自動(dòng)駕駛和自然語(yǔ)言如何結(jié)合？NuPrompt來(lái)了！

作者：汽車人 2023-09-20 12:13:47

本文開(kāi)發(fā)了一個(gè)簡(jiǎn)單的端到端基線模型，稱為PromptTrack，它有效地融合了新構(gòu)建的提示推理分支中的跨模態(tài)特征，以預(yù)測(cè)參考目標(biāo)(referent objects)，顯示了令人印象深刻的性能。

原標(biāo)題：Language Prompt for Autonomous Driving

論文鏈接：https://arxiv.org/pdf/2309.04379.pdf

作者單位：北京理工大學(xué) 澳門大學(xué) MEGVII Technology 北京人工智能研究院

代碼鏈接：https://github.com/wudongming97/Prompt4Drivinguunw

論文思路

計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)新趨勢(shì)是根據(jù)自然語(yǔ)言提示符表示的靈活的人類命令捕獲感興趣的目標(biāo)。然而，由于缺乏配對(duì)提示實(shí)例(prompt-instance)數(shù)據(jù)，在駕駛場(chǎng)景中使用語(yǔ)言提示的進(jìn)展陷入了瓶頸。為了解決這個(gè)問(wèn)題，本文提出了第一個(gè)以目標(biāo)為中心的語(yǔ)言提示集，用于3D、多視圖和多幀空間中的駕駛場(chǎng)景，名為NuPrompt。它擴(kuò)展了Nuscenes的數(shù)據(jù)集，構(gòu)造了總共35367個(gè)語(yǔ)言描述，每個(gè)描述平均引用5.3個(gè)目標(biāo)軌跡。基于新基準(zhǔn)中的目標(biāo)-文本對(duì)(object-text pairs)，本文制定了一個(gè)新的基于提示的駕駛?cè)蝿?wù)，即使用語(yǔ)言提示來(lái)預(yù)測(cè)所描述的目標(biāo)的跨視圖和幀的軌跡(trajectory)。此外，本文還提供了一個(gè)簡(jiǎn)單的基于Transformer的端到端基線模型，名為PromptTrack。實(shí)驗(yàn)表明，本文的PromptTrack在NuPrompt上取得了令人印象深刻的性能。本文希望這項(xiàng)工作能為自動(dòng)駕駛社區(qū)提供更多新的見(jiàn)解。

主要貢獻(xiàn)

本文提出了一種新的大規(guī)模語(yǔ)言提示集(language prompt set)，名為NuPrompt。據(jù)本文所知，它是第一個(gè)專門研究視頻領(lǐng)域多個(gè)感興趣的3D目標(biāo)的數(shù)據(jù)集。

本文構(gòu)造了一個(gè)新的基于提示的駕駛感知任務(wù)，要求使用語(yǔ)言提示作為語(yǔ)義線索來(lái)預(yù)測(cè)目標(biāo)的軌跡。

網(wǎng)絡(luò)設(shè)計(jì)

為了推進(jìn)駕駛場(chǎng)景中提示學(xué)習(xí)的研究，本文提出了一種新的大規(guī)模基準(zhǔn)，名為NuPrompt。基準(zhǔn)測(cè)試是建立在流行的多視圖3D目標(biāo)檢測(cè)數(shù)據(jù)集Nuscenes[2]上的。本文將語(yǔ)言提示分配給具有相同特征的目標(biāo)集合，以便為它們奠定基礎(chǔ)(for grounding them)。從本質(zhì)上講，這個(gè)基準(zhǔn)提供了許多3D實(shí)例-文本匹配，具有三個(gè)主要屬性:

1.真實(shí)駕駛描述。

與現(xiàn)有的基準(zhǔn)測(cè)試只表示來(lái)自模塊化圖像的2D目標(biāo)不同，本文數(shù)據(jù)集的提示描述了來(lái)自3D、環(huán)顧四周和長(zhǎng)時(shí)間空間的各種與駕駛相關(guān)的目標(biāo)。圖1展示了一個(gè)典型的例子，即一輛車在多個(gè)視圖中從后面到前面超過(guò)了我們的車。

2.實(shí)例級(jí)提示標(biāo)注。

每個(gè)提示符都表示一個(gè)細(xì)粒度的、有區(qū)別的、以目標(biāo)為中心的描述，并允許它覆蓋任意數(shù)量的驅(qū)動(dòng)目標(biāo)。

3.大規(guī)模語(yǔ)言提示。

就提示符的數(shù)量而言，NuPrompt可以與當(dāng)前最大的數(shù)據(jù)集[7]相媲美，即包含35367個(gè)語(yǔ)言提示符。

與基準(zhǔn)一起，本文制定了一個(gè)新的基于提示的感知任務(wù)，其主要目標(biāo)是使用給定的語(yǔ)言提示來(lái)預(yù)測(cè)和跟蹤駕駛環(huán)境中的多個(gè) 3D目標(biāo)。該任務(wù)的難點(diǎn)在于兩個(gè)方面:跨幀時(shí)間關(guān)聯(lián)和跨模態(tài)語(yǔ)義理解。為了解決這一挑戰(zhàn)，本文提出了一種端到端的基線，它建立在camera-only 3D tracker PF-Track[24]上，命名為PromptTrack。請(qǐng)注意，PF-Track通過(guò)它的過(guò)去和未來(lái)推理分支展示了出色的時(shí)空建模。此外，本文增加了一個(gè)快速推理分支來(lái)進(jìn)行跨模態(tài)的融合和理解。具體來(lái)說(shuō)，本文的提示推理涉及到提示嵌入和查詢特征之間的交叉注意力，這些特征來(lái)自過(guò)去的推理，進(jìn)一步預(yù)測(cè) prompt-referred 目標(biāo)。

圖5。PromptTrack的總體架構(gòu)。對(duì)于每一幀，視覺(jué)特征和查詢首先被輸入到Transformer解碼器中，以產(chǎn)生類似于原始DETR框架的解碼查詢。然后，過(guò)去的推理通過(guò)處理歷史查詢來(lái)增強(qiáng)和改進(jìn)策略，而未來(lái)的推理則有利于使用預(yù)測(cè)位置進(jìn)行跨幀查詢傳播。最后，快速推理分支預(yù)測(cè) prompt-referred 軌跡。該模型采用在線模式進(jìn)行評(píng)價(jià)，訓(xùn)練可進(jìn)行端到端 differentiated。

圖2。語(yǔ)言提示標(biāo)注過(guò)程Pipeline，包括三個(gè)步驟:語(yǔ)言元素收集、語(yǔ)言元素組合、描述生成。首先，在語(yǔ)言元素收集階段，本文將每個(gè)語(yǔ)言標(biāo)簽與 referent objects 配對(duì)。然后，在語(yǔ)言元素組合階段，選擇并組合某些語(yǔ)言元素。最后，根據(jù)得到的組合，在描述生成階段采用大型語(yǔ)言模型(LLM)創(chuàng)建語(yǔ)言描述。