占用网络（Occupancy Network）

1. 开篇介绍

占用网络（Occupancy Network）是当前自动驾驶感知领域最前沿的技术范式之一。2022年，特斯拉在 AI Day 上正式发布了基于纯摄像头的三维占用预测系统，引发了业界的广泛关注，并推动了自动驾驶感知从"目标检测"走向"场景理解"的革命性转变。

传统自动驾驶感知系统依赖于对已知类别目标的检测与追踪——用边界框（Bounding Box）来表示行人、车辆、骑行者等障碍物。这种范式存在根本性局限：真实世界的道路上充满了各种非结构化、无法预定义类别的危险障碍物，例如散落在路面的货物、倒下的树木或电线杆、施工隔离墩的异形堆叠等。

占用网络的核心思想是：将三维空间划分为均匀的体素栅格（Voxel Grid），对每个体素预测其占据状态与语义类别，从而实现对任意形状障碍物的精确表达。这种方式从根本上摆脱了对类别先验的依赖，是迈向通用场景理解的关键一步。

传统感知范式：                         占用网络范式：
┌─────────────────────────┐           ┌─────────────────────────┐
│  摄像头 / LiDAR 输入     │           │  摄像头 / LiDAR 输入     │
│          ↓               │           │          ↓               │
│   目标检测 (已知类别)    │           │   三维体素化场景表达     │
│  [car][ped][cyclist]     │           │  ■■■■□□■□□■■□□          │
│  → 边界框 + 类别 + 置信度│           │  → 每体素: 占用+语义     │
│  × 无法表达异形障碍物    │           │  ✓ 任意形状均可表达      │
└─────────────────────────┘           └─────────────────────────┘

---

2. 传统3D感知的局限

2.1 边界框检测的缺陷

基于边界框（Bounding Box）的三维目标检测方法（如 PointPillars、CenterPoint、FCOS3D 等）是当前自动驾驶感知的主流技术路线。其输出通常为：

\[B = \{(x_i, y_i, z_i, l_i, w_i, h_i, \theta_i, c_i, s_i)\}_{i=1}^{N}\]

其中 \((x, y, z)\) 为中心坐标，\((l, w, h)\) 为长宽高，\(\theta\) 为偏航角，\(c\) 为类别标签，\(s\) 为置信度分数。

该范式存在以下根本性缺陷：

1. 类别封闭性：只能检测训练集中预定义的类别（如 car、truck、pedestrian 等），对于未见过的障碍物（如散落的建筑材料、倒下的电线杆、异形施工装置）完全无能为力。

2. 形状近似失真：用长方体近似真实物体形状，对于非规则形状目标（如摩托车、拖挂车转弯时的形态）误差极大。

3. 遮挡处理困难：当物体被部分遮挡时，边界框的预测精度大幅下降，且无法表达被遮挡区域的不确定性。

4. 固定类别列表限制扩展性：每增加新类别均需重新标注和训练，维护成本高昂。

2.2 点云语义分割的局限

基于 LiDAR 点云的语义分割（如 RandLA-Net、Cylinder3D）虽然可以做到逐点分类，但也存在明显问题：

• 稀疏性问题：LiDAR 点云天然稀疏，近处点密集、远处点稀疏。在 50 米外，点云密度可能仅有近处的 \(\frac{1}{r^2}\) 倍（\(r\) 为距离），导致远处障碍物难以准确分割。

• 无法感知空区域：点云仅表示激光打到的表面，无法区分"空旷可行驶区域"和"未被扫描到的未知区域"。

• 单帧信息有限：单帧点云无时序信息，难以推断动态物体的运动趋势。

2.3 占用网络的解决思路

占用网络将三维空间离散化为均匀体素栅格，并对每个体素预测：

1. 占据概率 \(P(\text{occ} | \text{obs})\)：该体素是否被实体占据
2. 语义类别 \(c \in \mathcal{C}\)：该体素属于哪个语义类别（车辆、行人、道路、建筑等）
3. （可选）运动流向 \(\mathbf{v} \in \mathbb{R}^3\)：该体素对应实体的运动速度向量

这样，场景中的任意实体——无论其类别是否在训练集中——都可以被体素精确捕捉，从而实现了对场景几何和语义的全面理解。

---

3. 占用网络基础

3.1 体素（Voxel）定义

体素是三维空间中的最小离散单元，类比于二维图像中的像素（Pixel）。给定感知范围和分辨率，体素栅格可以如下定义：

设自动驾驶车辆的感知范围为：

\[x \in [x_{\min}, x_{\max}], \quad y \in [y_{\min}, y_{\max}], \quad z \in [z_{\min}, z_{\max}]\]

