地平线静态目标检测 MapTR 参考算法-V1.0
高清地图是自动驾驶系统的重要组件，提供精确的驾驶环境信息和道路语义信息。传统离线地图构建方法成本高，维护复杂，使得依赖车载传感器的实时感知建图成为新趋势。
·
简介
高清地图是自动驾驶系统的重要组件，提供精确的驾驶环境信息和道路语义信息。传统离线地图构建方法成本高，维护复杂，使得依赖车载传感器的实时感知建图成为新趋势。早期实时建图方法存在局限性，如处理复杂地图元素的能力不足、缺乏实例级信息等，在实时性和后处理复杂度上存在挑战。
为了解决这些问题，基于 Transformer 的 MapTR 模型被提出，它采用端到端结构，仅使用图像数据就能实现高精度建图，同时保证实时性和鲁棒性。MapTRv2 在此基础上增加了新特性，进一步提升了建图精度和性能。
地平线面向智驾场景推出的 征程6 系列（J6）芯片，在提供强大算力的同时带来了极致的性价比，征程6 芯片对于 Transformer 模型的高效支持助力了 MapTR 系列模型的端侧部署。本文将详细介绍地平线算法工具链在 征程6 芯片部署 MapTR 系列模型所做的优化以及模型端侧的表现。
性能精度指标
模型配置：
模型数据集
性能精度表现：
- 预测的地图元素：“divider”，“ped_crossing”，“boundary”；
- 默认使用 Lidar 坐标系，和公版保持一致。同时适配 ego 坐标系；
- 量化配置 TopK：前 K 个量化敏感的算子。
公版模型介绍
MapTR
MapTR 模型的默认输入是车载摄像头采集到的 6 张相同分辨率的环视图像，使用 nuScenes 数据集，同时也支持拓展为多模态输入例如雷达点云。模型输出是矢量化的地图元素信息，其中地图元素为人行横道、车道分隔线和道路边界 3 种。模型主体采用 encoder-decoder 的端到端结构：
- Map Encoder 通过 CNN Backbone+BEV Encoder 负责提取 2D 图像特征并转换到统一的 BEV 视角。MapTR-nano 默认使用 ResNet18 作为 Backbone，MapTR-tiny 默认使用 ResNet50。MapTR 兼容多种 BEV Encoder 实现方式例如 GKT、LSS 和 IPM 等并且表现稳定，鉴于 GKT 的部署高效性以及在消融实验中的精度表现更好，公版 MapTR 使用 GKT 作为默认 BEV Encoder 实现方式。
- Map Decoder 采用 Hierarchical Query Embedding Scheme，即从 point-level（位置）和 instance-level（轮廓）显式地编码地图元素，point-level queries 被所有 instances 共享并融合进 instance-level queries 从而生成 hierarchical queries，hierarchical queries 经过级联的 decoder layers（默认是 6 层）不断更新。每个 decoder layer 首先使用多头自注意力（MHSA）做 inter-instance 和 intra-instance 的信息交互，接着会使用 Deformable Attention 来与 Map Encoder 输出的 BEV 特征做信息交互。point-level 的信息被所有 instance 共享，所以对于每个 instance 而言，映射到 BEV 空间的多个参考点 reference points 是灵活且动态分布的，这对于提取 long-range context information 预测随机形状的地图元素是有益的。
- MapTR Head 由分类分支和回归分支构成。分类分支预测 instances 的类别，回归分支预测 points 集合的位置。Head 输出的预测值和真值 GT 之间采用 Hierarchical Bipartite Matching 实现监督学习，分为 Instance-level Matching 和 Point-level Matching，因此损失函数为三个部分的加权和：分类 Classification Loss、点对点位置 Point2point Loss 和连接边方向 Edge Direction Loss。
MapTRv2
MapTRv2 在 MapTR 的基础上增加了新的特性：
- 针对层次化 query，引入解耦自注意力，极大地减少了计算量和显存消耗；对于和输入特征交互的 cross-attention 部分，则引入了 BEV、PV 和 BEV+PV 三种变体；
- 引入辅助 one-to-many 集合预测分支，增加了正样本数，加速了训练收敛；
- 引入辅助 dense supervision，引入深度估计预测头、PV 和 BEV 视角下的分割头，进一步提升模型精度。由于引入深度信息做监督学习，为了显式地提取深度信息，公版 MapTRv2 选择基于 LSS 的 BEVPoolv2 来作为 BEV 视角转换方式；
- 引入新的地图元素车道中心线（centerline）；
- 增加 3D 地图元素预测能力，并提供 Argoverse2 数据集上的指标。
