• 将车辆周围环境划分为微小立方体单元（体素），每个体素代表约33cm³空间。【每个体素可以包括二进制指定0(未占用)或1(已占用)。例如，对象可以是弯曲的。虽然一些体素被完全占用，但其他一些体素可以被部分占用。这些体素可以被划分为更小的体素，使得较小的体素中的一些体素未被占用】。
• AI模型通过8个环视相机输入，预测每个体素是否被物体占据（如车辆、行人、路缘）。

2.时空融合算法

• 空间注意力机制：将2D图像特征转换为3D体素空间，通过跨相机视图对齐解决遮挡问题。【每个体素使用3D空间查询，分析服务器可以标识2D特征化图像内与3D表示的特定部分相对应的区域。分析特征化图像内的标识区域，以将多相机图像数据变换为每个体素的3D表示】
• 时序融合模块：时间戳t处的3D空间表示可以与t-1、t-2和t-3处自体的周围环境的3D空间表示融合，连续融合过去4帧数据（t-1至t-3），实现对运动物体的轨迹预判。

3.亚体素级精细重建

• 采用三线性插值法突破体素分辨率限制，可识别16cm级精细结构（如路缘弧度）。【如果体素被占用一半，则分析服务器可以定义子体素集，并且使用本文中讨论的方法来标识用于子体素的体积输出。当子体素被聚合(回到原始体素中)时，分析服务器可以确定用于体素的形状。例如，每个体素可以有八个顶点。在一些实施例中，每个顶点可以单独分析并且具有其嵌入。结果，体素的每个顶点内的任何点可以被单独查询。因此，在该“连续分辨率”方法中，分析服务器可以不定义用于子体素的大小】

• 同步输出占用状态+语义类别+运动矢量，形成完整环境认知。