用率低以及多模態(tài)傳感器的無對(duì)準(zhǔn)，達(dá)到相當(dāng)好的性能并非易事。本文對(duì)現(xiàn)有的基于多模態(tài)自動(dòng)駕駛感知任務(wù)方法進(jìn)行了文獻(xiàn)綜述。分析超過50篇論文，包括攝像頭和激光雷達(dá)，試圖解決目標(biāo)檢測(cè)和語義分割任務(wù)。與傳統(tǒng)的融合模型分類方法不同，作者從融合階段的角度，通過更合理的分類法將融合模型分為兩大類，四小類。此外，研究了當(dāng)前的融合方法，就潛在的研究機(jī)會(huì)展開討論。

最近，用于自動(dòng)駕駛感知任務(wù)的多模態(tài)融合方法發(fā)展迅速，其從跨模態(tài)特征表示和更可靠的模態(tài)傳感器，到更復(fù)雜、更穩(wěn)健的多模態(tài)融合深度學(xué)習(xí)模型和技術(shù)。然而，只有少數(shù)文獻(xiàn)綜述集中在多模態(tài)融合方法本身的方法論上，大多數(shù)文獻(xiàn)都遵循傳統(tǒng)規(guī)則，將其分為前融合、深度（特征）融合和后融合三大類，重點(diǎn)關(guān)注深度學(xué)習(xí)模型中融合特征的階段，無論是數(shù)據(jù)級(jí)、特征級(jí)還是提議級(jí)。首先，這種分類法沒有明確定義每個(gè)級(jí)別的特征表示。其次，它表明，激光雷達(dá)和攝像頭這兩個(gè)分支在處理過程中始終是對(duì)稱的，模糊了激光雷達(dá)分支中融合提議級(jí)特征和攝像頭分支中融合數(shù)據(jù)級(jí)特征的情況。綜上所述，傳統(tǒng)的分類法可能是直觀的，但對(duì)于總結(jié)最近出現(xiàn)的越來越多的多模態(tài)融合方法來說卻很落后，這使得研究人員無法從系統(tǒng)的角度對(duì)其進(jìn)行研究和分析。

如圖是自動(dòng)駕駛感知任務(wù)的示意圖：

深度學(xué)習(xí)模型僅限于輸入的表示。為了實(shí)現(xiàn)該模型，需要在數(shù)據(jù)輸入模型之前，通過一個(gè)復(fù)雜的特征提取器對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。

至于圖像分支，大多數(shù)現(xiàn)有方法保持與下游模塊輸入的原始數(shù)據(jù)相同的格式。然而，激光雷達(dá)分支高度依賴于數(shù)據(jù)格式，這種格式強(qiáng)調(diào)不同的特性，并對(duì)下游模型設(shè)計(jì)產(chǎn)生巨大影響。因此，這里將其總結(jié)為基于點(diǎn)、基于體素和基于二維映射的點(diǎn)云數(shù)據(jù)格式，以適應(yīng)異構(gòu)深度學(xué)習(xí)模型。

數(shù)據(jù)級(jí)融合或前融合方法，通過空間對(duì)齊直接融合不同模式的原始傳感器數(shù)據(jù)。特征級(jí)融合或深度融合方法通過級(jí)聯(lián)或元素相乘在特征空間中混合跨模態(tài)數(shù)據(jù)。目標(biāo)級(jí)融合方法將各模態(tài)模型的預(yù)測(cè)結(jié)果結(jié)合起來，做出最終決策。

一種新的分類法，將所有融合方法分為強(qiáng)融合和弱融合，如圖展示了二者之間的關(guān)系：

為性能比較，KITTI benchmark的3D檢測(cè)和鳥瞰目標(biāo)檢測(cè)。如下兩個(gè)表分別給出BEV和3D的KITTI測(cè)試數(shù)據(jù)集上多模態(tài)融合方法的實(shí)驗(yàn)結(jié)果。

根據(jù)激光雷達(dá)和攝像頭數(shù)據(jù)表示的不同組合階段，將強(qiáng)融合再分為前融合、深度融合、后融合和非對(duì)稱融合四類。作為研究最多的融合方法，強(qiáng)融合近年來取得了許多杰出的成就。

如圖所示：強(qiáng)融合的每個(gè)小類都高度依賴于激光雷達(dá)點(diǎn)云，而不是攝像頭數(shù)據(jù)。

前融合。數(shù)據(jù)級(jí)融合是一種通過原始數(shù)據(jù)級(jí)的空間對(duì)齊和投影直接融合每個(gè)模態(tài)數(shù)據(jù)的方法，與之不同的是，前融合在數(shù)據(jù)級(jí)是融合激光雷達(dá)數(shù)據(jù)，在數(shù)據(jù)級(jí)或特征級(jí)則融合攝像頭數(shù)據(jù)。一個(gè)例子如圖所示：