体素分辨率为 \(r\)（单位：米），则体素栅格尺寸为：

\[H = \frac{x_{\max} - x_{\min}}{r}, \quad W = \frac{y_{\max} - y_{\min}}{r}, \quad D = \frac{z_{\max} - z_{\min}}{r}\]

常用的体素分辨率配置：

分辨率	精细程度	计算开销	典型应用
0.4 m	粗粒度	低	实时规划层
0.2 m	中粒度	中	特斯拉 Occupancy Network
0.1 m	细粒度	高	高精度建图

3.2 占用状态建模

每个体素具有三种可能状态：

• Occupied（占据）：存在实体（车辆、行人、建筑等）
• Free（空闲）：可行驶/可通行的空旷空间
• Unknown（未知）：传感器无法观测到的区域（遮挡、超出范围等）

占据概率使用贝叶斯滤波进行递归更新：

\[P(\text{occ}_t | \mathbf{z}_{1:t}) \propto P(\mathbf{z}_t | \text{occ}) \cdot P(\text{occ}_{t-1} | \mathbf{z}_{1:t-1})\]

其中 \(\mathbf{z}_t\) 为 \(t\) 时刻的传感器观测。对于静态地图，占用概率随时间积累趋于稳定；对于动态场景，需要引入运动模型以处理障碍物的移动。

3.3 语义占用输出格式

完整的语义占用网络输出为稠密三维张量：

\[\mathbf{V} \in \mathbb{R}^{H \times W \times D \times C}\]

其中 \(C\) 为语义类别数（包含"空闲"类），\(H, W, D\) 分别为体素栅格在三个维度上的数量。

对每个体素 \(v_{h,w,d}\)，通过 Softmax 得到各类别概率分布：

\[P(c | v_{h,w,d}) = \frac{e^{f_{h,w,d,c}}}{\sum_{c'=1}^{C} e^{f_{h,w,d,c'}}}\]

最终预测类别为：

\[\hat{c}_{h,w,d} = \arg\max_{c} P(c | v_{h,w,d})\]

3.4 训练损失函数

语义占用网络的训练通常采用加权交叉熵损失，以处理类别不平衡问题（空闲体素远多于占据体素）：

\[\mathcal{L} = -\sum_{h,w,d} \omega_c \cdot \log P(\hat{c}_{h,w,d} = c^*_{h,w,d})\]

其中 \(\omega_c\) 为类别权重，\(c^*\) 为真实标签。此外，场景几何补全任务中还常引入 Lovász-Softmax 损失以直接优化 IoU 指标。

---

4. Tesla Occupancy Network（2022 AI Day）

4.1 背景与动机

特斯拉在 2022 年 AI Day 上发布了其占用网络系统，这是自动驾驶感知史上的一个重要里程碑。其核心主张是：边界框描述已死，体素占用才是未来。

特斯拉选择纯视觉方案（无 LiDAR）的核心挑战在于：单目/多目摄像头无法直接获得精确深度信息，如何从二维图像中重建三维占用体积是关键技术难题。

4.2 系统输入

• 传感器：车身 8 路摄像头（前向窄角、前向广角、前向主摄、左前、右前、左后、右后、后向）
• 时序信息：当前帧 + 历史帧（利用视频 BEV 感知提取时序特征，实现类似"运动视差"的深度估计）
• 无高精地图：完全依赖实时感知

4.3 网络架构

┌──────────────────────────────────────────────────────────────────┐
│                   Tesla Occupancy Network 架构                    │
│                                                                    │
│  8路摄像头图像 (当前帧 + 历史帧)                                  │
│       │                                                            │
│       ▼                                                            │
│  ┌─────────────┐                                                   │
│  │ 图像编码器   │  ← RegNet / EfficientNet 骨干网络               │
│  │ (per-camera) │    提取每路摄像头的图像特征 F_i ∈ R^{H×W×C}    │
│  └──────┬──────┘                                                   │
│         │                                                          │
│         ▼                                                          │
│  ┌──────────────────────┐                                          │
│  │  视频 BEV 特征融合   │  ← 多摄像头视角投影到统一 BEV 空间      │
│  │  (Video BEV Encoder) │    利用时序信息推断深度                  │
│  └──────────┬───────────┘                                          │
│             │                                                      │
│             ▼                                                      │
│  ┌──────────────────────┐                                          │
│  │  三维体素解码器       │  ← 将 BEV 特征扩展为三维体素表示        │
│  │  (3D Voxel Decoder)  │    分辨率: 0.2m × 0.2m × 0.2m          │
│  └──────────┬───────────┘                                          │
│             │                                                      │
│             ▼                                                      │
│  占用体素输出 V ∈ {occupied, free} × 语义类别                     │
│  应用：碰撞规避 / 可行驶空间提取 / 轨迹规划                       │
└──────────────────────────────────────────────────────────────────┘

