1_Occupancy network

1、Occ3D: A Large-Scale 3D Occupancy Prediction Benchmarkfor Autonomous Driving

        本文构建了3D占据栅格标注数据流程以及标准数据集，并提出了粗到精的占据栅格网络且性能相较于BEVDet和BEVFormer有一定提升。

GitHub - Tsinghua-MARS-Lab/Occ3D

数据构建流程

（1）数据采集；标注数据流需要3D数据库，每个场景包含如下数据，分别是多摄像头的图像序列；3D雷达点云序列；IMU的3D位姿序列；所有传感器的内外参；除此以外，我们需要人工标注常见目标并选择性标注点级别的语义标签；

(2)点云重建；通过slam实现点云重建，重点将点云和IMU位姿进行联合优化。同时，我们处理动态和静态目标，动态目标根据每帧进行聚集。采用K紧邻来投票确定语义标签；

(3) 雷达可视化。通过光线追踪，将每个voxel确定为占据、空闲和未观测三种类别；

(4)遮挡推断和摄像头可视化；通过占据点与摄像头连线，得到观测和非观测，没有每扫描到的点也设置为非观测点。

        确定voxel是否3D占据是非常重要的，评估只是在雷达和摄像头的可观测的部分进行。

2、A Simple Attempt for 3D Occupancy Estimation in Autonomous Driving

        (1)本文设计了一种简单的3D Occupancy网络结构，在2D特征转到3D空间时没有使用参数，而是直接投影；

        (2)BEV特征通过3D卷积进