Occupancy任务| 自动驾驶感知的最后一道护城河！

最新推荐文章于 2025-03-31 06:45:00 发布

自动驾驶之心

最新推荐文章于 2025-03-31 06:45:00 发布

阅读量3k

点赞数 4

CC 4.0 BY-SA版权

文章标签：自动驾驶人工智能机器学习

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247602262&idx=1&sn=27866b081aa349ac8905b602d670156f&chksm=cfa7bdf9bc3d9dd14cb31ec42f4d1b229a12c36f5b09e08b904d82bf70fb6b2e5a9e32dae455&scene=126&sessionid=0

Occupancy Network是自动驾驶感知任务中的一个非常重要角色。这种轻语义重几何的网络模型，能够更好地辅助自动驾驶系统感知free space，也是今年各大自动驾驶公司抢先量产的目标。在3D目标检测失效的范围内，能够进一步提升感知能力，形成闭环。下面让我们一起看看Occupancy是什么？为什么需要它？

为什么需要Occupancy？

自动驾驶在动静态障碍物感知领域的发展大概分为三个阶段：1）2D图像空间检测障碍物，映射到鸟瞰空间做多相机和时序融合；2）直接在BEV空间中完成动态障碍物的3D检测和静态障碍物的识别建模；3）直接在3D空间中感知占用关系，为系统规划可行驶空间。

目前2D检测方案基本被抛弃，逐渐转为BEV空间下的3D检测任务，这种方式更加友好，可以直接输出下游可用的目标。然而BEV感知也同样面临一些难解决的问题，比如截断目标、形状不规则、未有清晰语义的目标（比如挂车、树木、垃圾、以及石子等），传统的3D检测在这类场景上很容易失效。

那么是否可以直接对环境建模，表达为占据栅格的形式呢？不过度区分语义、更关注是否占用，是否为空。特斯拉的Occupancy Network给出了答案，国内几乎所有主流公司也快速投入研发，期望解决感知的下半场问题。

当下，行业普遍把Occ作为下一代的感知范式，成为各大自动驾驶公司抢占的高地。2024年的量产车型中，几乎成了标配，无论是在行车或泊车场景，都发挥了巨大的作用。

Occ任务为什么难做？

BEV模型和Occupancy有较多相似之处，BEV的特征生成范式几乎和Occ完全相同，时序方法也完全适用。但为什么Occ任务这么困难呢？各家自动驾驶公司虽然投入了较多人力物力，但效果并不是很好。这就要说到几个关键部分：数据生成、数据优化、模型优化、模型监督等；

数据生成与优化占据了Occ任务的主要部分，和检测任务不同，Occupancy真值很难通过人工标注，需要借助3D box的位置和语义信息间接生成。那么怎么从原始点云生产出比较优质的Occ真值呢？一般认为，优质的真值需要包含以下几个部分：真值稠密化（不能太稀疏）、动静态目标不能有拖影、地面干净无误检、区分遮挡和非遮挡元素、类别划分正确、细粒度足够等等；这就涉及到前景稠密化、背景稠密化、多帧如何有效拼接？如何分割地面？如何清理地面等多个方面，实施起来难度较大，需要很多trick，很多同学训出来的模型往往误检测一大堆......

模型的优化部分关注模型在已有数据下的性能上限提升，如何设计更好的特征提取模式，如何将2D特征有效投影到3D空间，如何把计算量较大的模型轻量化部署等，都是行业比较关注的难题。

模型的监督部分关注监督模式，是直接用Occ真值监督还是通过点云监督，抑或是自监督？如果没有3D真值怎么办？能否借助NeRF完成2D层面上的监督，直接绕开3D真值？这些都是学术界和工业界比较关注的部分。

不得不说，看似简单的Occ任务，想要搭建一套完整的系统并不简单，不仅仅刚入门的小白不知道如何下手，即使是感知领域的老鸟想要快速开展起来也很难。

如何彻底搞懂Occ任务呢？

自动驾驶之心前期调研了学术界和工业界关于Occupancy Network的一些痛点和难点问题，联合了业界知名算法专家，针对数据生成、数据优化、模型优化、模型监督等多类问题展开了详述。彻底解决Occ入门难、关键问题卡脖子的痛处。本课程适用刚入门的小白、以及正在从事自动驾驶感知的算法工程人员、想要转入自动驾驶感知领域的同学。大纲如下：

主讲老师

Kimi，清华大学博士，研究方向人工智能和自动驾驶，在TPAMI、CVPR、ICLR等国际顶级期刊及会议上发表相关论文20余篇，申请发明专利10余项，担任10余个国际期刊及会议审稿人。在自动驾驶算法设计和模型部署等方面具有丰富经验，主导10余项开源项目，其中star数过千的项目1个，过百的项目7个。

Michael, 清华大学在读博士，深耕自动驾驶感知算法设计多年，在计算机视觉国际顶会上发表多篇论文，在Occupancy感知方面有多项原创成果，独立搭建学术界首个基于环视的Occupancy开源代码库，被几十项工作引用。