想象你深夜开进一座陌生而漆黑的地下车库：车灯只能劈开一小片光，你得绕过水泥柱、面包车、歪倒的购物车，却永远不知道柱子后面藏着什么。人类司机会凭经验“脑补”看不见的区域，可自动驾驶汽车没有这种直觉。占用网络（Occupancy Network）就是给汽车戴上的一副“乐高透视眼镜”：它把车身周围的世界切成成千上万个小立方体——就像一盒巨大的乐高积木，然后挨个给每颗积木贴标签：“这里有东西”涂成红色，“这里是空的”涂成绿色，“暂时看不见”涂成灰色。它不纠结“这是轿车还是卡车”，只执着于“这块空间到底结不结实”。特斯拉的FSD、学术界的OpenOccupancy和OpenScene公开基准，都在围绕这套思路展开。

岗位关联

掌握占用网络，等于理解自动驾驶感知从“认框框”到“认空间”的范式跃迁——这是通向L4级安全兜底能力的必修课，也是当前感知算法岗面试的高频考点。

目录
  1. 可视化演示
  2. 体素占用概念
  3. 感知输入方式
  4. 网络架构设计
  5. 三维占用预测
  6. 特斯拉占用网络
  7. 公开基准评估
  8. 价值与挑战
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示3D体素占用预测的核心机制，包括体素网格占用状态、多视角到BEV的架构流程及可行驶空间代价地图，通过交互控件探索不同分辨率下的感知效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

体素占用预测 占用 空闲 P(occ|v)=σ(f(v)) 三维空间离散化为体素网格，预测每个体素的占用概率

体素占用概念

深夜的地下车库里，保安递给你一盒乐高积木：“别怕，把周围世界想成这盒积木。每一颗凸起的小方块都是一个格子，只要你弄清楚每个格子里有没有东西，就能在黑暗里画出整层车库的地图。”占用网络的第一课，就是学习把连续的世界切成这些有编号的小格子。

这些小格子有个学名，叫体素（voxel），和“像素”是亲戚——像素是二维图像的最小单元，体素是三维空间的最小单元。汽车以自己为中心，把前后左右上下几十米的空间像切豆腐一样切成均匀的立方体，每个立方体边长通常是几十厘米。网格建好后，网络给每颗体素贴一个标签：被物体占据、确认空闲、暂时未知。三个状态地位平等，谁都不是谁的默认值。

从数学上看，整个空间被定义成一个占用指示函数，模型的全部工作就是给每颗体素输出这个标签：

有了这本“乐高字典”，后面的一切——传感器怎么喂数据、网络怎么猜标签——都围绕“把每个格子填对颜色”展开，这就是占用感知的起点。

V(x,y,z)={1,体素已被物体占据0,体素内部确认空闲u,体素状态暂时未知\displaystyle \mathcal{V}(x,y,z) = \begin{cases} 1, & \text{体素已被物体占据}\\ 0, & \text{体素内部确认空闲}\\ u, & \text{体素状态暂时未知}\end{cases}
  1. $\mathcal{V}$ 占用场函数把三维坐标映射成状态标签的规则，是整个占用空间的总表示。
    V(x,y,z)\displaystyle \mathcal{V}(x,y,z)
  2. $(x,y,z)$ 体素坐标体素在网格中的三维下标，决定“是哪一颗乐高块”。
    (x,y,z)∈Z3\displaystyle (x,y,z) \in \mathbb{Z}^3
  3. $1/0/u$ 三种状态$1$ 表示有实体填充，$0$ 表示确认空闲，$u$ 表示“还没有证据”；未知不等于空，这是安全设计的第一原则。
    1, 0, u\displaystyle 1,\ 0,\ u

感知输入方式

这位深夜司机不止有一种照明工具：头顶的环视相机像四支手电筒，看得清纹理却照不出距离；激光雷达像一把激光尺，能精确报距离却只留下稀疏的亮点。占用网络要回答“格子里有没有东西”，必须先把这些照明工具的读数汇在一起。

相机的优势是色彩纹理丰富、成本低、普及率高，弱点是单目图像天生没有深度；激光雷达直接给出精确距离，但点云稀疏、价格昂贵。所谓多传感器融合，就是把“手电筒的画面”和“激光尺的读数”对齐到同一个乐高盒坐标系里：先用相机内参把像素反投影成三维射线，再用深度估计确定该像素究竟落在哪一颗体素上。

