允中发自凹非寺量子位公众号 QbitAI
浪潮信息 AI 团队，在自动驾驶领域再夺一冠！
不久前，计算机视觉领域的顶级学术会议 CVPR 在全球目光注视中顺利落幕，并正式公布了最佳论文等奖项。除诞生了绝佳的 10 篇论文之外，另一场备受关注的自动驾驶国际挑战赛也在同期结束了“巅峰厮杀”。
就在 CVPR 2024 自动驾驶国际挑战赛“Occupancy & Flow”赛道中，浪潮信息 AI 团队以 48.9% 的出色成绩，从全球 90 余支顶尖 AI 团队中脱颖而出，摘下桂冠。
这也是该团队在 2022 年、2023 年登顶 nuScenes 3D 目标检测榜单后，面向 Occupancy 技术的又一次实力展示。
△图1-浪潮信息 AI 团队斩获占据栅格和运动估计赛道第一名
CVPR 2024 自动驾驶国际挑战赛是国际计算机视觉与模式识别会议（IEEE/CVF Conference on Computer Vision and Pattern Recognition）的一个重要组成部分，专注于自动驾驶领域的技术创新和应用研究。今年的 CVPR 自动驾驶国际挑战赛赛道设置也非常之有意思了，完整地包含了感知、预测、规划三大方向七个赛道。
此次浪潮信息 AI 团队所登顶的占据栅格和运动估计（Occupancy & Flow）赛道，也正是本届 CVPR 自动驾驶国际挑战赛最受关注的赛道，聚焦感知任务，吸引了全球 17 个国家和地区，90 余支顶尖 AI 团队参与挑战。
比赛提供了基于 nuScenes 数据集的大规模占用栅格数据与评测标准， 要求参赛队伍利用相机图像信息对栅格化三维空间的占据情况（Occupancy）和运动（Flow）进行预测，以此来评估感知系统对高度动态及不规则驾驶场景的表示能力。
占据栅格 Occupancy：挑战更精细的环境感知与预测
道路布局的复杂性、交通工具的多样性以及行人流量的密集性，是当前城市道路交通的现状，也是自动驾驶领域面临的现实挑战。为了应对这一挑战，有效的障碍物识别和避障策略，以及对三维环境的感知和理解就变得至关重要。
传统的三维物体检测方法通常使用边界框来表示物体的位置和大小，但对于几何形状复杂的物体，这种方法往往无法准确描述其形状特征，同时也会忽略对背景元素的感知。因此，基于三维边界框的传统感知方法已经无法满足复杂道路环境下的精准感知和预测需求。
Occupancy Networks（占据栅格网络）作为一种全新的自动驾驶感知算法，通过获取立体的栅格占据信息，使系统能够在三维空间中确定物体的位置和形状，进而有效识别和处理那些未被明确标注或形状复杂的障碍物，如异形车、路上的石头、散落的纸箱等。
这种占据栅格网络使得自动驾驶系统能够更准确地理解周围的环境，不仅能识别物体，还能区分静态和动态物体。并以较高的分辨率和精度表示三维环境，对提升自动驾驶系统在复杂场景下的安全性、精度和可靠性至关重要。
如下图，针对挖车中的力臂，3D 目标检测算法只能给出挖车整体的轮廓框（左），但占据格栅网络却可以更精准地描述挖车具体的几何形状这类细节信息（右）。
浪潮信息 AI 团队创赛道最高成绩
在占据栅格和运动估计（Occupancy & Flow）赛道中，浪潮信息 AI 团队以 48.9% 的绝佳性能表现，创下本赛道最高成绩。
具体而言，团队所提交的“F-OCC”算法模型，凭借先进的模型结构设计、数据处理能力和算子优化能力，实现了该赛道最强模型性能，在 RayIoU（基于投射光线的方式评估栅格的占用情况）及 mAVE（平均速度误差）两个评测指标中均获得最高成绩。
更简洁高效的模型架构，实现运算效率与检测性能双突破
首先，模型整体选择基于前向投影的感知架构，并采用高效且性能良好的 FlashInternImage 模型。
同时，通过对整体流程进行超参调优、算子加速等优化，在占据栅格和运动估计均获得最高分的同时，提升了模型的运算效率，加快了模型迭代与推理速度。
在实际应用场景中，这种改进使得模型能够更快速、高效地处理大规模 3D 体素数据，使得自动驾驶车辆能更好地理解环境，进而提升决策的准确度和实时性。
△图 3 - F-OCC 算法模型架构图
更强大完善的数据处理，全面提升模型检测能力
在数据处理方面，比赛提供的体素（Voxel）标签包含了大量在图像中无法观测到的点，例如被物体遮挡的体素和物体内部不可见的体素，这些标签在训练过程中会对基于图像数据的预测网络训练产生干扰。
在训练数据中，浪潮信息 AI 团队通过模拟 LiDAR 光束的方法，生成可视化掩码，提升了模型的预测精度；另一方面，通过引入感知范围边缘的体素点参与训练，有效解决出现在感知边缘区域的误检问题，将模型的整体检测性能提升 11%。
更精细的 3D 体素编码，模型占据预测能力提升超5%
在 3D 体素特征编码模块中，该算法团队将具有较大感知范围和编码能力的可形变卷积操作应用于 3D 体素数据，以提升 3D 特征的表示能力。
通过使用 CUDA 对可形变 3D 卷积（DCN3D）进行实现与优化，大幅提升了模型的运算速度，并有效降低了显存消耗。
通过 DCN3D 替代传统 3D 卷积，模型整体占据预测能力提升超5%。
此外，基于开源大模型，浪潮信息 AI 团队也通过优化图像 encoder 模型和特征融合对齐方式，并从 CoT（Chain of Thought）、GoT（Graph of Thought）、Prompt 工程等方面优化，提升了多模态模型对自动驾驶 BEV 图像的感知理解能力。最终以 74.2% 的成绩，摘得本届 CVPR 自动驾驶国际挑战赛 “大语言模型在自动驾驶中的应用”（LLM4AD）赛道的第五名。
2022 年，浪潮信息 AI 团队摘得 nuScenes 竞赛的纯视觉 3D 目标检测任务（nuScenes Detection task）第一名，并一举将关键性指标 NDS 提高至 62.4%。
2023 年，这支团队再度夺冠，以 77.6% 的高分成绩再创 3D 目标检测全赛道最高成绩。
从 BEV 纯视觉到 BEV 多模态，再至如今凭借“F-OCC”算法模型再度登顶 CVPR 2024 自动驾驶国际挑战赛， 占据栅格和运动估计任务（Occupancy & Flow）榜首。浪潮信息 AI 团队逐步探索，一路绝杀，为探索更高级别的自动驾驶技术提供了有力的支撑和经验。
期待这支团队在未来的精彩表现！
*本文系量子位获授权刊载，观点仅为作者所有。
