目前， 以目标为中心的3D感知仍是当前智驾领域的主要路线。但这种方式在遇到长尾障碍物时，包括翻车的车辆、碎石、垃圾等，可能会面临失败。

因此，以占用为中心的感知方法正在逐渐兴起。它能够为未知的物体提供3D空间中任何位置的占用和运动，还能有效地解决传统场景感知中的长尾问题。在细粒度理解、高效的传感器融合、遮挡的稳健性以及规划的灵活性方面都存在优势。

在以占用为中心的感知中，语义场景补全（SSC）和占用预测近年来受到了越来越多的关注。然而，现有方法大多单独处理这两个任务，导致这两个维度的场景理解无法统一。

在上述背景下，纽约大学在读博士刘歆昊等研究人员提出4D占用补全与预测Occupancy Completion and Forecasting（OCF）任务，将占用补全与预测统一到一个框架中，这项任务对现有方法提出了三个主要的挑战：1）稀疏到稠密的重建；2）部分到完整的补全；3）3D到4D的预测。

基于此任务，为了更好地进行训练和评估，该团队构建了一个大规模数据集OCFBench，并提出了一系列baseline方法。这些方法在OCFBench数据集上达到了较好的预测结果，并有进一步提升的可能。OCFBench也为其他研究者在研究OCF任务这个方向提供了更多的可能性。

12月01日10点，「自动驾驶新青年讲座」第28讲邀请到纽约大学在读博士刘歆昊参与，主讲《自动驾驶场景4D占用的补全与预测》。