该示例为参考算法，仅作为在 J6 上模型部署的设计参考，非量产算法

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。

性能精度指标

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。

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；

性能优化

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：

模型相关细节可以参考HENet高效模型相关介绍。

View 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：

生成BEV特征

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：

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。

总结与建议

训练建议

1. 浮点训练时加载HENet的预训练权重；

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. modellabs官网：https://（待发布）

2. 参考文档使用指南：https://.../github/heal/readme.md（待发布）