推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

Occupancy_Network技术.docx

资料介绍

Occupancy Network技术

Occupancy Network是近年来自动驾驶感知领域最具突破性的技术之一。它将车辆周围的三维空间划分为体素网格,每个网格单元被预测为占用或空闲,同时可附带语义类别信息。Occupancy Network不依赖预定义的目标类别,可以检测任意形状的障碍物。树枝伸出的树干、散落的土堆、倒地的交通锥在传统检测方法中无法通过预设类别识别,在Occupancy Network中则表现为连续占用区域。这项技术填补了传统感知方法对通用障碍物感知的盲区。

Occupancy Network的输入可以是摄像头图像、激光雷达点云或两者的融合。纯视觉Occupancy Network从多视角摄像头图像中推断三维空间的占用状态,在大规模驾驶数据上训练后展现出令人印象深刻的效果。视觉信号中学习的空间占用先验包含了对物体形状、大小和位置关系的基本理解。纯视觉Occupancy在光照充足的白天场景中精度已经可用,但在弱光环境下占用推断的不确定性显著增加。

激光雷达Occupancy Network直接操作3D点云。点云本身就是三维空间中的稀疏采样。体素网格将点云空间离散化后检测每个体素是否有激光点通过。激光雷达在空旷区域的点云特别稀疏,体素级别的占用预测可靠性受限于局部点密度。时序点云融合有助于提升激光雷达Occupancy在空旷区域的表现。多传感器融合的Occupancy Network结合了两者的优势,激光雷达负责近距离精确占用推断,摄像头负责远距离和语义信息补充,在BEV空间中对齐后融合输出密集占用网格。

Occupancy Network的典型架构包括特征提取、体素查询和占用预测三个模块。特征提取网络从输入数据中提取多尺度特征。体素查询模块将每个待预测体素的3D坐标反投影回图像特征的对应位置,或映射到点云特征的空间位置。占用预测模块对每个体素独立预测其占用概率。体素级别的独立预测可以并行计算,占用推理速度非常高。

稀疏场景中的占用预测是尚未完全解决的问题。Occupancy Network在绝大部分区域输出空闲,只有少部分区域输出占用。正负样本极度不平衡可能导致在空旷区域模型倾向于输出空闲,系统遇到稀疏分布的障碍物时响应不足。使用Focal Loss等不平衡分类损失函数可以缓解这一问题,但在训练数据未覆盖的陌生场景类型中系统表现仍然不稳定。


部分文件列表

文件名 大小
210_Occupancy_Network技术.docx 38K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载