多任务感知

• 模型复杂度高：多任务感知模型需要同时处理多个任务，或者使用多个模型。如目标检测、语义分割、车道线检测等，这使得模型的结构更加复杂。例如，一些模型需要构建多个任务分支，每个分支都有自己的网络结构和参数，导致整个模型的参数量大幅增加。

• 计算负担重：复杂的模型结构带来了沉重的计算负担，需要更强大的硬件支持。在实际应用中，这可能导致系统的响应速度变慢，无法满足自动驾驶对实时性的要求。

• 性能提升受限：由于任务间的冲突和信息丢失等问题，多任务感知模型的性能提升受到限制。

bev

BEV检测任务主要完成语义清晰，型状稳定的通用几何目标的检测识别，比如小轿车、货车、自行车、骑车人、行人、禁停标志等等

• 大多数对象处于相同的水平水平面上，具有较小的重叠，生成绝对尺度和无遮挡的环境描述。
• BEV感知为多源信息融合（例如，来自不同视角、模态、传感器和时间序列的信息）和众多下游应用（例如，可解释的决策制定和运动规划）提供了统一的表示空间。

---

表示有限：无垂直方向的信息

检测有限：长尾效应、细粒度问题

• 但检测领域会有明显的长尾效应，比如截断目标、形状不规则、未有清晰语义的目标（比如挂车、树木、垃圾、以及石子等），或颜色纹理非常奇怪。传统的3D检测在这类场景上很容易失效，此时的检测任务可能无法准确建模，出现误检和漏检。
  • 2D或者2.5D视频约束问题：非立体的平面目标画像问题：难以对应到真实3D场景，难区分静态和动态目标
  • 2D目标固定框问题：难以识别悬挂或者悬空的障碍物(可能不在目标检测框内，例如卸货卡车的千斤顶支撑架，卡车货架顶上的人梯等)
• 依赖数据集的类别标注，不常见的物体类别没被标注，从而导致无法被检测出来

occ

Occ任务则更关注通用几何信息，不过度区分语义，更体现空间是否“被占用”，而不是完整的长宽高信息。这样的网络能够轻松解决截断目标、形状不规则、未有清晰语义的目标检出问题，和BEV检测相互配合，形成感知闭环。

捕捉了2D BEV忽略的垂直结构

---

Occ的真值数据标注与生成存在一定的难度，因为数据的生成与优化很大程度上影响Occ模型的检测性能

• Occupancy真值通常不会直接进行人工标注，因为直接人工标注的难度较大，往往需要借助3D box的位置和语义信息间接生成。