相机像素要“抬升”到3D空间，依赖深度与内参的配合，反投影公式如下：

多支手电筒从不同角度照同一个格子，再配合激光尺校准，网络就能更有把握地给每颗乐高块上色——有的方案只用相机，有的方案相机雷达都上，但“把观测对齐到体素格”这一步是共通的。

p3D=d⋅K−1[uv1]\displaystyle p_{3D} = d \cdot K^{-1} \begin{bmatrix} u \\ v \\ 1 \end{bmatrix}
  1. $p_{3D}$ 三维空间点像素对应的物体表面在真实世界坐标系中的位置。
    p3D∈R3\displaystyle p_{3D} \in \mathbb{R}^3
  2. $(u,v)$ 像素坐标图像上某个像素的行列位置，是反投影的起点。
    (u,v)\displaystyle (u, v)
  3. $d$ 深度该像素到相机的距离，可由雷达测量、双目视差或网络估计得到。
    d>0\displaystyle d > 0
  4. $K^{-1}$ 内参逆矩阵把像素坐标“翻译”回相机坐标系下的方向向量，乘上深度就得到三维位置。
    K−1[uv1]\displaystyle K^{-1} \begin{bmatrix} u \\ v \\ 1 \end{bmatrix}

网络架构设计

假设车库门口有一条流水线：前台小妹收齐所有手电筒的画面（图像编码器），中台大哥把画面按空间位置整理成一张“零件清单”（空间Transformer），后台工人照着清单给每颗乐高块贴标签（体素解码头）。占用网络的架构，就是这条三层流水线。

图像编码器通常用卷积网络（如ResNet）逐路提取2D特征；空间Transformer负责把多视角2D特征“抬升”并融合成统一的三维特征体，解决“同一颗体素被多路相机同时看到”的对应问题；体素解码头再对特征体做上采样与细化，输出每个体素的占用概率。

整条流水线可以浓缩成一个“特征体构造”公式——多个视角的特征被装箱成一个四维张量：

流水线一旦建成，不管车库多大、障碍多怪，它都能按同一套流程把乐高盒填满——这也是占用网络能端到端训练、不需要手工设计特征的原因。

Φ3D=Lift(F1,F2,…,FN)∈RX×Y×Z×C\displaystyle \Phi_{3D} = \mathrm{Lift}\left(F_1, F_2, \ldots, F_N\right) \in \mathbb{R}^{X \times Y \times Z \times C}
  1. $\Phi_{3D}$ 三维特征体承载所有空间信息的“零件清单”，是后续分类的依据。
    Φ3D\displaystyle \Phi_{3D}
  2. $\mathrm{Lift}$ 抬升操作把2D图像特征按深度假设反投影到3D体素网格上的过程。
    Lift(⋅)\displaystyle \mathrm{Lift}(\cdot)
  3. $F_1,\dots,F_N$ 各路图像特征$N$ 路相机各自提取出的2D特征图。
    F1,F2,…,FN\displaystyle F_1, F_2, \ldots, F_N
  4. 维度 $X\times Y\times Z\times C$空间三个方向各有 $X,Y,Z$ 个体素，每个体素携带 $C$ 维特征表示。
    RX×Y×Z×C\displaystyle \mathbb{R}^{X \times Y \times Z \times C}

三维占用预测

流水线最后一步是“盖章师傅”：他不再关心“这是轿车还是购物车”，只关心“这颗乐高块该盖红章还是绿章”。对每一颗体素，他都给出一个“这里可能有东西”的置信度分数。

这就是逐体素分类（per-voxel classification）。解码头为每个体素输出一个logit值，经过sigmoid变成0到1之间的占用概率；训练时用真实标签（该体素是否被占用）计算交叉熵损失，让预测概率尽量贴近地面真值。推理时通常设定一个阈值，概率超过阈值就判为占用。

训练损失就是经典的二分类交叉熵，对所有有效体素求平均：

盖章师傅见多识广之后，遇到“柱子后面看不见”的格子，也能根据周围格子的纹理、道路边界和物体运动规律给出合理猜测——这就是遮挡上下文推理，也是占用网络比“只看得到的地方”更强的原因。

