占用网络如何提升自动驾驶对异形障碍物的识别能力？

占用网络如何提升自动驾驶对异形障碍物的识别能力？

在自动驾驶技术的发展过程中，感知系统一直是核心挑战之一。长期以来，主流的感知方法依赖于“3D目标检测”技术，即在三维空间中识别特定物体，并用一个紧凑的长方体框将其包围。这种方法在识别汽车、行人和自行车等常见目标时表现良好，能够提供物体的尺寸和位置信息。

然而，现实交通环境远比实验室中的预定义标签库复杂。当道路上出现侧翻的油罐车、散落的纸箱或伸出吊臂的起重机等不规则障碍物时，传统的目标检测方法往往难以准确建模，因为这些物体的形状无法被标准的长方体框所描述。

为了解决这一问题，占用网络（Occupancy Network）应运而生。与传统方法不同，占用网络不再试图识别物体的具体类别，而是将整个物理空间划分为边长为十几厘米的微小立方体，称为“体素”（Voxel）。系统只需判断每个体素是否被物理实体占据，从而实现对空间的精细建模。

这种从“物体识别”到“空间占据预测”的转变，使自动驾驶系统具备了识别任何形状障碍物的能力，无论其是否在训练集中出现过。

传统视觉感知面临哪些挑战？

在深入探讨占用网络之前，有必要回顾传统感知方案在处理异形物体时的局限性。早期的自动驾驶算法高度依赖“分类”逻辑，即系统必须先识别物体的类别，才能判断其位置。这种逻辑在面对“本体裂纹”或“语义裂缝”时尤为脆弱。

例如，如果一个算法的训练集中仅包含标准货车，当它在道路上遇到一辆拖挂车，其车厢后方延伸出数米长的木材时，系统可能仅识别车头和车厢，而忽略掉延伸部分。这种对空间理解的缺失可能导致规划器误判，从而引发碰撞。

此外，传统3D目标检测还面临“形状刚性”的问题。它试图用固定尺寸的长方体框来描述所有物体，但在现实中，许多障碍物是可变形或中空的。例如，洒水车喷出的水雾在视觉上模糊不清，或者工程车的吊臂悬空在半空中，这些都无法用传统方法准确建模。

视觉感知的另一个固有缺陷是深度信息的缺失。尽管可以通过算法将二维图像转化为三维坐标，但在远距离场景下，这种转换的误差会迅速扩大。激光雷达虽然能提供高精度的距离信息，但其高昂的成本限制了其在大规模自动驾驶中的应用。

在这样的背景下，如何通过低成本的摄像头实现与激光雷达相当的空间建模能力，成为感知技术演进的重要方向。占用网络正是在这一需求下，通过将感知空间从二维平面提升到三维体素，为纯视觉方案补齐了关键短板。

占用网络如何实现空间建模？

占用网络的核心理念是将车辆周围的物理空间进行“数字化”处理。它不再关注物体的语义类别，而是聚焦于一个更基础的问题：某个空间点上是否存在障碍。

系统通过环视摄像头采集360度图像数据，并利用特征提取技术将这些二维像素映射到三维向量空间中。在这一过程中，Transformer架构发挥了关键作用，它通过注意力机制在不同视角中寻找指向同一空间点的像素，从而构建出一个密集的三维特征网格。

与传统的点云数据相比，占用网络生成的体素网格更加连续和稠密。点云仅记录物体表面的反射点，而体素网格则包含了空间的占据状态。这种表示方式使得系统能够更全面地理解周围环境。

特斯拉的占用网络可在约10毫秒内完成一次全局空间预测，远超人类的反应速度。系统将世界划分为极小的立方体，并为每个立方体赋予“占据概率”。当概率超过设定阈值时，规划器会将其视为障碍物，并在路径搜索中自动绕开。

为了在有限的计算资源下实现高效建模，占用网络采用了“按需分配”的策略。在靠近车辆行驶路径的区域，体素划分得非常精细，足以识别路面上的小型障碍物；而在远离车辆或天空中不影响行驶的区域，则使用较粗的网格以节省算力。

此外，占用网络还引入了时序融合机制，通过分析过去几十到几百毫秒内的特征流，提升预测的鲁棒性。这种跨时间的特征比对不仅能够过滤噪点，还能帮助系统理解物体的运动趋势。

占用网络如何应对“看不见的风险”？

占用网络在处理“长尾障碍物”或异形物体方面表现出色。由于其本质上是进行三维空间的几何重构，因此对物体的外观、颜色或类别不敏感。只要摄像头观察到持续的视觉遮挡和特征反馈，系统就会判断该空间被占据。

这种“几何优先”的思维方式有效解决了语义裂缝问题。无论是翻倒的洒水车、散落的建筑材料，还是一棵横在路中央的断树，占用网络都能准确描绘其三维轮廓，而不会像传统方法那样试图用长方体强行套用。

占用网络在处理“悬空障碍物”方面也具有天然优势。在传统的BEV（鸟瞰图）架构下，所有物体都被压缩到二维地平面上，系统难以区分物体是悬空还是贴地。而占用网络通过在Z轴上进行多层体素划分，能够清晰识别出限高杆与隔离带之间的空间差异。

此外，占用网络具备一定的“脑补”能力。当大货车遮挡后方视野时，系统可以通过几何先验知识预测被遮挡区域的占据状态，并将这些信息提供给避障算法。这种对未知空间的防御性建模，显著提升了车辆在十字路口或视线受阻区域行驶时的安全性。

占用流如何实现动态预测？

如果说三维体素解决了空间识别问题，那么“占用流”（Occupancy Flow）则赋予了系统对动态世界的预测能力。占用流不仅能够识别哪些空间被占据，还能提供每个体素的运动矢量。

通过分析这些矢量的颜色和方向，规划算法可以预判周围物体的运动轨迹。占用流的引入本质上是引入了物理世界的守恒定律，即一个体素如果当前被占据，下一刻要么保持原位，要么移动到相邻位置。

这种局部连贯性约束使得系统在处理行人突然横穿、车辆紧急变道等高风险场景时，能够比传统目标追踪方法更快做出反应。系统不再需要经历“识别-关联-计算-预测”的长链条，而是直接观察体素占据状态的变化趋势。

在模型训练方面，占用网络也采用了前沿技术手段。由于人工标注三维体素几乎不可行，行业普遍采用NeRF（神经辐射场）等离线重建技术进行自动标注。车辆在行驶过程中通过众包方式收集大量视觉数据，并在云端通过NeRF还原出高精度的3D场景，作为训练数据。

这种“云端重构、车端预测”的闭环机制，使占用网络能够从全球数百万辆车的日常行驶中持续学习，从而不断提升其泛化能力和适应性。