本文提出了UniOcc，一个统一基准，用于占用预测，解决了依赖次优伪标签的问题。通过不依赖真实占用的评估指标和多样化训练数据，显著提升了自主驾驶领域的占用预测性能。

本研究提出了OccRWKV网络，旨在解决三维语义占用预测中的精度与延迟平衡问题。通过分支处理语义、占用预测和特征融合，显著提高了预测精度并降低了计算开销，适合实时部署于自主导航机器人。

本文介绍了多种基于相机的3D场景理解方法，如PanoOcc、DepthSSC和SelfOcc。这些方法通过聚合多视角图像信息，提升了语义分割和占用预测的性能，尤其在自动驾驶应用中表现优异。实验结果表明，这些新方法在多个数据集上均优于现有技术，推动了3D场景理解研究的发展。

本文介绍了全稀疏全景占用网络（SparseOcc），通过稀疏实例查询和时间建模实现自主驾驶的占用预测，达到26.0的平均交并比（mIoU）和25.4 FPS的实时推理速度。此外，提出了多种基于传感器的语义定位算法和自监督学习方法SelfOcc，显著提高了3D占用预测的准确性和效率。

本论文提出了一种名为Scene Informer的方法，用于自主车辆在复杂和动态环境中导航。该方法可以同时预测观察到的代理的轨迹和推断遮挡物。在 Waymo Open Motion 数据集的部分可观测设置中，该方法在占用预测和轨迹预测方面优于现有方法。