1. 解决了什么问题？

单帧数据包含的信息很有限，制约了目前基于视觉的多相机 3D 目标检测方法的性能，尤其是关于速度预测任务，要远落后于基于 LiDAR 和 radar 的方法。

2. 提出了什么方法？

BEVDet4D 将 BEVDet 方法从 3D 扩展到时间+空间的 4D 范畴。作者改进了 BEVDet 框架，在当前帧的特征中融合了之前帧的特征，只增加了少量的计算成本。BEVDet4D 简化了速度预测问题，将其看作为相邻帧特征之间的位置偏移预测问题。如下图，它保留了之前帧的 BEV 特征，将其与当前帧的特征通过空间对齐与 concat 操作融合。

2.1 网络结构

BEVDet 包括 4 个模块：image-view encoder、view transformer、BEV encder、task-specific head。为了融入时间信息，BEVDet4D 保留了 view transformer 对之前帧生成的特征。然后进行对齐，和当前帧的特征完成融合。View transformer 生成的特征对于后续模块来说，过于稀疏、粗糙。因此在时域融合操作前，有一个调整候选特征的 BEV 编码器，包括 2 个残差单元，通道数和输入特征数一致。

2.2 Simplify the Velocity Learning Task

符号定义 全局坐标系为$O_g-XYZ$，自身坐标系为$O_{e(T)}-XYZ$，目标坐标系为$O_{t(T)}-XYZ$。如上图，作者构建了一个虚拟场景，包括一辆运动中的 ego 车辆和两个目标车辆。在世界坐标系内，一个目标车辆是静止的（即$O_s-XYZ$绿色框），一个目标车辆是运动状态的（即$O_m-XYZ$蓝色框）。两个相邻帧（第$T-1$帧和第$T$帧）的物体通过透明度区分。物体的位置表示为${\text{P}}^x(t)$， x ∈ { g , e ( T ) , e ( T − 1 ) } x\in\lbrace g,e(T),e(T-1)\rbrace x∈{g,e(T),e(T−1)}表示坐标系。 t ∈ { T , T − 1 } t\in\lbrace T,T-1\rbrace t∈{T,T−1}表示时间戳。${\text{T}}_{src}^{dst}$表示从源坐标系到目标坐标系的变换。
本文方法不是直接预测目标的速度，而是预测相邻帧之间目标物体的平移量。排除了时间因素，任务就简化了，根据两个 BEV 特征间的差异就可计算出位置的移动。此外，该方法学习的位置移动与 ego 车辆自身的运动是没有关系的，因为 ego 的运动会让目标物体位置移动的分布变得很复杂。
如上图所示，由于 ego 的运动，原本在世界坐标系是静止的物体，在 ego 坐标系就成了运动的了。View transformer 对两个相邻帧生成特征，由于 ego 运动，它们在世界坐标系的感受野是不同的。一个静止物体在前后两帧的世界坐标系位置是${\text{P}}_s^g(T)$和$P_s^g(T-1)$。位置的移动可以表示为：
$$\begin{array}{rl}& {\text{P}}_s^{e(T)}(T)-{\text{P}}_s^{e(T-1)}(T-1)\\ =& {\text{T}}_g^{e(T)}{\text{P}}_s^g(T)-{\text{T}}_g^{e(T-1)}{\text{P}}_s^g(T-1)\\ =& {\text{T}}_g^{e(T)}{\text{P}}_s^g(T)-{\text{T}}_{e(T)}^{e(T-1)}{\text{T}}_g^{e(T)}{\text{P}}_s^g(T-1)\end{array}$$

根据上面等式，如果直接将 2 个特征 concat，后续模块的学习目标（即物体在两个特征图的位置偏移）就包含了 ego 运动（即${\text{T}}_{e(T)}^{e(T-1)}$）。为了避免，作者利用${\text{T}}_{e(T-1)}^{e(T)}$对相邻帧的物体进行变换，排除 ego 运动的影响。

$$\begin{array}{rl}& {\text{P}}_s^{e(T)}(T)-{\text{T}}_{e(T-1)}^{e(T)}{\text{P}}_s^{e(T-1)}(T-1)\\ =& {\text{T}}_g^{e(T)}{\text{P}}_s^g(T)-{\text{T}}_{e(T-1)}^{e(T)}{\text{T}}_{e(T)}^{e(T-1)}{\text{T}}_g^{e(T)}{\text{P}}_s^g(T-1)\\ =& {\text{T}}_g^{e(T)}{\text{P}}_s^g(T)-{\text{T}}_g^{e(T)}{\text{P}}_s^g(T-1)\\ =& {\text{P}}_s^{e(T)}(T)-{\text{P}}_s^{e(T)}(T-1)\end{array}$$
根据上面等式，学习目标定为了当前帧 ego 坐标系中的物体运动，与 ego 运动就没关系了。该等式的对齐操作通过特征对齐实现。给定之前帧的候选特征$\mathcal{F}(T-1,{\text{P}}^{e(T-1)})$以及当前帧的$\mathcal{F}(T,{\text{P}}^{e(T)})$，通过下面等式实现对齐特征：
$${\mathcal{F}}^{\prime }(T-1,{\text{P}}^{e(T)})=\mathcal{F}(T-1,{\text{T}}_{e(T)}^{e(T-1)}{\text{P}}^{e(T)})$$

${\text{T}}_{e(T)}^{e(T-1)}{\text{P}}^{e(T)}$在特征$\mathcal{F}(T-1,{\text{P}}^{e(T-1)})$上可能不是一个有效的位置，因此需要使用双线性插值。

3. 有什么优点？

BEVDet4D 预测 velocity 的错误率降低了$-62.9\%$，与那些基于 LiDAR 或 radar 的方法表现相近。在 nuScenes 基准上取得了$54.5\%$NDS。