無論是單調(diào)的高速行車，還是平日的短途出行，駕駛過程往往平淡無奇。因此，在現(xiàn)實(shí)世界中采集的用于開發(fā)自動駕駛汽車（AV）的大部分訓(xùn)練數(shù)據(jù)都明顯偏向于簡單場景。

這給部署魯棒的感知模型帶來了挑戰(zhàn)。自動駕駛汽車必須接受全面的訓(xùn)練、測試和驗(yàn)證，以便能夠應(yīng)對復(fù)雜的場景，而這需要大量涵蓋此類場景的數(shù)據(jù)。

在現(xiàn)實(shí)世界中，收集此類場景數(shù)據(jù)要耗費(fèi)大量時(shí)間和成本。而現(xiàn)在，仿真提供了另一個(gè)可選方案。但要大規(guī)模生成復(fù)雜動態(tài)場景仍然困難重重。

在近期發(fā)布的一篇論文中，NVIDIA Research 展示了一種基于神經(jīng)輻射場（NeRF）的新方法——EmerNeRF 及其如何使用自監(jiān)督學(xué)習(xí)準(zhǔn)確生成動態(tài)場景。通過自監(jiān)督方法訓(xùn)練，EmerNeRF 在動靜態(tài)場景重建上的表現(xiàn)超越了之前其他 NeRF 方法。詳細(xì)情況請參見 EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision。

圖 1. EmerNeRF 重建動態(tài)駕駛場景的示例

相比其他 NeRF 重建方法，EmerNeRF 的動態(tài)場景重建準(zhǔn)確率高出 15%，靜態(tài)場景高出 11%。新視角合成的準(zhǔn)確率也高出 12%。

打破 NeRF 方法的局限性

NeRF 將一組靜態(tài)圖像重建成逼真的 3D 場景。這使得依據(jù)駕駛?cè)罩局亟ㄓ糜?DNN 訓(xùn)練、測試驗(yàn)證的高保真仿真環(huán)境成為可能。

然而，目前基于 NeRF 的重建方法在處理動態(tài)物體時(shí)十分困難，而且實(shí)踐證明難以擴(kuò)展。例如有些方法可以生成靜態(tài)和動態(tài)場景，但它們依賴真值（GT）標(biāo)簽。這就意味著必須使用自動標(biāo)注或人工標(biāo)注員先來準(zhǔn)確標(biāo)注出駕駛?cè)罩局械拿總€(gè)物體。

其他 NeRF 方法則依賴于額外的模型來獲得完整的場景信息，例如光流。

為了打破這些局限性，EmerNeRF 使用自監(jiān)督學(xué)習(xí)將場景分解為靜態(tài)、動態(tài)和流場（flow fields）。該模型從原始數(shù)據(jù)中學(xué)習(xí)前景、背景之間的關(guān)聯(lián)和結(jié)構(gòu)，而不依賴人工標(biāo)注的 GT 標(biāo)簽。然后，對場景做時(shí)空渲染，并不依賴外部模型來彌補(bǔ)時(shí)空中的不完整區(qū)域，而且準(zhǔn)確性更高。

圖 2. EmerNeRF 將圖 1 第一段視頻中的場景分解為動態(tài)場、靜態(tài)場和流場

因此，其他模型往往會產(chǎn)生過于平滑的背景和精度較低的動態(tài)物體（前景），而 EmerNeRF 則能重建高保真的背景及動態(tài)物體（前景），同時(shí)保留場景的細(xì)節(jié)。

表 1. 將 EmerNeRF 與其他基于 NeRF 的動態(tài)場景重建方法進(jìn)行比較后的評估結(jié)果，分為場景重建性能和新視角合成性能兩個(gè)類別

表 2. 將 EmerNeRF 與其他基于 NeRF 的靜態(tài)場景重建方法進(jìn)行比較后的評估結(jié)果

EmerNeRF 方法

EmerNeRF 使用的是自監(jiān)督學(xué)習(xí)，而非人工注釋或外部模型，這使得它能夠避開之前方法所遇到的難題。

圖 3.EmerNeRF 分解和重建管線

EmerNeRF 將場景分解成動態(tài)和靜態(tài)元素。在場景分解的同時(shí)，EmerNeRF 還能估算出動態(tài)物體（如汽車和行人）的流場，并通過聚合流場在不同時(shí)間的特征以進(jìn)一步提高重建質(zhì)量。其他方法會使用外部模型提供此類光流數(shù)據(jù)，但通常會引入偏差。

