OccSTeP
收藏资源简介：
OccSTeP是由湖南大学和苏黎世联邦理工学院联合创建的4D占据时空持久性基准数据集，旨在评估自动驾驶系统在动态场景中的预测能力。该数据集包含四种具有挑战性的驾驶场景（逆向、不连续、碎片化和还原性），通过体素化3D场景表示整合几何与语义信息，数据来源于模拟真实世界传感器干扰的合成驾驶场景。其创新性地采用无标记化(tokenizer-free)体素表示方法，支持SE(3)等变变换，为反应式预测（未来场景推演）和主动式预测（特定动作下的场景响应）提供评估基准，主要应用于自动驾驶系统的时空感知鲁棒性测试和决策规划算法开发。
OccSTeP is a 4D Occupancy Spatio-Temporal Persistence benchmark dataset jointly developed by Hunan University and ETH Zurich, designed to evaluate the predictive capability of autonomous driving systems in dynamic scenarios. The dataset encompasses four challenging driving scenario types: reversing, discontinuous, fragmented, and reducible scenarios. It integrates geometric and semantic information via a voxelized 3D scene representation, with data sourced from synthetic driving scenarios that simulate real-world sensor disturbances. It innovatively adopts a tokenizer-free voxel representation approach that supports SE(3) equivariant transformations, serving as an evaluation benchmark for both reactive prediction (future scenario extrapolation) and proactive prediction (scene response under specific actions). It is primarily applied to robustness testing of spatio-temporal perception for autonomous driving systems and the development of decision-making and motion planning algorithms.
OccSTeP 数据集概述
基本信息
- 数据集名称: OccSTeP (4D Occupancy Spatio-Temporal Persistence Benchmark)
- 核心概念: 4D占用时空持久性，旨在解决自动驾驶中对3D场景的持久理解问题，要求对时间干扰具有鲁棒性并考虑潜在的未来动作。
- 主要任务:
- 反应式预测（Reactive Forecasting）: “接下来会发生什么”。
- 前瞻式预测（Proactive Forecasting）: “给定一个特定的未来动作，将会发生什么”。
- 基准特点: 包含具有挑战性的场景（例如，错误的语义标签和丢帧）。
相关资源
- 论文地址: https://arxiv.org/abs/2512.15621
- 项目网站: https://insai-lab.github.io/OccSTeP.github.io/
- 代码仓库: https://github.com/FaterYU/OccSTeP
- 转移说明: 本项工作已转移至 InSAI Lab@HNU。
方法与性能
- 提出模型: OccSTeP-WM，一个无分词器的世界模型。
- 模型特点:
- 维护基于密集体素的场景状态。
- 随时间增量融合时空上下文。
- 采用线性复杂度注意力骨干和循环状态空间模块，以捕获长距离空间依赖。
- 通过自运动补偿持续更新场景记忆。
- 支持在线推理，并在历史传感器输入缺失或存在噪声时仍保持鲁棒性能。
- 实验性能: 平均语义mIoU达到23.70（提升+6.56），占用IoU达到35.89（提升+9.26）。
开源状态
数据与代码将会开源。
引用
如需在研究中引用本工作，请使用以下BibTeX条目：
@article{zheng2025occstep, title={OccSTeP: Benchmarking 4D Occupancy Spatio-Temporal Persistence}, author={Zheng, Yu and Hu, Jie and Yang, Kailun and Zhang, Jiaming}, journal={arXiv preprint arXiv:2512.15621}, year={2025} }
致谢
