自动驾驶如何通过占用网络识别异形障碍物
长期以来，自动驾驶的感知系统主要依赖目标检测技术，即在三维空间中识别并标注特定物体，通常使用一个紧凑的立方体包围框来框定这些物体。这种被称作“3D目标检测”的方法在识别汽车、行人和自行车等常规目标方面表现良好，可以准确判断前方障碍物的尺寸与位置。
然而，在现实交通场景中，道路环境往往远比实验室设定复杂。面对侧翻的油罐车、散落的纸箱或吊臂伸出的起重机等非标准形状的障碍物，传统的目标检测方法便显得力不从心。这些不规则的物体难以用标准立方体框准确描述，导致感知系统在判断时出现偏差。
为应对这一挑战，一种名为“占用网络”的新技术应运而生。它不再依赖于识别物体的身份，而是将整个环境划分成无数边长约十几厘米的立方体，这些单元被称作“体素”。占用网络的核心任务是判断每个体素是否被物理实体占据，从而实现对任何形状障碍物的识别。
传统视觉感知的局限性
在深入分析占用网络之前，有必要回顾传统视觉感知在识别非标准物体时的局限。早期的自动驾驶系统高度依赖“分类”逻辑，即必须知道某个物体的类别，才能判断其位置。这种方法在面对“语义裂缝”或“本体裂纹”问题时尤为脆弱。
例如，假设系统训练集中仅包含标准货车图像，当系统在道路上遇到一辆运输长木材的拖挂车时，可能会忽略车后伸出的木材部分，只将其视为一个长方体。这将导致系统误判可通行空间，从而在变道时引发潜在碰撞。
此外，传统3D目标检测在处理形状不规则或可变形物体时也存在困难。洒水车喷出的水雾、悬空的吊臂等动态或非连续物体，无法通过固定尺寸的包围框准确描述，常常被系统忽略或错误标记。
视觉感知还面临深度信息缺失的问题。虽然可以通过算法将二维图像转化为三维坐标，但远距离物体的深度估计误差较大。尽管激光雷达可提供高精度的深度信息，但其高昂的成本限制了其在大规模自动驾驶中的应用。
占用网络如何实现空间感知
占用网络的核心理念是将自动驾驶的感知系统从物体识别转向空间占据预测。它通过车载摄像头获取环视图像，并将这些二维特征映射到三维向量空间中，构建起一个密集的立体网格。
在这一过程中，Transformer架构发挥了关键作用。它通过注意力机制，对来自不同视角的像素点进行位置查询，从而构建出具有丰富特征的体素网格。这种表示方式与点云数据类似，但更加稠密且连续，不仅记录物体表面，还包含空间占据信息。
特斯拉的占用网络能够在约10毫秒内完成全局空间预测，远超人类反应速度。系统将环境划分为大量体素，并为每个体素赋予“占据概率”。当概率超过设定阈值时，规划模块将该区域标记为障碍，并在路径规划中加以规避。
为了优化资源利用，占用网络还采用了“按需划分”策略。在车辆行驶路径附近，系统会采用更细的网格划分，以识别小障碍物；而在远离车辆的区域，网格则更加粗糙，从而节省计算资源。
此外，占用网络引入了时序融合机制，结合当前帧与历史帧的数据，提高预测的鲁棒性。它不仅能过滤图像噪声，还能捕捉物体在三维空间中的运动趋势，使车辆具备更强的“物理直觉”。
识别“看不见的风险”
占用网络最具优势的领域在于处理“长尾障碍物”和非标准形状的物体。它不依赖物体类别，而是通过持续的视觉遮挡判断空间是否被占据。这使得系统在面对翻倒车辆、建筑材料堆积或断树等非标准障碍时，仍能精准建模。
在识别悬空障碍物方面，占用网络也表现出色。相比传统BEV（鸟瞰图）技术，占用网络通过在Z轴上的多层体素划分，能够区分地面与空中的障碍物，从而避免将限高杆误认为地面隔离带。
占用网络还具备“补全”被遮挡区域的能力。当大货车挡住视线时，系统可以通过学习到的几何先验知识，推断货车后方的占据状态，从而为避障系统提供更全面的信息。
占用流与动态预测
在空间识别基础上，占用网络进一步引入了“占用流”（Occupancy Flow），用于预测周围物体的运动趋势。占用流不仅标识被占据的体素，还提供每个体素的运动矢量，帮助规划系统预判障碍物的轨迹。
占用流的引入借鉴了物理守恒原则，即一个体素如果当前被占据，下一时刻要么保持原位，要么移动到相邻体素。这种局部连贯性使得系统在处理行人突然横穿或车辆加塞等高风险场景时，响应速度更快。
在模型训练方面，占用网络采用NeRF（神经辐射场）等自动化重建技术，通过众包数据在云端生成高精度三维场景，作为训练样本。这种“云端重建、车端预测”的闭环机制，使占用网络能够从全球大量真实场景中不断学习，提升泛化能力。