占用网络为什么让自动驾驶感知更精准？

自动驾驶技术的演进过程，本质上是人类试图赋予机器“理解物理世界几何结构”能力的过程。在过去很长一段时间里，感知系统高度依赖于对特定目标的“分类与识别”。如果系统在训练集中见过某种车辆或行人，它就能在道路上通过拉出二维或三维的边界框（Bounding Box）对其进行定位。然而，这种基于目标识别的方法在面对真实世界无穷无尽的“奇葩”障碍物时，逐渐显露出疲态。

为了打破这一瓶颈，感知算法开始从识别目标转向感知空间，占用网络（Occupancy Network）便是在这种背景下应运而生的一种算法。它不再纠结于物体“是什么”，而是直接回答空间“是否被占用”，这种视角的转变不仅将感知维度从2D升维至3D，更极大地提升了自动驾驶系统的泛化能力和安全性

为什么自动驾驶需要理解“空间”

在自动驾驶感知的早期阶段，主要使用“HydraNet”的架构，利用多摄像头融合以及Transformer技术将二维图像转化为对周围环境的3D感知。虽然这种方式已经能够生成鸟瞰图（BEV）视角的感知结果，但它依然深受“方盒子”模型的束缚。

传统的感知系统倾向于用规则的长方体包裹目标，但现实世界中的物体形状极不规则，像是带有细长吊臂的起重机、满载货物且形状奇特的板车，或者是道路上散落的纸箱和破碎轮胎皮等非常常见。如果模型仅仅被训练识别轿车和卡车，那么对于这些从未见过的异形障碍物，它很可能会因为无法分类而选择视而不见，这就是行业内常说的感知漏检问题。

此外，早期的BEV视角主要关注地面的横向和纵向空间，却在Z轴方向上缺失关键的高度信息。这导致车辆在面对如立交桥的边缘、限高杆或者是倾斜的电线杆等半空中的物体时，难以做出精准的判断。

占用网络通过将世界划分为微小的体素（Voxel），即三维空间里的像素点，彻底解决了这一痛点。系统会预测每一个微小体素是“空闲”状态还是“被占用”状态，这种基于体积感知的方式不仅能精准识别物体的运动状态差异，还能捕捉到物体极其细微的几何结构。可以说，占用网络让自动驾驶车辆拥有了一种“空间直觉”，即便它不认识眼前的物体到底是什么，但只要它占据了空间，系统就能感知到它的物理存在并进行避让。

占用网络与传统边界框感知方案优势对比

这种从“目标导向”到“空间导向”的转变，实际上是机器人学中占用网格映射（Occupancy Grid Mapping）思想在深度学习时代的体现。它不再追求对物体语义的完美解读，而是确保对物理世界几何连续性的准确把握。这种策略在处理“长尾场景”（Edge Cases）时可以表现出极强的韧性，因为无论外界环境如何变化，物理法则是不变的，即任何实体都必须占据一定的空间。

占用网络的底层架构

要支撑起如此庞大的实时三维感知任务，占用网络背后的神经网络架构极其复杂。以特斯拉在AI Day 2022上公开的技术方案为例，其流程始于高效的骨干网络（如RegNet）和特征融合模块（如BiFPN），其从多个环视摄像头中提取高维的二维图像特征。随后，模型通过引入空间注意力机制（Spatial Attention），利用带有3D空间位置信息的空间查询（Spatial Query）在多相机生成的图像特征中进行跨相机融合。这个过程可以被视为一种数学上的升维操作，能将离散的、存在畸变的二维图像数据重构到统一的三维向量空间中。

在这个3D向量空间内，系统引入了时序融合（Temporal Fusion）来处理动态环境。特斯拉的方案设计了两套特征队列，时序特征队列每27毫秒更新一次特征，用于捕捉快速运动目标的连贯性；而空间特征队列则根据车辆行驶的固定距离来更新，这在车辆停止（如等红绿灯）时尤为重要，能防止模型因为静止而“忘记”之前的空间信息。为了整合这些时序信息，通过使用空间RNN（Spatial RNN）模块，将隐状态（Hidden State）组织成一个二维或三维网格，随着车辆的移动不断更新周围环境的“记忆”。

在解码阶段，占用网络并不只是输出一张体格化的地图。为了打破固定分辨率的限制，模型引入了隐式坐标查询（Implicit Queryable MLP Decoder）。这意味着，对于空间中的任意坐标(x, y, z)，模型都能解码出该点的多种信息。这种设计赋予了感知系统极高的灵活性，它既能提供粗略的全景感知，也能在关键区域进行高密度的细粒度采样。

除了特斯拉的路径，还衍生出了如OccNet和TPVFormer等不同的变体。OccNet采用了级联体素解码器（Cascade Voxel Decoder），这种架构不再是一次性生成高分辨率的3D体积，而是通过多级细化的方式逐步丰富高度信息和体素细节，从而在计算效率和感知精度之间找到了平衡。它还使用了专门为3D空间优化的三维可变形注意力机制（3D Deformable Attention），这使得系统在处理行人、交通锥等细小障碍物时的mIoU（平均交并比）表现显著优于传统的BEV方法。

为了进一步提升感知的准确性，像是理想、华为等国内厂商则选择了视觉与激光雷达的深度融合。理想的BEV融合算法在摄像头采集的丰富语义基础上，加入了激光雷达的高精度测距数据。激光雷达能够在200米外提前探测到危险目标，并利用智能滤噪算法识别雨雾、前车尾气等环境噪点，其反应速度通常仅为0.1秒，远超人类驾驶员的0.6 秒。在这种融合架构下，占用网络被赋予了更强的鲁棒性，即便在黑夜、隧道烟雾或极端天气下摄像头失效时，基于激光雷达点云生成的空间占用信息依然能确保AEB等安全功能的正常触发。