在激光雷達(dá)分支，點(diǎn)云可以是有反射圖、體素化張量、前視圖/距離視圖/鳥瞰視圖以及偽點(diǎn)云等形式。盡管所有這些數(shù)據(jù)都具有不同的內(nèi)在特征，與激光雷達(dá)主干網(wǎng)高相關(guān)，但除了偽點(diǎn)云之外，大多數(shù)據(jù)通過基于規(guī)則的處理生成。此外，與特征空間嵌入相比，該階段的數(shù)據(jù)仍然具有可解釋性，因此所有這些激光雷達(dá)數(shù)據(jù)表示都直觀可視。

對(duì)于圖像分支，嚴(yán)格的數(shù)據(jù)級(jí)定義應(yīng)該只包含RGB或灰度等數(shù)據(jù)，缺乏通用性和合理性。與前融合的傳統(tǒng)定義相比，攝像頭數(shù)據(jù)放松為數(shù)據(jù)級(jí)和特征級(jí)數(shù)據(jù)。特別是，這里將有利于三維目標(biāo)檢測(cè)的圖像語義分割任務(wù)結(jié)果作為特征級(jí)表示，因?yàn)檫@些“目標(biāo)級(jí)”特征與整個(gè)任務(wù)的最終目標(biāo)級(jí)提議不同。

深度融合。深度融合方法在激光雷達(dá)分支的特征級(jí)對(duì)跨模態(tài)數(shù)據(jù)融合，但在圖像分支的數(shù)據(jù)級(jí)和特征級(jí)做融合。例如，一些方法使用特征提取器分別獲取激光雷達(dá)點(diǎn)云和攝像頭圖像的嵌入表示，并通過一系列下游模塊將特征融合到兩種模式中。然而，與其他強(qiáng)融合方法不同，深度融合有時(shí)以級(jí)聯(lián)方式融合特征，這兩種方法都利用原始和高級(jí)語義信息。深度融合的一個(gè)例子如圖所示：

后融合。后融合，也稱為目標(biāo)級(jí)融合，指的是融合每個(gè)模態(tài)中流水線結(jié)果的方法。例如，一些后融合方法利用激光雷達(dá)點(diǎn)云分支和攝像頭圖像分支的輸出，并基于兩種模式的結(jié)果進(jìn)行最終預(yù)測(cè)。請(qǐng)注意，兩個(gè)分支提議的數(shù)據(jù)格式應(yīng)與最終結(jié)果相同，但在質(zhì)量、數(shù)量和精度上有所不同。后融合是一種多模態(tài)信息優(yōu)化最終提議的集成方法（ensemble method）。如圖是后融合的一個(gè)例子：

非對(duì)稱融合。除了早融合、深度融合和后融合外，一些方法以不同的權(quán)限處理跨模態(tài)分支，因此融合一個(gè)分支的目標(biāo)級(jí)信息和其他分支的數(shù)據(jù)級(jí)或特征級(jí)信息，定義為非對(duì)稱融合。強(qiáng)融合的其他方法將兩個(gè)分支視為似乎相等的狀態(tài)，非對(duì)稱融合至少有一個(gè)分支占主導(dǎo)地位，而其他分支提供輔助信息來執(zhí)行最終任務(wù)。如圖是非對(duì)稱融合的一個(gè)例子：可能具有提議的相同提取特征，但非對(duì)稱融合只有來自一個(gè)分支的一個(gè)提議，而后融合有來自所有分支的提議。

與強(qiáng)融合不同，弱融合方法不會(huì)以多種方式直接從分支融合數(shù)據(jù)/特征/目標(biāo)，而是以其他方式操作數(shù)據(jù)。基于弱融合的方法通常使用基于規(guī)則的方法來利用一種模態(tài)數(shù)據(jù)作為監(jiān)督信號(hào)，以指導(dǎo)另一模態(tài)的交互。如圖展示了弱融合模式的基本框架：

有可能圖像分支中CNN的2D提議導(dǎo)致原始激光雷達(dá)點(diǎn)云出現(xiàn)截錐體（frustum）。然而，與圖像特征組合非對(duì)稱融合不同，弱融合直接將選擇的原始激光雷達(dá)點(diǎn)云輸入到激光雷達(dá)主干網(wǎng)，以輸出最終提議。

有些工作不能簡單地定義為上述任何類型的融合，在整個(gè)模型框架中采用多種融合方法，例如深度融合和后融合的結(jié)合，也有將前融合和深度融合結(jié)合在一起。這些方法從模型設(shè)計(jì)看存在冗余，這不是融合模塊的主流。

待解決的問題有一些分析。

當(dāng)前的融合模型面臨著錯(cuò)對(duì)齊和信息丟失的問題。此外，平融合（flat fusion）操作也阻止了感知任務(wù)性能的進(jìn)一步提高?？偨Y(jié)一下：

