Occupancy（占据网络）

定位：自动驾驶 3D 感知核心范式 · 端云协同链路 标签：感知算法 BEV/3D 端到端 链-云 更新：2025 年 Q2

⚡ 3 秒速览

📖 3 分钟理解

是什么？

Occupancy Network（占据网络）是一种 稠密 3D 语义占据预测 方法：

1. 体素化：以自车为中心，将周围空间（典型范围：前 60–100 m、左右 40 m、高 8 m）划分为 0.2–0.4 m 边长的立方体网格。
2. 预测任务：对每个体素输出两维信息——
   • 占据概率：该格是否被实体占据（二值/概率）
   • 语义标签：车辆/行人/建筑/道路/植被/空（可选多类别）
3. 输出：一张高分辨率 3D 占据栅格，供规划模块做碰撞检测与路径搜索。

为什么火？

典型技术链路

多相机图像 ──→ Backbone(ResNet/ViT) ──→ BEV 特征 ──→ 3D 升维 ──→ Occupancy Head
                                                                            │
摄像头 + LiDAR（可选）──────────────────────────────────────────────┘
                                                                            ▼
                                                                   3D 占据栅格
                                                                            │
                                                                            ▼
                                                               规划/控制模块

关键性能指标（公开基准参考）

🔬 15 分钟专家深入

一、技术原理

1.1 从 BEV 到 Occupancy 的演进

关键跃迁：BEV 仅是”俯视投影”（丢失高度信息），Occupancy 是真正的 3D 体素网格，能表达立交桥、隧道、车辆底盘等多层结构。

1.2 核心技术模块

① 2D→3D 特征提升（Lift）

• LSS 系（Lift-Splat-Shoot）：预测每个像素深度分布，将 2D 特征”沿射线撒回”3D 空间。
• Transformer 系（BEVFormer）：用 3D 参考点查询 BEV 特征，通过交叉注意力聚合多视角图像信息。
• 显式深度监督：引入 LiDAR 点云或深度真值做深度估计辅助损失。

② 3D 编码器

• 将稀疏 3D 特征体素化后送入 3D 卷积（如 SparseConv）或 3D Transformer。
• 稀疏化是关键：整幅场景体素数量可达 200³≈800 万，必须用哈希表/稀疏卷积只计算被占据区域。

③ Occupancy Head

• 分类头：逐体素做多分类（空/车/人/建筑…），常用 Focal Loss 或 Dice Loss。
• 回归头（可选）：预测体素内 TSDF（截断符号距离场），用于更精细的表面重建。

④ 时序融合

• 融合历史帧的 BEV/占据特征（循环结构或帧间注意力），提升遮挡区域的推理能力。
• 可进一步做 占据流（Occupancy Flow） 预测，估计每个体素的速度矢量。

1.3 代表开源方案对比

注：上表 mIoU 数值因数据集划分不同不可直接横向比较，此处仅列方案定位。

二、产业链全景

2.1 产业链图谱（链-云视角）

┌─────────────────────────────────────────────────────────────────┐
│                        云 端 (Cloud)                            │
│  ┌──────────┐  ┌──────────────┐  ┌─────────────────────────┐   │
│  │ 数据闭环 │  │ 仿真测试平台 │  │ 模型训练/蒸馏/压缩      │   │
│  │ (采集→标注│  │ (CARLA/LGSVL │  │ (GPU集群 A100/H100)     │   │
│  │ →回流)   │  │  →自研)      │  │                         │   │
│  └──────────┘  └──────────────┘  └─────────────────────────┘   │
└──────────────────────────┬──────────────────────────────────────┘
                           │ 模型下发 OTA
┌──────────────────────────▼──────────────────────────────────────┐
│                        车 端 (Chain)                             │
│  ┌─────────┐  ┌───────────┐  ┌────────────┐  ┌──────────────┐  │
│  │ 传感器  │→│ 域控芯片  │→│ Occ 算法栈 │→│ 规划/控制    │  │
│  │摄像头×N │  │Orin/征程6 │  │ (前处理→   │  │ 占据栅格→    │  │
│  │LiDAR(可)│  │TDA4/自研  │  │  骨干→Head)│  │  代价体→轨迹 │  │
│  └─────────┘  └───────────┘  └────────────┘  └──────────────┘  │
└─────────────────────────────────────────────────────────────────┘

2.2 上游：传感器与芯片

2.3 中游：算法/软件

2.4 下游：整车与 Robotaxi

三、代表公司深度

3.1 特斯拉（Tesla）

3.2 华为 ADS

3.3 小鹏汽车

3.4 理想汽车

3.5 Momenta

3.6 地平线

四、中国产业进展

4.1 时间线

4.2 产学研格局

4.3 中国市场特殊性

五、风险与争议

5.1 技术风险

5.2 产业争议

5.3 监管与合规

六、关键数据汇总

说明：部分数值为公开论文/发布会数据，实际量产参数可能因软硬件版本不同存在差异。

七、未来展望

免责声明：本文仅供技术科普与产业链研究参考，不构成任何投资建议或产品推荐。数据截至 2025 年 Q2，如有更新请以官方最新披露为准。