地平线部署说明
地平线参考算法使用流程请参考附录《TCJ6007-J6 参考算法使用指南》；对应高效模型设计建议请参考附录《TCJ6005-J6 平台算法设计建议》
模型对应的代码路径：
模块代码路径
| 模块 | 代码路径 |
|---|---|
| Config | {oe_path}/samples/ai_toolchain/horizon_model_train_sample/scripts/configs/map/maptrv2_resnet50_bevformer_nuscenes.py |
| Model Structure | /usr/local/lib/python3.10/dist-packages/hat/models/structures/maptr/maptrv2.py: class MapTRv2(nn.Module) |
| Backbone | /usr/local/lib/python3.10/dist-packages/hat/models/backbones/resnet.py: class ResNet50(ResNet) |
| Neck | /usr/local/lib/python3.10/dist-packages/hat/models/necks/fpn.py: class FPN(nn.Module) |
| View Transformer | /usr/local/lib/python3.10/dist-packages/hat/models/task_modules/bevformer/view_transformer.py: class SingleBevFormerViewTransformer(BevFormerViewTransformer)其中包含的BEV Encoder模块：/usr/local/lib/python3.10/dist-packages/hat/models/task_modules/bevformer/encoder.py: class SingleBEVFormerEncoder(BEVFormerEncoder) |
| BEV Decoder | /usr/local/lib/python3.10/dist-packages/hat/models/task_modules/maptr/decoderv2.py: class MapTRPerceptionDecoderv2(nn.Module)其中具体包含的BEV Decoder模块：/usr/local/lib/python3.10/dist-packages/hat/models/task_modules/maptr/decoder.py: class MapTRDecoder(nn.Module) |
| Criterion | /usr/local/lib/python3.10/dist-packages/hat/models/task_modules/maptr/criterion.py: class MapTRCriterion(nn.Module)其中的Assigner模块：/usr/local/lib/python3.10/dist-packages/hat/models/task_modules/maptr/assigner.py: class MapTRAssigner(nn.Module) |
| Post Process | /usr/local/lib/python3.10/dist-packages/hat/models/task_modules/maptr/postprocess.py: class MapTRPostProcess(nn.Module) |
性能优化
Neck
Neck 部分采用了地平线内部实现的 FPN，相比公版 FPN 实现，在 征程6 平台上性能更加友好。
View Transformer
地平线参考算法版本将基于 LSS 的视角转换方式替换为 Bevformer 的 View Transformer 部分。
- BEV Grid 尺寸：对于 Dense BEV 而言，BEV Grid 的尺寸大小实际地影响模型性能。征程6 平台增强了带宽能力，但仍需注意 BEV 网格过大导致访存压力过大而对性能带来负面影响，建议考虑实际部署情况选择合适的 BEV 网格大小来设计模型。相比公版 MapTRv2 模型使用 200x100 的网格，地平线部署模型使用 100x50 的网格来实现性能和精度的平衡。
- BEV 特征编码：
- 默认 prev_bev 由 cur_bev 改为全 0；
- 取消 can_bus 信息的使用，前一帧 bev 特征 prev_bev 和当前帧 cur_bev 的对齐方式由使用 can_bus 信息正向校准改为使用 GridSample 算子反向采样校准；
- 取消了 bev_query 初始化部分和 can_bus 的融合；
- 取消了公版的 TemporalSelfAttention，改为 HorizonMSDeformableAttention，提升速度。
公版模型
class MapTRPerceptionTransformer（BaseModule）:
...
