该示例为参考算法，仅作为在征程 6 上模型部署的设计参考，非量产算法

一、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（征程 6）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。

二、性能精度指标

模型配置：

在这里插入图片描述

性能精度表现：
在这里插入图片描述

  1. 预测的地图元素：“divider”，“ped_crossing”，“boundary”；
  2. maptrv2_resnet50_bevformer_nuscenes 默认使用 Lidar 坐标系，和公版保持一致，同时适配 ego 坐标系；maptroe_henet_tinym_bevformer_nuscenes 默认使用 ego 坐标系，增加了 sdmap 的输入融合；
  3. 量化配置 TopK：前 K 个量化敏感的算子；默认 int8 模板：与 grid 相关算子设置 int16，其他均设置 int8

三、公版模型介绍

3.1 MapTR

在这里插入图片描述

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。

3.2 MapTRv2在这里插入图片描述

MapTRv2 在 MapTR 的基础上增加了新的特性：

  1. 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；
  2. 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；
  3. 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；
  4. 引入新的地图元素车道中心线（centerline）；
  5. 增加 3D 地图元素预测能力，并提供 Argoverse2 数据集上的指标。

四、地平线部署说明

地平线参考算法使用流程请参考征程 6 参考算法使用指南；对应高效模型设计建议请参考《征程 6 平台算法设计建议》

MapTROE 模型引入了 SD map 的前融合结构，与图像视角转换后的 bev feature 进行融合，再通过优化后的 MapTR head 生成矢量化的地图元素。整体结构如下：

在这里插入图片描述

因此 maptroe_henet_tinym_bevformer_nuscenes 模型相比之前版本新增了如下优化点：

  • 引入 SD map 前融合，提升模型整体精度表现（精度指标提升 7+）；
  • MapTR Head 部分优化为 Instance Head，在精度相当的情况下性能提升 35%；
  • 采用征程 6 芯片高效 backbone HENet_tinym，在精度轻微提升的情况下极大提高了性能；
  • View Transformer 采用优化版 bevformer，在精度相当的情况下提高了性能。

maptroe_henet_tinym_bevformer_nuscenes 模型对应的代码路径：

在这里插入图片描述

4.1 性能优化

4.1.1 Backbone

MapTROE 采用基于征程 6 芯片的高效轻量化 Backbone HENet_TinyM（Hybrid Efficient Network， Tiny for J6M），HENet 能更好地利用征程 6 系列芯片的算力，在模型精度和性能上更具优势。HENet_TinyM 采用了纯 CNN 架构，总体分为四个 stage，每个 stage 会进行一次 2 倍下采样，具体结构配置如下：

# henet-tinym
depth = [4, 3, 8, 6]
block_cls = ["GroupDWCB", "GroupDWCB", "AltDWCB", "DWCB"]
width = [64, 128, 192, 384]
attention_block_num = [0, 0, 0, 0]
mlp_ratios, mlp_ratio_attn = [2, 2, 2, 3], 2
act_layer = ["nn.GELU", "nn.GELU", "nn.GELU", "nn.GELU"]
use_layer_scale = [True, True, True, True]
extra_act = [False, False, False, False]
final_expand_channel, feature_mix_channel = 0, 1024
down_cls = ["S2DDown", "S2DDown", "S2DDown", "None"]
patch_embed = "origin"

4.1.2 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。

4.1.3 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深度优化后 Bevformer 的 View Transformer 部分。

  1. 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。
  2. BEV 特征编码： a。 默认 prev_bev 由 cur_bev 改为全 0； b. 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； c. 取消了 bev_query 初始化部分和 can_bus 的融合；
# 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
        ...

d. 取消了公版的 TemporalSelfAttention，改为 HorizonMSDeformableAttention，保持精度的同时提升速度；

# 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
                    ...
                ),
            )
        )
    )
)

e. 支持公版 Bevformer 中的 bev_mask，并将涉及到的 gather/scatter 操作，用 gridsample 等价替换，提高模型速度。

# 地平线参考算法Config
view_transformer=dict(
    type="SingleBevFormerViewTransformer",
    ...
    max_camoverlap_num=2, # 对应根据bev_mask进行稀疏映射，提高运行效率，对应改动2.e
    virtual_bev_h=int(0.4 * bev_h_),
    virtual_bev_w=bev_w_,
    ...
)

4.1.4 Head

公版 MapTR 使用分层 query 机制，定义一组 instance queries 和由所有 instance 共享的 point queries，每个地图元素对应一组分层 query（一个 instance query 和共享的 point queries 广播相加得到），在 decoder layer 中分别使用 self-attention 和 cross-attention 来更新分层 query。

MapTROE 的改进则是为每个地图元素分配一个 instance query（无直接 point query），每个 query 用于编码语义信息和地理位置信息，decoder 阶段和公版 MapTR 一样，分别进行 multi-head self-attention 和 deformable cross-attention，最后每个 instance query 通过 MLP 网络生成类别信息和元素内的点集坐标，相比公版预测分层 query，改进后直接预测 instance query 带来的计算量更少，极大地提高了模型在端侧的运行性能。同时借鉴 StreamMapNet，使用多点注意力方法来适应高度不规则的地图元素，扩大感知范围。代码见/usr/local/lib/python3.10/dist-packages/hat/models/task_modules/maptr/instance_decoder.py: class MapInstanceDetectorHead(nn.Module)

4.1.5 多点注意力

在这里插入图片描述

传统的可变形注意力为每个 query 分配一个参考点，多点注意力则使用前一层预测的地图元素的多个点作为当前层 query 的参考点，具体计算方式是在点维度上扩展了一层求和，将一个点变成多个点，分别计算 deformable attention。回归的时候并非预测 offsets，而是直接预测地图元素点的坐标位置。