L=−1N∑v=1N[ yvlog⁡pv+(1−yv)log⁡(1−pv) ]\displaystyle \mathcal{L} = -\frac{1}{N}\sum_{v=1}^{N}\Big[\, y_v \log p_v + (1 - y_v)\log(1 - p_v) \,\Big]
  1. $N$ 体素总数参与损失计算的体素个数，通常只统计观测区域内的体素。
    N\displaystyle N
  2. $y_v$ 真实标签第 $v$ 个体素真实是否被占用，占用为1、空闲为0。
    yv∈{0,1}\displaystyle y_v \in \{0, 1\}
  3. $p_v$ 预测概率网络预测第 $v$ 个体素被占用的概率，越接近 $y_v$ 越好。
    pv=P(占用∣x)\displaystyle p_v = P(\text{占用} \mid x)
  4. $\log$ 与求和平均当 $p_v$ 偏离 $y_v$ 时损失变大；全部体素求和后取平均得到整体损失。
    ∑v=1N[ yvlog⁡pv+(1−yv)log⁡(1−pv) ]\displaystyle \sum_{v=1}^{N}\big[\, y_v \log p_v + (1 - y_v)\log(1 - p_v) \,\big]

特斯拉占用网络

特斯拉是那个“只戴手电筒、不买激光尺”的老司机。它在FSD里搭了一套纯视觉占用网络：8路环视相机把图像喂进模型，直接吐出车身周围一圈“乐高盒”的占用状态，连高精地图都不依赖。

这套方案有几个鲜明特点。第一，输入纯相机，成本低、视野广、量产可落地；第二，输出不仅是占用网格（Occupancy Grid），还附带占用流（Occupancy Flow）——既知道哪里有东西，也知道东西正往哪个方向移动，相当于给乐高块加上了“速度标签”；第三，不同距离使用不同分辨率：近处体素细小，远处体素粗糙，以此控制计算量。

每个体素的占用概率，由它的特征向量经过一层线性变换再套上sigmoid得到：

老司机虽然没买激光尺，但靠着“手电筒加会推理的大脑”，照样能画出整层车库的占位图，还能看出哪个购物车正朝自己溜过来——这正是纯视觉路线的底气所在。

pocc=σ(w⊤fv+b)=11+e−(w⊤fv+b)\displaystyle p_{occ} = \sigma\left(w^\top f_v + b\right) = \frac{1}{1 + e^{-(w^\top f_v + b)}}
  1. $f_v$ 体素特征解码头输出的第 $v$ 个体素的特征向量，包含视觉与空间信息。
    fv∈RC\displaystyle f_v \in \mathbb{R}^{C}
  2. $w$ 与 $b$ 权重偏置可学习的线性映射参数，决定特征如何转化为分数。
    w⊤fv+b\displaystyle w^\top f_v + b
  3. $\sigma$ sigmoid函数把任意实数压缩到0到1之间，变成“占用概率”。
    σ(z)=11+e−z\displaystyle \sigma(z) = \frac{1}{1 + e^{-z}}

公开基准评估

光自己说“我能看清车库”不算数，得把车开进驾考考场让裁判打分。OpenOccupancy和OpenScene就是这样的考场：它们提供带标准答案的“车库图纸”，让各路占用网络同台竞技。

OpenOccupancy基于nuScenes等自动驾驶数据集，用激光雷达累积点云加人工标注生成稠密的3D占用标签，覆盖数十类语义；OpenScene则侧重开放词汇的场景理解，考验模型对“没见过的描述”的泛化能力。评测时，把预测的体素与真实体素逐格对比，最核心的指标是IoU（交并比）。

IoU衡量“预测占用的格子”和“真实占用的格子”的重合程度：

考场图纸一摊开，哪家网络“猜得准、漏得少”一目了然。工程师也能借此发现自己的乐高上色手艺，究竟在哪些格子上还需要打磨。

IoU=TPTP+FP+FN\displaystyle \mathrm{IoU} = \frac{TP}{TP + FP + FN}
  1. $TP$ 真正例预测占用且实际确实占用的体素数，即“猜对的红色格子”。
    TP=预测占用∩真实占用\displaystyle TP = \text{预测占用} \cap \text{真实占用}
  2. $FP$ 假正例预测占用但实际为空闲的体素数（误报），比如把空墙当成障碍。
    FP\displaystyle FP
  3. $FN$ 假负例预测空闲或未知但实际占用的体素数（漏报），比如被遮挡而漏掉的行人。
    FN\displaystyle FN
  4. 比值范围IoU越接近1越好，误报和漏报都会同时拉低分数。
    TPTP+FP+FN∈[0,1]\displaystyle \frac{TP}{TP + FP + FN} \in [0, 1]

