摘要

语义占用网格感知对于自动驾驶至关重要，因为自动驾驶车辆需要对3D城市场景进行细粒度感知。然而，现有的相关基准测试在城市场景的多样性方面存在不足，并且仅评估前视预测感知。为了全面评估周视感知算法，我们提出了OpenOccupancy，这是第一个用于周视语义占用网格感知的基准测试方法。在OpenOccupancy基准测试中，我们通过添加稠密的语义占用网格标注来扩展大规模的nuScenes数据集。以前的标注依赖于LiDAR点云的叠加，由于LiDAR数据的稀疏，导致一些占用标签被遗漏。为了缓解这个问题，我们引入了增强与净化（AAP）流程，将标注密度提高了约2倍，其中涉及约4000个人工小时的标注过程。此外为OpenOccupancy基准测试建立了基于摄像头、LiDAR和多模态的基线模型。此外考虑到周视占用感知的复杂性在于高分辨率3D预测的计算负担，我们提出了级联占用网络（CONet）来改进粗糙预测，相对于基线模型提高了约30%的性能。我们希望OpenOccupancy基准测试能促进周视占用感知算法的发展。

主要贡献

尽管目前对于语义占用网格感知越来越受到关注，但大多数相关基准都是针对室内场景设计的，SemanticKITTI 将占用感知扩展到驾驶场景，但其数据集规模相对较小且多样性有限，这影响了开发占用感知算法的泛化和评估。此外，SemanticKITTI只评估前视图的占用网格结果，而对于安全驾驶而言，周视感知更为关键。为解决这些问题，我们提出了OpenOccupancy，这是第一个用于周视语义占用感知的基准。在OpenOccupancy基准中引入了nuScenes-Occupancy，它将大规模的nuScenes数据集与密集的语义占用标注相结合。

如表1所示，nuScenes-Occupancy标注的场景和帧数比多约40倍和20倍。值得注意的是，通过人工直接标注大规模的占用标签几乎是不现实的。因此引入了Augmenting And Purifying (AAP)流程，以高效地标注和稠密的占用标签。

图1：nuScenes-Occupancy为nuScenes数据集中的所有关键帧提供了稠密的语义占用网格标签，在这里展示了标注的地面真值，体积大小为（40 × 512 × 512），网格大小为0.2米。

图1展示了稠密标注的可视化效果。为了促进未来研究，我们在OpenOccupancy基准中建立了基于相机、基于LiDAR和多模式的基线。实验结果显示，基于相机的方法在小物体（如自行车、行人、摩托车）方面表现更好，而基于LiDAR的方法在大型结构区域（如行驶表面、人行道）方面表现更优。值得注意的是，多模式基线通过自适应融合两种模态的中间特征，相对提高了基于相机和基于LiDAR方法的整体性能，分别提升了47%和29%。考虑到周围占用感知的计算负担，所提出的基线只能生成低分辨率的预测。为了实现高效的占用感知，我们提出了级联占用网络（CONet），在所提出的基线之上构建了一个从粗糙到精细的流程，相对提高了性能约30%。主要贡献总结如下：

提出了OpenOccupancy，这是第一个针对驾驶场景中周围占用感知的基准。

通过nuScenes数据集引入了AAP流程，它高效地标注和稠密化了周围语义占用标签，结果形成了第一个用于周围语义占用分割的数据集nuScenes-Occupancy。

我们在OpenOccupancy基准上建立了基于相机、基于LiDAR和多模式的基线。此外，我们引入了CONet来减轻高分辨率占用预测的计算负担，相对提高了基线性能约30%。

