自动驾驶占用网络是依靠哪个传感器实现的？

[首发于智驾最前沿微信公众号]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，这种方式虽然在简单的道路环境下卓成效，但在面对复杂多变的现实世界时，却暴露出明显的局限性。

如果感知系统在训练集中见过某种标准的轿车或行人，它就能在道路上精准地将其标注出来。然而，当系统遇到那些从未见过的、形状奇特的障碍物时，基于目标的识别算法就会陷入迷茫。为了打破这种对“标签”的依赖，占用网络技术应运而生。

它不再纠结于眼前的物体到底是什么，而是直接回归物理世界的本质，即回答空间是否被占据这一核心命题。这种从语义识别向几何感知的跨越，不仅改变了自动驾驶的底层逻辑，也对硬件传感器的协同提出了全新的要求，同时也标志着感知系统从“看图识字”迈向了“空间直觉”的新阶段。

占用网络实现的硬件选择

占用网络的实现目前普遍建立在多摄像头覆盖的视觉体系之上。摄像头作为一种被动传感器，能够捕捉到丰富的颜色、纹理以及深层次的语义信息，这对于理解复杂的交通环境至关重要。

在一个典型的占用网络实现方案中，一般需要布置六到八个摄像头，以实现车辆周围三百六十度的无死角覆盖。这些摄像头的图像数据汇聚到车载计算平台中，为后续的空间重构提供最原始的素材。由于摄像头天然缺乏直接的深度信息，占用网络就通过算法层面的升维，在软件层面解决这一物理缺陷。

图片源自：网络

虽然特斯拉等企业倡导纯视觉方案，但在占用网络的开发和训练阶段，配备高精度激光雷达的采集车实际上扮演了非常重要的角色。

激光雷达通过发射激光脉冲并接收反射信号，能够生成极其精准的三维点云数据，这些数据被作为真值标签，用来教导视觉网络如何正确地从二维图像中还原三维空间。激光雷达提供的厘米级距离信息，确保了视觉占用网络在预测每个空间方格是否被占据时，拥有极高的置信度参考。

而在一些国内厂商的方案中，激光雷达则直接参与实时感知，与视觉传感器深度融合，形成了一种互补的硬件闭环。视觉传感器负责识别颜色和细致的语义，而激光雷达则负责在光照不足或天气恶劣的情况下，提供绝对可靠的距离支撑。

除了视觉和激光雷达，毫米波雷达在占用网络框架下依然保有其独特的价值。毫米波雷达对金属目标的敏感度以及在恶劣天气下的穿透力，为系统提供了必要的安全冗余。

在应对暴雨、浓雾等极端条件时，摄像头可能因为视线受阻而导致感知识效，此时毫米波雷达虽然无法提供精细的几何轮廓，但其对障碍物距离和速度的精准捕捉，能有效填补视觉感知的盲区。

通过多传感器的协同，占用网络得以在不同的环境条件下维持稳定的空间表征能力，这种硬件体系的构建，实际上是在成本、性能与可靠性之间寻找一种精密的平衡。

空间的像素化重构与体素化

占用网络的实现，可以通俗地理解为将车辆周围的现实世界变成一个类似于像素化游戏风格的方块宇宙。这个过程的第一步是特征提取，车载摄像头捕获的多路视频流先通过深度神经网络进行特征解析。此时，信息还停留在二维平面上。为了将这些分散的二维特征拼凑成一个完整的三维空间，系统引入了空间注意力机制。

这种机制就像是在每一个潜在的空间位置上伸出触角，去所有摄像头拍摄的画面中搜寻相关的特征信息。通过这种方式，原本孤立的摄像头画面被有机地缝合在一起，形成了一个初步的三维表征。

接下来是占用网络最核心的一步，即体素化过程。系统将车辆周围的一定范围划分为无数个微小的三维立方体，这些立方体在技术上被称为体素。对于每一个体素，网络需要给出一个概率值，预测它当前是空的还是被占据的。

图片源自：网络

这种处理方式彻底打破了传统感知中对边界框的依赖。在传统的感知模型中，系统必须先识别出这是一个垃圾桶还是电线杆，然后用一个长方体框住它。如果遇到了形状奇特的障碍物，系统可能因为认不出来而直接忽略。

