哪些车企真正将占用网络应用于量产车型？

哪些车企真正将占用网络应用于量产车型？

近年来，占用网络（Occupancy Network，简称OCC）成为自动驾驶技术领域的重要研究方向。传统感知系统通常依赖于识别障碍物的类别，再据此做出应对策略。然而，对于一些形状不规则、系统未曾见过的障碍物，如散落的建材、侧翻的货车或泡沫块等，传统方法往往难以有效处理，这在自动驾驶感知中构成了一定挑战。

占用网络则采用了一种不同的思路。它不再关注障碍物的类别，而是将车辆周围的三维空间划分为大量小方块（体素），并逐个判断每个体素是否被物体占据。这种设计使得系统无需识别所有障碍物，也能判断哪些空间不可通行。那么，目前哪些车企真正将这一技术应用于量产车型？

从专利看特斯拉的技术细节

特斯拉是最早尝试纯视觉占用网络路线的车企之一。早在2022年AI Day上，特斯拉就首次公开了其占用网络技术。2026年3月，该公司发布了一项名为《Artificial Intelligence Modeling Techniques for Vision-Based High-Fidelity Occupancy Determination and Assisted Parking Applications》的专利，详细展示了其技术实现。

该方案摒弃了激光雷达，仅依赖8颗车外摄像头的图像数据，通过神经网络推断车辆周围三维空间中每个体素是否被有质量的物体占据。默认情况下，体素边长为33厘米，但在车辆附近，系统可动态调整至10厘米，以提供更精细的空间描述。当物体轮廓复杂、单个体素难以准确表示时，网络还会进一步切分子体素，以拟合曲线边界。

图片源自：网络

此外，特斯拉的占用网络还引入了时间维度。系统不仅分析单帧图像，还通过Transformer架构将当前三维表征与历史数据融合，从而计算出占用流，即移动体素的速度。在占用流基础上叠加三维语义信息，系统还能判断某一团体素是移动的车辆还是静止的建筑。这种设计将空间感知与运动预测整合到同一模型中，而非分步处理。

在训练方法上，特斯拉采用了无监督学习策略，不依赖人工标注数据，而是通过大规模实车数据进行模型迭代。从图像输入到转向、加速、制动输出，整个过程由神经网络驱动，端到端的设计使驾驶行为更贴近人类操作。

国内纯视觉路线的实践

在国内，纯视觉路线的发展同样迅速。小鹏汽车自2024年起取消激光雷达后，已将占用网络作为其感知架构的重要组成部分。2025年CVPR自动驾驶分论坛上，小鹏作为唯一受邀车企，展示了其自动驾驶基座模型的技术成果。

该模型的核心理念与特斯拉相似，即从感知到控制建立闭环，不依赖传统规则，而是以模仿人类决策为目标。小鹏依靠5颗800万像素高清摄像头和自研图灵芯片，城市道路识别精度提升了约40%，系统功耗则下降了约20%。占用网络在该架构中负责从二维图像中推断三维空间的占用状态，尤其在处理异形障碍物方面表现突出。

图片源自：网络

小鹏还在模型预测方面进行了探索。其世界基座模型具备链式推理能力，即在做出驾驶决策时，系统不仅基于当前状态，还会持续进行“我在哪、发生了什么、要怎么走”的内部推理。这种推理能力建立在占用网络提供的三维空间理解基础上，使系统在复杂场景中的应对更加连贯。

多传感器融合中的占用网络

与纯视觉方案不同，另一条技术路线选择将占用网络与激光雷达等传感器融合。这种设计基于一个共识：即使视觉算法再强大，也可能在逆光、暴雨或大雾等极端条件下失效，而激光雷达作为主动传感器，具备更强的抗干扰能力。

华为的ADS系统在这一方向上走在前列。其方案将摄像头、激光雷达和毫米波雷达的数据在特征层面融合，使占用网络的输入不仅包括图像，还包含激光雷达的厘米级三维点云和毫米波雷达的速度信息。ADS 3.0版本已完全摒弃传统BEV网络，仅保留GOD大网，该网络可将环境划分为立方体并判断其占用状态，不仅能识别已知物体，还能处理异形障碍物。

图片源自：网络

ADS 4.0版本进一步引入了摄像头、激光雷达、毫米波雷达、超声波雷达及高精地图/V2X的融合方案，为车辆提供360度环境感知能力。与纯视觉方案相比，融合方案可通过传感器间的相互校验提升系统鲁棒性。占用网络在该架构中不再仅用于推测空间状态，而是在接收更可靠输入后，输出更准确的空间占用判断。

