占用网络如何提升自动驾驶对异形障碍物的识别能力

感知系统对于自动驾驶来说，就像是眼睛和翻译官的角色。这套系统不仅要捕捉到周围环境的光影信号，更需要将这些支离破碎的像素点转化为计算机能够理解的物理实体。

在自动驾驶技术发展初期，主流的环境感知方案通常依赖于3D目标检测算法，该方法在三维空间中定位特定目标，并用长方体边界框将其标注出来。这种技术在识别常见交通参与者如汽车、行人和自行车时表现出色，能够提供清晰的尺寸与位置信息。

然而，现实道路环境中存在大量不规则或难以分类的障碍物，例如侧翻的油罐车、散落的纸箱，或是悬空的吊臂。这些物体的形状难以用传统方法准确描述，从而影响了系统对潜在风险的识别。

为应对这一挑战，占用网络（Occupancy Network）应运而生。它改变了传统感知框架，不再聚焦于识别物体类别，而是将整个环境划分为大量边长为十几厘米的三维立方体单元，即“体素（voxels）”。系统通过对每个体素是否存在实体进行判断，实现对整个空间的三维建模。

在深入探讨占用网络之前，有必要回顾传统感知方法在处理异形障碍物时的局限。早期的自动驾驶系统高度依赖“分类”逻辑，即在识别一个物体之前，必须明确其类别。然而，当遇到超出训练集范围的物体，例如拉长木材的拖挂车时，系统往往只能识别出车头和车厢部分，而忽略了超出部分。

这种对空间理解的缺失可能导致严重的安全风险，例如在变道时未能识别潜在障碍物，从而引发碰撞。此外，传统3D目标检测在面对可变形或中空物体时表现不佳，如洒水车喷出的水雾，或工程车的悬空吊臂，这些场景中物体的轮廓和占据状态难以用标准长方体描述。

另一个核心问题是深度信息的不精确性。尽管可通过算法将二维图像映射为三维坐标，但在远距离场景下，误差会迅速扩大。尽管激光雷达能够提供高精度的距离信息，但其高昂的成本限制了其在自动驾驶系统中的大规模部署。

在这一背景下，如何通过低成本的视觉方案实现高精度的空间建模，成为行业关键挑战。占用网络正是在这一需求驱动下诞生的创新方案，它通过三维体素建模，为纯视觉感知系统提供了有效的补充。

占用网络的核心理念是将车辆周围空间“体素化”，即将环境划分为由大量小立方体组成的三维网格。系统不再试图识别物体语义，而是聚焦于判断每个空间点是否被占据。

通过环视摄像头采集360度图像后，占用网络会将这些二维图像特征映射到三维向量空间。在这一过程中，Transformer架构发挥了关键作用，它通过“位置查询”机制，从不同视角中提取指向相同空间点的图像特征，构建出一个密集的三维特征网格。

与传统的点云数据相比，体素网格更具优势。点云仅反映物体表面，而体素网格则是连续的、稠密的，能够记录物体占据状态，并推断空间内的连续性。例如，特斯拉的占用网络可以在10毫秒内完成全局空间预测，远超人类反应速度。

为提升计算效率，系统采用“按需分配”策略，在车辆行驶路径附近采用高密度体素划分，以捕捉细节障碍物，而在远离路径的区域则使用稀疏网格以降低资源消耗。这种策略在精度与实时性之间取得了良好平衡。

占用网络还引入了时序融合机制，通过分析过去数十到数百毫秒内的图像特征变化，提升对动态障碍物的识别能力。这种跨帧的特征融合可以有效过滤噪声，并帮助系统理解物体的运动趋势。

通过这种时空感知能力，车辆不仅能够识别静态障碍物，还能对动态物体的行为做出合理预判。例如，系统可通过体素移动矢量判断前方障碍物是否处于运动状态，从而提升避障策略的响应速度。

占用网络在识别“长尾障碍物”方面表现出色。由于它专注于空间占据状态而非物体语义，因此能够有效应对传统算法难以识别的异形障碍物。无论物体是翻倒的洒水车、散乱的建筑构件，还是横在路中的断树，占用网络都能准确描绘其三维轮廓。

此外，占用网络对处理悬空障碍物具有天然优势。在传统鸟瞰图（BEV）架构下，物体被压缩到二维平面，难以区分地面和空中结构。而占用网络通过Z轴上的多层体素划分，能够精准识别隔离带与限高杆的空间差异。

占用网络还具备一定的“遮挡预测”能力。当大车遮挡后方视野时，系统可通过学习到的几何先验信息，对被遮挡区域进行预测，从而为避障决策提供更全面的空间信息。

在三维体素建模的基础上，占用流（Occupancy Flow）进一步拓展了系统的预测能力。占用流不仅表示体素是否被占据，还记录了其运动方向和速度，从而为动态场景建模提供关键数据。

在实际应用中，占用流可帮助系统更快识别行人突然横穿或车辆加塞等危险场景。通过直接观测体素占据状态的流动趋势，系统可跳过传统方法中复杂的跟踪与预测步骤，在毫秒级内做出反应。

为提升模型训练效率，行业通常借助NeRF等自动重建技术进行数据标注。车辆在行驶过程中收集的视觉数据被上传至云端，利用NeRF技术还原出高精度3D场景，作为训练数据反哺车端模型，从而形成“云端重构—车端预测”的闭环。

查看全文

作者最近更新