价值与挑战

占用网络最大的价值，是让司机在黑暗车库里不再“因为没见过某种奇形怪状的购物车就撞上去”。它不认名牌，只看“这块空间到底实不实”——这恰恰是安全兜底最重要的能力。

对规划模块而言，一张稠密的占用图意味着“任何被占据的体素都可以围成不可驶入区域”：无论是施工围挡、侧翻货车，还是歪斜的集装箱，都能被统一建模、统一避让。这是目标检测框做不到的，因为检测器只能识别“训练集里出现过的东西”。

挑战也明摆着：体素分辨率与计算量是立方级关系。网格切细一倍，体素数就变成8倍，显存和延迟都会迅速膨胀：

所以这盒乐高不能贪大贪细——聪明的做法是近处精细、远处粗糙、只计算有内容的稀疏格子。占用网络的前沿探索，正是在“看得全”与“算得起”之间反复权衡。

Nvoxel=Lx⋅Ly⋅Lzr3\displaystyle N_{voxel} = \frac{L_x \cdot L_y \cdot L_z}{r^3}
  1. $L_x,L_y,L_z$ 感知范围三个方向覆盖的空间总长度，决定“乐高盒”有多大。
    Lx,Ly,Lz\displaystyle L_x, L_y, L_z
  2. $r$ 体素边长每个小立方体的尺寸，决定“乐高块”有多细。
    r\displaystyle r
  3. $r^3$ 立方增长分母上的三次方揭示了为什么分辨率微调、算力爆炸。
    Lx⋅Ly⋅Lzr3\displaystyle \frac{L_x \cdot L_y \cdot L_z}{r^3}

AI 应用场景

城市领航辅助的“安全兜底层”

阶段：环境感知与感知-规划接口

解决的问题：传统目标检测只能识别“见过的类别”，遇到倒在地上的货车、翘起的井盖、乱堆的施工围挡会漏检，漏检即事故。占用网络把路权空间逐体素标注为占用/空闲，规划模块直接把红色体素视为禁入区域，不依赖任何类别名称。

具体案例：某品牌城区NOA在施工路段遇到一辆侧翻的三轮车，检测器置信度飘忽不定，但占用网络稳定输出一片红色体素，车辆自动减速绕行——全程没有“认出来”，却安全通过了。

代客泊车与封闭园区物流

阶段：感知输入与局部建图

解决的问题：泊车场景里柱子、锥桶、闸杆和车辆混在一起，检测框互相遮挡、频繁跳变；占用网络像“黑暗车库里的乐高图”一样，把空间一次性稠密表达出来，支撑低速精确避障。

具体案例：一个自动代客泊车演示中，车辆用四路鱼眼相机实时输出20米内的3D占用网格。一辆婴儿车从前方货车后面探出半个身位时，网格里突然多出几个红色体素，系统在婴儿车完全露面之前就开始减速刹停。

离线数据生成与基准评测

阶段：数据标注与模型评测

解决的问题：逐体素手工标注几乎不可能完成；OpenOccupancy一类基准利用激光雷达累积点云自动生成稠密标签，让训练和评测变得可复现、可对比、可迭代。

具体案例：算法团队先在OpenOccupancy上预训练占用网络，再用自有数据集微调，将mIoU从35%提升到52%；同时用OpenScene做开放词汇评测，检验模型对“没见过的路况描述”的泛化能力，作为量产前的重要关卡。

