1.简介

3D Occupancy Networks 的基本思路是将三维空间划分成体素网格，并对每个网格进行各类感知任务的预测。目前以网格为中心的方法能够预测每个网格单元的占用率、语义类别、未来运动位移和实例信息。3D occupancy 可以对道路障碍物进行更细粒度的划分，同时获取更精确的占用和语义信息。然而，三维体素表示的处理带来了巨大的内存和计算开销，导致当前占用率预测方法的部署受到限制。FlashOcc 作为即插即用的占用网络，在保持精度的同时实现了更快的推理速度和更低的内存消耗。本文将介绍 FlashOcc 在地平线征程 6E/M 平台上的优化部署。

2.性能精度指标

3.公版模型介绍

FlashOcc 在该领域做出了开创性的贡献，成功地以惊人的精度实现了实时 surround 视图 3D 占用预测。此外，在不同的车载平台上部署时表现出更强的通用性，因为它消除了对昂贵的体素级特征处理的需要，其中避免了视图变换器或 3D（可变形）卷积算子。如下图所示，FlashOcc 的输入为 6 张图像（前后视角+周视），输出是密集占用预测结果。

FlashOcc 网络主要由 5 个部分组成：

• **2D 图像编码器：**使用 ResNet50+FPN 从多视角图像中提取多尺度图像特征；

• **视图转换模块：**使用 LSS 实现从 2D 感知视图图像特征到 3D BEV 表示的映射；

• BEV 编码器**：**提取 BEV 空间的特征，并结合了多尺度的 BEV 特征来提升特征表示质量；

• **占用预测模块：**由多层 Conv 或者复杂的多尺度特征融合模块组成，该模块预测每个体素的分割标签；

• **可选的时间融合模块：**由时空对齐模块和特征融合模块组成，增强对动态目标或属性的感知。

4.地平线部署优化

改动点说明：

1. **输入图像大小：**由公版的 256x704 调整为 512x960；

2. **BEV 网格大小：**由公版的 200x200 调整为 128x128；

3. **Image encoder backbone：**使用地平线深度优化的高效 backbone HENet 替换公版中的 ResNet50；

4. **Bev encoder backbone：**使用地平线深度优化的高效 backbone HENet 替换公版模型中的 CustomResNet；

5. **视图转换模块：**使用地平线针对性优化后的 LSSTransformer 来替换公版中的 bevpooling 实现的 LSSViewTransformer，且移除了公版中的时序融合模块；

4.1 性能优化

4.1.1 Backbone

Image Encoder 采用了 HENet+FPN 来提取 6V 图像的多尺度特征，不仅在精度上可与 ResNet50 相媲美，而且在性能上有显著优势，这里的 FPN 采用的是地平线的高效实现，相对于公版更加高效。BEV Encoder 同样采用了 HENet+BiFPN 来提取 BEV 特征，BiFPN 这种重复双向跨尺度连接的结构，可以更好地实现梯度传播，从而实现 BEV 特征的多尺度融合。

HENet 是针对 J6 平台专门设计的高效 backbone，其采用了纯 CNN 架构，总体可分为四个 stage，每个 stage 会进行 2 倍下采样。以下为总体的结构配置：

depth = [4, 3, 8, 6]block_cls = ["GroupDWCB", "GroupDWCB", "AltDWCB", "DWCB"]width = [64, 128, 192, 384]attention_block_num = [0,0,0,0]mlp_ratios, mlp_ratio_attn = [2, 2, 2, 3], 2act_layer = ["nn.GELU", "nn.GELU", "nn.GELU", "nn.GELU""]use_layer_scale = [True,True,True,True]final_expand_channel, feature_mix_channel = 0,1024down_cls = ["S2DDown", "S2DDown", "S2DDown", "None"71

