点击下方卡片，关注“自动驾驶之心”公众号
ADAS巨卷干货，即可获取
今天自动驾驶之心邀请来了华中科技大学 Vision Lab 在读博士&地平线实习生—石以昂！为大家分享基于点集稀疏表征的占据网格预测！
如果您有兴趣分享相关学术成果，请联系AIDriver002！
更多行业咨询与技术分享，欢迎加入『自动驾驶之心知识星球』，相关将在星球内公布！
在自动驾驶任务中，全面的3D场景理解至关重要，直接影响后续任务的效率和准确性。传统的3D场景理解方法，例如3D目标检测，难以描述任意形状和无限类别的真实世界物体。占据网格预测则借鉴了机器人领域中的占用网格建图的思想，对自动驾驶环境进行表征，相比于传统的3D检测任务，占据网格预测可以适用于各种类型的动静态目标和场景感知，更精准地还原客观物理世界，是智驾场景建模的热点任务。
在 ECCV 2024上，地平线-华中科技大学联合实验室提出的新方法——Occupancy as Set of Points（OSP），探索了全新视角下的占据网格预测算法，利用点集稀疏表征，对智驾场景建模提供了一个全新的思路。OSP 不仅在理论上提供了创新性的解决方案，还在公开数据集上取得了卓越的实验结果，能够在提高计算性能的同时保有高度灵活性。
OSP和BEV表征方法对比
OSP 利用稀疏点集的位置信息和多尺度图像特征对占据网格进行预测，平均交并比（mIoU）超过了基于 BEV 表征的方法；得益于自定义稀疏点集（PoIs）的高度灵活性，OSP 可以端到端地输出任意位置的状态信息，也可以用于增强 BEV 表征的方法。这为未来的研究和应用奠定了坚实的基础。
为了让大家进一步了解 OSP 的创新方法，8月15日19:30，地平线策划推出新一期「你好，开发者」自动驾驶技术专场，主题为《基于点集稀疏表征的占据网格预测》。
分享嘉宾首先会介绍占据网格预测的研究背景和发展现状，探讨自动驾驶中的环境表征对于占据网格预测任务的影响，而后重点分享全新视角下的占据网格预测方法 OSP。最后，分享嘉宾会同大家开放性讨论交流未来 Occupancy 及自动驾驶算法的研发方向。期待大家的参与！
哔哩哔哩关注自动驾驶之心，预约直播
自动驾驶之心B站
【自动驾驶之心】全平台矩阵
扫一扫
1912
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
