Nov, 2023

Argoverse 四维占用预测挑战技术报告

PDF
TL;DR我们的 Le3DE2E_Occ 解决方案在 CVPR 2023 自动驾驶（WAD）研讨会的 Argoverse 挑战中呈现了 4D 占用预测。我们的解决方案包括一个强大的基于 LiDAR 的鸟瞰图编码器，具有时间融合和两阶段解码器，结合了 DETR 头部和 UNet 解码器。该解决方案在 Argoverse 2 传感器数据集上进行了测试，以评估未来 3 秒的占用状态。我们的解决方案的 L1 误差（3.57）比基线低 18％，并在 CVPR 2023 的 4D 占用预测任务中获得第一名。
发现论文，激发创造
  • Argoverse 统一传感器基础上的检测、跟踪和预测技术报告

    我们的 Le3DE2E 解决方案用于统一的基于传感器的检测、跟踪和预测，在 CVPR 2023 无人驾驶研讨会（WAD）上的 Argoverse 挑战中展示。我们提出了一个统一的网络，包括检测、跟踪和预测三个任务。该解决方案采用了 Bird's Eye View（BEV）编码器，并进行了时空融合，生成用于多任务的统一表示。该解决方案在 Argoverse 2 传感器数据集上进行了测试，评估了 26 个物体类别的检测、跟踪和预测。我们在 Argoverse Challenges 的 E2E Forecasting 赛道上获得了检测、跟踪和预测的第一名。

    Nov, 2023

  • 基于前后向视点变换的三维占据预测

    本文简述了在 3D 占用预测挑战中获胜的解决方案，该方案基于 FB-BEV，并在其基础上进一步研究了针对 3D 占用预测任务的新设计和优化。最终结果表明，该方案在 nuScenes 数据集上获得了最先进的 mIoU 得分，排名挑战榜的第一位。

    Jul, 2023

  • UnO: 无监督占用场景的感知和预测

    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

  • Argoverse: 富含地图的 3D 跟踪和预测

    Argoverse 是包含 HD 地图的自动驾驶数据集，通过提供详细的地图信息，如车道方向、可行车道区域和地面高度，提高了 3D 目标跟踪和动态预测的准确性。

    Nov, 2019

  • 基于 LiDAR 的 4D 占位完成和预测

    本文通过介绍新颖的无人驾驶 LiDAR 感知任务 OCF，将场景完整和预测问题统一为一个相互关联的框架，解决了稀疏到稠密重建、局部到完整幻觉和 3D 到 4D 预测等三个挑战，并分析了现有模型在 OCFBench 数据集上的表现，为进一步深入研究这一关键的四维感知领域提供了启发。

    Oct, 2023

  • Occ3D：面向自动驾驶的大规模三维占据预测基准

    本研究提出了一种新的 3D 占据预测任务，旨在从多视图图像中估计对象的详细占据和语义信息，并介绍了 Coarse-to-Fine Occupancy (CTF-Occ) 网络模型，该模型在 3D 占据预测任务中表现出优越的性能。

    Apr, 2023

  • OccTransformer：改进 BEVFormer 以用于 3D 仅相机空间占用预测

    我们的研究论文提出了一种名为 “occTransformer” 的解决方案，用于 CVPR 2023 的自动驾驶挑战中的 3D 占据预测。该方法基于强大的基准模型 BEVFormer，并通过几种简单但有效的技术来提高其性能。

    Feb, 2024

  • 占用 DETR: 让语义场景补全像目标检测一样简单

    我们提出了一种新的 3D 语义占有率感知方法 OccupancyDETR，它包括一个类 DETR 的目标检测模块和一个 3D 占有率解码器模块，通过集成目标检测简化了我们的方法结构，提高了速度和性能，在 SemanticKITTI 数据集上展示了在实时 3D 语义场景完成方面的有效性。

    Sep, 2023

  • Argoverse2：面向自动驾驶感知和预测的下一代数据集

    Argoverse 2 是一套适用于自动驾驶领域的三个数据集，包含多模态数据，如高分辨率图像，种类繁多的 3D 标注，未标注的 lidar 点云等，为 3D 感知模型的训练和评估提供了充足的数据和场景，并提供了自我监督和云点预测等新的数据学习任务。

    Jan, 2023

  • FastOcc: 通过融合二维俯视图和透视视图加速三维占据预测

    在自动驾驶中，通过分析网络效应和延迟，本文提出了一种名为 FastOcc 的新方法，通过用轻量级的 2D BEV 卷积网络代替时间消耗较大的 3D 卷积网络，加快模型的推理速度，同时保持准确性，从而实现了优越的性能。

    Mar, 2024