Occupancy Network（占用网络） 的十年（2015–2025），是从机器人学的“概率网格”向自动驾驶“全感知范式”演进的历程。

它是感知算法的“最后一道防线”，将 3D 空间的理解从“识别物体”升维到了“感知道路几何”。

一、 核心阶段：从“网格图”到“全息空间”

1. 经典 OGM 阶段 (2015–2020) —— “机器人的地图”

• 核心逻辑： 基于 OGM（Occupancy Grid Mapping，占用概率栅格）。
• 特征： 这在机器人领域是基础方案。主要利用激光雷达（LiDAR）探测空间是否有物体，生成 2D 或准 3D 的二值地图（占有/空闲）。
• 局限： 此时的 Occupancy 主要是几何层面的，缺乏语义理解。它知道那里有个东西，但不知道那是什么，更无法通过纯视觉（相机）高效生成。

2. 视觉 Occupancy 萌芽与 BEV 转型 (2021–2022) —— “升维的契机”

• 里程碑： 2022 年 Tesla AI Day 正式引入 Occupancy Network。

• 技术突破：

• 从 2D 到 3D： 传统的 BEV（鸟瞰图）将世界压扁在 2D 平面上，丢失了高度信息。Occupancy 将世界切碎为无数个 Voxel（体素）。

• 语义注入： 给每一个体素赋予标签（如：车、路面、树木、未知物体）。

• 意义： 解决了“异形障碍物”难题。系统不再需要先识别出它是“洒水车”或“侧翻的货车”才能避让，只要发现空间被占用，就会规划绕行。

3. 4D 全息与端到端集成 (2023–2025) —— “感知的底座”

• 2025 现状：
• B.O.T 架构 (BEV + Occupancy + Transformer)： 成为行业标配（如极越、小鹏、华为、理想）。
• 时空 4D 化： 现在的 Occupancy 不仅是静态的 3D 块，还带有了 Flow（运动流） 属性，能感知物体运动的趋势。
• 端到端深度耦合： Occupancy 不再是单独的输出，而是直接作为“世界模型”的一部分，输入给端到端大模型。

二、 核心技术维度对比 (2015 vs 2025)

三、 2025 年的技术巅峰：通用障碍物与内核监控

在 2025 年，Occupancy Network 已经成为了智驾系统的**“物理常识引擎”**：

1. 通用障碍物识别 (General Obstacles)：
   2025 年的 Occupancy 模型解决了自动驾驶最头疼的“白名单以外”物体。无论是路边倒下的共享单车、垂下的树枝，还是散落的石块，Occupancy 都能像人的本能一样发现“那里不空”，从而实现全场景避障。
2. eBPF 内核级感知流审计：
   由于 Occupancy 推理涉及庞大的体素网格计算，2025 年的架构引入了 eBPF 监控。

• 性能卡口： eBPF 在内核层监控感知链路。如果由于复杂场景（如暴雨中的十字路口）导致 Occupancy 的体素渲染出现丢帧或延迟超过 ，eBPF 会即刻触发动态分级降采样，优先保障车道线和近距目标的“占据”检测。

3. 多模态融合 Occ (M-Occ)：
   2025 年的量产方案实现了摄像头、4D 毫米波雷达和激光雷达的特征级 Occupancy 融合。雷达的穿透力与视觉的高分辨率在体素层面完美结合，使系统在浓雾或强光下依然能维持厘米级的建模精度。

四、 总结：从“看见物体”到“感悟空间”

过去十年的演进，是将感知从**“给物体贴标签”变成了“重建周围的物理场”**。

• 2015 年： 机器人想的是“这里有一个方块，我别撞上它”。
• 2025 年： 车辆想的是“前方 5 米处的空间正在被一个具有语义特征的物理实体占据，其运动流向为左前方，我应规划一条安全曲线”。