AI 研究助理

基于站内最新资料,回答 AI 前沿问题

回答带出处引用,支持多轮追问,当前页面内容会作为上下文

快速响应
AI 前沿跟踪
今日首页重点内容GitHub 趋势榜
领域
学术研究
大模型
具身智能
AI 基础设施
智能体 · Skill · MCP
机器人
多模态
自动驾驶
数据 / MLOps
AI 硬件
安全对齐
综述与报告
论文自动驾驶自动驾驶3D检测语义占用高斯重建

Foundation4D: Towards a unified perception and reconstruction model for autonomous vehicles

查看原文(PDF)
AI 解读已生成 · AI 生成,数字以原文为准
AI 全文总结值得深入基于论文全文 13.1 万字 · 超长,已按章节压缩为 7.8 万字

Foundation4D 一个前馈模型同时刷出 nuScenes 60.9 mAP 与 OpenOccupancy 27.4 IoU

NVIDIA提出Foundation4D,统一前馈模型从多相机驾驶视频同时估计几何、3D检测、语义占用与高斯重建,服务自动驾驶感知与仿真重建。共享DINOv2主干以分解时空注意力跨相机和时间融合特征,任务头分别恢复相机到车体标定、自车轨迹、度量深度、目标与占用并预测3D高斯;长视频经位姿图优化对齐窗口轨迹,再用离线跟踪拼接目标航迹。其标注管线发布PAI–Foundation4D基准,覆盖1,253段驾驶片段的稠密深度与语义占用标签。作者报告微调后在nuScenes检测mAP达60.9、在OpenOccupancy占用mIoU达18.1,均为对比方法最高,并在Waymo与nuScenes取得最低深度AbsRel;高斯重建整体PSNR达23.94 dB,超过需真值位姿的Instant NuRec。预测几何与航迹还作为无激光雷达NuRec先验加速重建。局限是多任务联合并非始终获益,加入检测后占用mIoU反而下降,远距离、边界与稀有类别误差仍较大。

  1. 1共享编码器一次前馈输出深度、检测、占用与高斯重建
  2. 2nuScenes 3D 检测 mAP 达 60.9,超过 GeoUP-Joint 59.2
  3. 3预测先验让 lidarless NuRec 每 clip 从 16.0 小时降到 3.7 小时

为什么重要 统一几何、检测、占用与高斯重建,预测位姿/轨迹还能当 NuRec 先验,适合同时做感知与仿真重建的团队适合 同时做自动驾驶感知与场景重建、仿真数据闭环的工程团队

来源
arxiv.org
发布
2026/10/23

中文(AI 翻译)

我们推出 Foundation4D,一个统一的前馈模型,用于从多摄像头驾驶视频进行几何估计、3D 检测、语义占用与高斯重建。共享主干网络使用分解的时空注意力来高效地组合跨摄像头和时间的观测。我们的视频推理管道使用位姿图优化来细化相机轨迹,并跨输入窗口组装目标轨迹。

我们还开发了一条数据标注管道,并发布 PAI-Foundation4D,一个包含 1,253 个驾驶片段的密集深度与语义占用标签的基准。经过针对特定基准的微调,Foundation4D 在 Waymo 与 nuScenes 上实现了最低的深度 AbsRel,在 nuScenes 上实现了最高的检测 mAP,并在 OpenOccupancy 上实现了比较方法中最高的占用 mIoU。

我们的任务组合研究显示了检测与几何两方面的收益:将检测与几何和占用共同训练,相比仅检测训练使 top-class mAP 提高 1.2 点;将几何与检测共同训练,相比仅几何训练使相机到车体平移误差减少 13.4%。我们进一步使用预测的几何与轨迹作为无激光雷达 NuRec 的先验,支持为仿真重建驾驶场景。

原文

We introduce Foundation4D, a unified feed-forward model for geometry estimation, 3D detection, semantic occupancy, and Gaussian reconstruction from multi-camera driving video.

A shared backbone uses factorized spatiotemporal attention to efficiently combine observations across cameras and time.

Our video inference pipeline uses pose graph optimization to refine camera trajectories and assembles object tracks across input windows.

We also develop a data annotation pipeline and release PAI-Foundation4D, a benchmark with dense depth and semantic occupancy labels for 1,253 driving clips.

With benchmark-specific fine-tuning, Foundation4D achieves the lowest depth AbsRel on Waymo and nuScenes, the highest detection mAP on nuScenes, and the highest occupancy mIoU on OpenOccupancy among the compared methods.

Our task-combination study shows benefits for both detection and geometry: co-training detection with geometry and occupancy improves top-class mAP by 1.2 points over detection-only training, while co-training geometry with detection reduces camera-to-rig translation error by 13.4% relative to geometry-only training.

We further use the predicted geometry and trajectories as priors for lidarless NuRec, supporting reconstruction of driving scenes for simulation.

  • PETRv2
    42.1
  • RayDN
    54.1
  • GeoUP-nuScenes
    56.5
  • GeoUP-Joint
    59.2
  • Foundation4D
    60.9

注释 · 均为相机-only 官方协议下的 nuScenes mAP。出自 表7

术语解释位姿图优化,把各窗口相对位姿作为因子联合求整段轨迹+LM 将轨迹 ATE 压到 52.75 cm,术语解释神经重建流程,可用几何与轨迹先验优化高斯场景 端到端提速 4.3×。
52.75cm

轨迹 ATE

术语解释位姿图优化,把各窗口相对位姿作为因子联合求整段轨迹+LM

23.94dB

渲染 PSNR

高 Instant 术语解释神经重建流程,可用几何与轨迹先验优化高斯场景 1.28dB

0.02

SSIM 提升

含动态区域整体

4.3×

术语解释神经重建流程,可用几何与轨迹先验优化高斯场景 提速

16.0→3.7 h/clip

注释 · 各自独立指标,分别来自 术语解释NVIDIA 多传感器驾驶数据集,含相机 LiDAR 雷达与标注 几何、高斯重建与 术语解释神经重建流程,可用几何与轨迹先验优化高斯场景 应用。出自 表4 / 表15 / 表18

架构图:共享 DINOv2 编码器接分解时空注意力,再分到几何、检测、占用与高斯解码器;位姿用 rig-ego 分解。
标注管线:时序聚合 LiDAR、cuboid tracks 与图像掩码生成深度图与车辆系占用网格,带逐体素语义和速度。
视频级重建:六相机约 20s clip 累计预测点云,PGO+LM 后做深度融合并移除外标注动目标。
编码器
DINOv2 ViT-L/14
特征宽
1024
聚合网格
37×37
深度输出
518×518
占用网格
0.2 m
LiDAR
128线 10Hz

深度总结

1 / 7
公共基准主结果· 表格

Foundation4D 在 nuScenes 检测 60.9 mAP、OpenOccupancy 27.4 IoU 双双登顶。

基准与任务方法指标结果
nuScenes 3D检测Foundation4DmAP60.9
nuScenes 3D检测Foundation4DNDS66.5
OpenOccupancy 占用Foundation4DIoU / mIoU27.4 / 18.1
术语解释NVIDIA 多传感器驾驶数据集,含相机 LiDAR 雷达与标注 几何术语解释位姿图优化,把各窗口相对位姿作为因子联合求整段轨迹+LM深度 AbsRel0.079

注释 · 官方协议评测,最优结果加粗。出自 §7.2.1 表7 / §7.3.1 表12