特斯拉的Occupancy Network占用網絡如何解決無法識別物體的難題呢？

Occupancy Network并非特斯拉發明，最先提出Occupancy Network的是2018年的論文《Occupancy Networks: Learning 3D Reconstruction in Function Space》，主要作者是Tubingen大學和博世旗下軟件公司ETAS。更早可以追溯至2012年的論文《Indoor Segmentation and Support Inference from RGBD Images》，主要作者是紐約大學。而最早可以追溯到1986年的論文《A computational approach to edge detection》。Occupancy Network源自語義分割，語義分割需要連續邊界而不是傳統的Bounding Box（一般會縮寫為BBox），語義分割再加上2D或3D重建，就是Occupancy Network。不過讓Occupancy Network揚名天下的是特斯拉。

圖片來源：Occ3D

目前，傳統的3D目標感知算法缺點是過于依賴數據集，但數據集的分類有限，通常不超過30類，總有不常見的物體類別沒被標注，這些未被標注的物體再次出現在實際場景中，會因為數據集中沒有標注，無法識別而被感知系統忽略掉，導致車輛不減速直接撞向物體。這種事故經常發生，最典型的是當車輛有故障，駕駛員下車站在車尾，打開后備箱找維修工具，對于計算機視覺來說就是一個難題，這是個打開的后備箱加人的影像，或者人推著電動車或自行車過馬路，人眼可以一眼看出，但機器就徹底傻眼，復合目標，從未被標注的物體或從未出現在數據集的物體，要探測目標距離，必須先識別目標，探測和識別是一體的，無法分割，畫出BBox，機器無法識別，畫不出BBox，會認為前方沒有物體，自然不會減速，直接撞上去。

BBox的致命缺陷，一是無法忽略掉物體的幾何細節，二是探測和識別一體，遇到未被標注的物體就會視而不見。Occupancy Network就是為了解決BBox的缺陷而產生的，Occupancy Network學術上講就是建模物體詳細幾何和語義的通用且連貫的表征。一個需要從輸入圖像中聯合估計場景中每個voxel的占據狀態和語義標簽的模型，其中占據狀態分為free，occupied和unobserved三種，對于occupied的voxel，還需要分配其語義標簽。而對于沒有標注的物體類別，統一劃分為General Objects(GOs)，GOs少見但為了安全起見是必須的，否則檢測時經常檢測不到。Occupancy Network理論上能解決無法識別物體的難題，但實際中不能。很簡單，Occupancy Network是一種預測性質的神經網絡，它不可能達到100%的準確度，自然也就有漏網之魚，還是有無法識別的物體無法探測。

圖片來源：網絡

占用網絡算法排名，第一名是英偉達的FB-OCC，小米和北大聯合的UniOcc排名第三，華為僅排名第六。目前基于BEV的解決方案很多。這些解決方案在經過一定的修改后都可以適用于 3D occupancy 預測，門檻不高。

目前Occupancy Network準確度有多少呢？目前最頂級的Occupancy Network的mIoU是54.19%。mIoU是預測值與真值的交并比，某種意義上可以看做是準確度。這和傳統激光雷達語義分割差距極大，2021年的激光雷達語義分割就能達到80%以上。

圖片來源：OctreeOcc

另一份資料，OctreeOcc論文中提到，目前得分最高的是上海科技大學的OctreeOcc，也就是上表中的“Ours”。排名第二的是英偉達的FB-OCC，與OctreeOcc差距很小。

圖片來源：KITTI

KITTI數據集3D語義場景完成的mIoU上得分最高的是鑒智機器人的OccFormer。

我們就來深入了解一下這OctreeOcc、FB-OCC和OccFormer三個模型。

先來看英偉達的FB-OCC，論文《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》，論文很簡短，只有5頁。

FB-OCC整體架構

圖片來源：《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》論文

FB-OCC的預測頭

圖片來源：《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》論文

語義和深度聯合預訓練

圖片來源：《FB-OCC: 3D Occupancy Prediction based on Forward-Backward View Transformation》論文

英偉達的FB-OCC非常簡潔，基本上就是BEVFormer加了一個占用網絡head。純視覺的3D感知模型的核心模塊是 view transformation 模塊。這個模塊包括兩個主要的視圖轉換方式：正向投影（LSS）和反向投影（BEVFormer）。FB-BEV 提供了一個統一的設計，利用這兩種方法，揚長避短。在FB-OCC中，使用前向投影來生成初始的3D體素表征，然后將其壓縮為一個扁平的 BEV 特征圖。BEV特征圖被視為BEV空間內的queries，并與圖像編碼器特征一起獲得密集的幾何信息。然后將3D體素表征和優化后的BEV表征的融合特征輸入到后續的任務頭中。

