神經(jīng)渲染技術(shù)在自動(dòng)駕駛領(lǐng)域應(yīng)用

大家好，我是郭建非，是3DNR團(tuán)隊(duì)的負(fù)責(zé)人與 tech leader。

在本文中，我將為大家介紹團(tuán)隊(duì)過(guò)去一年中圍繞「神經(jīng)渲染技術(shù)在自動(dòng)駕駛領(lǐng)域應(yīng)用」的一些思考和研究成果。并且向大家展示團(tuán)隊(duì)自研的現(xiàn)實(shí)級(jí)三維重建/編輯/仿真渲染框架——neuralsim 的部分階段性成果。該框架將在不久的將來(lái)完成開(kāi)源。

1、自動(dòng)駕駛傳感器仿真，是落地的下一步棋

1.1、為什么需要自動(dòng)駕駛傳感器仿真？

近年來(lái)，自動(dòng)駕駛技術(shù)發(fā)展突飛猛進(jìn)，很多在實(shí)驗(yàn)室中的實(shí)驗(yàn)性項(xiàng)目已經(jīng)逐步走向市場(chǎng)大眾。然而時(shí)至今日，自動(dòng)駕駛技術(shù)仍然難以做到完全無(wú)人，甚至無(wú)法保證基本的安全性。究其根本，在于真實(shí)道路環(huán)境無(wú)限豐富，無(wú)法被窮舉、預(yù)測(cè)，存在著大量難以預(yù)測(cè)的邊界難例（Hard Corner Case）。

為了解決這個(gè)問(wèn)題，大量自動(dòng)駕駛公司通過(guò)海量路測(cè)來(lái)提高對(duì)邊界難例的覆蓋率，企圖通過(guò)遍歷這些危險(xiǎn)場(chǎng)景來(lái)提高自動(dòng)駕駛系統(tǒng)的實(shí)際安全性能。然而，想要通過(guò)路測(cè)來(lái)獲得足夠多的邊界難例，往往需要付出巨大的代價(jià)：難例的觸發(fā)效率呈邊際效應(yīng)遞減，而每一次觸發(fā)都有可能導(dǎo)致一起重大交通事故。 這些客觀條件都在限制著我們利用真實(shí)車輛在真實(shí)世界中完成海量路測(cè)和邊界難例的覆蓋挖掘，而通過(guò)「仿真測(cè)試」以低成本獲得邊界難例數(shù)據(jù)逐漸被認(rèn)為是解決自動(dòng)駕駛落地難的不二法門。 早期的仿真測(cè)試主要針對(duì)決策規(guī)劃模塊進(jìn)行，然而邊界難例不止存在于決策規(guī)劃系統(tǒng)中，感知系統(tǒng)也仍然存在無(wú)窮無(wú)盡的邊界難例。 2016年，一輛搭載著自動(dòng)駕駛系統(tǒng)的汽車徑直撞向了一輛半掛卡車，駕駛員當(dāng)場(chǎng)殞命。事后調(diào)查分析，自動(dòng)駕駛系統(tǒng)誤以為白色的卡車車廂是明亮的天空，導(dǎo)致避障算法失效并產(chǎn)生災(zāi)難性后果。足以窺見(jiàn)針對(duì)感知系統(tǒng)的傳感器數(shù)據(jù)仿真有時(shí)甚至比決策規(guī)劃仿真更為重要。

1.2、基于神經(jīng)渲染的重建、編輯與傳感器仿真框架

目前已有諸如 VTD、51 SimOne、NVIDIA DRIVE Sim 等針對(duì)感知系統(tǒng)的仿真和測(cè)試平臺(tái)。這些平臺(tái)大多基于游戲引擎，利用基于物理渲染的傳統(tǒng)圖形學(xué)管線進(jìn)行仿真渲染。然而，這種傳統(tǒng)方法存在一系列問(wèn)題。

