SurroundOcc：环视三维占据栅格新SOTA！

本文是对我们ICCV 2023被接收的文章Multi-camera 3D Occupancy Prediction for Autonomous Driving的介绍。

本文经自动驾驶之心公众号授权转载，转载请联系出处。

在这个工作中，我们通过多帧点云构建了稠密占据栅格数据集，并设计了基于transformer的2D-3D Unet结构的三维占据栅格网络。很荣幸地，我们的文章被ICCV 2023收录，目前项目代码已开源，欢迎大家试用。

arXiv：https://arxiv.org/pdf/2303.09551.pdf

Code：https://github.com/weiyithu/SurroundOcc

主页：https://weiyithu.github.io/SurroundOcc/

最近一直在疯狂找工作，没有闲下来写，正好最近提交了camera-ready，作为一个工作的收尾觉得还是写个知乎总结下。其实文章部分的介绍各个公众号写的已经很好了，也感谢他们的宣传，大家可以直接参考自动驾驶之心的自动驾驶之心：nuScenes SOTA！SurroundOcc：面向自动驾驶的纯视觉3D占据预测网络（清华&天大）。总的来说，contribution分为两块，一部分是如何利用多帧的lidar点云构建稠密occupancy数据集，另一部分是如何设计occupancy预测的网络。其实两部分的内容都比较直接易懂，大家有哪块不理解的也可以随时问我。那么这篇文章我想讲点论文之外的事情，一个是如何改进当前方案使其更加易于部署，另一个是未来的发展方向。

部署

一个网络是否易于部署，主要看其中有没有比较难在板端实现的算子，SurroundOcc这个方法里比较难搞的两个算子是transformer层以及3D卷积。

transformer的主要作用是将2D feature转换到3D空间，那么其实这部分也可以用LSS，Homography甚至mlp来实现，所以可以根据已实现的方案去修改这部分的网络。但据我所知，transformer的方案在几个方案里对calibration不敏感并且性能也比较好，建议有能力实现transformer部署的还是利用原有方案。

对于3D卷积来说，可以将其替换成2D卷积，这里需要将原来 (C, H, W, Z) 的3D feature reshape成（C* Z, H, W）的 2D feature，然后就可以用2D卷积进行特征提取了，在最后occupancy预测那步再把它reshape回(C, H, W, Z)，并进行监督。另一方面，skip connection由于分辨率比较大所以比较吃显存，部署的时候可以去掉只留最小分辨率那一层。我们实验发现3D卷积中的这两个操作在nuscenes上都会有些许掉点，但业界数据集规模要远大于nuscenes，有时候有些结论也会改变，掉点应该会少甚至不掉。

数据集构建方面，最耗时的一步是泊松重建那步。由于我们用的是nuscenes数据集，是用32线lidar采集的，即使利用了多帧拼接技术，我们发现拼接后的点云还是有很多的洞，所以我们利用泊松重建补洞。但其实现在业界用的许多lidar的点云都比较稠密，例如M1，RS128等，那么泊松重建这一步可以省略，将加速数据集构建这一步。

另一方面，SurroundOcc里是利用nuscenes中标注好的三维目标检测框将静态场景和动态物体分离的。但实际应用过程中，可以利用autolabel，也就是三维目标检测&跟踪大模型去得到每个物体在整个sequence中的检测框。相较于人工标注的label，利用大模型跑出来的结果肯定会存在一些误差，最直接的体现就是多帧的物体拼接后会有重影的现象。但其实occupancy对于物体形状的要求没有那么高，只要检测框位置比较准就能满足需求。

未来方向

当前方法还是比较依赖lidar提供occupancy的监督信号的，但很多车上，尤其是一些低阶辅助驾驶的车上没有lidar，这些车通过shadow模式可以传回来大量的RGB数据，那么一个未来方向是能不能只利用RGB进行自监督学习。一个自然的解决思路就是利用NeRF进行监督，具体来说，前面backbone部分不变，得到一个occupancy的预测，然后利用体素渲染得到每个相机视角下的RGB，和训练集中的真值RGB做loss形成监督信号。但很可惜的是这一套straightforward的方法我们试了试并不是很work，可能的原因是室外场景range太大，nerf可能hold不住，但也可能我们没有调好，大家也可以再试试。

另一个方向是时序&occupancy flow。其实occupancy flow对于下游任务的用处远比单帧occupancy大。ICCV的时候没来得及整occupancy flow的数据集，而且发paper的话还要对比很多flow的baseline，所以当时就没搞这块。时序网络可以参考BEVFormer和BEVDet4D的方案，比较简单有效。难的地方还是flow数据集这一部分，一般的物体可以用sequence的三维目标检测框算出来，但异型物体例如小动物塑料袋等，可能需要借助场景流的方法进行标注。

原文链接：https://mp.weixin.qq.com/s/_crun60B_lOz6_maR0Wyug