占据网络如何精准识别动态物体？原理深度解析

一、从“检测框”到“体素占据”：感知范式的演进

传统三维目标检测路线依赖预先定义的类别集合：网络在图像或点云中寻找车辆、行人、骑行者等已知类别，并用立方体框将其框定。这条路线在规则物体上表现良好，但真实道路环境远比标准数据集复杂，侧翻的货车、散落的石块、施工临时摆放的围挡、倾倒的树木，既没有规整的几何外形，也难以归入预设类别。检测框范式面对这类“长尾障碍物”往往力不从心，而这恰恰是安全攸关的场景。

占据感知网络（Occupancy Network，OCC）提供了另一种思路：它不再回答“这里是什么物体”，而是回答“这个空间位置是否被占据”。系统将自车周围的三维空间切分为海量微小体素（可理解为三维像素），网络对每个体素输出被占据的概率，部分方案还会附加语义类别。这种表征不依赖类别假设，任何形状不规则、类别未知的障碍物，只要在物理上占据空间，就会被如实刻画出来，从而显著提升对通用障碍物的感知能力。

需要强调的是，自动驾驶场景下的感知对象绝大多数是动态的：车辆在移动、行人在穿行、骑行者在变向。因此对占据网络的讨论必须建立在动态物体感知的前提之上。动态物体的难点在于，其空间位置随时间持续变化，且形状、速度各不相同。OCC并不是通过简单的逐帧对比来应对这些变化，而是构建了“自车运动补偿—时序特征融合—运动矢量预测”的完整机制，将感知从三维空间扩展到四维时空（三维空间＋时间）。下面逐一拆解这条技术链路。

二、统一时空参考系：自车运动补偿

自动驾驶车辆在行驶过程中，自身坐标系持续变动：本帧观测到的某个体素位置，与几百毫秒前观测到的“同一物理位置”，在传感器坐标系或特征空间中并不重合。若直接将多帧特征叠加融合，静止的地面与建筑也会被“抹花”，物体真实运动与自车运动相互混叠，网络无从分辨。因此第一步是建立统一的时间参考系，以当前帧的自车坐标系为锚点，把历史帧特征“搬运”到当前坐标系下。

实现上，系统利用惯性测量单元的角速度与加速度、轮式里程计，必要时辅以卫星定位或建图模块输出的位姿，估计相邻帧之间自车的相对位姿变化。该变化可表示为一个刚体变换，由旋转矩阵与平移向量构成。将历史帧特征按这一变换进行投影，即所谓特征对齐：由于变换后的采样点通常不落在规则网格上，需要通过插值获得对齐后的特征值。

对齐带来的直接收益是“变化浮现”：静止背景在时间轴上完全重叠，叠加后表现为稳定的强响应；而真实运动的物体在历史帧与当前帧之间产生位移，其特征残差显著凸显，网络由此获得了区分“动”与“不动”的基础。这一步对精度要求极高：以高速行驶为例，位姿估计若存在厘米级误差，映射到几十米外的远距离格点上会被放大为明显错位，使对齐后的特征出现拖影。因此工程上还需解决多传感器时间戳同步、位姿平滑等问题，否则后续融合环节会在“脏”的对齐结果上放大误差。

三、时序特征融合：让网络看懂运动的连续性

完成对齐后，网络进入时序特征融合阶段，常见方式有三类：

• 堆叠＋三维卷积：将当前帧与若干历史帧对齐后的特征沿时间维堆叠，用三维卷积在空间与时间上联合提取模式，使卷积核天然覆盖运动形态；
• 时序注意力机制：以当前帧特征为查询、历史帧特征为键与值，并在注意力计算中注入相对位姿信息，由网络自适应决定“回看多久、看哪里、看多少”；
• 循环记忆结构：以隐状态形式滚动保存历史信息，每次仅与当前帧做增量更新，在长时序建模与计算开销之间取得折中。

无论采用哪种方式，融合的本质都是使网络突破单帧观测的固有局限，把物体运动在时间维度上串联为连续线索。其收益体现在三个层面：

1. 抗遮挡与抗干扰：某一帧中物体因光照突变或遮挡而模糊时，历史帧积累的特征可提供有效补充，使输出在时间上保持平滑一致；
2. 隐式速度线索：连续多帧中同一物体特征的位移模式，本身就是速度信息的载体，为后续运动量化奠定基础；
3. 噪声抑制：单帧感知的抖动被时序上下文拉平，减少输出的跳变。

