占用网络(Occupancy Network)

占用网络（Occupancy Network） 是一种将自动驾驶感知从“识别物体”升级到“感知空间”的深度学习模型。它不再费力去辨认前方的障碍物具体是什么，而是将周围的三维空间切分成无数微小的立方体（称为体素），然后逐个判断每个体素是被物体“占据”还是“空闲”。

传统的感知系统依赖目标检测，需要先识别出物体类别（如车、人），再规划避让。但面对散落的纸箱、侧翻的货车等训练集里没有的“异形障碍物”，系统就容易“失明”。

占用网络则彻底改变了思路。它不关心物体是什么，只关心空间本身的状态。只要有东西占据了空间，无论形状多奇怪、是否见过，都会被标记为障碍物，从而从根本上解决了传统感知在“长尾场景”中的漏检问题。

空间体素化：把车辆周围一定范围的三维空间，切分成边长通常为0.2米到0.5米的体素网格，形成一个“三维像素”地图。
传感器输入与融合：主流方案通常以多路环视摄像头的图像为基础，通过神经网络推断出每个体素的占用概率。不过，这通常需要前期利用激光雷达生成的高精度数据作为训练“老师”来教会视觉网络。在实际应用中，华为、理想等厂商也常将激光雷达用于实时感知，与视觉进行深度融合，以增强在黑夜、强光等复杂环境下的可靠性。
高算力要求与挑战：要实时处理海量的三维体素数据，对车载芯片的算力是巨大考验。因此，其大规模落地需要依赖强大的计算平台，并采用非均匀网格等算法技巧来平衡精度与效率。

技术路线	代表厂商	核心特点
纯视觉路线	特斯拉、小鹏、极越	仅依赖摄像头，通过强大的算法从二维图像推断三维空间。成本较低，但对算法和算力要求极高。
多传感器融合路线	华为、理想等国内厂商	将摄像头与激光雷达、毫米波雷达等传感器数据深度融合。感知更可靠，成本也相应更高。

总的来说，占用网络通过将物理世界数字化为可计算的空间模型，让自动驾驶车辆获得了真正的“空间直觉”。它已成为通往高阶自动驾驶的关键技术拼图。