一言でいうと
複数のカメラが別々に見ている映像を、上から見下ろした1枚の図に描き直してから扱う手法である。
さらに、空間を細かい箱に区切って「ここは何かで埋まっている／空いている」と表す方法も併用される。物体の種類を当てられなくても、ぶつかるかどうかは判断できる。
何を解決するために生まれたか
複数のカメラは、それぞれ別の視点の座標系で映像を撮る。しかも透視投影のため、画像上の位置と実際の距離は素直に対応しない。この状態のまま後段の計画に渡すのは扱いにくい。
そこで全センサの出力を、車を中心とした単一の俯瞰座標系に写像する。これがBEV（俯瞰表現）である。
もうひとつの問題は、物体検出の構造的な弱点である。検出はあらかじめ定義したクラスに当てはまるものしか出力できない。落下物、変形した物、工事資材、動物、複数車両が絡んだ異常な形。学習していないものは「検出されない」＝存在しないものとして扱われうる。
そこで空間を格子に区切り、各格子が埋まっているかどうかを出す。これがOccupancy（占有表現）である。
仕組み
俯瞰表現の系譜として、査読会議で発表された主な手法を挙げる。
| 手法 | 考え方 | 発表 |
|---|---|---|
| LSS | 各画素について深度を1つに決めず離散的な確率分布として持つ。その分布に従って特徴を3D空間にばらまき、俯瞰の格子にまとめる。以降の基礎になった | ECCV 2020（査読会議） |
| PETR | 俯瞰の格子を明示的に作らず、3Dの位置情報を画像特徴に埋め込む | ECCV 2022（査読会議） |
| BEVFormer | 俯瞰格子上のクエリが、空間方向には複数カメラを、時間方向には過去の俯瞰特徴を参照する | ECCV 2022（査読会議） |
| BEVDet | LSS型の視点変換を検出のパイプラインとしてモジュール化した | プレプリントのみ。査読状況は確認できない |
占有表現の系譜も査読会議で発表されている。3つの直交平面で3D空間を表現して計算量を抑える手法（CVPR 2023）、公開ベンチマークを構築した研究（NeurIPS 2023）などがある。
後者は遮蔽されて観測できない格子を評価から除く仕組みを導入している。見えていない領域をどう扱うかが、評価の設計にまで及ぶことを示している。
できること／できないこと
できること
- 複数カメラの映像を、統一した座標系で扱う
- 学習していない種類の障害物を、占有として表現する
- 物体の分類を通さずに、通行できるかどうかを直接出す
- 時系列を取り込み、遮蔽や速度推定に強くする（時系列を使う設計の場合）
できないこと
- 占有だけで、将来ぶつかるかどうかを決めること。静止した紙袋と静止した子どもは占有としては同じである
- 無視してよい占有（水しぶき、排気、雪煙、路面の反射）を確実に見分けること
- 格子の解像度を自由に上げること。計算量とメモリは解像度の3乗で増える
- 遮蔽領域の扱いを一意に決めること。空きとみなせば危険、占有とみなせば車が動けない
トレードオフ
占有表現は、種類に依存しない安全性を得る代わりに、無視してよいものを見分ける手がかりを減らす。クラスの分類を捨てることは、誤検知を弁別する材料も一部捨てることを意味する。
誤検知は過剰な制動につながる
水しぶき、排気、雪煙、路面の反射を「占有」と判定すれば、車は理由なく止まる。急制動は後続車からの追突や乗員の負傷につながりうる。見逃しと誤検知は、どちらも別種の危険である。
俯瞰表現は、後段が扱いやすい形を得る代わりに、カメラの取り付けパラメータの正確さに依存する。多くの実装は地面が概ね平面であるという仮定を暗黙に置いており、高さ方向の情報は投影で圧縮される。
実際に使われている例
占有だけでは動的な予測ができない。この問題に対し、各格子の占有確率と流れを同時に予測する手法が査読誌で提案されている（IEEE RA-L 2022）。個々の物体を追わず、空間の占有と流れを予測する設計である。
計算量への対処として、3つの方向が提案されている。平面分解による手法（CVPR 2023、査読）。高さ方向をチャネルに畳み込む手法（プレプリントのみ）。空でない格子のみを扱う疎な表現（ECCV 2024、査読）である。
確認できなかったこと
量産車で占有表現がどのボクセル解像度・どの更新周期で動作しているかの公式数値は確認できなかった。企業の技術発表での言及はあるが、査読論文でも正式な技術文書でもないため、出典として採用していない。
また、「占有表現を使うことで未知障害物の見逃しが何%減ったか」という定量的な査読研究も特定できなかった。未知物体を含む標準的な評価ベンチマーク自体が確立していないと見られる。
安全保証の観点
この領域の安全論証では、誤検知と見逃しの閾値をどこに置いたか、その根拠は何かが問われる。この選択は技術的な最適解ではなく、安全方針の選択である。
認識性能の偏りも論点になる。査読誌に掲載された研究は、8つの歩行者検出器を4つの実データセットで評価し、子どもの未検出率が成人より平均20.14ポイント高いことを報告している。同じ研究で、性別による差は全体では1.19ポイント、肌の色による差は0.44ポイントと小さかった。ただし夜間では女性の未検出率が男性より有意に高くなるという条件依存の偏りも報告されている。
広く引用される別の研究（肌の色による差を報告したもの）はプレプリントのみで査読を経ていない。結果の方向も上記の査読研究と一致しない。この論点は研究が少なく、結果も一致していないと書くのが正確である。
学習データの地理的な偏りも影響する。ドイツで学習した3D物体検出器を米国のデータで評価すると性能が大きく低下し、主因は国ごとの車体サイズの分布の違いだったという査読研究がある。日本のように軽自動車の比率が高く道路幅も標識体系も異なる環境では、直接関係する論点である。
発注・検討するときの確認点
「占有表現のボクセル解像度・カバー範囲・更新周期はいくつですか。その解像度で検知できる最小の障害物の大きさは、距離ごとに何cmですか」
- なぜこれを聞くのか