4.1.6Attention

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,
    ...
)

4.2 精度优化

4.2.1 浮点精度

MapTROE 模型引入 SD Map 前融合，与图像转换后的 bev feature 进行融合，以提高在线地图的生成质量。模块结构如下图所示：

在这里插入图片描述

4.2.1.1 SD Map 特征提取

SD Map 从 OpenStreetMap（OSM）中获取，通过由 GPS 提供的车辆位姿，查询车辆当前位姿附近的 SD Map，然后将 SD Map 转换到自车坐标系下，与 NuScenes 中的数据标注坐标系保持一致。SD Map 会从车道中心骨架线 Polyline 的形式转化为栅格结构，大小和 BEV 特征相同，经过 CNN 变成特征图，对应 SD Map 的先验信息。

4.2.1.2 SD Map 特征融合

栅格化后的 SD Map 和实际场景可能会出现错位、不对齐的情况，这种错位导致直接 Concatenate BEV 特征和 SD Map 特征的效果并不好，为了解决这个问题，引入了特征融合模块，通过网络学习来决定最适合的对齐方式，可以有效地利用 SD Map 先验提升 BEV 特征的效果。关于特征融合模块，分别实验了交叉注意力与 CNN 网络，通过精度与性能的平衡，最后选择了 CNN 网络模块。

4.3 量化精度

1.maptroe_henet_tinym_bevformer_nuscenes 模型默认使用 int8 模板，也即与 grid 相关算子设置 int16，其他均设置 int8，相比 maptrv2_resnet50_bevformer_nuscenes 的量化配置，int16 量化的算子更少，模型端侧性能更高

# Config文件
cali_qconfig_setter = (default_calibration_qconfig_setter,)
qat_qconfig_setter = (default_qat_fixed_act_qconfig_setter,)

2.浮点阶段采用更大的 weight decay 训练，使浮点数据分布范围更小，浮点模型参数更有利于量化

# Config文件
float_trainer = dict(
    ...
    optimizer=dict(
        ...
        weight_decay=0.1, # 相比maptrv2_resnet50_bevformer_nuscenes增大了10倍
    ),
    ...
)

3.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
qat_lr = 1e-9

4.取消了公版模型 MapTRHead 中对于量化不友好的 inverse_sigmoid 操作；此外 MapTROE 对 Head 的优化无需再引入 reg_branches 输出和 reference 相加后再 sigmoid 的操作：

# 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 MapInstanceDetectorHead(nn.Module):
    ...
    def get_outputs(...):
        ...
        for lvl in range(len(outputs_classes)):
            tmp = reference_out[lvl].float()

            outputs_coord, outputs_pts_coord = self.transform_box(tmp)
            outputs_class = outputs_classes[lvl].float()

            outputs_classes_one2one.append(
                outputs_class[:, 0 : self.num_vec_one2one]
            )
            outputs_coords_one2one.append(
                outputs_coord[:, 0 : self.num_vec_one2one]
            )
            outputs_pts_coords_one2one.append(
                outputs_pts_coord[:, 0 : self.num_vec_one2one]
            )

            outputs_classes_one2many.append(
                outputs_class[:, self.num_vec_one2one :]
            )
            outputs_coords_one2many.append(
                outputs_coord[:, self.num_vec_one2one :]
            )
            outputs_pts_coords_one2many.append(
                outputs_pts_coord[:, self.num_vec_one2one :]
            )
    ...        
    def forward(...):
        outputs = self.bev_decoder(...)
        if self.is_deploy:
            return outputs
        ...
        outputs = self.get_outputs(...)
        ...
        return self._post_process(data, outputs)

5.Attention 结构优化，通过数值融合方法，将部分数值运算提前进行融合，减少整体的量化操作，提高模型的量化友好度

4.4 其他优化

4.4.1 设计优化

  1. 在 Backbone 和 Neck，使用地平线征程 6 平台高效的 HENet 结构以及优化后的 FPN 结构，提高了模型在端侧的性能表现；
  2. 在公版 MapTR 的基础上，引入 SD Map 前融合，为地图要素预测提供了丰富的先验信息，极大提高了模型的精度表现；
  3. 在 View Transformer，使用深度优化过的 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；
  4. 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；
  5. Head 部分取消了公版基于分层 query 的 decoder 机制，取消 point query 使用简洁的直接基于 instance query 的预测，同时 decoder layer 采用公版 MapTRv2 的解耦自注意力优化。

五、总结与建议

5.1 部署建议

  1. 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；
  2. 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；
  3. 优先选择征程 6 平台高效结构来搭建模型，例如本文所选取的 HENet Backbone 和 Bevformer View Transformer，高效结构经过在征程 6 平台的反复优化和验证，相比其他选择，在性能和精度上可以同时取得出众的效果。

5.2 总结

本文通过对 MapTR 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，最优获得征程 6M 单核 93.77 FPS 的部署性能。同时，MapTR 系列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，结合 Sparse Bev 等的优化方向仍在探索和实践中，Stay Tuned！

六、附录

  1. 公版论文：MapTR；
  2. 公版模型源码：GitHub-MapTR。
# 目标检测 # 算法 # 人工智能 # 自动驾驶
Logo
地平线开发者

加入社区

更多推荐

cover

智能驾驶感知算法任务简介

avatar 地平线开发者
cover

BEV 感知算法评价指标简介

avatar 地平线开发者
cover

地平线高效 backbone: HENet - V1.0

avatar 地平线开发者