小米则在融合方案中引入了超分辨率占用网络的概念。传统占用网络将障碍物描述为方块，对曲面物体的边界刻画不够精细，可能导致系统误判空间是否可通行。小米通过加入超分辨率矢量算法，将路面上的可视物体模拟为连续曲面的立体物，将空间分辨精度提升至0.1米以下，相较于特斯拉FSD的0.32米精度，其方案在体素级别的刻画上更为细致。

图片源自：网络

从传感器配置来看，小米采用了1颗激光雷达、11颗高清摄像头、3颗毫米波雷达和12颗超声波雷达，配合两颗Orin高算力芯片，综合算力达508TOPS。占用网络在该配置中对接激光雷达的点云数据，并对多传感器输入进行特征融合，这也是实现超分辨率的关键前提。

占用网络与世界模型的结合

进入2026年，占用网络的一个明显趋势是与世界模型概念的深度融合。世界模型的核心在于系统不仅能感知当前状态，还能推演未来可能的变化，而占用网络则作为基础空间表示的载体。

理想汽车在这一领域进行了深入布局。2025年ICCV上，理想自动驾驶技术研发负责人詹锟分享了其关于世界模型的探索，阐述了从数据闭环走向训练闭环的技术逻辑。所谓训练闭环，是指模型不仅从实车数据中学习，还能在自建的环境模拟器中持续迭代，通过与环境互动提升能力。理想在云端构建了一套世界模型训练环境，用于训练车端的VLA大模型，这是将世界模型与强化学习闭环应用于量产自动驾驶系统的完整架构。

图片源自：网络

在该框架中，占用网络扮演了关键角色。理想提出的SparseWorld-TC模型采用轨迹条件的思路，不仅输入历史帧，还将自车未来的行驶轨迹编码为条件，使网络能够回答“如果我沿这条轨迹行驶，周围空间会如何变化”等问题。这意味着占用网络从单纯的当前空间描述升级为预测不同决策下的空间变化，为规划模块提供了更直接的支持。

蔚来则选择了世界模型加占用网络的技术路线。2025年5月，蔚来发布了其世界模型NWM（NIO World Model）的首个版本。该模型的核心能力体现在时间维度的推演上，NWM可在100毫秒内推演出216种可能的未来轨迹并寻找最优路径，随后在下一个100毫秒内根据新信息重新推演。占用网络在该体系中负责基础空间建模，NWM需先理解当前三维空间中每个位置的占用状态，才能在此基础上推演未来变化。

与理想不同，蔚来的世界模型更强调对环境演化本身的理解，而理想则更侧重将占用预测直接用于规划评估。从技术路线来看，理想和蔚来的方向指向一个共同趋势：占用网络不再只是感知模块，而逐步成为端到端自动驾驶系统中的核心空间推理单元。

技术演进的几个方向

从技术发展角度看，2026年占用网络的演进大致呈现两条主线。

其一是向4D化发展。传统占用网络仅描述当前时刻的三维空间占用情况，而4D占用网络引入了时间维度，开始预测占用状态在未来一段时间内的变化。这意味着系统不仅要判断某个体素当前是否被占据，还需推断其下一秒的位置。将占用流概念纳入占用网络，本质上是将空间感知与运动预测融合到同一模型中。

图片源自：网络

另一条是与端到端架构的结合。过去，占用网络通常仅负责感知环节，输出占用网格后由决策模块处理。但随着技术演进，多个企业的方案中，占用网络已与规划模块整合，空间占用状态直接参与轨迹生成，不再依赖人工定义的中间接口。小鹏的世界基座模型、理想的VLA、蔚来的NWM，均朝这一方向发展。这种架构使信息传递更具连贯性，减少了逐层转译带来的信息损失，提升了系统在复杂场景中的稳定性。

此外，占用网络在不同企业技术体系中的角色也逐渐分化。特斯拉将其作为纯视觉路线的核心支柱，华为则将其嵌入多传感器融合体系中的感知层，而理想和蔚来则将其边界扩展至预测与规划。这些技术路线的差异也反映出一个事实：占用网络本身是一种底层空间感知技术，其实际作用取决于企业在其之上构建的上层架构。

-- END --

原文标题：哪些车企真的将占用网络装进了量产车？