UniOcc：自动驾驶中占用预测与预报的统一基准

ICCV 25 2025 51.6 method

TLDR

UniOcc是自动驾驶中占用预测与预报的统一基准，整合真实与模拟数据及新颖指标。

评分理由

The paper's strength lies in its comprehensive unification of multiple real-world and simulated datasets with novel evaluation metrics. However, the abstract lacks specific quantitative results and does not discuss limitations.

Read-first 评分解释

综合优先阅读分 51.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 1。

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、数据集、评估、实验、指标

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：有；数据：无；命中信号：代码、数据集、GitHub

主题相关性 42%

1.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：872。

关键词评分

world dynamics prediction

world model

world simulator

generative world model

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

统一的基准和工具包，结合多个真实世界数据集（nuScenes、Waymo）和高保真驾驶模拟器（CARLA、OpenCOOD），同时支持占用预报和预测。
不依赖真实标签的新型评估指标，能够对占用质量进行稳健评估。
在占用标签中标注逐体素流，提供显式流信息。
全面支持两项任务：占用预报（从历史数据预测未来占用）和占用预测（从相机图像预测当前占用）。

方法

UniOcc统一了来自nuScenes、Waymo、CARLA和OpenCOOD的数据，提供2D/3D占用标签和逐体素流。它引入了不依赖真实标签的新型评估指标。在最先进模型上进行了实验，以评估大规模多样化训练数据和显式流信息的影响。

关键结果

大规模、多样化的训练数据和显式流信息显著提升了占用预测和预报性能。

技术栈

nuScenesWaymoCARLAOpenCOOD

资源

论文代码