通過將靜態(tài)場、動態(tài)場和流場結(jié)合在一起，EmerNeRF 能夠充分表達(dá)高密度動態(tài)場景，這不僅提高了重建精度，也方便擴(kuò)展到其他數(shù)據(jù)源。

使用基礎(chǔ)模型加強(qiáng)語義理解

EmerNeRF 對場景的語義理解，可通過（視覺）基礎(chǔ)大模型監(jiān)督進(jìn)一步增強(qiáng)?；A(chǔ)大模型具有更通用的知識（例如特定類型的車輛或動物）。EmerNeRF 使用視覺 Transformer（ViT）模型，例如 DINO， DINOv2，將語義特征整合到場景重建中。

這使 EmerNeRF 能夠更好地預(yù)測場景中的物體，并執(zhí)行自動標(biāo)注等下游任務(wù)。

圖 4. EmerNeRF 使用 DINO 和 DINOv2 等基礎(chǔ)模型加強(qiáng)對場景的語義理解

不過，基于 Transformer 的基礎(chǔ)模型也帶來了新的挑戰(zhàn)：語義特征可能會表現(xiàn)出與位置相關(guān)的噪聲，從而大大限制下游任務(wù)的性能。

圖 5. EmerNeRF 使用位置嵌入消除基于 Transformer 的基礎(chǔ)模型所產(chǎn)生的噪聲

為了解決噪聲問題，EmerNeRF 通過位置編碼分解來恢復(fù)無噪聲的特征圖。如圖 5 所示，這樣就解鎖了基礎(chǔ)大模型在語義特征上全面、準(zhǔn)確的表征能力。

評估 EmerNeRF

正如 EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision 中所述，研究人員整理出了一個(gè)包含 120 個(gè)獨(dú)特場景的數(shù)據(jù)集來評估 EmerNeRF 的性能，這些場景分為 32 個(gè)靜態(tài)場景、32 個(gè)動態(tài)場景和 56 個(gè)多樣化場景，覆蓋了高速、低光照等具有挑戰(zhàn)性的場景。

然后根據(jù)數(shù)據(jù)集的不同子集，評估每個(gè) NeRF 模型重建場景和合成新視角的能力。

如表 1 所示，據(jù)此，EmerNeRF 在場景重建和新視角合成方面的表現(xiàn)始終明顯優(yōu)于其他方法。

EmerNeRF 的表現(xiàn)還優(yōu)于專門用于靜態(tài)場景的方法，這表明將場景分解為靜態(tài)和動態(tài)元素的自監(jiān)督分解既能夠改善靜態(tài)重建，還能夠改善動態(tài)重建。

總結(jié)

自動駕駛仿真只有在能夠準(zhǔn)確重建現(xiàn)實(shí)世界的情況下才會有效。隨著場景的日益動態(tài)化和復(fù)雜化，對保真度的要求也越來越高，而且更難實(shí)現(xiàn)。

與以前的方法相比，EmerNeRF 能夠更準(zhǔn)確地表現(xiàn)和重建動態(tài)場景，而且無需人工監(jiān)督或外部模型。這樣就能大規(guī)模地重建和編輯復(fù)雜的駕駛數(shù)據(jù)，解決目前自動駕駛汽車訓(xùn)練數(shù)據(jù)集的不平衡問題。

NVIDIA 正迫切希望研究 EmerNeRF 帶來的新功能，如端到端駕駛、自動標(biāo)注和仿真等。

如要了解更多信息，請?jiān)L問 EmerNeRF 項(xiàng)目頁面并閱讀 EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision。

了解更多

• 適用于自動駕駛汽車的解決方案

  https://www.nvidia.cn/self-driving-cars/

• EmerNeRF 項(xiàng)目頁面

  https://emernerf.github.io/

• 閱讀 EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision.

  https://arxiv.org/abs/2311.02077

GTC 2024 將于 2024 年 3 月 18 至 21 日在美國加州圣何塞會議中心舉行，線上大會也將同期開放。點(diǎn)擊“閱讀原文”或掃描下方海報(bào)二維碼，立即注冊 GTC 大會。