【纽约大学和博世】AdaOcc：自适应分辨率占用预测

主要观点总结

文章介绍了AdaOcc：自适应分辨率占用预测，针对在复杂的城市场景中实现自动驾驶需要既全面又精确的3D感知的问题。文章提出了一种多模态自适应分辨率方法，在关键区域提供三种高精度的输出表示，同时维持实时应用的效率，并开发了一种有效的联合训练范式，以增强占用预测和目标折叠分支之间的协同作用。文章方法在nuScenes数据集上展现出卓越精度，特别是在近距离场景中表现突出。但文章也指出了局限性，如需要进一步研究不同表示之间的一致性和优化统一框架的效率。

关键观点总结

关键观点1: 文章主要内容及目标

文章旨在解决自动驾驶中3D感知的全面性和精确性问题，提出AdaOcc自适应分辨率占用预测方法。

关键观点2: 主要方法及贡献

文章提出了一种多模态自适应分辨率方法，在关键区域提供高精度的输出表示，同时维持实时应用的效率。并开发了一种有效的联合训练范式，以增强占用预测和目标折叠分支之间的协同作用。在nuScenes数据集上展现出卓越精度。

关键观点3: 文章局限性及未来研究方向

文章指出联合训练方法没有显著提高目标检测任务的质量，需要进一步研究不同表示之间的一致性和优化统一框架的效率。

文章预览

点击下方 卡片 ，关注“ 自动驾驶专栏 ”公众号 自动驾驶干货 ，即可获取 论文链接： https://arxiv.org/pdf/2408.13454 代码链接：https://github.com/ai4ce/Bosch-NYU-OccupancyNet/ 摘要 本文介绍了AdaOcc：自适应分辨率占用预测 。在复杂的城市场景中实现自动驾驶需要3D感知既全面又精确。传统的3D感知方法着重于目标检测，导致缺乏环境细节信息的稀疏表示。最近的方法估计车辆周围的3D占用，以获得更全面的场景表示。然而，稠密的3D占用预测提高了计算需求，给效率和分辨率之间的平衡带来挑战。高分辨率占用栅格提供了准确性，但是需要大量的计算资源，而低分辨率栅格效率高，但是缺乏细节信息。为了解决这一难题，本文引入了AdaOcc，这是一种新的自适应分辨率、多模态的预测方法。本文方法将以目标为中心的3D重建和整体占用预测集成到一个框架内，仅在 ………………………………