主要内容

周视语义占用网格感知

周视语义占用感知是指生成场景的完整3D表示，包括体积占用和语义标签，与前视图感知的单目范例不同，周视占用感知算法旨在在周围视图的驾驶场景中生成语义占用，具体而言，给定360度的输入Xi（例如LiDAR扫描或周围视图图像），感知算法需要预测周围的占用标签F(Xi) ∈ R D×H×W，其中D、H、W是整个场景的体积大小。值得注意的是，周视图的输入范围比前视觉传感器覆盖的范围大约多了5倍，因此，周视占用网格感知的核心挑战在于高效构建高分辨率的占用表示。

nuScenes-Occupancy

SemanticKITTI 是首个用于室外占据感知的数据集，但在驾驶场景方面缺乏多样性，并且仅评估前视感知，为了创建一个大规模的环境占据感知数据集，我们引入了nuScenes-Occupancy，它在nuScenes数据集的基础上添加了稠密的语义占用标注。作者引入了AAP（Augmenting And Purifying）流程来高效地标注和密集化占据标签。

整个AAP流程如算法1所示。

如图2所示，伪标签对初始标注是补充的，而增强和纯化标签更密集和精确，值得注意的是增强和纯化标注中每个帧中约有40万个占据体素，比初始标注密集了约2倍。总之，nuScenes-Occupancy包含28130个训练帧和6019个验证帧，在每个帧中对占据的体素分配了17个语义标签。

图2：初始标注、伪标注和增强纯化标注之间的对比，红圈和蓝圈突出显示增强标注更加密集和准确的区域。

OpenOccupancy基线

大多数现有的占据感知方法都是为前视感知而设计的，为了将这些方法扩展到周围的占据感知，需要对每个相机视角的输入进行单独处理，这是低效的。此外，两个相邻输出的重叠区域可能存在不一致性，为了缓解这些问题，我们建立了一致地从360度输入（例如LiDAR扫描或环视图像）中学习周围语义占据的基线，具体而言，为OpenOccupancy基准提出了基于相机的、基于LiDAR的和多模态的基线，如图3所示。

图3：三种提出的基线的整体架构，LiDAR分支利用3D编码器提取体素化的LiDAR特征，相机分支使用2D编码器学习环视图特征，然后将其转换为生成3D相机体素特征，在多模态分支中，自适应融合模块动态地集成两种模态的特征。所有三个分支都利用3D解码器和占据头来产生语义占据，在占据结果图中，红色和紫色圈圈标示出多模态分支可以生成更完整和准确的预测。

实验

在OpenOccupancy基准测试中，基于nuScenes-Occupancy评估周围语义占据感知性能，对提出的基线、CONet和现代占据感知算法进行全面实验。所有模型在8个A100 GPU上以8个批次大小进行训练，共训练24个时期。利用OpenOccupancy基准测试，我们分析了六种现代方法（MonoScene ，TPVFormer，3DSketch ，AICNet ，LMSCNet，JS3C-Net ）以及提出的基线和CONet的周围占据感知性能，从表2的结果可以看出：

与单视图方法相比，周围占据感知范式表现出更好的性能。

提出的基线对周围占据感知具有适应性和可扩展性。

相机和LiDAR的信息相互补充，多模态基线显著提高了性能。

周视占据感知的复杂性在于高分辨率3D预测的计算负担，这可以通过提出的CONet来减轻。

这里提供可视化结果（见图5）来验证CONet可以基于粗糙预测生成精细的占据网格结果。

图5：语义占据预测的可视化，第1行是周视图像。第2行和第3行显示了由多模态基线和多模态CONet生成的相机视图的粗糙和精细占据，第4行比较了它们的全局视图预测。

总结

本文提出了OpenOccupancy，这是首个用于驾驶场景中周视语义占据感知的基准测试，具体而言引入了nuScenes-Occupancy，它基于提出的AAP流水线扩展了nuScenes数据集，带有稠密的语义占据标注，在OpenOccupancy基准测试中建立了基于相机、基于LiDAR和多模态的基线。此外还提出了CONet来减轻高分辨率占据预测的计算负担。在OpenOccupancy基准测试中进行了全面的实验，结果显示基于相机和基于LiDAR的基线相互补充，而多模态基线进一步提高了性能，分别提高了47%和29%。此外所提出的CONet相对于基线提高了约30%，并且延迟开销最小。我们希望OpenOccupancy基准测试对于周视语义占据感知的发展有所帮助。