自动驾驶占据感知网络那么厉害,为何仍未全面铺开?

编者语：后台回复“入群”，加入「智驾最前沿」微信交流群

在自动驾驶的感知方案中，占据感知网络（Occupancy Network，简称OCC）近年来成为了行业热点。它不再像传统的检测方法那样，费力地去猜前方是一个行人还是一个消火栓，而是直接把三维空间划分成一个个微小的方块，通过判断这些方块是否被物体占据，来告诉车辆哪里可以开，哪里不能碰。这种从识别物体到感知空间的转变，虽极大地提升了系统对异形障碍物的避障能力，但在实际落地过程中，依然面临着诸多问题。

几何倍增的计算负担如何承受？

算力和内存的巨大消耗上是占据感知网络产业化需要解决的最大的问题。传统的视觉感知只需要在二维图像上画框，或者预测几个关键点，处理的数据量相对有限。

然而OCC需要将整个三维物理空间切分成密密麻麻的体素网格。如果想让感知结果更精细，就需要把网格切得更小。但问题在于，分辨率每提高一倍，三维空间的体素数量就会呈立方级增长。这种指数级的几何爆炸，对于算力资源本就紧张的车载芯片来说，无疑是一场灾难。

图片源自：网络

为了在实时性和精度之间找到平衡，必须在算法架构上绞尽脑汁。如果直接处理全量的高分辨率体素，芯片的内存带宽很快就会被占满，导致系统延迟大幅增加。

目前的折中方案是采用非均匀的网格划分，或者引入多尺度特征融合的技术，在关键区域使用高精细度，在远端或次要区域则保持模糊。即便如此，如何在有限的毫秒级时间内，完成海量空间数据的特征提取与推理，依然是大规模量产时最头疼的硬件适配问题。

二维向三维转换的视差怎么填补？

占据感知网络产业化另一个核心的技术痛点在于如何将多个摄像头的二维图像准确地投影到三维体素空间中。摄像头本质上是二维传感器，它能告诉你像素在画面中的位置，但丢失了最关键的深度信息。

OCC网络需要通过算法将不同视角的图像特征提取出来，然后像拼图一样还原成一个立体的世界。这个过程被称为视图转换，目前主流的做法是利用预测深度图或者通过注意力机制进行跨空间的关联。

图片源自：网络

即便如此，这种转换过程也充满了不确定性。由于摄像头之间存在遮挡、光照不均或者安装误差，算法在进行特征采样时，很容易出现错位或者拉伸变形。尤其是在面对远距离物体或者雨雾天气时，深度的预测精度会大幅下降。

如果深度估算错了，那么在三维空间里，原本在路边的电线杆可能会被错误地投影到路中间，直接导致车辆误刹车。如何确保这种跨维度的特征映射既快速又精准，是决定感知系统是否可靠的关键门槛。

谁来给海量的三维方块打标签？

在AI训练的过程中，高质量的数据标注是模型的基石。对于传统的物体检测模型，标注员只需要在图片上给车或人画个框，工作量尚可接受。但对于占据感知网络来说，标注任务变得异常繁重且复杂。