第1章 Occupancy网络概述

1. Occupancy网络概述：什么是3D Occupancy网络？为什么需要它？它与BEV感知、激光雷达点云分割的区别与联系

我记得几年前在做一个园区无人配送项目时，遇到过一个特别头疼的问题。车子在路口等红灯，旁边停着一辆大货车。BEV感知模块告诉我「前方有车辆」，但问题是——货车后面突然窜出一个小孩，我的车完全没看到。

为什么？因为BEV感知本质上是在鸟瞰图上画框，它只能告诉你「那里有个物体」，但物体背后的空间是什么状态？是空的还是有遮挡？它不知道。

这就是Occupancy网络要解决的核心问题。

说白了，Occupancy网络就是把三维空间划分成一个个小立方体（voxel），然后判断每个小立方体是被占据还是空闲。就像玩《我的世界》一样，只不过我们关心的是真实世界的空间占用情况。

具体来说，一个标准的Occupancy网络会输出一个三维张量：

# 假设感知范围是 [-40m, 40m] x [-40m, 40m] x [-2m, 4m]
# 分辨率 0.2m，那么输出维度是：
# 400 x 400 x 30 = 4,800,000 个voxel
# 每个voxel输出一个占据概率 [0, 1]

嗯，这里要注意，不是所有voxel都需要预测。我习惯的做法是只预测地面以上的空间，因为地下部分对自动驾驶意义不大，还能省不少算力。

你想想看，传统感知方案有几个硬伤：

Occupancy网络恰好补上了这些短板。它不关心你是什么物体，只关心「这里有没有东西」。我在项目中遇到过最典型的场景——施工路段的锥桶和警示牌，检测模型经常漏检，但Occupancy网络能稳稳地把它们标记为占据状态。

核心价值：Occupancy网络提供的是「空间占用先验」，而不是「语义理解」。它更像是一个空间感知的基础设施，上层规划模块可以基于这个先验做更安全的决策。

很多人容易把Occupancy和BEV搞混。我刚开始接触时也犯过这个错。

说白了，BEV是「我看到什么就告诉你什么」，Occupancy是「我推理整个空间应该是什么样」。举个例子，BEV看到半辆车，就只输出半个框；Occupancy会基于上下文，把被遮挡的另一半也推理出来。

点云分割，我做了好几年。它的思路是：给每个激光点打标签，比如「地面」、「车辆」、「行人」。

但这里有个问题——激光雷达只能看到「有反射回波」的点。对于玻璃、黑色车身这些吸波材料，或者远距离的稀疏区域，点云分割基本就废了。

Occupancy网络不一样。它可以用相机图像来补全激光雷达看不到的区域。我在部署时做过对比：纯激光方案在夜间表现还行，但白天遇到大面积玻璃幕墙的建筑，点云分割直接漏掉一大片；而Occupancy网络因为有图像特征辅助，能正确预测出玻璃墙的位置。

我的经验：实际部署时，我建议把Occupancy网络和点云分割做融合。点云分割提供精确的边界信息，Occupancy提供完整的空间占用估计。两者互补，效果1+1>2。

其实这三者不是互斥的，而是层层递进的关系：

我现在的做法是：三个模块并行跑，输出结果做后融合。点云分割负责精确边界，BEV负责物体级理解，Occupancy负责空间级推理。规划模块拿到这三份信息，决策就稳多了。

避坑指南：我曾经在某个项目里试图用Occupancy网络替代所有感知模块，结果发现不行。Occupancy对细长物体（比如电线杆）的预测精度很差，因为voxel分辨率有限。最后还是得靠点云分割来兜底。

Occupancy网络不是什么黑科技，它就是把「空间占用估计」这件事做到了工程可用的程度。它的核心优势在于：

当然，代价也很明显——计算量大、对细长物体不友好、训练数据标注成本高。这些我们后面章节会逐一展开讲。