4.4 关键创新点

1. 视频时序 BEV 感知：通过多帧时序信息，网络可以利用运动视差推断深度，弥补纯视觉方案缺乏深度传感器的不足。

2. 特征空间的隐式深度估计：不显式预测每像素深度图，而是在特征空间中完成图像到体素的映射，避免了显式深度估计的误差传播。

3. 端到端可微分训练：整个系统从图像到体素预测全程可微分，支持端到端优化。

4. 实时推理能力：借助 Tesla FSD 芯片的专用硬件加速，系统可实现车载实时推理。

4.5 应用场景

• 碰撞规避：无需依赖目标检测，直接基于占用体素进行碰撞检测，可处理任意形状障碍物。
• 可行驶空间提取：从占用体积中提取空闲空间，为路径规划提供输入。
• 低速泊车场景：在停车场等结构复杂场景中，占用表示比边界框更精确。

---

5. 基于摄像头的占用网络

5.1 MonoScene：单目摄像头语义场景补全

MonoScene（2022）是首个基于单目摄像头实现三维语义场景补全的方法，在 SemanticKITTI 和 NYUv2 数据集上达到了接近 LiDAR 方法的性能。

核心思路：将二维图像特征通过 2D-3D 特征线投影（Feature Line of Sight Projection）映射到三维体素空间，再通过三维 UNet 解码器完成场景补全。

2D 到 3D 的特征映射：对于图像中的每个像素 \((u, v)\)，其对应的射线方向为：

\[\mathbf{d}_{u,v} = K^{-1} [u, v, 1]^T\]

沿射线方向的所有体素均分配该像素的图像特征，从而实现二维到三维的特征传播。

5.2 TPVFormer：三视角特征融合

TPVFormer（清华大学，2023）提出了三视角（Tri-Perspective View）特征融合框架，是 BEV 感知的重要扩展。

三个正交视图：

视图	平面	表达能力
俯视图（BEV）	\(H \times W\)	平面位置、车道线
侧视图（Side）	\(H \times D\)	高度分布、立交结构
前视图（Front）	\(W \times D\)	纵深结构

三个视图特征通过交叉注意力机制相互融合：

\[\mathbf{F}_{\text{BEV}} \leftarrow \text{CrossAttn}(\mathbf{F}_{\text{BEV}}, \mathbf{F}_{\text{Side}}, \mathbf{F}_{\text{Front}})\]

相比纯 BEV 方法，TPVFormer 在高空间复杂场景（如立交桥、隧道）中具有明显优势，因为俯视图无法区分多层高度信息。

5.3 OccNet 与 OpenOccupancy

OccNet（2023）提出了多摄像头环视占用预测的统一框架，并在 nuScenes 数据集上建立了评测基准（nuScenes-Occ）。其核心贡献包括：

• 定义了占用预测任务的标准输入/输出格式
• 建立了公开可复现的基准测试套件
• 提出了基于时序 BEV 编码器的多帧融合方案

OpenOccupancy 则在更精细的体素分辨率（0.1m）下进行评测，关注密集占用预测的细节精度。

5.4 SurroundOcc：多摄像头环视占用

SurroundOcc（2023）专注于 360° 环视摄像头的占用预测，通过以下设计提升感知精度：

1. 级联体素特征提取：从粗到细的多分辨率体素特征学习
2. 空间交叉注意力：每个体素查询通过可变形注意力机制聚合多视角图像特征
3. 密集监督：利用激光雷达点云对体素进行稠密标注，监督纯视觉网络的训练