由于圖形和當(dāng)前游戲管線的技術(shù)限制，構(gòu)建超真實(shí)的 3D 場(chǎng)景成本高昂，自動(dòng)化程度低，需要大量人力的介入，且周期較長(zhǎng)。針對(duì)這個(gè)問(wèn)題，部分方案引入攝影測(cè)量等傳統(tǒng) 3D 重建技術(shù)，來(lái)重建真實(shí)城市道路場(chǎng)景，但受限于自動(dòng)駕駛真實(shí)數(shù)據(jù)本身的特點(diǎn)，難以完成全場(chǎng)景的稠密重建和高質(zhì)量的真實(shí)渲染，需要進(jìn)行人為二次修正和加工。此外，也有通過(guò)過(guò)程生成等 3D 圖形技術(shù)，實(shí)現(xiàn)自動(dòng)化生成城市場(chǎng)景的方式，但這種方式同樣在復(fù)雜性、真實(shí)度上都和真實(shí)駕駛場(chǎng)景存在較大差異。

為此，3DNR團(tuán)隊(duì)（基礎(chǔ)算法）聯(lián)合商湯絕影團(tuán)隊(duì)（業(yè)務(wù)拓展優(yōu)化），構(gòu)建了一套直接利用真實(shí)車端數(shù)據(jù)的隱式重建和編輯仿真方案。我們的方案將實(shí)車采集的多視圖像、激光雷達(dá)數(shù)據(jù)轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)表示的3D場(chǎng)景庫(kù)和3D數(shù)字資產(chǎn)庫(kù)，基于隱表面神經(jīng)體渲染技術(shù)，能夠渲染以假亂真的相機(jī)圖像、激光雷達(dá)點(diǎn)云，實(shí)現(xiàn)「現(xiàn)實(shí)級(jí)」三維重建和仿真。并且，場(chǎng)景中的要素能夠自由地組合控制、軌跡編輯，泛化出新的場(chǎng)景，通過(guò)批量仿真渲染，可以產(chǎn)生高一致性的2D/3D傳感器數(shù)據(jù)和2D/3D/4D語(yǔ)義真值標(biāo)注，以服務(wù)于感知系統(tǒng)的測(cè)試和訓(xùn)練，邁向自動(dòng)駕駛數(shù)據(jù)閉環(huán)。我們致力于通過(guò)直接實(shí)現(xiàn)盡可能全自動(dòng)的、高一致性的三維重建，大大減少渲染仿真數(shù)據(jù)與真實(shí)場(chǎng)景的領(lǐng)域差異，通過(guò) sim≈real 的思路直接避免 sim2real 的 gap。

整體工作思路

在下文中，我將依次按照「照片級(jí)前背景聯(lián)合重建」「高效的傳感器仿真&語(yǔ)義真值仿真」「場(chǎng)景編輯與數(shù)據(jù)閉環(huán)」 三個(gè)章節(jié)的順序來(lái)介紹我們的工作。

整體成果概覽2、照片級(jí)前背景聯(lián)合隱式三維重建2.1、多幀多模態(tài)多視圖三維重建我們可以直接利用實(shí)車采集數(shù)據(jù)，實(shí)現(xiàn)對(duì)真實(shí)街景的前背景聯(lián)合三維重建。為了方便與學(xué)界業(yè)界交流對(duì)比，我們直接使用 waymo 公開(kāi)的學(xué)術(shù)開(kāi)源數(shù)據(jù)集 waymo-perception 數(shù)據(jù)集進(jìn)行效果展示。

waymo-perception 數(shù)據(jù)集包含約800個(gè)訓(xùn)練集序列，我們挑選了其中3-4個(gè)序列進(jìn)行展示；每個(gè)序列長(zhǎng)度200幀左右，我們使用序列原始數(shù)據(jù)中的 前向、左前、右前 3個(gè)機(jī)位的環(huán)視相機(jī)圖像數(shù)據(jù) 和頂部激光雷達(dá)數(shù)據(jù)，以及對(duì)應(yīng)的傳感器內(nèi)外參數(shù)據(jù)、自車位姿數(shù)據(jù)進(jìn)行多視圖三維重建。 以 waymo perception - 405841xx 序列為例：

