OCCUQ

OCCUQ数据集是由亚琛工业大学汽车工程研究所创建的，用于探索高效不确定性量化的3D占用预测研究。该数据集包含了6019个场景，使用6个摄像头捕获的多视角图像和语义分割的激光雷达点云作为输入，为3D占用预测任务提供数据支持。数据集通过模拟不同的摄像头缺陷来评估模型在未知数据上不确定性量化的能力，并用于验证高效不确定性估计方法在现实世界场景下的鲁棒性。

The OCCUQ dataset was created by the Institute of Automotive Engineering of RWTH Aachen University for research on efficient uncertainty quantification for 3D occupancy prediction. It comprises 6019 scenes, taking multi-view images captured by six cameras and semantically segmented LiDAR point clouds as inputs to provide data support for the 3D occupancy prediction task. The dataset evaluates the model's uncertainty quantification performance on out-of-distribution data by simulating various camera defects, and is employed to validate the robustness of efficient uncertainty estimation methods in real-world scenarios.

搜集汇总

数据集介绍

构建方式

OCCUQ数据集的构建基于nuScenes和其被篡改的版本MultiCorrupt数据集。nuScenes是一个包含城市场景的多模态数据集，包含多视角相机图像、激光雷达和雷达数据。MultiCorrupt是在nuScenes的基础上，通过引入不同的场景级篡改（如雾、运动模糊或缺失的相机）来模拟现实世界中的不利条件。为了评估区域级的不确定性，研究人员引入了特定区域的篡改，即只对前部相机进行篡改，而不影响场景的其他部分。数据集中的标签包括17个类别的占用标签，每个体素都被标记为一个类别，包括未占用类别。

特点

OCCUQ数据集的特点在于它模拟了现实世界中的不利条件，如相机损坏、雾和缺失的相机。这些条件在训练数据中可能没有遇到过，因此对于评估自动驾驶系统的鲁棒性非常重要。数据集还包含了特定区域的篡改，这对于评估区域级的不确定性非常有用。此外，数据集还包含了占用和语义预测，以及体素级的随机不确定性和认识不确定性的预测。

使用方法

使用OCCUQ数据集的方法主要包括三个步骤。首先，将多视角相机图像输入到模型中，通过多分辨率特征骨干网络生成一个密集的特征体积。然后，特征体积被处理以预测体素的占用和语义类别。最后，引入了一个不确定性模块，用于估计模型的认识不确定性。在测试时，通过评估数据样本在拟合的高斯混合模型下的对数似然来估计认识不确定性。这个数据集可以用于评估模型在不利条件下的性能，以及进行区域级的不确定性评估。

背景与挑战

背景概述

自动驾驶技术的迅猛发展为提高生产力和为社会带来诸多益处提供了巨大潜力。然而，确保这些安全关键系统的鲁棒性至关重要，尤其是在车辆必须应对恶劣天气条件和传感器故障时。当前的方法往往忽略了来自对抗性条件或分布偏移的不确定性，这限制了它们在实际世界中的应用。为了解决这个问题，Severin Heidrich等研究人员提出了一个高效的不确定性量化技术，用于3D占用预测。该技术通过使用先验不确定性估计动态校准模型置信度，以适应各种相机故障情况，如雾或缺失的相机。该方法在多种相机故障场景下的评估表明，它能够有效地量化先验不确定性，并为未见数据分配更高的不确定性值。通过引入特定区域的故障来模拟只影响单个相机的缺陷，并通过场景级和区域级评估验证了研究结果。与深度集成和MC-Dropout等常见基线相比，该方法在Out-of-Distribution (OoD)检测和置信度校准方面表现出优异的性能，其可靠的不确定性度量表明其在增强自动驾驶系统在实际场景中的鲁棒性方面具有潜力。

当前挑战

3D占用预测领域中存在一些挑战，包括：1)所解决的领域问题的挑战，如自动驾驶中的3D占用预测，需要在不同的天气条件和传感器故障下保持准确性和可靠性；2)构建过程中的挑战，如缺乏具有像素级OoD注释的数据集，以及需要高效的不确定性量化方法，以便在实际应用中能够实时运行。

常用场景

经典使用场景

OCCUQ数据集在3D占用预测任务中具有重要应用。该数据集包含了多种不同天气条件下的相机图像，以及相应的3D占用图，为研究人员提供了评估和改进3D占用预测模型在复杂场景下的性能的数据支持。同时，该数据集还包含了针对特定相机缺陷的模拟数据，有助于研究如何定位和量化模型的不确定性。

衍生相关工作

OCCUQ数据集的提出和研究成果对3D占用预测领域产生了重要影响。该数据集为研究人员提供了评估和改进3D占用预测模型在复杂场景下的性能的数据支持，促进了该领域的发展。此外，该数据集还激发了更多关于不确定性估计和3D占用预测的研究工作，为提高自动驾驶系统的鲁棒性和安全性提供了新的思路和方法。

数据集最近研究

最新研究方向

在自动驾驶领域，3D占位预测对于确保车辆在复杂环境中的安全行驶至关重要。传统的3D占位预测方法往往忽略了来自对抗性条件或分布偏移的不确定性，限制了它们在实际世界中的应用。为了解决这个问题，本研究提出了一个高效的3D占位预测的不确定性量化方法。该方法利用知识不确定性估计动态校准模型置信度，并在各种相机腐蚀场景（如雾或缺失相机）下进行评估，证明其有效量化了知识不确定性。通过将更高的不确定性值分配给未见过的数据，该方法在分布外检测和置信度校准方面表现出优异的性能。这一研究为自动驾驶系统的鲁棒性和可靠性提供了新的研究方向，有助于提高自动驾驶车辆在现实场景中的安全性和可靠性。

相关研究论文

• OCCUQ: Exploring Efficient Uncertainty Quantification for 3D Occupancy Prediction

  亚琛工业大学汽车工程研究所 · 2025年