簡介

BEV即Bird's Eye View(鳥瞰視圖）是一種從空中俯視場景的視角。由多張不同視角采集的圖像通過不同的空間轉換方式形成，如下圖所示，左側為6張不同位置的相機采集的圖像，右側為轉換的BEV圖像。

BEV感知模型指的是直接輸出BEV坐標系下的感知結果，如動靜態檢測目標，車道線，路面標識等。BEV坐標系好處是：

1. 成本低。相比3D點云的方式來補充3維信息，純視覺方案的成本更低；

2. 可以直接給到下游任務，例如預測和規劃；

3. 可以在模型中融合各視角的特征，提升感知效果；

4. 可以更好的和各類傳感器進行融合。

對于下游的預測和規控任務而言，需要的是3D的目標，因此在傳統的自動駕駛方案中，2D的感知推理結果需要通過復雜的后處理去解決3D坐標提升的問題。而BEV感知模型是更接近于一種端到端的解決方案。

當前主要的BEV 轉換方式為以下三種：

? IPM-based：基于地面平坦假設的逆透視映射方式，技術簡單成本低，但是對上下坡情況擬合效果不好。

? LSS-based：通過顯示的深度估計方式構建三維視錐點云特征，也是較常用的轉換方式。

? Transformer-based：用transformer機制學習3D query和2D 圖像特征之間的關系來建模。部署時global attention的計算量較大， 需要考慮端側運行時對性能的影響。

在實際部署時，需要考慮算法的端側性能。地平線的參考算法目前已賦能多家客戶實現BEV感知算法在征程5上的部署和開發，多家客戶已實現BEV demo開發。本文以LSS范式的BEV感知算法為例，介紹地平線提供的參考算法如何在公版的基礎上做算法在征程5芯片的適配和模型的優化。

整體框架

BEV 感知架構

BEV系列的模型使用多視圖的當前幀的6個RGB圖像作為輸入。輸出是目標的3D Box和BEV分割結果。多視角圖像首先使用2D主干獲取2D特征。然后投影到3D BEV視角。接著對BEV feature 編碼獲取BEV特征。最后，接上任務特定的head，輸出多任務結果。模型主要包括以下部分：

Part1—2D Image Encoder：圖像特征提取層。使用2D主干網絡（efficientnet）和FastSCNN輸出不同分辨率的特征圖。返回最后一層--上采樣至1/16原圖大小層，用于下一步投影至3D BEV坐標系中；

Part2—View transformer：采用不同的轉換方式完成圖像特征到BEV 3D特征的轉換；

Part3—BEV transforms：對BEV特征做數據增強，僅發生在訓練階段；

Part4—3D BEV Encoder：BEV特征提取層；

Part5—BEV Decoder：分為Detection Head和Segmentation Head。

LSS方案

公版的LSS方案如下：

公版的LSS方案分為3個部分：

1. 將圖像從2d平面提升到3d空間，生成3d視錐（frustum）點云，并對點云上所有的點預測context特征，生成context特征點云；

2. 對視錐點云和context特征點云進行 “Splat” 操作，在BEV網格中構建BEV特征；

3. BEV特征后，可通過“Shooting”完成特定的下游任務，比如Motion Planning。

模型部署分析

在部署之前，需要對公版模型做部署分析，避免模型中有BPU無法支持的算子和某些對性能影響較大的算子。對于無法支持的算子，需要做替換；對于影響性能的算子需要做優化。同時為了達到更好的精度會增加訓練策略的優化和量化策略的優化。本章節先對公版模型做部署分析，最后給出地平線的優化方式。

問題1 大尺寸運算導致性能瓶頸

由于深度特征的增加，feature的維度是高于4維的，考慮到transpose算子的耗時問題和部署問題，LSS方案中會存在維度的折疊，對feature做view和H維度的折疊。對應的操作為：depth_feature會做view和Dim、H和W的折疊。維度折疊會導致feature的維度變大，在生成視錐點云時，其涉及的操作mul操作的輸入也就增大了，在做部署時會導致DDR帶寬問題。因此公版的步驟1中的大尺寸算子計算需要做對應的優化。

問題2 BEVpooling的索引操作支持問題

公版在做2D到3D轉換時，從圖像空間的index映射到BEV空間的index，相同的BEV空間index相加后再賦值到BEV tensor上，即公版的步驟二。考慮到征程5對索引操作無法支持，因此該操作在部署時需要做替換。

