UniOcc: A Unified Benchmark for Occupancy Forecasting and Prediction in Autonomous Driving
作者: Yuping Wang, Xiangyu Huang, Xiaokang Sun, Mingxuan Yan, Shuo Xing, Zhengzhong Tu, Jiachen Li
发布时间: 2025-04-02
来源: arxiv
研究方向: 自动驾驶中的占有率预测与预测
主要内容
本文介绍了UniOcc，这是一个用于自动驾驶中占有率预测和预测的综合、统一基准。UniOcc统一了来自多个真实世界数据集（如nuScenes和Waymo）和高保真驾驶模拟器（如CARLA和OpenCOOD）的数据，提供了二维/三维占有率标签，带有每个体素的流动注释，并支持协同自动驾驶。该基准通过引入新的评估指标，使评估不依赖于地面实况占有率，从而能够对占有率质量的各个方面进行稳健的评估。
主要贡献
1. 引入了UniOcc，这是一种全新的统一二维/三维占有率预测和预测基准，它通过统一来自nuScenes和Waymo的真实数据以及来自CARLA和OpenCOOD的合成数据，为传统和协同驾驶提供了流动信息。
2. 开发了一个用户友好的平台，用于当前帧占有率预测和帧间占有率预测，该平台使设置简单、跨数据集增强以及带有或不带有参考地面实况标签的综合占有率评估变得容易。
3. 在最新的占有率预测/预测模型上验证了数据集无关的训练/测试流程和提出的评估指标。实验表明，引入流动信息可以提高占有率预测和预测性能，而现有方法在跨域泛化方面面临挑战，突出了未来研究的途径。
研究方法
1. 数据集的统一：将多个数据集的数据整合到一个统一的格式中，包括nuScenes、Waymo、CARLA和OpenCOOD。
2. 新的评估指标：提出不依赖于地面实况标签的评估指标，以评估占有率质量的各个方面。
3. 数据增强：使用CARLA模拟数据来提供多样化的训练数据，并改善模型在不同场景下的泛化能力。
4. 协同预测：支持多智能体场景，允许在协同感知和预测中进行分析。
实验结果
实验结果表明，引入流动信息可以显著提高占有率预测和预测的性能。此外，使用来自多个数据源的多样化训练数据可以提高模型的跨域泛化能力。多智能体融合在协同感知和预测中产生了合理的IoU，突出了该框架在多智能体设置中的灵活性。
未来工作
未来的工作可能包括探索更先进的流动信息处理方法，以及开发新的评估指标来进一步评估占有率预测的质量。此外，研究如何将UniOcc扩展到其他自动驾驶任务，如轨迹预测和环境感知，也是一个有前景的研究方向。