A Survey on Occupancy Perception for Autonomous Driving: The Information Fusion Perspective

3D占据感知技术旨在观察和理解自动驾驶车辆中的密集三维环境。由于其综合感知能力，这项技术正在自动驾驶感知系统中成为一种趋势，并吸引着行业和学术界的重视。与传统的鸟瞰图感知类似，3D占据感知具有多源输入的特性和信息融合的必要性。然而，不同之处在于它捕捉了被二维鸟瞰图忽略的垂直结构。在这篇综述中，我们回顾了最近关于3D占据感知的研究，并对具有各种输入模式的方法进行了深入分析。具体而言，我们总结了一般的网络流程，突出了信息融合技术，并讨论了有效的网络训练。我们评估和分析了最流行数据集上最先进的占据感知性能。此外，我们还讨论了挑战和未来的研究方向。我们希望这份报告能激发社区的灵感，并鼓励更多关于3D占据感知的研究工作。这篇综述中的研究综合列表可在一个活跃的存储库中找到，该存储库不断收集最新的工作：https://github.com/HuaiyuanXu/3D-Occupancy-Perception。

论文旨在研究3D占据感知技术在自动驾驶感知系统中的应用，解决在2D BEV中忽略的垂直结构的问题。

论文综述了最新的3D占据感知技术，包括不同输入模式的方法、信息融合技术和有效的网络训练。同时，论文还探讨了最新研究的性能表现、挑战和未来研究方向。

论文提供了一个活跃的代码库，不断收集最新的工作。同时，论文还评估和分析了最先进的占据感知技术在最流行的数据集上的表现。

最近的研究包括：A Survey of Deep Learning for Autonomous Driving: Past, Present, and Future，A Review of Recent Advances in Vehicle Detection in Aerial Images，Real-time Multiple Vehicles Detection and Tracking for Autonomous Driving: A Deep Learning Approach等。