Python 演示

python39 行
import numpy as np G = 6  # 每个维度体素数: 6x6x6 # 1. 构造真实世界: 三个障碍物立方体(真实占用的体素)truth = np.zeros((G, G, G), dtype=np.int8)for x, y, z, s in [(1, 1, 1, 2), (4, 3, 1, 2), (2, 4, 3, 1)]:    truth[x:x+s, y:y+s, z:z+s] = 1 # 2. 模拟传感器观测: 初始全部为未知(-1)sensor = np.full((G, G, G), -1, dtype=np.int8) # 3. 沿x方向逐束发射射线: 打中障碍即停 后面的体素保持未知for y in range(G):    for z in range(G):        for x in range(G):            if truth[x, y, z] == 1:                sensor[x, y, z] = 1                break            sensor[x, y, z] = 0 # 4. 用IoU评估可见面猜测的损失tp = int(np.sum((sensor == 1) & (truth == 1)))fp = int(np.sum((sensor == 1) & (truth == 0)))fn = int(np.sum((sensor == 0) & (truth == 1)))iou = tp / max(tp + fp + fn, 1)print("真实占用体素数:", int(truth.sum()))print("射线能看到的占用体素数:", tp + fp)print("被遮挡漏掉的占用体素数:", fn)print("可见部分IoU: %.2f" % iou) # 5. 保守策略: 把未知体素都当占用 对比IoU变化safe = sensor.copy()safe[safe == -1] = 1tp2 = int(np.sum((safe == 1) & (truth == 1)))fp2 = int(np.sum((safe == 1) & (truth == 0)))fn2 = int(np.sum((safe == 0) & (truth == 1)))iou2 = tp2 / max(tp2 + fp2 + fn2, 1)print("保守策略IoU: %.2f" % iou2)
目的：演示“遮挡导致未知”这一占用感知核心难点，并用IoU量化可见面感知与保守补全策略的差异。
  1. truth = np.zeros((G, G, G), dtype=np.int8)先搭好“真实世界”的小乐高盒，障碍物是三个大小不同的立方体。
  2. sensor = np.full((G, G, G), -1, dtype=np.int8)传感器的观测图，初始全部为未知，对应灰格子。
  3. if truth[x, y, z] == 1:射线沿x方向逐格前进，撞到障碍就标记占用并立即停下。
  4. sensor[x, y, z] = 0射线经过的格子标记为空闲，代表“看见并确认没东西”。
  5. tp = int(np.sum((sensor == 1) & (truth == 1)))数一数“猜对的红色格子”，即真正例。
  6. iou = tp / max(tp + fp + fn, 1)用IoU给可见面猜测打分，分母加1防止除零。
  7. safe[safe == -1] = 1保守策略：把所有未知格子都当成占用，观察误报如何上升。

常见误区

误区“占用网络不就是把目标检测从2D框升级到3D框吗？反正都要输出物体的类别和朝向。”

正解占用网络不画框、不数物体，而是把空间切成体素后逐格判断“有没有东西”。它天然能表达任意形状的障碍物，包括检测器从未见过的异形物体。是否输出语义类别是可选的，很多方案只输出占用/空闲/未知三态。检测器回答“有几个物体、是什么”，占用网络回答“哪块空间是实的”。

为何常见：自动驾驶感知课程的主线是“检测-分割-跟踪”，初学者习惯把新方法硬塞进旧框架，于是误以为占用是检测的变体。

误区“某个体素没有被传感器扫到，那就先当它是空的吧，反正撞上的概率很低。”

正解未知应该像乐高盒里没打开过的抽屉——里面可能有东西。把未知当空闲是安全大忌，特斯拉和公开基准都单独建模未知态。正确的做法是在规划层面把未知区域视为“可能占用”，减速观察后再决定是否通行。

为何常见：人眼天生会把看不见的地方脑补成“安全区”，这是大脑的乐观偏差，放到自动驾驶上就成了隐患。

误区“分辨率越高感知越精细，所以网格切得越细就越牛。”

正解网格变细一倍，体素数变成8倍，计算量和显存跟着立方级爆炸。工业界普遍用稀疏计算、多分辨率、径向分层来平衡，只在自己关心的感知范围内细化。一味求细，可能让车“想得慢”反而更危险。

为何常见：直觉上“细节等于效果”，忽略了三维网格体积随分辨率三次方增长的数学事实。

误区“特斯拉证明了纯视觉占用网络可行，那激光雷达可以退役了。”

正解特斯拉证明了纯视觉路线在特定条件下可行，但激光雷达仍有独特价值：直接测距、不依赖纹理、夜间和逆光下表现稳定，还能为训练生成高质量占用标签。多数量产方案走的是相机加雷达的多传感器融合，而不是非此即彼。

为何常见：媒体把特斯拉的“视觉优先”放大成“唯一解”，掩盖了工程上对冗余安全和成本效益的综合考量。

面试题

Q1. 占用网络中最基本的预测单元是什么？

单选题 · easy

  • A.二维图像中的像素格子
  • B.三维空间中的立体体素← 正确答案
  • C.二维图像中的检测方框
  • D.三维空间中的测量点云

答案：B。占用网络把3D空间网格化成一个个小立方体，体素是它的基本单元。像素是2D分割的粒度，检测框是目标检测的输出，点云点是雷达的原始数据，都不是“网格化空间”的最小单元。

Q2. 某个体素被预测为“占用”，意味着什么？

单选题 · easy

  • A.该体素内部完全透明空旷
  • B.该体素内部存在物体填充← 正确答案
  • C.该体素内部传感器没覆盖
  • D.该体素内部光线无法穿透

答案：B。占用表示该体素内有实体填充，就像乐高盒里这一格被积木塞满了。空闲才代表确认空旷，未知代表没有观测证据；“光线无法穿透”是造成未知的原因，而不是状态本身的定义。