下表对比了主流占用网络技术实现路径的差异：

这些算法演进的背后，其实是在“计算成本”与“信息密度”之间进行取舍。虽然三维体素能提供最丰富的信息，但如果将空间划分得太细，计算量会呈指数级爆炸。隐式查询和级联解码等技术的出现，正是为了在有限的车载算力下，实现对三维世界的高质量重构。

占用网络如何改变车辆的“大脑决策”

如果说感知是自动驾驶的“眼睛”，那么规划与控制（PnC）就是车辆的“大脑”。在过去，感知与规控之间存在一条很深的鸿沟，感知输出的是一堆带有噪声的标签，而规控则基于一套硬编码的逻辑规则。占用网络的引入，正在通过一种“统一表征”的方式填补这一鸿沟。由于占用网络直接输出物理世界的几何占用状态，规划模型可以利用这些数据生成代价地图（Cost Map），而不再需要复杂的中间转换层。

在局部路径规划中，系统需要评估成千上万条候选轨迹的安全性。传统的做法是针对每个识别出的物体进行碰撞检测，这在物体数量众多的拥堵路口将非常耗时。而基于占用网络，规划器可以使用时空占用网格图（SOGM）来预测周围空间在未来短时间内的状态演变。这种预测不再是简单的线性外推，而是结合了物体的运动流信息（Flow），能准确预判行人的走位或车辆的加塞。通过在Frenet坐标系中进行轨迹采样，并结合动态占用地图进行实时评估，车辆通过这种方式可以选出一条既舒适又安全的最佳路径。

占用网络带来的更深层次的变革在于规划算法的“物理化”。一些技术方案提出将人工势场法（APF）作为物理启发引导嵌入到神经网络的训练中。这意味着预测出的占用图不仅要符合视觉特征，还要符合物理规律。例如，物体不能瞬间位移，两个实体不能在同一时间占据同一空间。这种物理约束的加入，使得规划生成的轨迹更加平滑且符合人类驾驶直觉。在复杂的城市环境中，系统甚至可以利用软行为博弈（Soft Actor-Critic,SAC）算法，通过多频道代价地图观察（M-COST）来学习处理不可预见的障碍物行为，从而实现在动态环境中的实时自适应规划。

此外，占用网络产生的连续几何表示（如神经带符号距离场ONDP）为避障提供了毫米级的精度。这种高精度的几何反馈对于狭窄空间的穿行至关重要。规划器通过差异化距离查询，可以快速计算车辆边缘与最近障碍物之间的梯度信息，引导控制系统做出微小的转向修正，这在自动泊车或在狭窄巷道通行中具有巨大的应用价值。

占用网络对规控系统的赋能主要体现在以下几个环节：

统一的输入源：将静态道路结构（如护栏、马路牙子）与动态障碍物（行人、车辆）统一在同一个体素空间中，消除了跨模块处理产生的误差累积。

预测与感知的解耦：感知模块输出的Flow信息直接包含了物体的速度和运动趋势，使得规划模块在做短时预测（通常为2秒时域）时更加精准。

安全性闭环：通过物理启发式学习，系统能识别出“不可通行区域”的边界，即便这些区域是由未分类的异形物体构成的，也能确保车辆维持足够的安全余量。

这种感知与规控的融合，正是端到端（End-to-End）自动驾驶的必经之路。在特斯拉的FSD V12架构中，占用网络提供的3D空间理解作为底层基础，支撑起了一个单一的深度学习模型，实现了从原始图像输入到驾驶指令输出的直接映射。这种架构不再依赖于数百万行的人写规则，而是通过学习海量优秀人类驾驶员的行为数据，自动习得在复杂空间环境下的驾驶策略。

产业落地与未来图景

占用网络虽然在理论上极具吸引力，但在实际的大规模产业落地中，却面临着数据标注和实时算力的双重挑战。在传统感知时代，人工拉框标注障碍物还是可行的，但对于三维空间的每一个体素进行分类标注，显然超出了人工的极限。为此，行业开发出了4D自动标注技术。特斯拉利用Dojo超级计算机和定制的D1芯片，通过离线重构技术（如NeRF）对行驶过的历史路径进行全量3D重建，可以生成极高精度的真值（Ground Truth）来监督在线网络的训练。这种自动标注系统只需12小时就能处理10,000次驾驶行程的数据，其效率相当于500万小时的人工劳动。

在硬件层面，运行高帧率的占用网络需要极其强大的计算底座。特斯拉的FSD芯片通过分布式并行计算，将神经网络执行分配到独立的系统上，从而保证了实时性。而像理想等厂商采用的双英伟达Orin-X平台，则提供了高达508TOPS的总算力，为复杂的BEV融合算法和舒适度COST预测模型提供了充足的余量。这种“算力换空间理解”的逻辑，正是当前智能汽车硬件竞赛的核心驱动力。

未来，自动驾驶的感知将进一步细粒度化与通用化。随着OpenOcc等高质量3D占用基准测试集的发布，算法模型对细小物体的捕捉能力将持续提升。同时，占用网络将不再局限于感知障碍物，而是会朝着语义占据（Semantic Occupancy）方向演进，即不仅可以知道车辆前方有东西，还知道那是草地、水坑还是坚硬的岩石，从而指导车辆在非铺装路面上进行决策。

最后的话

回望自动驾驶的发展史，我们正在经历一个从“看图识字”到“空间感知”的变革期。占用网络不仅是一项技术的发明，更是一种人工智能解决物理世界问题方式的最新解法。其实想让机器像人一样驾驶，要做的就是要让机器建立起对“存在”与“虚空”最直观、最准确的把握。而在这一进程中，占用网络无疑是那颗点亮3D世界感知的灯泡，让自动驾驶普及成为可能。