特斯拉的Occupancy Network占用网络如何解决无法识别物体的难题呢？

 

Occupancy Network并非特斯拉发明，最先提出Occupancy Network的是2018年的论文《Occupancy Networks: Learning 3D Reconstruction in Function Space》，主要作者是Tubingen大学和博世旗下软件公司ETAS。更早可以追溯至2012年的论文《Indoor Segmentation and Support Inference from RGBD Images》，主要作者是纽约大学。而最早可以追溯到1986年的论文《A computational approach to edge detection》。Occupancy Network源自语义分割，语义分割需要连续边界而不是传统的Bounding Box（一般会缩写为BBox），语义分割再加上2D或3D重建，就是Occupancy Network。不过让Occupancy Network扬名天下的是特斯拉。

图片来源：Occ3D

目前，传统的3D目标感知算法缺点是过于依赖数据集，但数据集的分类有限，通常不超过30类，总有不常见的物体类别没被标注，这些未被标注的物体再次出现在实际场景中，会因为数据集中没有标注，无法识别而被感知系统忽略掉，导致车辆不减速直接撞向物体。这种事故经常发生，最典型的是当车辆有故障，驾驶员下车站在车尾，打开后备箱找维修工具，对于计算机视觉来说就是一个难题，这是个打开的后备箱加人的影像，或者人推着电动车或自行车过马路，人眼可以一眼看出，但机器就彻底傻眼，复合目标，从未被标注的物体或从未出现在数据集的物体，要探测目标距离，必须先识别目标，探测和识别是一体的，无法分割，画出BBox，机器无法识别，画不出BBox，会认为前方没有物体，自然不会减速，直接撞上去。

BBox的致命缺陷，一是无法忽略掉物体的几何细节，二是探测和识别一体，遇到未被标注的物体就会视而不见。Occupancy Network就是为了解决BBox的缺陷而产生的，Occupancy Network学术上讲就是建模物体详细几何和语义的通用且连贯的表征。一个需要从输入图像中联合估计场景中每个voxel的占据状态和语义标签的模型，其中占据状态分为free，occupied和unobserved三种，对于occupied的voxel，还需要分配其语义标签。而对于没有标注的物体类别，统一划分为General Objects(GOs)，GOs少见但为了安全起见是必须的，否则检测时经常检测不到。Occupancy Network理论上能解决无法识别物体的难题，但实际中不能。很简单，Occupancy Network是一种预测性质的神经网络，它不可能达到100%的准确度，自然也就有漏网之鱼，还是有无法识别的物体无法探测。

图片来源：网络

占用网络算法排名，第一名是英伟达的FB-OCC，小米和北大联合的UniOcc排名第三，华为仅排名第六。目前基于BEV的解决方案很多。这些解决方案在经过一定的修改后都可以适用于 3D occupancy 预测，门槛不高。

目前Occupancy Network准确度有多少呢？目前最顶级的Occupancy Network的mIoU是54.19%。mIoU是预测值与真值的交并比，某种意义上可以看做是准确度。这和传统激光雷达语义分割差距极大，2021年的激光雷达语义分割就能达到80%以上。

图片来源：OctreeOcc

另一份资料，OctreeOcc论文中提到，目前得分最高的是上海科技大学的OctreeOcc，也就是上表中的“Ours”。排名第二的是英伟达的FB-OCC，与OctreeOcc差距很小。

图片来源：KITTI

KITTI数据集3D语义场景完成的mIoU上得分最高的是鉴智机器人的OccFormer。

我们就来深入了解一下这OctreeOcc、FB-OCC和OccFormer三个模型。

先来看英伟达的FB-OCC，论文《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》，论文很简短，只有5页。

FB-OCC整体架构

图片来源：《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》论文

FB-OCC的预测头

图片来源：《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》论文

语义和深度联合预训练

图片来源：《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》论文

英伟达的FB-OCC非常简洁，基本上就是BEVFormer加了一个占用网络head。纯视觉的3D感知模型的核心模块是 view transformation 模块。这个模块包括两个主要的视图转换方式：正向投影（LSS）和反向投影（BEVFormer）。FB-BEV 提供了一个统一的设计，利用这两种方法，扬长避短。在FB-OCC中，使用前向投影来生成初始的3D体素表征，然后将其压缩为一个扁平的 BEV 特征图。BEV特征图被视为BEV空间内的queries，并与图像编码器特征一起获得密集的几何信息。然后将3D体素表征和优化后的BEV表征的融合特征输入到后续的任务头中。