---

6. 相机-LiDAR融合占用网络

6.1 融合策略概述

相机和 LiDAR 传感器具有高度互补性：

• 摄像头：提供丰富的语义纹理信息（颜色、材质、文字），但无法直接获得精确深度
• LiDAR：提供精确的三维几何结构，但语义信息有限

融合策略主要分为两类：

\[\text{融合层次} = \begin{cases} \text{特征空间融合（Feature-level）} & \text{两路特征在中间层concat/相加} \\ \text{预测结果融合（Output-level）} & \text{两路分别预测后融合结果} \end{cases}\]

特征空间融合（前融合）通常优于输出结果融合（后融合），因为网络可以学习到两种模态之间的深层关联。

6.2 BEV-Fusion（MIT）

BEV-Fusion（MIT，2022）提出了一种统一的 BEV 特征融合框架，将摄像头 BEV 特征与 LiDAR BEV 特征在鸟瞰图空间进行拼接融合：

摄像头图像 → [LSS 深度估计] → 摄像头 BEV 特征 F_cam ∈ R^{H×W×C1}
                                                          ↓
LiDAR 点云 → [体素化+稀疏CNN] → LiDAR BEV 特征 F_lidar ∈ R^{H×W×C2}
                                                          ↓
                              → Concat → F_fused ∈ R^{H×W×(C1+C2)}
                                                          ↓
                              → 下游任务头（检测/分割/占用）

在 nuScenes 数据集上，BEV-Fusion 相比纯 LiDAR 方法在语义分割任务上提升了约 3% mIoU，在恶劣天气（如雨天 LiDAR 噪声增大）场景下优势更为显著。

6.3 UniOcc：统一模态占用预测

UniOcc 旨在建立一个统一的占用预测框架，可同时支持：

• 纯摄像头输入（部署成本低）
• 纯 LiDAR 输入（精度最高）
• 摄像头 + LiDAR 融合输入（性能最优）

通过模态自适应的特征编码器和共享的体素解码器，UniOcc 实现了一个模型适配多种传感器配置的目标，大幅降低了部署维护成本。

6.4 融合方法性能对比

方法	输入模态	mIoU (%)	备注
MonoScene	单目摄像头	11.1	SemanticKITTI
TPVFormer	多目摄像头	17.1	nuScenes-Occ
SurroundOcc	多目摄像头	20.3	nuScenes-Occ
BEV-Fusion	相机+LiDAR	26.8	nuScenes-Occ
LiDAR-Only	LiDAR	24.1	nuScenes-Occ

---

7. 3D语义场景补全（3D Semantic Scene Completion）

7.1 任务定义

3D 语义场景补全（3D SSC）是占用网络的重要子任务：给定部分观测的稀疏点云（或单目深度图），预测完整的三维语义体素场景，包括被遮挡和未被扫描区域的语义标签。

输入：稀疏 LiDAR 点云（或深度图）\(\mathbf{X} \in \mathbb{R}^{N \times 3}\)

输出：稠密语义体素 \(\hat{\mathbf{V}} \in \{0, 1, ..., C-1\}^{H \times W \times D}\)（其中 \(0\) 为空闲类）

7.2 技术发展历程

SSCNet（2017）：首个端到端 3D SSC 方法，基于三维稀疏卷积网络，奠定了该任务的基础框架。

Sketch-and-Refine（2018）：分两阶段处理：先预测几何占用草图（Sketch），再精细化语义标签（Refine），提升了计算效率。

LMSCNet（2020）：轻量化多尺度卷积网络，在保持精度的同时大幅降低计算量，适合车载实时部署。

MonoScene（2022）：突破性地将输入从 LiDAR 点云扩展到单目 RGB 图像，同时引入了 2D-3D 特征映射和上下文关系增强模块（Context Relation Prior）。

TPVFormer（2023）：基于 Transformer 的三视角融合方案，在 SemanticKITTI 上取得了当时最优的性能。

7.3 SemanticKITTI 基准

SemanticKITTI 是 3D SSC 任务最重要的基准数据集，包含：

• 场景范围：\([-51.2, 51.2]\) m（前后），\([-25.6, 25.6]\) m（左右），\([-3.0, 4.8]\) m（高度）
• 体素分辨率：\(0.2\) m，共 \(256 \times 256 \times 32 = 2,097,152\) 个体素
• 语义类别：20 类（包括道路、植被、建筑、行人、车辆等）

SemanticKITTI 各方法性能（mIoU，仅统计占据体素）：

方法	输入	mIoU (%)
SSCNet	LiDAR	16.1
LMSCNet	LiDAR	17.6
MonoScene	单目摄像头	11.1
TPVFormer	多目摄像头	17.1