模型相关细节可以参考 HENet 高效模型相关介绍。

代码路径：/usr/local/lib/python3.10/dist-packages/hat/models/backbones/henet.py

4.1.2View transformer

View transformer 采用地平线深度优化后的 LSSTransformer，替换 J6 平台暂不支持的 bevpooling，从而高效地将图像特征转换到 BEV 空间。为了进一步提升性能，将 bev grid size 由公版的 200x200 调整为了 128x128。LSSTransformer 主要的工作流程如下所示：

View transformer 主要包括分为 3 个部分：

1. 生成深度特征

2. 对深度特征和图像特征做 bev 坐标转换

3. 生成视锥点云特征（frustum features）

接下来将对这三个部分的具体代码实现进行介绍：

生成深度特征

View transformer 是基于图像特征，经过卷积层生成了 depth 为 45 的 depth_feature，并使用 softmax 计算 depth_feature 的 score 值。对应代码如下所示：

self.depth_net = ConvModule2d(    in_channels=in_channels,    out_channels=depth,    kernel_size=1,    padding=0,    stride=1,    bias=False,)depth = self.softmax(self.depth_net(feats))

代码路径：/usr/local/lib/python3.10/dist-packages/hat/models/task_modules/view_fusicon/view_transformer.py

生成 BEV 特征

为了减少计算量，LSSTransformer 首先将图像特征和深度特征分别转换到 BEV 视角下，然后对二者进行点乘计算。其中，图像特征转换到 BEV 空间的采样坐标 points 的生成在_gen_reference_point函数中，计算逻辑如下：

生成视锥点云特征

为了不遗失坐落在相同 voxel 中的点云特征，将对每个 voxel 都采样 10 次，最终将每个点云特征相加得到 BEV 特征图。对应代码：

 class LSSTransformer(ViewTransformer):     ...     def ``_spatial_transfom(self``, feats, points):        ...        for i in range(self.num_points):            #将图像特征转换到 BEV 视角下            homo_feat = self.grid_sample(                feat,#[1, 64, 96, 30]                fpoints[i * B : (i + 1) * B],)            #将深度特征转换到 BEV 视角下            homo_dfeat = self.dgrid_sample(                dfeat,#[1, 1, 270, 480]                dpoints[i * B : (i + 1) * B],            )            #生成视锥点云特征            homo_feat = self.floatFs.mul(homo_feat, homo_dfeat)#[1, 64, 128, 128]            homo_feats.append(homo_feat)        trans_feat = homo_feats[0]        for f in homo_feats[1:]:            trans_feat = self.floatFs.add(trans_feat, f)        return trans_feat #[1, 64, 128, 128]

4.2 精度优化

FlashOcc 采用以下策略提升浮点精度：

1. **模型结构优化：**使用更多地平线进行针对性优化后的结构，包括 backbone、view_transformer、bevencoder 等，浮点精度相对于公版有所提升；

2. **加载预训练权重：**加载 HENet 的浮点预训练权重。

3. 总结与建议

5.1 训练建议

1. 浮点训练时加载 HENet 的预训练权重；

5.2 部署建议

选择合适的 BEV Grid 尺寸

从图像空间到 BEV 空间的转换，是稠密特征到稠密特征的重新排列组合，计算量比较大，与图像尺寸以及 BEV 特征图尺寸成正相关。若要保持 BEV Grid 的分辨率不变（比如 0.5m/格），则需要大大增加 BEV 特征图的尺寸，从而使得端上计算负担和带宽负担都过重；若保持 BEV 特征图的尺寸不变，则需要使用更粗粒度的 BEV Grid，感知精度就会下降（每个 grid 的尺寸增加）。所以在模型设计之初，综合考虑模型的精度和性能以选择合适的 BEV Grid 尺寸。

使用高效 backbone 提取特征

建议选择 J6 平台高效 Backbone 来搭建模型，高效 Backbone 经过在 J6 平台的迭代优化和验证，相比其它公版 Backbone，在性能和精度上可以取得更加出色的效果，因此选取 J6 平台高效 Backbone 来搭建模型可以对整个场景模型带来性能和精度的增益。

附录

1. 论文：FlashOcc
   

2. 公版模型代码：Github-FlashOcc