英伟达采用了预训练，通过深度估计任务增强模型的几何意识。英伟达对nuScenes数据集进行了广泛的预训练，主要集中在深度估计上。值得注意的是，深度预训练缺乏语义层面的监督。为了减轻模型过度偏向深度信息的风险，可能导致语义先验的损失（特别是考虑到模型的大规模特性，容易出现过拟合），在进行深度预测任务的同时，也要致力于预测二维语义分割标签，如上图3所示。

鉴智机器人的OccFormer框架

图片来源：OccFormer

OccFormer以单目图像或环视图像作为输入，首先由图像编码器提取多尺度特征，然后基于深度预测和体素Voxel池化得到三维场景特征。随后，该三维特征首先经过dual-path transformer encoder进行三维视角下的特征提取，得到多尺度体素特征。最终transformer occupancy decoder融合多尺度特征，预测不同类别的binary mask并结合得到最终的occupancy预测。

图像编码器的输出为输入分辨率的 1/16 的融合特征图:  来表示提取的特征。

然后是英伟达提出的LSS BEV算法，编码后的图像特征被处理以生成 context feature

N 是相机视角的数量，C是通道数，(H,W) 代表分辨率。

离散的深度分布是

二者相乘得到点云的表示：

最终进行体素池化以创建三维特征 3D feature volume

其中（X, Y, Z） 表示三维体的分辨率。

图片来源：OccFormer

由于驾驶场景中沿着水平方向的信息变化最剧烈，而高度方向上信息密度相对较低，因此三维特征编码的重点应该放在水平方向上。但由于occupancy需要三维的细粒度信息，将三维特征完全压平进行处理是不可取的。输入的三维特征会经过局部和全局两条路径、沿着水平方向进行语义特征提取，两条路径的输出会通过自适应融合得到输出的三维场景特征。对于输入的三维特征，局部 local 和全局 global 路径首先沿水平方向并行地聚集语义信息。接下来，双路径输出通过 sigmoid-weighted 进行融合。局部路径主要针对提取细粒度的语义结构。由于水平方向包含最多的变化，通过一个共享编码器并行处理所有BEV切片能够保留大部分语义信息。将高度维度合并到批处理维度，并使用窗口化自注意力作为局部特征提取器，它可以利用较小的计算量动态地关注远距离区域；另一方面，全局路径旨在高效捕获场景级语义布局。为此，全局路径首先通过沿高度维度进行平均池化来获取BEV特征，并采用相同的窗口化自注意力实现特征提取，为了进一步增大全局感受野，还使用了ASPP结构来捕获全局上下文。

W指的是沿高度维度生成聚合权重的 FFN；σ(·) 是 sigmoid 函数；“unsqueeze” 是沿高度方向扩展全局 2D 特征。

语义分割方面采用了META提出的Mask2Former ，Mask2Former建立在一个简单的元框架 （MaskFormer）和一个新的 Transformer 解码器上，其关键组成部分为掩码注意力（Masked-attention），通过将交叉注意力限制在预测的掩码区域内来提取局部特征。与为每个任务（全景、实例或语义）设计专门模型相比，Mask2Former 节省了3倍的研究工作，并且有效节省计算资源。Mask2Former 在全景分割（COCO上的 57.8 PQ）、实例分割（COCO 上的 50.1 AP）和语义分割（ADE20K 上的 57.7 mIoU）上都实现了SOTA。

利用输入的多尺度体素特征 (multi-scale voxel features) 和参数化的查询特征 (parameterized query features) ，transformer decoder 对查询特征进行迭代更新，以达到预期的类别语义。在每个迭代内，查询特征 (queries features)Q1， 通过 masked attention 来关注它们相对应前景区域。

然后进行 self-attention，以交换上下文信息，然后用FFN进行特征投影。在每个迭代结束时，每个Q1被投影来预测它的语义分对数 (semantic logits)Pi，和掩膜嵌入 (mask embedding)εmask，后者通过 一个 per-voxel 嵌入εvoxel和 sigmoid 函数的点积进一步转化为二进制的三维掩膜Mi。

OctreeOcc框架

图片来源：OctreeOcc

OctreeOcc框架如上图， 实际就是用传统的八叉数空间表示法取代了传统的BEV或Voxel。

不过目前这些前沿试验性质的论文都无法落地。

图片来源：OctreeOcc

左边的是Occ3D-nuScenes，专为占用网络测试搞的数据集，右边的是KITTI的语义分割测试数据集，占用网络模型消耗内存惊人，最少都需要25GB，对运算资源消耗惊人，即便是用英伟达8张A100，最快的也要386毫秒，自动驾驶最低门槛10Hz都达不到。这个每帧都需要读出模型一次，也就说需要容量至少超过48GB的高宽带存储，最好是HBM3，GDDR6都非常勉强，而HBM价格惊人，英伟达H100的HBM内存容量也不过80GB。

审核编辑：刘清