OccNeRF：完全無需激光雷達數據監督

作者：自動駕駛之心 2024-02-07 09:31:19

近年來，隨著人工智能技術的飛速發展，自動駕駛領域也取得了巨大進展。3D 感知是實現自動駕駛的基礎，為后續的規劃決策提供必要信息。

本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

寫在前面&筆者的個人總結

近年來，3D 占據預測（3D Occupancy Prediction）任務因其獨特的優勢獲得了學界及業界的廣泛關注。3D 占據預測通過重建周圍環境的 3D 結構為自動駕駛的規劃和導航提供詳細信息。然而，大多數現有方法依賴 LiDAR 點云生成的標簽來監督網絡訓練。在 OccNeRF 工作中，作者提出了一種自監督的多相機占據預測方法。該方法參數化的占據場（Parameterized Occupancy Fields）解決了室外場景無邊界的問題，并重新組織了采樣策略，然后通過體渲染（Volume Rendering）來將占用場轉換為多相機深度圖，最后通過多幀光度一致性（Photometric Error）進行監督。此外，該方法利用預訓練的開放詞匯語義分割模型（open vocabulary semantic segmentation model）生成 2D 語義標簽對模型進行監督，來賦予占據場語義信息。

論文鏈接：https://arxiv.org/pdf/2312.09243.pdf
代碼鏈接：https://github.com/LinShan-Bin/OccNeRF

OccNeRF問題背景

近年來，隨著人工智能技術的飛速發展，自動駕駛領域也取得了巨大進展。3D 感知是實現自動駕駛的基礎，為后續的規劃決策提供必要信息。傳統方法中，激光雷達能直接捕獲精確的 3D 數據，但傳感器成本高且掃描點稀疏，限制了其落地應用。相比之下，基于圖像的 3D 感知方法成本低且有效，受到越來越多的關注。多相機 3D 目標檢測在一段時間內是 3D 場景理解任務的主流，但它無法應對現實世界中無限的類別，并受到數據長尾分布的影響。

3D 占據預測能很好地彌補這些缺點，它通過多視角輸入直接重建周圍場景的幾何結構。大多數現有方法關注于模型設計與性能優化，依賴 LiDAR 點云生成的標簽來監督網絡訓練，這在基于圖像的系統中是不可用的。換言之，我們仍需要利用昂貴的數據采集車來收集訓練數據，并浪費大量沒有 LiDAR 點云輔助標注的真實數據，這一定程度上限制了 3D 占據預測的發展。因此探索自監督 3D 占據預測是一個非常有價值的方向。

詳解OccNeRF算法

下圖展示了 OccNeRF 方法的基本流程。模型以多攝像頭圖像作為輸入，首先使用 2D backbone 提取 N 個圖片的特征，隨后直接通過簡單的投影與雙線性插值獲 3D 特征（在參數化空間下），最后通過 3D CNN 網絡優化 3D 特征并輸出預測結果。為了訓練模型，OccNeRF 方法通過體渲染生成當前幀的深度圖，并引入前后幀來計算光度損失。為了引入更多的時序信息，OccNeRF 會使用一個占據場渲染多幀深度圖并計算損失函數。同時，OccNeRF 還同時渲染 2D 語義圖，并通過開放詞匯語義分割模型進行監督。

Parameterized Occupancy Fields

Parameterized Occupancy Fields 的提出是為了解決相機與占據網格之間存在感知范圍差距這一問題。理論上來講，相機可以拍攝到無窮遠處的物體，而以往的占據預測模型都只考慮較近的空間（例如 40 m 范圍內）。在有監督方法中，模型可以根據監督信號學會忽略遠處的物體；而在無監督方法中，若仍然只考慮近處的空間，則圖像中存在的大量超出范圍的物體將對優化過程產生負面影響。基于此，OccNeRF 采用了 Parameterized Occupancy Fields 來建模范圍無限的室外場景。

OccNeRF 中的參數化空間分為內部和外部。內部空間是原始坐標的線性映射，保持了較高的分辨率；而外部空間表示了無窮大的范圍。具體來說，OccNeRF 分別對 3D 空間中點的坐標做如下變化：

其中為坐標，，是可調節的參數，表示內部空間對應的邊界值，也是可調節的參數，表示內部空間占據的比例。在生成 parameterized occupancy fields 時，OccNeRF 先在參數化空間中采樣，通過逆變換得到原始坐標，然后將原始坐標投影到圖像平面上，最后通過采樣和三維卷積得到占據場。

Multi-frame Depth Estimation

為了實現訓練 occupancy 網絡，OccNeRF選擇利用體渲染將 occupancy 轉換為深度圖，并通過光度損失函數來監督。渲染深度圖時采樣策略很重要。在參數化空間中，若直接根據深度或視差均勻采樣，都會造成采樣點在內部或外部空間分布不均勻，進而影響優化過程。因此，OccNeRF 提出在相機中心離原點較近的前提下，可直接在參數化空間中均勻采樣。此外，OccNeRF 在訓練時會渲染并監督多幀深度圖。

下圖直觀地展示了使用參數化空間表示占據的優勢。（其中第三行使用了參數化空間，第二行沒有使用。）

Semantic Label Generation

OccNeRF 使用預訓練的 GroundedSAM (Grounding DINO + SAM) 生成 2D 語義標簽。為了生成高質量的標簽，OccNeRF 采用了兩個策略，一是提示詞優化，用精確的描述替換掉 nuScenes 中模糊的類別。OccNeRF中使用了三種策略優化提示詞：歧義詞替換（car 替換為 sedan）、單詞變多詞（manmade 替換為 building, billboard and bridge）和額外信息引入（bicycle 替換為 bicycle, bicyclist）。二是根據 Grounding DINO 中檢測框的置信度而不是 SAM 給出的逐像素置信度來決定類別。OccNeRF 生成的語義標簽效果如下：