waymo perception -segment405841xx
原始數(shù)據(jù)（節(jié)選）真值

我們的多視圖重建方法主要利用多幀圖像數(shù)據(jù)進(jìn)行；激光雷達(dá)數(shù)據(jù)主要是為地面的高度和三維結(jié)構(gòu)補(bǔ)充必要的消歧信息，因此并不要求激光雷達(dá)涵蓋相機(jī)的全部視野。對(duì)于我們使用的 waymo-perception 數(shù)據(jù)集而言，在上圖中也可以看到，如果將激光雷達(dá)點(diǎn)云投射到相機(jī)圖像中，激光雷達(dá)點(diǎn)云只涵蓋了圖像下半部分的視野。

下面的視頻展示了該場(chǎng)景下我們的隱式三維重建的質(zhì)量和神經(jīng)渲染的效果?？梢钥吹?，我們的方法能夠?qū)崿F(xiàn)以假亂真的三維重建和渲染質(zhì)量。

如果場(chǎng)景中包含動(dòng)態(tài)要素（如他車、行人），大多數(shù)傳統(tǒng)的針對(duì)純靜態(tài)場(chǎng)景的多視圖重建工作將不再適用。但是，如果說(shuō)「沒(méi)有街景背景不能稱作自動(dòng)駕駛」，那么「沒(méi)有豐富的前景物體參與交通更不能被稱之為自動(dòng)駕駛」。

因此，我們顯式地區(qū)分構(gòu)建了整體的靜態(tài)背景和動(dòng)態(tài)前景兩套3D表征，并設(shè)計(jì)了一套高效的多物體可微渲染框架。并且，我們通過(guò)預(yù)先針對(duì)前景物體類別構(gòu)建3D類別先驗(yàn)的方式，解決了前景少視角重建的病態(tài)問(wèn)題，實(shí)現(xiàn)了只依賴三維跟蹤檢測(cè)框標(biāo)注（3D Tracklet）、無(wú)需2D圖像分割標(biāo)注，即可對(duì)場(chǎng)景中的前景和背景進(jìn)行聯(lián)合的隱式三維重建。

以 waymo perception - 767010xxx 序列為例：

waymo perception-segment 767010xx
原始數(shù)據(jù)（節(jié)選）真值 在下面的視頻中可以看到，即使面對(duì)包含動(dòng)態(tài)前景物體的復(fù)雜街景數(shù)據(jù)序列，我們可以在前景和背景均達(dá)到較高的重建質(zhì)量和渲染效果。

下面的視頻中，展示了在更多的 waymo-perception 序列場(chǎng)景下，我們的方法在完整重建后再回放渲染的效果：

2.2、背景新視角合成

除了回放再渲染外，驗(yàn)證重建質(zhì)量的另一個(gè)重要方式是新視角合成（Novel View Synthesis）。在下面的視頻中，展示了讓自車在重建好的場(chǎng)景中自由地螺旋穿梭前進(jìn)時(shí)的多模態(tài)傳感器渲染仿真效果：

2.3、前景新視角合成不止背景，重建好的前景也可以進(jìn)行新視角合成，如下圖所示：

自動(dòng)駕駛場(chǎng)景下，前景物體普遍面臨觀測(cè)視角少、不均勻的問(wèn)題。直接對(duì)前景物體從頭開(kāi)始（learn from scratch）的三維重建是個(gè)高度病態(tài)的問(wèn)題。

因此，我們利用開(kāi)源類別泛化多視數(shù)據(jù)集，預(yù)先構(gòu)建了三維生成模型（3DGAN），構(gòu)建了車輛、行人等交通參與要素的3D形狀與外觀的類別先驗(yàn)。這樣的生成模型可以理解為一個(gè) 「實(shí)例個(gè)數(shù)=∞」 的數(shù)字資產(chǎn)庫(kù)（i.e. 每一個(gè)隨機(jī)噪聲對(duì)應(yīng)一個(gè)獨(dú)特實(shí)例）。

之后，即可利用三維生成模型的逆向過(guò)程，在這個(gè)數(shù)字資產(chǎn)庫(kù)中可微地 “檢索” 出一個(gè)符合實(shí)際觀測(cè)的實(shí)例，完成少視角重建過(guò)程，如下圖所示。