問題3 分割頭粒度太粗

地平線提供的是多任務的BEV感知算法，對于多任務模型來說不同的任務需要特定的范圍和粒度，特別是對于分割模型來說，分割的目標的粒度較小，因此相比于檢測任務來說feature需要細化，即用更大的分辨率來表示。

問題4 grid 量化精度誤差問題

對于依賴相機內外參的模型來說，轉換時的點坐標極其重要，因此需要保障該部分的精度。同時grid的表示范圍需要使用更大比特位的量化。

針對以上4個問題，本章節會介紹該部分在征程5的實現方式使其可以在板端部署并高速運行。

性能優化

mul的性能優化

為了減少大量的transpose操作和優化mul算子的耗時問題, 我們選擇把深度和 feature 分別做grid_sample后執行mul操作，具體操作如下：

Python
#depth  B, N, D,H, W
depth = tensor(B,N,D,H,W)
feat = tensor(B,N,C,H,W)


#depth  B, 1, N *D, H*W
depth = depth.view(B, 1, N*D, H*W)


#feat -> B,C,N,H,W-> B, C, N*H, W
feat = feat.permute(0, 2, 1, 3, 4).view(B, C, N*H, W)


for i in range(self.num_points):
    homo_feat = self.grid_sample(
        feat,
        fpoints[i * B : (i + 1) * B],
    )


    homo_dfeat = self.dgrid_sample(
        dfeat,
        dpoints[i * B : (i + 1) * B],
    )
    homo_feat = self.floatFs.mul(homo_feat, homo_dfeat)
    homo_feats.append(homo_feat)

mul操作的計算量大幅減少，性能上提升4~5倍！

BEV_pooling部署優化

使用grid_sample代替公版的3D空間轉換。即從原來的前向wrap-從圖像空間特征轉換到BEV空間特征，改為從BEV空間拉取圖像空間特征。

公版實現：

a.通過一個深度估計變成6D的tensor

Python
volume = depth.unsqueeze(1) * cvt_feature.unsqueeze(2)
volume = volume.view(B, N, volume_channel_index[-1], self.D, H, W)
volume = volume.permute(0, 1, 3, 4, 5, 2)

b.從圖像空間的index映射到BEV空間的index，相同的BEV空間index相加后再賦值到BEV tensor上

Python
def voxel_pooling(self, geom_feats, x):
        ...
        # flatten x
        x = x.reshape(Nprime, C)
        # flatten indices
        geom_feats = ((geom_feats - (self.bx - self.dx/2.)) / self.dx).long()
        geom_feats = geom_feats.view(Nprime, 3)
        ...
        # filter out points that are outside box
        kept = (geom_feats[:, 0] >= 0) & (geom_feats[:, 0] < nx[0]) 
            & (geom_feats[:, 1] >= 0) & (geom_feats[:, 1] < nx[1]) 
            & (geom_feats[:, 2] >= 0) & (geom_feats[:, 2] < nx[2])
        geom_feats = geom_feats[kept]
        x = x[kept]
        ...
        # argsort and get tensors from the same voxel next to each other
        ranks = geom_feats[:, 0] * (nx[1] * nx[2] * B) 
            + geom_feats[:, 1] * (nx[2] * B) 
            + geom_feats[:, 2] * B 
            + geom_feats[:, 3]
        sorts = ranks.argsort()
        x, geom_feats, ranks = x[sorts], geom_feats[sorts], ranks[sorts]
        ...
        return final

2. 地平線實現：

使用grid_sample代替公版的3D空間轉換。grid_sample為采樣算子，通過輸入圖像特征和2D點坐標grid，完成圖像特征到BEV特征的轉換，其工作原理見下圖。

Grid_Samples 原理圖

horizon_plugin_pytorch提供的grid_sample算子和公版輸入略有差異，地平線已支持公版的grid_sample算子。

由于該轉換方式是前向映射，前向映射會產生的BEV index并不均勻，最多的一個voxel有100多個點，最少有效點為0。我們在提供的源代碼中使用了每個voxel使用了10個點，如果想要提升精度可以考慮增加每個voxel的有效點。

