EN

创新不停步，Nullmax感知论文获旗舰期刊RA-L录用

发布时间：2024-01-18
持续创新，脚步不停！在最新一期的国际高水平期刊IEEE Robotics and Automation Letters（RA-L）上，Nullmax与合作者共同完成的3D单目标跟踪研究被正式发表，创新成果得到权威认可，技术实力再获印证！RA-L是机器人领域的旗舰期刊，刊出机器人及自动化方面的高水平研究，涵盖理论、实验及应用多个方面。RA-L的关注度近年来不断提高，拥有出色的影响力和传播度，因而广受欢迎。

在自动驾驶当中，三维单目标跟踪是一项重要的感知任务。许多的自动驾驶子功能，比如AEB、自动跟车等，需要跟踪周围环境中的特定目标并持续计算目标的状态，比如路径前方的最近车辆/行人（CIPV/CIPP）的位置和运动情况，进而确保自动驾驶的安全、舒适和高效。

其中，基于点云的3D单目标跟踪是一个热门的研究课题，但由于点云的稀疏性和不规则性，这项工作仍然具有相当大的挑战性。为此，作者团队提出了一种创新的Transformer孪生网络，实验结果显示该算法拥有优异的3D单目标跟踪性能，并表现出了良好的泛化能力。

这篇论文题为《Multi-Correlation Siamese Transformer Network with Dense Connection for 3D Single Object Tracking》，运用多次特征关联和密集连接的Transformer孪生网络，显著提升了稀疏点云下三维单目标跟踪算法的性能。

作为一流的自动驾驶技术企业，Nullmax拥有极为出色的视觉感知能力，在基于视觉的单目标跟踪基础上，增加基于点云的3D单目标跟踪将可以进一步强化自动驾驶方案的整体性能。同时，强大的多模态感知和融合能力同时也使得Nullmax能更好地满足行业多样化需求。

论文地址：http://arxiv.org/abs/2312.11051

代码开源地址：https://github.com/liangp/MCSTN-3DSOT

论文主要内容：

本文提出了一种多次特征关联的Transformer孪生网络，它分为多个阶段并在每个阶段的最后基于稀疏的柱特征（pillars）进行特征关联，而不是仅在网络中的某个节点对模板分支和搜索分支进行关联。各阶段中，两个分支分别通过自注意力机制单独学习，然后运用交叉注意力机制将模板的信息融合到搜索区域当中。为进一步提高性能，针对搜索区域，将初始稀疏柱特征、每个阶段的输出，连接到所有后续阶段的输入以及最后的定位网络，使网络易于优化。目标定位网络将输入的稀疏柱表示转为BEV特征图，并通过密集连接的卷积块对目标状态进行预测。此外，在每个阶段都添加监督，进一步使网络易于优化。

（算法整体框架）

欢迎访问知乎链接：https://zhuanlan.zhihu.com/p/675170382

编后语：

从2016年成立至今，Nullmax先后跨过了以产品技术开发、量产项目落地为主要标志的1.0和2.0发展阶段，形成了极具市场竞争力的多套独家方案，量产交付进程位居行业一线。进入3.0新阶段，Nullmax正在加速推进量产的同时，进一步扩大对新一代技术的研发，打造更高阶的自动驾驶形态。欢迎有志于自动驾驶的同学加入Nullmax，一起探索最新技术的研发及应用！

媒体垂询
media@nullmax.ai
相关文章