Occupancy Network：用占据网格理解3D空间

可视化演示

动态演示Occupancy Netw的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

为何需要占据空间：从认出物体到感知占满

管家最先学会的，是辨认每一件家具。可当他面对一团没有名字的黑影时，他会愣在原地。自动驾驶也是一样：传统感知依赖目标检测，需要提前定义类别，比如“车”“行人”“锥桶”。但真实世界里，总会出现你没训练过的长尾物体，比如倾倒的树干、掉落的轮胎、施工遗留的铁管。只做目标检测，天生就漏。

如果把视角从“认出物体”换成“空间占满”，事情就变得简单。世界是连续的，车能走的地方，是因为那里没有被东西占据。Occupancy Network 要做的事，就是对空间中的每个小方块体素，预测一个“被占据”的概率。它不关心占据它的具体是什么，只关心概率高不高。

数学上，可以定义每个体素 v 的占据概率：

回到管家的世界：他不需要知道脚下踩的是快递箱还是黑色水管，只需要知道那块“感应瓷砖”亮了。目标检测是在问“这是什么”，占据网格是在问“这能不能走”。后者才是安全兜底真正需要的答案。

体素网格表示：把空间切成感应瓷砖

管家想把整座宅子都铺上感应瓷砖。他不能把瓷砖做成任何形状，只能做成统一大小的方块，这样才能一块块拼起来。于是，连续的三维空间被切成了许多小立方体，每个小立方体就叫一个体素（Voxel）。体素的边长就是分辨率 r。

体素化的核心是把世界坐标离散化。假设整个空间有一个起点 (x_min, y_min, z_min)，那么任意一点 (x, y, z) 都能换算成体素坐标：

瓷砖越小，管家对地面的描述越精确；但同样面积需要铺的瓷砖也越多。这就是后面要讨论的分辨率与算力权衡的雏形。

网络预测任务：判断瓷砖亮不亮

管家不能真的去踩每一块瓷砖，他靠监控画面来判断。Occupancy Network 也一样：输入来自摄像头、激光雷达或多传感器融合的特征，输出是全部体素的占据概率。

网络先把二维图像编码成特征，再通过三维卷积在体素空间中推理。因为任务只是“亮不亮”，模型不必区分语义。在训练时，我们使用真值标签 y_v 与预测概率 o_v 计算二值交叉熵损失：

管家在训练中不断修正自己的判断：看到阴影和高光，逐渐学会哪些区域大概率被占。最终，他不需要认识每个物体，也能在监控画面亮起时，第一时间知道哪块瓷砖不能踩。

稀疏表示优化：只记被踩的瓷砖

整座宅子铺满感应瓷砖后，管家发现绝大多数瓷砖常年没人踩。如果每天都要记录每一块瓷砖的状态，记忆库会爆炸。自动驾驶场景也一样：道路前方大部分区域是空的，只有少数体素真正被占据。

稠密体素网格意味着要存储和计算所有格子，哪怕其中 99% 是空闲。为了节省资源，可以只保存“被占据”或“状态未知”的体素，这就是稀疏表示。稀疏卷积只对有效位置做计算，体素哈希表则能快速找到“某块瓷砖在不在记录里”。

我们可以用稀疏度描述这种节省效果：

管家在记忆本上只记录被踩脏的瓷砖和从没见过的暗区。这样，即使宅子再大，他也能快速翻到关键位置，把省下的精力用来盯着那些“可疑的亮灯”。

BEV感知协同：天花板上的鸟瞰镜

管家站在地面看走廊，视线会被家具挡住。但如果他在天花板上装一面大镜子，从上往下看，整层楼的瓷砖位置就一目了然。这个俯视视角，就是自动驾驶里的 BEV（Bird's Eye View，鸟瞰图）。