Python
#num_point為10
for i in range(self.num_points):
    homo_feat = self.grid_sample(
        feat,
        fpoints[i * B : (i + 1) * B],
    )


    homo_dfeat = self.dgrid_sample(
        dfeat,
        dpoints[i * B : (i + 1) * B],
    )
    homo_feat = self.floatFs.mul(homo_feat, homo_dfeat)
    homo_feats.append(homo_feat)

精度優化

多任務模型的精度優化

參考BEVerse模型對多任務根據不同粒度進行細化，在分割頭做解碼之前，將BEV feature的分辨率增大，map size為[200,400]，實現上由grid_sample完成。

Python
#init map module
if (self.bev_size and self.task_size and self.task_size != self.bev_size):
    self.grid_sample = hnn.GridSample(
        mode="bilinear",
        padding_mode="zeros",
    )


#decoder module forward
def forward(self, feats: Tensor, meta: Dict) -> Any:
    feat = feats[self.task_feat_index]
    if hasattr(self, "grid_sample"):
        batch_size = feat.shape[0]


        new_coords = self.new_coords.repeat(batch_size, 1, 1, 1)
        feat = self.grid_sample(feat, self.quant_stub(new_coords))
    feat = [feat]
    pred = self.head(feat)
    return self._post_process(meta, pred)

浮點模型精度的優化

在浮點模型的訓練上，使用數據增強來增強模型的泛化能力，通過嘗試不同的增強方式，最終選取BEVRotate方式對輸入數據做transform。相比于未做數據增強的浮點模型mAP提升1.5個點，NDS提升0.6個點。詳細實驗記錄見實驗結果章節。

該實驗結果為中間結果，非最終精度數據

量化精度的優化

BEV_LSS的量化訓練采用horizon_plugin_pytorch的Calibration方式來實現的，通過插入偽量化節點對多個batch的校準數據基于數據分布特征來計算量化系數，從而達到模型的量化。BEV_LSS模型無需QAT訓練就可以達到和浮點相當的精度。

除了量化方式上的優化，地平線對輸入的grid也做了優化，包括了

1. 手動計算scale，使用固定的scale作為grid的量化系數。

Python
#fix scale
def get_grid_quant_scale(grid_shape, view_shape):
    max_coord = max(*grid_shape, *view_shape)
    coord_bit_num = math.ceil(math.log(max_coord + 1, 2))
    coord_shift = 15 - coord_bit_num
    coord_shift = max(min(coord_shift, 8), 0)
    grid_quant_scale = 1.0 / (1 << coord_shift)
    return grid_quant_scale
#get grid_quant_scale
grid_quant_scale = get_grid_quant_scale(grid_size, featview_shape)


##init
self.quant_stub = QuantStub(grid_quant_scale)

2.grid_sample算子的輸入支持int16量化，為了保障grid的精度，地平線選擇int16量化。

Python
self.quant_stub.qconfig = qconfig_manager.get_qconfig(
    activation_qat_qkwargs={"dtype": qint16, "saturate": True},
    activation_calibration_qkwargs={"dtype": qint16, "saturate": True},
)

基于以上對量化精度的優化后，最終定點精度達到和浮點相當的水平，量化精度達到99.7%！

實驗結果

1.性能和精度數據

注：grid_sample的input_feature H,W ∈ [1, 1024] 且 H*W ≤ 720*1024

2. 不同數據增強方式對浮點模型的精度影響。

該實驗結果為中間結果，非最終精度數據

3.地平線征程5部署LSS范式的BEV模型通用建議

?選用BPU高效支持的算子替換不支持的算子。

? num_point會直接影響性能和精度，可以根據需求做權衡。處于訓練速度考慮使用topk選擇點，若想要更高的精度可以對點的選擇策略做優化。

? grid使用fixed scale來保障量化精度，如超過int8表示范圍則開啟int16量化，具體見grid量化精度優化章節。

?對于分辨率較大導致帶寬瓶頸或不支持問題，可以拆分為多個計算，緩解帶寬壓力，保障模型可以順利編譯。

?對于常量計算（例如:grid計算）編譯時可以作為模型的輸入，提升模型的運行性能。

總結

本文通過對LSS范式的BEV多任務模型在地平線征程5上量化部署的優化，使得模型在該計算方案上用遠低于1%的量化精度損失，得到latency為8.21ms的部署性能，同時，通過LSS范式的BEV模型的部署經驗，可以推廣到基于該范式的BEV模型的優化中，以便更好的在端側部署。

審核編輯：劉清