英偉達采用了預訓練，通過深度估計任務增強模型的幾何意識。英偉達對nuScenes數據集進行了廣泛的預訓練，主要集中在深度估計上。值得注意的是，深度預訓練缺乏語義層面的監督。為了減輕模型過度偏向深度信息的風險，可能導致語義先驗的損失（特別是考慮到模型的大規模特性，容易出現過擬合），在進行深度預測任務的同時，也要致力于預測二維語義分割標簽，如上圖3所示。

鑒智機器人的OccFormer框架

圖片來源：OccFormer

OccFormer以單目圖像或環視圖像作為輸入，首先由圖像編碼器提取多尺度特征，然后基于深度預測和體素Voxel池化得到三維場景特征。隨后，該三維特征首先經過dual-path transformer encoder進行三維視角下的特征提取，得到多尺度體素特征。最終transformer occupancy decoder融合多尺度特征，預測不同類別的binary mask并結合得到最終的occupancy預測。

圖像編碼器的輸出為輸入分辨率的 1/16 的融合特征圖: 來表示提取的特征。

然后是英偉達提出的LSS BEV算法，編碼后的圖像特征被處理以生成 context feature

N 是相機視角的數量，C是通道數，(H,W) 代表分辨率。

離散的深度分布是

二者相乘得到點云的表示：

最終進行體素池化以創建三維特征 3D feature volume

其中（X, Y, Z） 表示三維體的分辨率。

圖片來源：OccFormer

由于駕駛場景中沿著水平方向的信息變化最劇烈，而高度方向上信息密度相對較低，因此三維特征編碼的重點應該放在水平方向上。但由于occupancy需要三維的細粒度信息，將三維特征完全壓平進行處理是不可取的。輸入的三維特征會經過局部和全局兩條路徑、沿著水平方向進行語義特征提取，兩條路徑的輸出會通過自適應融合得到輸出的三維場景特征。對于輸入的三維特征，局部 local 和全局 global 路徑首先沿水平方向并行地聚集語義信息。接下來，雙路徑輸出通過 sigmoid-weighted 進行融合。局部路徑主要針對提取細粒度的語義結構。由于水平方向包含最多的變化，通過一個共享編碼器并行處理所有BEV切片能夠保留大部分語義信息。將高度維度合并到批處理維度，并使用窗口化自注意力作為局部特征提取器，它可以利用較小的計算量動態地關注遠距離區域；另一方面，全局路徑旨在高效捕獲場景級語義布局。為此，全局路徑首先通過沿高度維度進行平均池化來獲取BEV特征，并采用相同的窗口化自注意力實現特征提取，為了進一步增大全局感受野，還使用了ASPP結構來捕獲全局上下文。

W指的是沿高度維度生成聚合權重的 FFN；σ(·) 是 sigmoid 函數；“unsqueeze” 是沿高度方向擴展全局 2D 特征。

語義分割方面采用了META提出的Mask2Former ，Mask2Former建立在一個簡單的元框架 （MaskFormer）和一個新的 Transformer 解碼器上，其關鍵組成部分為掩碼注意力（Masked-attention），通過將交叉注意力限制在預測的掩碼區域內來提取局部特征。與為每個任務（全景、實例或語義）設計專門模型相比，Mask2Former 節省了3倍的研究工作，并且有效節省計算資源。Mask2Former 在全景分割（COCO上的 57.8 PQ）、實例分割（COCO 上的 50.1 AP）和語義分割（ADE20K 上的 57.7 mIoU）上都實現了SOTA。

利用輸入的多尺度體素特征 (multi-scale voxel features) 和參數化的查詢特征 (parameterized query features) ，transformer decoder 對查詢特征進行迭代更新，以達到預期的類別語義。在每個迭代內，查詢特征 (queries features)Q1， 通過 masked attention 來關注它們相對應前景區域。

然后進行 self-attention，以交換上下文信息，然后用FFN進行特征投影。在每個迭代結束時，每個Q1被投影來預測它的語義分對數 (semantic logits)Pi，和掩膜嵌入 (mask embedding)εmask，后者通過 一個 per-voxel 嵌入εvoxel和 sigmoid 函數的點積進一步轉化為二進制的三維掩膜Mi。

OctreeOcc框架

圖片來源：OctreeOcc

OctreeOcc框架如上圖， 實際就是用傳統的八叉數空間表示法取代了傳統的BEV或Voxel。

不過目前這些前沿試驗性質的論文都無法落地。

圖片來源：OctreeOcc

左邊的是Occ3D-nuScenes，專為占用網絡測試搞的數據集，右邊的是KITTI的語義分割測試數據集，占用網絡模型消耗內存驚人，最少都需要25GB，對運算資源消耗驚人，即便是用英偉達8張A100，最快的也要386毫秒，自動駕駛最低門檻10Hz都達不到。這個每幀都需要讀出模型一次，也就說需要容量至少超過48GB的高寬帶存儲，最好是HBM3，GDDR6都非常勉強，而HBM價格驚人，英偉達H100的HBM內存容量也不過80GB。

審核編輯：劉清