錯(cuò)對(duì)齊和信息丟失：傳統(tǒng)的前融合和深度融合方法利用外部標(biāo)定矩陣將所有激光雷達(dá)點(diǎn)直接投影到相應(yīng)的像素，反之亦然。然而，由于傳感器噪聲，這種逐像素對(duì)齊不夠精確。因此，可以采取周圍的信息作為補(bǔ)充，會(huì)產(chǎn)生更好的性能。此外，在輸入和特征空間的轉(zhuǎn)換過程中，還存在其他一些信息損失。通常，降維操作的投影不可避免地會(huì)導(dǎo)致大量信息丟失，例如，將3-D激光雷達(dá)點(diǎn)云映射到2-DBEV圖像。將兩個(gè)模態(tài)數(shù)據(jù)映射到另一個(gè)專門為融合設(shè)計(jì)的高維表示，可以有效地利用原始數(shù)據(jù)，減少信息損失。

更合理的融合操作：級(jí)聯(lián)和元素相乘這些簡單的操作可能無法融合分布差異較大的數(shù)據(jù)，難以彌合兩個(gè)模態(tài)之間的語義鴻溝。一些工作試圖用更復(fù)雜的級(jí)聯(lián)結(jié)構(gòu)來融合數(shù)據(jù)并提高性能。

前視圖單幀圖像是自動(dòng)駕駛感知任務(wù)的典型場(chǎng)景。然而，大多數(shù)框架利用有限的信息，沒有詳細(xì)設(shè)計(jì)輔助任務(wù)來進(jìn)一步理解駕駛場(chǎng)景?？偨Y(jié)一下：

采用更多的潛在信息：現(xiàn)有方法缺乏對(duì)多維度和來源信息的有效利用。其中大多數(shù)都集中在前視圖的單幀多模態(tài)數(shù)據(jù)上。其他有意義的信息還有語義、空間和場(chǎng)景上下文信息。一些模型試圖用圖像語義分割任務(wù)結(jié)果作為附加特征，而其他模型可能利用神經(jīng)網(wǎng)絡(luò)主干中間層的特征。在自動(dòng)駕駛場(chǎng)景中，許多明確語義信息的下游任務(wù)可能會(huì)極大地提高目標(biāo)檢測(cè)任務(wù)的性能。例如車道檢測(cè)、語義分割。因此，未來的研究可以通過各種下游任務(wù)（如檢測(cè)車道、交通燈和標(biāo)志）共同構(gòu)建一個(gè)完整的城市場(chǎng)景的認(rèn)知框架，幫助感知任務(wù)的表現(xiàn)。此外，當(dāng)前的感知任務(wù)主要依賴于忽略時(shí)間信息的單一框架。最近基于激光雷達(dá)的方法結(jié)合了一個(gè)幀序列來提高性能。時(shí)間序列信息包含序列化的監(jiān)控信號(hào)，與單幀方法相比，它可以提供更穩(wěn)健的結(jié)果。

表征學(xué)習(xí)的自監(jiān)督：相互監(jiān)督的信號(hào)自然地存在于從同一個(gè)真實(shí)世界場(chǎng)景但不同角度采樣的跨模態(tài)數(shù)據(jù)中。然而，由于缺乏對(duì)數(shù)據(jù)的深入理解，目前無法挖掘出各模態(tài)之間的協(xié)同關(guān)系。未來的研究可以集中在如何利用多模態(tài)數(shù)據(jù)進(jìn)行自監(jiān)督學(xué)習(xí)，包括預(yù)訓(xùn)練、微調(diào)或?qū)Ρ葘W(xué)習(xí)。通過實(shí)施這些最先進(jìn)的機(jī)制，融合模型將加深對(duì)數(shù)據(jù)的理解并取得更好的結(jié)果。

域偏差和數(shù)據(jù)分辨率與真實(shí)場(chǎng)景和傳感器高相關(guān)。這些缺陷阻礙了自動(dòng)駕駛深度學(xué)習(xí)模型的大規(guī)模訓(xùn)練和實(shí)施。

域偏差：在自主駕駛感知場(chǎng)景中，由不同傳感器提取的原始數(shù)據(jù)伴隨著域相關(guān)特征。不同的攝像頭系統(tǒng)有其光學(xué)特性，而激光雷達(dá)可能因機(jī)械激光雷達(dá)和固態(tài)激光雷達(dá)而不同。更重要的是，數(shù)據(jù)本身可能是有域偏差的，例如天氣、季節(jié)或地理位置。因此，檢測(cè)模型無法順利適應(yīng)新的場(chǎng)景。由于泛化失敗，這些缺陷妨礙大規(guī)模數(shù)據(jù)集的收集和原始訓(xùn)練數(shù)據(jù)可重用性。

分辨率沖突：來自不同模式的傳感器通常具有不同的分辨率。例如，激光雷達(dá)的空域密度明顯低于圖像的空域密度。無論采用何種投影方法，由于無法找到對(duì)應(yīng)關(guān)系，一些信息被消除。這可能導(dǎo)致模型被一個(gè)特定模態(tài)的數(shù)據(jù)所主導(dǎo)，無論是特征向量的分辨率不同還是原始信息的不平衡。

審核編輯 ：李倩