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的密集3D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，并受到行业和学术界的广泛关注。与传统的鸟瞰图感知相似，3D占据感知具有多源输入和信息融合的必要性。然而，不同之处在于它捕捉到了2D鸟瞰图所忽略的垂直结构。在这篇综述中，我们回顾了最近关于3D占据感知的研究，并深入分析了各种输入模式的方法论。具体而言，我们总结了一般的网络流程，重点介绍了信息融合技术，并讨论了有效的网络训练。我们评估和分析了最先进技术在最流行数据集上的占据感知性能。此外，我们还讨论了挑战和未来研究方向。我们希望这篇论文能够激发社区的灵感，鼓励更多关于3D占据感知的研究工作。本综述中的研究综述列表可在一个活跃的存储库中公开获取，该存储库不断收集最新的研究工作：https://github.com/HuaiyuanXu/3D-Occupancy-Perception。

本文旨在回顾最近关于3D占据感知技术的研究，探讨其在自动驾驶感知系统中的应用，包括其多源输入的特点和信息融合的必要性。同时，本文还试图解决如何捕捉被2D占据感知忽略的垂直结构的问题。

本文提出了一种3D占据感知技术，旨在观察和理解自动驾驶车辆中的密集3D环境。该技术具有综合感知能力，可以捕捉被2D占据感知忽略的垂直结构，因此成为自动驾驶感知系统中的趋势。

本文总结了不同输入模态下的一般网络管道，突出信息融合技术，并讨论了有效的网络训练。此外，本文还评估了最先进技术在最流行数据集上的占据感知性能，并讨论了挑战和未来研究方向。本文提供了一个活跃的存储库，不断收集最新工作。

最近的相关研究包括“3D Object Detection with Point-Based Semantic Segmentation Network”、“Stereo R-CNN based 3D Object Detection for Autonomous Driving”等。