第684章 启发和顛覆（2 / 3）
但传统基於摄像头和雷达点云生成bev特徵图，再去做目標检测、分割的方法，对算力和实时性要求极高。
並且对非常规障碍物（比如掉落的轮胎、倒下的树、形状怪异的施工设施）的识別能力，存在理论瓶颈。
我在想，是否可以引入一种更『直接』的表达方式——占用网络（occupancy network）。”
“占用网络？”李鹏飞下意识地重复了一句，这位计算机视觉领域的顶尖专家，镜片后的眼睛瞬间亮了起来，身体也不由自主地坐直了。
这个概念对他而言不算陌生，但从未在量產自动驾驶领域被认真討论过。
它太新，也太“重”了。
“对，”陈默点头。
“它不关心前方障碍物是车、是人、是锥桶还是別的什么具体类別。
它只关心一个最本质的问题：车辆前方及周围的三维空间里，哪些体素（voxel）被占用了？
是刚性占用（如墙壁）还是柔性占用（如灌木丛）？
是可穿越的还是不可穿越的？”
他一边说，一边拿起桌上的白板笔，转身在旁边的白板上快速勾勒起来。
寥寥几笔，画出一个粗糙的车辆前方视角，然后打上密集的三维网格。
“输入多视角摄像头图像，甚至融合低线束雷射雷达的稀疏点云，通过一个精心设计的3d卷积神经网络，直接输出一个稠密的三维占用柵格图。
每一个小格子（体素）都有一个概率值，表示它被占据的可能性。
同时，还可以预测每个被占据体素的运动状態（速度向量）。”
陈默的笔尖在网格上移动：
“这样，无论前方是一个標准车辆，还是一堆怪异的建筑垃圾，甚至是一团浓雾（如果能部分穿透），系统都能感知到『有东西占著这个空间，可能会动』。
避障是最核心的需求，知道『有东西』且『它怎么动』，往往比精確知道『它是什么』更重要，尤其是在极端corner case下。
而且，这种表达天然適合后续的轨跡规划和碰撞检测，因为它直接描述了空间的占用情况。”
他放下笔，看向已经完全被吸引的李鹏飞和卞金麟：
“这或许能绕过传统目標检测对长尾类別识別的依赖，提升对异形障碍物的泛化能力。
当然，计算量巨大是现实挑战，需要算法创新和硬体加速的协同。
但方向，我认为值得探索。
鹏飞，你在诺基亚搞高精地图和slam，对空间建模理解很深，怎么看？”
李鹏飞深吸一口气，眼中闪烁著震撼和兴奋的光芒，仿佛被一道闪电劈开了思维的迷雾。
他紧紧盯著白板上那个简陋的网格图，大脑以前所未有的速度运转起来。
忽略物体类別，直指空间占用的本质。
这思路太顛覆了！简直是给感知领域开了另一扇窗。
他之前的研究一直纠结於如何提升目標检测的精度和鲁棒性，却从未想过可以换个角度，直接描述空间的“满”与“空”、“动”与“静”！ ↑返回顶部↑
並且对非常规障碍物（比如掉落的轮胎、倒下的树、形状怪异的施工设施）的识別能力，存在理论瓶颈。
我在想，是否可以引入一种更『直接』的表达方式——占用网络（occupancy network）。”
“占用网络？”李鹏飞下意识地重复了一句，这位计算机视觉领域的顶尖专家，镜片后的眼睛瞬间亮了起来，身体也不由自主地坐直了。
这个概念对他而言不算陌生，但从未在量產自动驾驶领域被认真討论过。
它太新，也太“重”了。
“对，”陈默点头。
“它不关心前方障碍物是车、是人、是锥桶还是別的什么具体类別。
它只关心一个最本质的问题：车辆前方及周围的三维空间里，哪些体素（voxel）被占用了？
是刚性占用（如墙壁）还是柔性占用（如灌木丛）？
是可穿越的还是不可穿越的？”
他一边说，一边拿起桌上的白板笔，转身在旁边的白板上快速勾勒起来。
寥寥几笔，画出一个粗糙的车辆前方视角，然后打上密集的三维网格。
“输入多视角摄像头图像，甚至融合低线束雷射雷达的稀疏点云，通过一个精心设计的3d卷积神经网络，直接输出一个稠密的三维占用柵格图。
每一个小格子（体素）都有一个概率值，表示它被占据的可能性。
同时，还可以预测每个被占据体素的运动状態（速度向量）。”
陈默的笔尖在网格上移动：
“这样，无论前方是一个標准车辆，还是一堆怪异的建筑垃圾，甚至是一团浓雾（如果能部分穿透），系统都能感知到『有东西占著这个空间，可能会动』。
避障是最核心的需求，知道『有东西』且『它怎么动』，往往比精確知道『它是什么』更重要，尤其是在极端corner case下。
而且，这种表达天然適合后续的轨跡规划和碰撞检测，因为它直接描述了空间的占用情况。”
他放下笔，看向已经完全被吸引的李鹏飞和卞金麟：
“这或许能绕过传统目標检测对长尾类別识別的依赖，提升对异形障碍物的泛化能力。
当然，计算量巨大是现实挑战，需要算法创新和硬体加速的协同。
但方向，我认为值得探索。
鹏飞，你在诺基亚搞高精地图和slam，对空间建模理解很深，怎么看？”
李鹏飞深吸一口气，眼中闪烁著震撼和兴奋的光芒，仿佛被一道闪电劈开了思维的迷雾。
他紧紧盯著白板上那个简陋的网格图，大脑以前所未有的速度运转起来。
忽略物体类別，直指空间占用的本质。
这思路太顛覆了！简直是给感知领域开了另一扇窗。
他之前的研究一直纠结於如何提升目標检测的精度和鲁棒性，却从未想过可以换个角度，直接描述空间的“满”与“空”、“动”与“静”！ ↑返回顶部↑