HBEVOcc:高度感知鸟视图表示,用于从多摄像头图像中进行3D占用预测
Chuandong Lyu1, Wenkai Li1, Iman Yi Liao2
1School of Information Science and Engineering, Shandong University, Qingdao 266237, China.
Sensors (Basel, Switzerland)
|February 13, 2026
概括
HBEVOcc 改进了自动驾驶的3D占用预测,使用一种新的鸟视图方法. 这种方法有效地利用高度信息,减少计算需求并增强场景理解.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 3D占用预测对于自动驾驶和机器人技术至关重要,能够实现详细的场景感知和对象识别.
- 基于Voxel的方法主导着3D占用预测,但受到高内存和计算成本的影响.
- 有效的3D场景表示对于推进以视觉为中心的自主系统至关重要.
研究的目的:
- 引入HBEVOcc,一种高效的基于鸟视图 (BEV) 的方法,用于3D占用预测.
- 为了解决现有的基于voxel的方法的内存和计算限制.
- 通过有效利用隐藏的高度信息来增强3D场景表示.
主要方法:
- 在BEV框架内,HBEVOcc采用了一种新的高度感知可变形注意模块.
- 它提取多摄像头图像特征并将其转化为3D BEV占用特征.
- 为了改善监督,引入了高度感知音量损失与自适应式垂直加权.
主要成果:
- 在Occ3D-nuScenes和OpenOcc数据集上,HBEVOcc实现了最先进的性能.
- 该方法显示了训练内存需求的显著减少,即使在消费级硬件 (2080Ti) 上也是如此.
- 在mIoU和RayIoU指标中都观察到性能增长,这表明3D占用预测准确度提高.
结论:
- HBEVOcc为3D占用预测提供了一个计算高效和高性能解决方案.
- 高度感知可变形注意模块有效地弥补了BEV表示中缺乏明确的高度信息的缺失.
- 这种方法有助于开发更节约资源和更有能力的自动驾驶和机器人系统.