但在占用网络看来，物理世界的规律很简单，即任何实体都必然占据一定的空间。这种逻辑使得车辆在面对未见过的障碍物时，都能准确地识别出那里有东西，从而实现精准避让。

为了提高感知的精细度，技术上还引入了隐式函数和子体素精化。早期的占用网络受限于算力，体素的分辨率往往较低，这会导致物体边缘看起来比较模糊，就像是打了一层厚厚的马赛克。

为了解决这个问题，有些方案不再只是简单地判断体素是否被占据，而是预测一个连续的符号距离函数值。这意味着系统可以精准地计算出空间中任意一点距离物体表面的真实距离。通过这种数学上的精细处理，占用网络可以将感知精度大幅度提升，不仅对避障有益，更在自主泊车等需要极限空间判断的场景中展现出了巨大的潜力。

在实现过程中，如何平衡精细度与计算开销是一个永恒的话题。由于三维空间的计算复杂度是随着分辨率的提升呈立方级增长的，如果盲目追求高精细度，车载芯片的内存和算力会迅速过载。因此，很多方案采用了非对称的视角处理，或者专门针对稀疏空间进行优化。

如系统会优先处理那些可能存在障碍物的关键区域，而对于空旷的蓝天或遥远的背景则进行简化处理。这种智能的资源调度，确保了占用网络能在极短的时间内完成一次全景扫描，满足高速行驶过程中的实时性要求。

时间维度的引入与四维时空的深度融合

如果说体素化是给世界拍了一张三维快照，那么时序融合就是将这些快照串联成了一部连贯的电影。在自动驾驶中，静态的空间感知是不够的，系统必须理解物体的运动趋势。占用网络通过引入时间维度，实现了从三维到四维的跨越。这种跨越的实现依托于时序特征融合技术。

简单来说，系统不仅关注当前这一帧看到了什么，还会把前几帧感知的空间特征存储在记忆仓库中。当车辆向前行驶时，系统会根据车辆自身的运动参数对这些旧记忆进行平移和对齐，确保新旧信息能在同一个时空框架下进行比对。

这种时序融合带来了两个极具价值的能力，即遮挡预测与运动估计。在复杂的城市交通中，障碍物之间的互相遮挡是常态。路边停着的一辆大卡车可能会挡住后面准备横穿马路的行人。如果只看当前帧，行人是不可见的。

但通过时序记忆，系统能想起前几秒在卡车尾部出现过的人影，从而通过算法脑补出被遮挡区域可能存在的风险。这种脑补能力并不丝滑凭空猜测，而是基于大量历史数据训练出的空间先验知识。系统在统一的视角空间内对被遮挡区域进行概率预测，实现了对潜在危险的提前预警。

时序信息还赋予了体素流速的概念。通过对比连续多帧的占用状态变化，系统可以计算出每个空间位置的运动矢量。这不仅能分辨出哪些是路边的静止建筑，哪些是正在变道的邻车，还能预判对方未来的轨迹。

相比于传统的物体跟踪，这种基于体素的运动感知会更加稳健，因为它不依赖于对物体完整轮廓的识别。即便只能看到车辆的一个局部，系统也能根据这个局部特征的位移推断出整体的动态。

这种对动态环境的深度理解，为后续的路径规划提供了极高质量的输入，使自动驾驶车辆在应对复杂路口或加塞场景时表现得更加从容。

这种从空间到时空的维度升级，标志着自动驾驶感知技术进入了成熟期。占用网络不再是一个孤立的检测工具，而是一个能够实时构建局部世界模型的认知引擎。

最后的话

占用网络技术通过对空间的方块化重构，解决了传统感知在处理异形障碍物和复杂空间关系时的痛点。它依托多路摄像头构建视野，利用激光雷达磨练精度，通过强大的算力将像素织成空间，最后借助时间的力量赋予这些空间以生命。虽然目前这项技术对硬件资源的需求依然巨大，一般只会出现在搭载顶级芯片的高端车型上，但随着算法的不断优化和硬件成本的逐步下降，这种具备物理直觉的感知方式正逐渐成为行业的主流标准。

审核编辑 黄宇