def attn_bev_encode(...):
...
if prev_bev is not None:
if prev_bev.shape[1] == bev_h * bev_w:
prev_bev = prev_bev.permute(1, 0, 2)
if self.rotate_prev_bev:
for i in range(bs):
# num_prev_bev = prev_bev.size(1)
rotation_angle = kwargs['img_metas'][i]['can_bus'][-1]
tmp_prev_bev = prev_bev[:, i].reshape(
bev_h, bev_w, -1).permute(2, 0, 1)
tmp_prev_bev = rotate(tmp_prev_bev, rotation_angle,
center=self.rotate_center)
tmp_prev_bev = tmp_prev_bev.permute(1, 2, 0).reshape(
bev_h * bev_w, 1, -1)
prev_bev[:, i] = tmp_prev_bev[:, 0]
# add can bus signals
can_bus = bev_queries.new_tensor(
[each['can_bus'] for each in kwargs['img_metas']]) # [:, :]
can_bus = self.can_bus_mlp(can_bus[:, :self.len_can_bus])[None, :, :]
bev_queries = bev_queries + can_bus * self.use_can_bus
...
地平线参考算法
class BevFormerViewTransformer（nn.Module）:
...
def
__init__
(...):
...
self.prev_frame_info = {
"prev_bev": None,
"scene_token": None,
"ego2global": None,
}
...
def get_prev_bev(...):
if idx == self.queue_length - 1 and self.queue_length != 1:
prev_bev = torch.zeros(
(bs, self.bev_h * self.bev_w, self.embed_dims),
dtype=torch.float32,
device=device,
)
...
else:
prev_bev = self.prev_frame_info["prev_bev"]
if prev_bev is None:
prev_bev = torch.zeros（
（bs， self.bev_h * self.bev_w， self.embed_dims），
dtype=torch.float32，
device=device，
） # 对应改动 2.a
...
def bev_encoder(...):
...
tmp_prev_bev = prev_bev.reshape(
bs, self.bev_h, self.bev_w, self.embed_dims
).permute（0， 3， 1， 2）
prev_bev = F.grid_sample（
tmp_prev_bev， norm_coords， "bilinear"， "zeros"， True
） # 对应改动 2.b
...
class SingleBevFormerViewTransformer(BevFormerViewTransformer):
...
def get_bev_embed(...):
...
bev_query = self.bev_embedding.weight
bev_query = bev_query.unsqueeze(1).repeat（1， bs， 1） # 对应改动 2.c
...
公版模型 Config
model = dict（
...
pts_bbox_head=dict(
type='MapTRHead',
...
transformer=dict(
type='MapTRPerceptionTransformer',
...
encoder=dict(
type='BEVFormerEncoder',
...
transformerlayers=dict(
type='BEVFormerLayer',
attn_cfgs=[
dict(
type='TemporalSelfAttention',
embed_dims=
_dim_
,
num_levels=1),
...
]
）
）
）
）
）
地平线参考算法 Config
model = dict（
...
view_transformer=dict(
type="SingleBevFormerViewTransformer",
...
encoder=dict(
type="SingleBEVFormerEncoder",
...
encoder_layer=dict(
type="SingleBEVFormerEncoderLayer",
...
selfattention=dict（
type="HorizonMSDeformableAttention"， # 对应改动 2.d
...
