OccFusion: A Straightforward and Effective Multi-Sensor Fusion Framework for 3D Occupancy Prediction

本文介绍了OccFusion，一种简单高效的传感器融合框架，用于预测三维占据情况。在自动驾驶中，全面理解三维场景至关重要，而最近的三维语义占据预测模型成功地解决了描述具有不同形状和类别的真实世界对象的挑战。然而，现有的三维占据预测方法严重依赖于全景摄像头图像，使其容易受到光照和天气条件的影响。通过集成来自其他传感器（如激光雷达和全景雷达）的特征，我们的框架提高了占据预测的准确性和鲁棒性，在nuScenes基准测试中表现出顶尖的性能。此外，对nuScenes数据集进行了广泛的实验，包括具有挑战性的夜间和雨天场景，证实了我们的传感器融合策略在各种感知范围内具有卓越的性能。此框架的代码将在https://github.com/DanielMing123/OCCFusion上提供。

论文旨在介绍一种简单高效的传感器融合框架OccFusion，用于预测三维占据情况。现有的三维占据预测方法过于依赖环视摄像头图像，容易受到光照和天气条件的影响，因此需要整合其他传感器的信息以提高准确性和鲁棒性。

OccFusion框架通过整合来自激光雷达和环视雷达等其他传感器的信息，提高了三维占据预测的准确性和鲁棒性，在nuScenes基准测试中取得了最高水平的性能。

论文在nuScenes数据集上进行了大量实验，包括具有挑战性的夜间和雨天场景，证实了OccFusion策略在各种感知范围下的卓越性能。同时，论文提供了代码开源。

最近的相关研究包括：'VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection'和'PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud'等。