本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

May, 2017

通过将场景表示为动态占据栅格图（dynamic occupancy grid maps，DOGMs），将语义标签与占用的栅格单元关联并结合地图信息，我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为，并通过与真实注释进行评估，在真实世界的 NuScenes 数据集上验证了我们的结果，表明我们的模型相对于传统的 OGM 预测方法，能够更准确地预测静态和动态车辆的行为，此外，我们进行了消融研究，并评估了语义标签和地图在架构中的作用。

Aug, 2023

通过使用固定框架中的全中心占据网格来代表交通状况，以提高对自主车辆动态环境的预测精度，相比于传统的自车中心占据网格方法，全中心占据网格方法能有效地改善场景的预测。

Jan, 2023

本研究提出了一种使用循环神经网络进行动态占用栅格地图预测的方法，通过模拟车辆周围环境来得出静态和动态区域，并且使用了自我运动补偿的方法，从而实现了更为精确的速度估计和更可靠的环境分离。

Nov, 2020

自动驾驶车辆的感知和未来预测需要用一个神经网络隐式地表示一定时间内的占用情况和流动性，以及通过使用有效的全局注意机制来克服先前显式占用预测方法的有限接受域的问题。

Aug, 2023

本文提出了一种数据驱动的方法，利用计算机视觉技术从聚类的雷达数据中学习用于占据栅格映射的逆传感器模型，将问题转化为语义分割任务，并演示了我们的学习占据网模型的表现优于传统方法，具有广泛的应用前景。

Mar, 2019

自动驾驶车辆中，实时理解自身车辆周围的三维环境至关重要。本文介绍一种从前视二维相机图像和 LiDAR 扫描中提取特征并使用稀疏卷积网络（Minkowski Engine）进行三维语义占用预测的方法，以解决实时应用中的高计算需求和稀疏场景完整性的问题。

Mar, 2024

我们提出了一种使用自监督从 LiDAR 数据学习连续的 4D（时空）占据场的无监督世界模型，该模型可以轻松有效地迁移到下游任务，并在点云预测和 BEV 语义占据预测方面取得了最先进的性能，特别是在标注数据稀缺时。此外，在与先前的时空几何占据预测的最新技术进行比较时，我们的 4D 世界模型对于与自动驾驶相关的类别的对象的召回率要高得多。

Jun, 2024

通过引入新颖的 UNet-like 多尺度占用头模块以及类别平衡损失，克服了传统基于 Birds-Eye-View（BEV）的感知架构无法表示不同尺度 BEV 特征的缺陷，在 nuScenes 3D 占用挑战数据集上实验结果表明了我们所提出方法的优越性。

May, 2024

通过提出一种新的 3D Occupancy 表示法 (OccNet)，并在 nuScenes 数据集上建立了 OpenOcc，我们方法能够有效地为多个驾驶任务提供有力的支持，并取得了显著的性能收益，例如运动规划可以实现 15％-58％的碰撞率降低。

Jun, 2023