在我們的實(shí)際應(yīng)用中，上述前景重建過(guò)程和背景的重建是同時(shí)進(jìn)行的。得益于先前構(gòu)建的3D類別先驗(yàn)，我們的方法能夠只依賴3D跟蹤檢測(cè)框標(biāo)注進(jìn)行前背景聯(lián)合重建，而不需要圖像實(shí)例分割。 3、高效的傳感器仿真和語(yǔ)義真值仿真不同于 NeRF 原始的體密度 (Volume density)形狀表達(dá)，我們選擇和拓展了 對(duì)仿真編輯和圖形引擎更友好的 SDF 隱表面表示 (e.g. NeuS），使得場(chǎng)景的3D幾何表示有明確的表面定義和深度概念。

在下圖中，我們利用相機(jī)對(duì)隱表面神經(jīng)渲染得到的深度，直接對(duì)相機(jī)2D像素升維得到3D點(diǎn)云，然后將每一幀的相機(jī)圖像對(duì)應(yīng)的3D點(diǎn)云拼接在一起，進(jìn)行可視化展示?？梢钥吹?，我們的隱表面神經(jīng)渲染技術(shù)具有較高的多視一致性。

利用重建得到的高一致性的3D場(chǎng)景幾何與3D場(chǎng)景外觀，我們得以仿真高度真實(shí)的新傳感器的數(shù)據(jù)。

3.1、相機(jī)模型仿真渲染利用重建好的場(chǎng)景，我們可以仿真渲染新的相機(jī)模型的圖像。在下圖中，展示了我們將 waymo 序列原相機(jī)的 51° 的視場(chǎng)角逐漸提升到 109°，并加上一定的超廣角畸變后，對(duì)一個(gè)109°視場(chǎng)角的超廣角相機(jī)模型進(jìn)行仿真渲染。

3.2、激光雷達(dá)模型仿真渲染 利用與現(xiàn)實(shí)高度一致的場(chǎng)景與物體的3D幾何形狀，我們可以對(duì)不同于原序列的新的激光雷達(dá)模型進(jìn)行仿真渲染。在下面的視頻中，我們對(duì)重建好的 waymo-767010xxx 序列，仿真渲染8款不同于原序列的激光雷達(dá)模型的點(diǎn)云數(shù)據(jù)。這些新的激光雷達(dá)模型包括機(jī)械旋轉(zhuǎn)式、固態(tài)、棱鏡式等多種不同類型。 3.3、2D/3D/4D語(yǔ)義仿真得益于我們?cè)O(shè)計(jì)的多物體渲染框架，我們還能夠仿真產(chǎn)生多幀的2D/3D的語(yǔ)義真值標(biāo)注。

根據(jù)相機(jī)渲染過(guò)程中，逐2D像素對(duì)應(yīng)的3D光線和不同物體3D幾何的相交關(guān)系和順序，可以渲染產(chǎn)生圖像2D實(shí)例分割標(biāo)注；同理，根據(jù)激光雷達(dá)渲染過(guò)程中，逐LiDAR光束和不同物體3D幾何的相交關(guān)系和順序，可以渲染產(chǎn)生激光雷達(dá)點(diǎn)云3D實(shí)例分割標(biāo)注。

在下面的視頻中，針對(duì)重建好的 waymo-767010xxx 序列，展示了我們方法仿真渲染圖像、仿真渲染多幀圖像2D實(shí)例分割標(biāo)注、仿真渲染多幀LiDAR 3D實(shí)例分割 (i.e. 4D語(yǔ)義標(biāo)注)的效果：

3.4、高效渲染與仿真我們?cè)谏窠?jīng)體渲染底層技術(shù)棧中鋪設(shè)了若干基礎(chǔ)建設(shè)式的創(chuàng)新。我們吸納了分層局部隱式神經(jīng)表征的思想，設(shè)計(jì)了分塊表征與塊間連續(xù)性保證算法，并利用自舉更新的占用格對(duì)體渲染中的光線采樣過(guò)程進(jìn)行加速。這些創(chuàng)新除了讓我們達(dá)到前文所展示的重建質(zhì)量外，還使得我們的神經(jīng)渲染過(guò)程達(dá)到接近實(shí)時(shí)的效率。

