从无标签数据中学习，UnO 在点云预测和 BEV 占用任务上表现 SOTA !

文章预览

ADAS  Laboratory 点击上方 蓝字 关注  智驾实验室           加入【 智驾实验室 】交流群， 获取更多内容和资料 感知世界并预测其未来状态是自动驾驶的关键任务。监督学习方法利用标注的物体标签来学习世界模型——传统上是通过目标检测和轨迹预测，或者是时间上的鸟瞰视图（BEV）占用场。 然而，这些标注成本高昂，通常限于一组预定义的类别，这些类别并不能涵盖作者在道路上可能遇到的所有事物。相反，作者通过来自激光雷达数据的自我监督来学习感知和预测连续的4D（时空）占用场。 这种无监督的世界模型可以轻松且有效地转移到下游任务中。 作者通过添加轻量级的学习渲染器来处理点云预测，并在Argoverse 2、muScenes和KITTI上取得了最先进的表现。 为了进一步展示其可迁移性，作者对模型进行微调以进行BEV语义占用预测，并表明它优于 ………………………………