SCAFusion: A Multimodal 3D Detection Framework for Small Object Detection in Lunar Surface Exploration

📄 arXiv: 2512.22503v1 📥 PDF

作者: Xin Chen, Kang Luo, Yangyi Xiao, Hesheng Wang

分类: cs.CV

发布日期: 2025-12-27

💡 一句话要点

SCAFusion：用于月球表面小目标检测的多模态3D检测框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态融合 3D目标检测 小目标检测 月球探测 机器人视觉

📋 核心要点

  1. 现有为地面自动驾驶设计的多模态3D感知方法在非地球环境中表现不佳，主要由于特征对齐差、多模态协同有限和小目标检测能力弱。
  2. SCAFusion通过认知适配器、对比对齐模块、相机辅助训练分支和区域感知坐标注意力机制，增强了特征融合和小目标检测能力。
  3. 实验表明，SCAFusion在nuScenes和模拟月球环境中均优于基线方法，尤其在小目标检测方面有显著提升。

📝 摘要（中文）

针对月球表面探测中小型、不规则物体（如陨石碎片和岩石）的可靠精确检测问题，本文提出了一种名为SCAFusion的多模态3D目标检测模型。该模型专为月球机器人任务设计，基于BEVFusion框架构建，集成了用于高效相机骨干网络调优的认知适配器、用于增强相机-激光雷达特征一致性的对比对齐模块、用于强化视觉表征的相机辅助训练分支，以及专门用于提升小型、不规则目标检测性能的区域感知坐标注意力机制。在参数和计算量增加可忽略不计的情况下，该模型在nuScenes验证集上实现了69.7%的mAP和72.1%的NDS，分别比基线提高了5.0%和2.7%。在基于Isaac Sim构建的模拟月球环境中，SCAFusion实现了90.93%的mAP，比基线提高了11.5%，尤其在检测小型陨石状障碍物方面取得了显著提升。

🔬 方法详解

问题定义：论文旨在解决月球表面探测任务中，对小型、不规则物体（如陨石碎片和岩石）进行可靠和精确的3D目标检测的问题。现有方法，特别是为地面自动驾驶设计的多模态3D感知方法，在月球表面的应用中存在特征对齐困难、多模态信息融合不足以及小目标检测性能差等问题。这些问题严重影响了月球机器人的自主导航和操作能力。

核心思路：SCAFusion的核心思路是通过增强相机和激光雷达特征的对齐，并显式地提升对小目标的感知能力来解决上述问题。具体来说，论文通过认知适配器实现相机骨干网络的高效调优，通过对比对齐模块增强相机和激光雷达特征的一致性，通过相机辅助训练分支强化视觉表征，并通过区域感知坐标注意力机制来提升小目标的检测性能。

技术框架：SCAFusion建立在BEVFusion框架之上，整体架构包含以下几个主要模块：1) 相机分支：使用认知适配器进行高效的相机骨干网络调优，提取图像特征；2) 激光雷达分支：提取点云特征；3) 对比对齐模块：增强相机和激光雷达特征的一致性；4) 相机辅助训练分支：强化视觉表征；5) 区域感知坐标注意力机制：提升小目标的检测性能；6) 检测头：进行3D目标检测。

关键创新：SCAFusion的关键创新在于其针对月球环境和小目标检测的定制化设计。最重要的创新点是区域感知坐标注意力机制，该机制能够显式地关注图像中的小目标区域，并利用坐标信息来提升小目标的检测性能。此外，认知适配器和对比对齐模块也分别针对相机骨干网络调优和多模态特征融合进行了优化。与现有方法相比，SCAFusion更加关注小目标的特征提取和融合，从而在小目标检测方面取得了更好的效果。

关键设计：区域感知坐标注意力机制的设计是关键。该机制首先将特征图划分为多个区域，然后计算每个区域的注意力权重，并利用坐标信息对注意力权重进行调整，从而使模型更加关注小目标区域。此外，对比对齐模块使用了对比学习损失函数，以增强相机和激光雷达特征的一致性。认知适配器则通过少量参数实现了相机骨干网络的高效调优。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SCAFusion在nuScenes验证集上实现了69.7%的mAP和72.1%的NDS，分别比基线提高了5.0%和2.7%。在模拟月球环境中，SCAFusion实现了90.93%的mAP，比基线提高了11.5%，尤其在检测小型陨石状障碍物方面取得了显著提升。这些结果表明，SCAFusion在小目标检测方面具有显著优势。

🎯 应用场景

SCAFusion可应用于月球及其他行星表面的机器人自主探测任务，例如陨石碎片和岩石的识别与分析、资源勘探、环境监测等。该研究成果有助于提升月球机器人的自主导航和操作能力，降低对地面控制的依赖，提高探测效率和安全性，为未来的深空探测任务提供技术支撑。

📄 摘要（原文）

Reliable and precise detection of small and irregular objects, such as meteor fragments and rocks, is critical for autonomous navigation and operation in lunar surface exploration. Existing multimodal 3D perception methods designed for terrestrial autonomous driving often underperform in off world environments due to poor feature alignment, limited multimodal synergy, and weak small object detection. This paper presents SCAFusion, a multimodal 3D object detection model tailored for lunar robotic missions. Built upon the BEVFusion framework, SCAFusion integrates a Cognitive Adapter for efficient camera backbone tuning, a Contrastive Alignment Module to enhance camera LiDAR feature consistency, a Camera Auxiliary Training Branch to strengthen visual representation, and most importantly, a Section aware Coordinate Attention mechanism explicitly designed to boost the detection performance of small, irregular targets. With negligible increase in parameters and computation, our model achieves 69.7% mAP and 72.1% NDS on the nuScenes validation set, improving the baseline by 5.0% and 2.7%, respectively. In simulated lunar environments built on Isaac Sim, SCAFusion achieves 90.93% mAP, outperforming the baseline by 11.5%, with notable gains in detecting small meteor like obstacles.