Q3. 占用网络采用稀疏计算（只激活与内容相关的体素位置）的主要目的是什么？

单选题 · easy

  • A.降低计算量并提升实时性← 正确答案
  • B.增大训练数据集的总体规模
  • C.让激光雷达的测距更加精确
  • D.让相机像素分辨率更清晰

答案：A。三维空间里绝大多数体素是空地，逐个体素都算会造成巨大浪费。稀疏计算只激活有内容的位置，好比只检查抽屉里“可能藏着东西”的那几个，而非把整面墙的乐高块全部翻一遍。

Q4. 体素处于“未知”状态的最主要来源是什么？

单选题 · mid

  • A.被前方障碍物遮挡看不到← 正确答案
  • B.相机供电中断自动关机
  • C.模型把背景误判成占用
  • D.训练数据被错误标注导致

答案：A。前方障碍物会挡住射线，阴影里的体素没有任何观测证据，只能保持“未知”。相机断电、背景误判、标注错误都不是系统性成因——未知的本质是“没有证据”，就像柱子后面的乐高块无人在黑暗中照过。

Q5. 特斯拉FSD的占用网络主要输入是什么？

单选题 · mid

  • A.超声波雷达回波信号数据
  • B.高精度地图的矢量线数据
  • C.机械式激光雷达点云数据
  • D.环视多路相机拍摄图像← 正确答案

答案：D。特斯拉走纯视觉路线，用环视多路相机图像作为占用网络的输入。高精地图、超声波雷达、激光雷达都不是其占用网络的主输入——这正是“只带手电筒的老司机”方案的核心特点。

Q6. OpenOccupancy数据集的主要用途是什么？

单选题 · mid

  • A.仿真车辆底盘运动动力学
  • B.训练与评测三维占用网络← 正确答案
  • C.自动生成高精度道路地图
  • D.训练车载语音交互大模型

答案：B。OpenOccupancy基于nuScenes等自动驾驶数据，提供逐体素的稠密3D占用标签，用来训练和评测占用网络。底盘动力学、高精地图、语音交互是其他领域的数据集，与占用感知无关。

Q7. 占用网络的典型输入包括哪些？

多选题 · mid

  • A.多路相机图像与激光雷达点云← 正确答案
  • B.自车位置姿态等运动状态信息← 正确答案
  • C.传感器内外参标定参数信息← 正确答案
  • D.驾驶员心电呼吸等生理信号

答案：ABC。占用网络需要感知观测（图像/点云）、自车运动状态（用于坐标对齐）和标定参数（用于多传感器投影到同一乐高盒）。生理信号属于驾驶员监控，跟空间占用预测没有关系。

Q8. 逐体素占用分类训练时最常用的损失函数是哪个？

单选题 · hard

  • A.交叉熵分类损失函数← 正确答案
  • B.最大间隔铰链损失函数
  • C.均方误差回归损失函数
  • D.余弦相似度对比损失函数

答案：A。体素占用是典型的二分类问题，默认使用交叉熵损失，让预测概率逼近0/1标签。MSE用于回归，铰链损失用于SVM式分类，余弦对比损失用于表征学习，都不是占用分类的标准选择。

Q9. 相比目标检测，占用网络有哪些优势？

多选题 · hard

  • A.无需预设障碍物的具体类别← 正确答案
  • B.能感知任意形状的障碍物体← 正确答案
  • C.可推理被遮挡区域的占用状态← 正确答案
  • D.计算量一定比目标检测更小

答案：ABC。占用网络输出密集体素场，不预设类别、能表达任意形状，还能借上下文推理被遮挡区域。但它通常比目标检测计算量更大，所以D错——安全兜底是拿算力换来的。

Q10. 一辆卡车完全遮挡了后方的自行车，占用网络应如何建模自行车所在体素？

单选题 · extreme

  • A.直接删除该体素不参与计算
  • B.预测为空闲来提高通行效率
  • C.预测为未知并等待后续更新← 正确答案
  • D.强制预测为占用以保持安全

答案：C。被完全遮挡的体素没有观测证据，应留在“未知”状态，等后续帧或自车移动后获得新观测再更新。强制预测占用会制造大量误报，预测空闲则可能撞上未发现的障碍，直接删除则丢失了“那里可能不安全”的提醒——未知本身就是信息。