---

8. 占用流动（Occupancy Flow）

8.1 静态占用的局限

静态占用网络仅描述当前时刻的场景几何，无法回答"这个障碍物正在向哪里移动？""未来 2 秒这个区域会被占用吗？"等对规划至关重要的问题。

占用流动（Occupancy Flow） 通过为每个体素预测运动向量（Flow Field），将场景的几何表达从静态扩展到动态，实现了一种隐式的场景动力学建模。

8.2 占用流动定义

占用流动场定义为：

\[\mathbf{F} \in \mathbb{R}^{H \times W \times D \times 3}\]

其中 \(\mathbf{F}_{h,w,d} = (v_x, v_y, v_z)\) 表示体素 \((h, w, d)\) 对应实体在三维空间中的瞬时速度向量（单位：m/s）。

对于静止体素（道路、建筑等），\(\mathbf{F}_{h,w,d} = \mathbf{0}\)；对于运动体素（行驶车辆、行走行人等），\(\mathbf{F}_{h,w,d} \neq \mathbf{0}\)。

8.3 未来占用预测

利用占用流动，可以预测未来 \(\Delta t\) 时刻的占用状态：

\[\mathbf{V}(t + \Delta t) \approx \text{Warp}(\mathbf{V}(t), \mathbf{F} \cdot \Delta t)\]

其中 \(\text{Warp}\) 为三维空间的体素变形操作。更精确的预测可采用递归神经网络（如 ConvLSTM3D）对时序占用序列进行建模：

\[\mathbf{V}_{t+1} = f_\theta(\mathbf{V}_t, \mathbf{F}_t, \mathbf{h}_t)\]

8.4 应用：隐式轨迹预测与规划

占用流动的最大优势在于不依赖目标检测和轨迹预测的显式两阶段流程，而是直接在体素空间中完成动态场景建模：

1. 隐式轨迹预测：不需要显式追踪每个物体，直接从流动场中读取未来位置
2. 规划避障：规划模块直接查询未来占用体积，规避所有预测被占用的体素
3. 安全边界估计：通过积分流动场，计算任意物体的可能轨迹分布，用于安全裕度计算

Waymo 的研究表明，基于占用流动的规划相比基于目标追踪的传统方法，在复杂交叉路口场景中碰撞率降低约 15%。

---

9. 世界模型（World Model）与占用

9.1 世界模型的概念

世界模型（World Model）是对环境动力学的神经网络表示，能够模拟"如果采取动作 \(a\)，世界将如何演化"。在自动驾驶领域，世界模型可以：

• 生成驾驶场景视频用于仿真测试
• 在虚拟环境中训练强化学习策略
• 通过"想象"未来场景辅助规划决策

占用表示在世界模型中具有核心地位：体素占用提供了对场景状态的结构化、几何精确的表达，优于原始像素级别的表达（像素缺乏三维结构信息）。

9.2 GAIA-1（Wayve）

GAIA-1 是 Wayve 于 2023 年发布的自动驾驶视频生成世界模型，核心特性：

• 输入：驾驶历史视频、自车动作序列（油门、方向盘）、文本条件（如"下雨天""城市道路"）
• 输出：未来驾驶场景视频（前向摄像头图像序列）
• 模型规模：93 亿参数，基于 GPT 风格的自回归生成
• 意义：首个可生成真实感、时序一致驾驶视频的大规模世界模型

9.3 DriveDreamer

DriveDreamer（2023）基于扩散模型（Diffusion Model）生成驾驶场景视频，相比 GAIA-1 的自回归生成，扩散模型方案在多摄像头一致性上具有优势：

\[\mathbf{V}_{\text{future}} = \text{DiffusionModel}(\mathbf{V}_{\text{hist}}, \mathbf{a}_{\text{ego}}, \mathbf{m}_{\text{occ}})\]

其中 \(\mathbf{m}_{\text{occ}}\) 为当前时刻的占用地图，作为几何条件约束生成结果的空间一致性。

9.4 UniSim（NVIDIA）

UniSim 是 NVIDIA 提出的神经网络场景模拟器，可从传感器日志重建可交互三维场景：

• 三维场景重建：从多摄像头+LiDAR 日志重建神经辐射场（NeRF）风格的三维场景
• 动态物体插入：可将新的动态物体（行人、车辆）插入重建场景
• 传感器渲染：从任意视角渲染逼真的摄像头图像和 LiDAR 点云
• 占用的作用：占用体积作为场景几何的代理表示，指导动态物体的物理合理插入