BEV 是二维平面，Occupancy Network 是三维体素。两者并不冲突：三维占据网格可以沿高度方向“压扁”成二维 BEV 占据图，供路径规划直接使用；规划模块只关心地面平面上哪些区域可走，不关心那堆障碍物到底有多高。聚合方式有很多种，最简单的是取高度方向的最大占据概率：

天花板上的镜子让管家不必反复弯腰确认。BEV 占据图也成为连接感知与规划的一座桥梁：下游模块不再需要“识别出那是椅子”，只需要知道“这里别走”。

遮挡与长尾障碍物：看不见也能猜

柜子挡住了墙角，管家看不到那片区域，但他不会轻易认为那里是安全的。自动驾驶同样如此：被遮挡的体素并不等于空闲，更合理的状态是“未知”。

Occupancy Network 的优势在于它是一个几何推理模型。它可以利用周围可见区域的上下文，推测被遮挡区域的占据概率。比如看到两辆车的夹缝里露出半个购物车，模型会补全出“购物车附近的空间被占”。同时，因为模型并不依赖“购物车”这个类别，它天然对长尾障碍物更友好。

为了安全，许多实现把预测从二分类扩展成三态：

管家在看不见的角落会主动放慢脚步。他可能不知道那里是墙还是猫，但他至少知道“那里未知”——这种保守，恰恰是安全驾驶最需要的品质。

工程算力权衡：大瓷砖还是小瓷砖

想要看清地面上的小坑，管家需要更小的瓷砖；可整座宅子都换成小瓷砖，铺装成本会暴涨。体素分辨率也面临同样的甜蜜与烦恼：体素边长 r 减半，同一空间内的体素数量会变成原来的 8 倍。

计算量大致服从立方增长，而误差与分辨率成反比。工程上常用动态策略：近处用小体素保证精度，远处用大体素节省算力；或者先粗后细，先用低分辨率找到可疑区域，再对局部细粒度预测。

管家会在走廊尽头使用粗瓷砖快速巡逻，在主人脚边使用细瓷砖仔细检查。未来开源实现和量产方案，也都在寻找“哪里需要细、哪里可以粗”的平衡点。

AI 应用场景

Python 演示

import numpy as np def voxelize_point_cloud(points, resolution=0.5):    coords = np.floor(np.asarray(points) / resolution).astype(np.int32)    coords -= coords.min(axis=0)    unique, counts = np.unique(coords, axis=0, return_counts=True)    return unique, counts def sparse_to_bev(voxel_coords, counts=None):    if counts is None:        counts = np.ones(len(voxel_coords), dtype=np.int32)    bev = {}    for (x, y, z), c in zip(voxel_coords.tolist(), counts.tolist()):        key = (x, y)        if c > 0:            bev[key] = 1    return bev def evaluate_resolution(points, res):    voxels, counts = voxelize_point_cloud(points, res)    bev = sparse_to_bev(voxels, counts)    return len(voxels), len(bev) if __name__ == "__main__":    rng = np.random.default_rng(42)    points = rng.uniform(low=[0, 0, 0], high=[10, 5, 2], size=(2000, 3))    for res in [1.0, 0.5, 0.25]:        n_voxels, n_bev = evaluate_resolution(points, res)        print(f"res={res}: voxels={n_voxels}, bev_cells={n_bev}")

1. coords = np.floor(np.asarray(points) / resolution).astype(np.int32)把连续坐标除以分辨率并向下取整，得到体素索引。
2. coords -= coords.min(axis=0)平移坐标，保证所有体素索引非负，便于统计。
3. np.unique(coords, axis=0, return_counts=True)找出所有被点云命中的体素及每个体素内的点数。
4. for (x, y, z), c in zip(...)遍历每个有效体素，只保留 (x, y) 平面信息。
5. bev[key] = 1只要该列存在任意点，就标记为占据，完成三维到二维的聚合。
6. for res in [1.0, 0.5, 0.25]对比不同分辨率下体素数量的增长，直观看到立方膨胀。

常见误区

面试题