- 解像度の3乗で計算量が増えるため、必ずどこかで妥協している。その妥協点を聞く。
「水しぶき・雪煙・排気ガスを占有と誤判定しないことを、どう確認しましたか」
- なぜこれを聞くのか
- 誤検知は過剰な制動につながる。クラス分類を捨てた分、この弁別が難しくなる。
「歩行者検出の性能を、年齢層別・体格別に分けて評価していますか。学習データの地理的構成を開示できますか」
- なぜこれを聞くのか
- 全体の平均指標だけを見ると偏りは見えない。査読研究が子どもの未検出率の差と、地理的偏りの影響を報告している。
混同されやすい用語
| この語 | 別のこの語 | 違い |
|---|---|---|
| BEV表現 | Occupancy表現 | 前者は俯瞰の座標系に写像すること、後者は空間を格子に区切って埋まり具合を表すこと。併用されることが多い |
| 占有 | 物体 | 占有は「どこが埋まっているか」。物体は同一性（同じものが動いた）を持つ。挙動の予測には後者か、占有の流れが要る |
| 見えていない | 空いている | 遮蔽領域を空きとみなせば危険側、占有とみなせば車が動けない。評価の設計にも影響する |
出典
一次情報を優先している。「区分」は、その資料が発行機関自身の公表物（一次）か、第三者による索引・複製（ミラー）か、解説（二次）かを示す。リンク切れに備え、発行者・文書名・日付を本文でも残している。
- Philion, J. & Fidler, S.／ECCV 2020（査読会議）Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D（深度を離散確率分布として持ち、BEVへ写像する）https://link.springer.com/chapter/10.1007/978-3-030-58568-6_12
- Li, Z. ほか／ECCV 2022（査読会議）BEVFormer: Learning Bird's-Eye-View Representation from Multi-camera Images via Spatiotemporal Transformers（空間方向は複数カメラ、時間方向は過去のBEV特徴を参照）https://www.ecva.net/papers/eccv_2022/papers_ECCV/papers/136690001.pdf
- Li, H. ほか／IEEE TPAMI（査読誌）Delving Into the Devils of Bird's-Eye-View Perception: A Review, Evaluation and Recipehttps://arxiv.org/abs/2209.05324
- Huang, Y. ほか／CVPR 2023（査読会議）Tri-Perspective View for Vision-Based 3D Semantic Occupancy Prediction（3つの直交平面で3D空間を表現し、フルボクセルより計算量を抑える）https://openaccess.thecvf.com/content/CVPR2023/html/Huang_Tri-Perspective_View_for_Vision-Based_3D_Semantic_Occupancy_Prediction_CVPR_2023_paper.html
- Tian, X. ほか／NeurIPS 2023 Datasets & Benchmarks（査読会議）Occ3D: A Large-Scale 3D Occupancy Prediction Benchmark for Autonomous Driving（遮蔽で観測できない格子を評価から除くvisibility maskを導入）https://proceedings.neurips.cc/paper_files/paper/2023/file/cabfaeecaae7d6540ee797a66f0130b0-Paper-Datasets_and_Benchmarks.pdf
- Mahjourian, R. ほか／IEEE RA-L（査読誌）Occupancy Flow Fields for Motion Forecasting in Autonomous Driving（各格子の占有確率と流れを同時に予測する）https://arxiv.org/abs/2203.03875
- Li, X. ほか／ACM Transactions on Software Engineering and Methodology 34(3) Article 82（査読誌）Bias Behind the Wheel: Fairness Testing of Autonomous Driving Systems（8つの歩行者検出器を評価。子どもの未検出率が成人より平均20.14ポイント高い。夜間では女性の未検出率が男性より有意に高い）https://dl.acm.org/doi/10.1145/3702989
- Wang, Y. ほか／CVPR 2020（査読会議）Train in Germany, Test in the USA: Making 3D Object Detectors Generalize（ドイツで学習した3D物体検出器を米国データで評価すると性能が大きく低下。主因は国ごとの車体サイズの違い）https://openaccess.thecvf.com/content_CVPR_2020/papers/Wang_Train_in_Germany_Test_in_the_USA_Making_3D_Object_CVPR_2020_paper.pdf
- 国際標準化機構（ISO）ISO 21448:2022 Road vehicles — Safety of the intended functionality（SOTIF）https://www.iso.org/standard/77490.html
最終更新日：2026年7月30日。このページの記述は同日時点で確認したものである。