9.5 占用表示的核心地位

世界模型组件	占用表示的作用
场景状态表达	体素占用提供精确几何，优于像素表达
动力学模型	占用流动实现前向时序预测
规划接口	直接查询占用体积进行碰撞检测
仿真条件	占用地图作为生成模型的几何条件

---

10. 评估基准

10.1 nuScenes-Occ（Occ3D）

Occ3D-nuScenes 是目前最主流的摄像头占用预测基准，基于 nuScenes 数据集扩展语义占用标注：

• 感知范围：\([-40, 40]\) m（前后），\([-40, 40]\) m（左右），\([-1, 5.4]\) m（高度）
• 体素分辨率：\(0.4\) m，共 \(200 \times 200 \times 16 = 640,000\) 个体素
• 语义类别：18 类（含空闲类）
• 传感器配置：6 路环视摄像头（无 LiDAR 参考输入）

10.2 SemanticKITTI Semantic Scene Completion

SemanticKITTI SSC 是 LiDAR 场景补全的标准基准：

• 感知范围：\([-25.6, 25.6]\) m（左右），\([0, 51.2]\) m（前向），\([-2, 4.4]\) m（高度）
• 体素分辨率：\(0.2\) m，共 \(256 \times 256 \times 32\) 个体素
• 语义类别：20 类（含空闲类）
• 输入格式：单帧 LiDAR 点云（或单目 RGB）

10.3 OpenOccupancy

OpenOccupancy 是更精细分辨率的占用预测基准：

• 体素分辨率：\(0.1\) m（比 nuScenes-Occ 精细 4 倍）
• 关注点：密集占用预测细节，强调物体边界的精确刻画
• 挑战：计算量是 \(0.4\) m 分辨率的 64 倍，对模型效率要求极高

10.4 评估指标

占用预测的评估指标体系：

\[\text{IoU}_c = \frac{TP_c}{TP_c + FP_c + FN_c}\]

\[\text{mIoU} = \frac{1}{C} \sum_{c=1}^{C} \text{IoU}_c \quad \text{（所有语义类别的均值）}\]

\[\text{mIoU}_{\text{geo}} = \frac{1}{2}(\text{IoU}_{\text{free}} + \text{IoU}_{\text{occupied}}) \quad \text{（几何占用均值，不区分语义）}\]

\[\text{mIoU}_{\text{freq}} = \sum_{c=1}^{C} \frac{n_c}{N} \cdot \text{IoU}_c \quad \text{（频率加权 mIoU，按类别样本数加权）}\]

指标	含义	适用场景
IoU（几何）	是否正确预测占据/空闲	碰撞安全评估
mIoU（语义）	是否正确预测语义类别	场景理解能力
频率权重 mIoU	常见类别贡献更大	实用性评估
SC-mIoU	场景补全专用，仅统计被遮挡区域	补全能力评估

---

11. 参考资料

1. Tesla AI Day 2022 - Andrej Karpathy 等. "Tesla Occupancy Networks". Tesla Technical Report, 2022. [发布于 Tesla AI Day 2022 直播]

2. MonoScene - Cao, A., & de Charette, R. (2022). "MonoScene: Monocular 3D Semantic Scene Completion". CVPR 2022. [arXiv:2112.00726]

3. TPVFormer - Huang, Z., et al. (2023). "Tri-Perspective View for Vision-Based 3D Semantic Occupancy Prediction". CVPR 2023. [arXiv:2302.07817]

4. BEV-Fusion - Liu, Z., et al. (2022). "BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation". ICRA 2023. [arXiv:2205.13542]

5. SurroundOcc - Wei, Y., et al. (2023). "SurroundOcc: Multi-Camera 3D Occupancy Prediction for Autonomous Driving". ICCV 2023. [arXiv:2303.09551]

6. GAIA-1 - Hu, A., et al. (2023). "GAIA-1: A Generative World Model for Autonomous Driving". Wayve Technical Report. [arXiv:2309.17080]

7. Occ3D - Tian, X., et al. (2023). "Occ3D: A Large-Scale 3D Occupancy Prediction Benchmark for Autonomous Driving". NeurIPS 2023. [arXiv:2304.14365]