抽象的

3D 檢測器的部署是現實世界自動駕駛場景中的一項主要挑戰。現有的基于 BEV（即鳥瞰圖）的檢測器傾向于使用稀疏卷積（稱為 SPConv）來加速訓練和推理，這為部署設置了硬障礙，尤其是對于設備上的應用而言。在本文中，為了從行業角度應對高效 3D 物體檢測的挑戰，我們設計了一種易于部署的基于支柱的 3D 檢測器，稱為 FastPillars。首先，我們引入了一種新穎的輕量級 Max-and-Attention Pillar 編碼（MAPE）模塊，專門用于增強小型 3D 物體。其次，我們提出了一個簡單而有效的基于支柱的 3D 檢測主干設計原則。我們基于這些設計構建了 FastPillars，無需 SPConv 即可實現高性能和低延遲。在兩個大規模數據集上進行的大量實驗證明了 FastPillars 在性能和速度方面對于設備上 3D 檢測的有效性和效率。具體來說，FastPillars 在 Waymo Open Dataset 上實現了最先進的準確率，達到了 1.8×\times×速度比 CenterPoint（基于 SPConv）快 3.8 mAPH/L2。我們將發布我們的代碼。