下圖簡(jiǎn)單展示了我們的重建方法的分塊表征以及可鼠標(biāo)交互的實(shí)時(shí)神經(jīng)渲染：

我們針對(duì)前景設(shè)計(jì)的3DGAN模型同樣實(shí)現(xiàn)了一套利用占用格的批量(batched)光線采樣加速算子，顯著提升了前背景多物體聯(lián)合渲染的效率。 4、場(chǎng)景編輯與數(shù)據(jù)閉環(huán)4.1、隨意的可控顯式/隱式編輯我們的方法將前景和背景都解耦地視作獨(dú)立的可渲染物體。因此，我們可以對(duì)場(chǎng)景中的任一物體模型進(jìn)行隨意的操作和編輯，如下面視頻所示： 除了前面展示的針對(duì)場(chǎng)景中物體的顯式編輯方式外，我們也初步探索了在語(yǔ)義層面的風(fēng)格化編輯，如下面視頻所示： 4.2、軌跡編輯與場(chǎng)景泛化結(jié)合動(dòng)態(tài)場(chǎng)景庫(kù)和軌跡規(guī)劃算法，我們還可以對(duì)場(chǎng)景中的自車和他車進(jìn)行更符合常理的編輯，即仿真新的駕駛行為。

在下面的視頻中，我們依次展示了「左車突然切入(cut in)」，「右車闖紅燈」，「前車急停追尾」 3種不同的場(chǎng)景編輯方式，渲染其在“平行宇宙” 中的虛擬交通事件。

以其中的「左車突然切入(cut in)」場(chǎng)景為例，下面這個(gè)視頻展示了對(duì)編輯后的場(chǎng)景的多模態(tài)傳感器仿真結(jié)果：（相機(jī)、深度傳感器、8款激光雷達(dá)模型）

在今后，我們可以更進(jìn)一步地利用實(shí)車數(shù)據(jù)擴(kuò)充3D場(chǎng)景庫(kù)、擴(kuò)充前景數(shù)字資產(chǎn)庫(kù)，從而泛化出更多新的物體組合和場(chǎng)景序列。搭配前述 「一次重建、終身受用」的新相機(jī)、新激光雷達(dá)模型仿真渲染范式，我們的方案最終能夠按照給定的場(chǎng)景、給定的物體組合、給定的軌跡、給定的傳感器模型定制化地渲染出海量高度真實(shí)的傳感器數(shù)據(jù)和語(yǔ)義真值，從而逐漸達(dá)成我們構(gòu)想的通過(guò)傳感器數(shù)據(jù)仿真大大提升自動(dòng)駕駛測(cè)試效率和質(zhì)量的愿景。 5、寫在最后神經(jīng)渲染技術(shù)作為新興領(lǐng)域，成功地構(gòu)建起了場(chǎng)景表征與成像過(guò)程之間的可微橋梁，能夠很好地結(jié)合不同領(lǐng)域的先驗(yàn)知識(shí)，使得圖像相關(guān)的機(jī)器學(xué)習(xí)研究逐漸走向可解釋、可控可編輯的3D語(yǔ)義時(shí)代。我們堅(jiān)信，不僅僅是自動(dòng)駕駛，神經(jīng)渲染技術(shù)將在越來(lái)越多的領(lǐng)域走向成熟應(yīng)用。

我們3DNR團(tuán)隊(duì)將繼續(xù)以自動(dòng)駕駛數(shù)據(jù)閉環(huán)為理想目標(biāo)，沿途下蛋挖掘攻關(guān)基礎(chǔ)學(xué)術(shù)關(guān)鍵點(diǎn)，并秉持開(kāi)源和共享精神，與學(xué)界業(yè)界共同學(xué)習(xí)共同進(jìn)步。

審核編輯 ：李倩