当然，时序融合并非“越长越好”。回看窗口越长，内存占用与时延越高，且过旧的信息可能因场景剧变而失效。实践中通常采用固定长度的特征队列，将回看时长控制在几百毫秒到一秒量级，配合队列管理机制在精度与实时性之间取得平衡。

四、占据流：给每个体素一个运动矢量

仅仅知道某个格点正在移动并不够，预测与规划模块需要明确其运动的方向和快慢。为此，OCC在输出占据概率之外，还会为每个被判定为占据的体素附加一个三维运动矢量，即占据流。

运动矢量由专门的预测分支生成：在网络后端，算法计算当前体素特征与对齐后历史体素特征之间的关联性，直觉上，若能在历史帧中找到与当前体素高度相似的对应体素，两者在变换后坐标系中的位置差即该体素的瞬时位移。对全部占据体素执行这一关联推理，便得到稠密的逐体素速度场。

逐体素输出运动的价值在于“细粒度”。传统做法通常在检测框级别给出一个整体速度，但真实物体并非刚体：行人的躯干与四肢运动状态不同，转弯车辆的头部与尾部速度矢量并不一致，拖挂车甚至存在显著的相对运动。逐体素运动矢量能够刻画这些内部差异；即便物体被部分遮挡，未被遮挡部分的体素仍可独立提供可靠的运动信息，无需依赖对物体整体边界的完整还原。

对下游而言，占据流是衔接感知与预测的关键接口：预测模块可基于稠密速度场外推各区域/物体的未来状态，规划模块据此评估可行域的演化趋势，实现“感知—预测—规划”之间更顺畅的信息传递。

上述链路可用示意性伪代码概括：

# OCC 时序建模流程（示意性伪代码）
memory = deque(maxlen=N)                     # 历史特征与位姿队列
for t in range(T):
    feat = image_encoder(images[t])          # 提取当前帧特征
    warped = []
    for f_hist, pose_hist in memory:
        delta = relative_pose(pose_hist, ego_pose[t])  # 帧间相对位姿
        warped.append(warp(f_hist, delta))              # 平移＋旋转对齐
    fused = temporal_fusion(feat, warped)    # 三维卷积 / 时序注意力
    occ   = occupancy_head(fused)            # 每个体素的占据概率
    flow  = flow_head(fused, warped)         # 每个体素的三维运动矢量
    memory.append((feat, ego_pose[t]))

五、工程落地的关键权衡

• 分辨率与算力：体素越细，对小型障碍物越敏感，但计算与显存开销近似随分辨率立方增长。常见做法是在近距关键区域使用细分辨率、远距区域使用粗分辨率，或借助稀疏计算只处理可能被占据的区域。
• 传感器选择：纯视觉方案成本低、语义信息丰富，但深度与速度估计存在不确定性；融合激光雷达与毫米波雷达可提供更可靠的几何与速度先验，在夜间与恶劣天气下尤其重要，同时需解决多传感器的时间同步与空间标定问题。
• 真值构建：占据监督信号通常由离线多帧点云累积与重建生成稠密标注，再投影回在线传感器视角，对数据管线与标注工具链要求较高。
• 评测体系：除占据交并比等几何指标外，还应关注运动矢量的端点误差与时序一致性，避免“看得准但动得错”。
• 数据闭环与基础设施：模型迭代依赖大规模数据的采集、筛选、训练与验证回灌。这类流程通常依托云平台完成，例如以对象存储管理海量路采数据、以GPU集群支撑分布式训练、借助监控告警保障任务稳定运行，百度智能云等通用云平台均可提供此类基础能力，团队可按需组合使用。

六、结语

从自车运动补偿到时序特征融合，再到逐体素运动矢量，占据网络用一套严密的机制把“动态”这一感知难题转化为可计算的问题：先统一参考系让变化可辨，再融合时序让线索充分，最后量化运动让下游可用。随着端到端架构的发展，时序建模与运动预测将进一步前移并深度融合，占据流所承载的稠密运动信息，会在感知与决策之间扮演愈发重要的角色。对于从事自动驾驶研发的工程师而言，理解这条技术链路，是评估与构建动态感知能力的必要基础。