),
)
)
)
)
Attention
模型中用到的 attention 操作均使用地平线提供的算子，相比 PyTorch 提供的公版算子，地平线 attention 算子在保持算子逻辑等价的同时在效率上进行了优化
from hat.models.task_modules.bevformer.attention import (
HorizonMSDeformableAttention,
HorizonMSDeformableAttention3D,
HorizonSpatialCrossAttention,
)
精度优化
量化精度
- 对模型中量化敏感的 Top30 个算子采用 Int16 精度量化：
Config 文件
if os.path.exists（pts_path）:
pts_table = torch.load（pts_path）
cali_qconfig_setter = （
sensitive_op_calibration_8bit_weight_16bit_act_qconfig_setter（
pts_table，
topk=30，
ratio=None，
），
default_calibration_qconfig_setter，
）
qat_qconfig_setter = （
sensitive_op_qat_8bit_weight_16bit_fixed_act_qconfig_setter（
pts_table，
topk=30，
ratio=None，
），
default_qat_fixed_act_qconfig_setter，
）
- QAT 训练采用固定较小的 learning rate 来 fine-tune，这里固定也即取消 LrUpdater Callback 的使用，配置如下：
Config 文件
float_lr = 6e-4
qat_lr = 1e-6
- 取消了公版模型 MapTRHead 中对于量化不友好的 inverse_sigmoid 操作；此外部署模型取消了 MapTRHead 中 reg_branches 输出和 reference 相加后再 sigmoid 的操作（该操作可以转移到部署后处理中完成）：
公版模型
class MapTRHead（DETRHead）:
...
def forward(...):
...
for lvl in range(hs.shape[0]):
if lvl == 0:
# import pdb;pdb.set_trace()
reference = init_reference
else:
reference = inter_references[lvl - 1]
reference = inverse_sigmoid(reference)
...
tmp = self.reg_branches
[lvl](...)
tmp[..., 0:2] += reference[...， 0:2]
tmp = tmp.sigmoid（） # cx，cy，w，h
地平线参考算法
class MapTRPerceptionDecoderv2（nn.Module）:
...
def get_outputs(...):
...
for lvl in range(len(outputs_classes)):
reference = reference_out[lvl].float()
# reference = inverse_sigmoid(reference)
...
tmp = bbox_outputs[lvl].float()
tmp[..., 0:2] += reference[..., 0:2]
tmp = tmp.sigmoid()
...
def forward(...):
outputs = self.bev_decoder(...)
if self.is_deploy:
return outputs
...
outputs = self.get_outputs(...)
...
return self._post_process(data, outputs)
其他优化
设计优化
- 在 View Transformer，使用 Bevformer 替换地平线支持不友好的公版 MapTRv2 基于 LSS 的 BEVPoolv2 来作为 PV 视角转 BEV 视角的方式；
- 在 View Transformer 的 BEV Encoder 模块取消了 BEV 特征的时序融合，也取消了 Bevformer 时序自注意力模块，模型整体精度不低于公版基于 Bevformer 的精度。
总结与建议
部署建议
- 遵循硬件对齐规则，一般的 tensor shape 对齐到 2 的幂次，conv-like 的算子 H 维度对齐到 8、W 维度对齐到 16、C 维度对齐到 32，若设计尺寸不满足对齐规则时会对 tensor 自动进行 padding，造成无效的算力浪费；
- 合理选择 BEV Grid 尺寸，征程6 平台的带宽得到增强，但仍需考虑 BEV Grid 尺寸对模型性能的影响，并且综合衡量模型精度预期，选择合适的 BEV Grid 尺寸以获得模型性能和精度的平衡；
- 优先选择 征程6 平台高效 Backbone 来搭建模型，高效 Backbone 经过在 征程6 平台的反复优化和验证，相比其他 Backbone 的选择，在性能和精度上可以同时取得出众的效果，因此选取 征程6 平台高效 Backbone 来搭建模型可以对整个场景模型带来性能和精度的增益。
总结
本文通过对 MapTRv2 进行地平线量化部署的优化，使得模型在 征程 6 计算平台上用较低的量化精度损失，获得单核 26.66 FPS 的部署性能。同时，MapTRv2 的部署经验可以推广到其他相似结构或相似使用场景模型的部署中。
对于地平线 MapTR 参考算法模型，Backbone 和 BEV 中融合方式等的优化仍在探索和实践中，Stay Tuned！
附录
- 公版论文：MapTR；
- 公版模型源码：GitHub-MapTR。
加入社区
更多推荐
18
0- 0
已为社区贡献33条内容
所有评论(0)