际。”陈默的声音不高，瞬间成为会议室的中心，“用户体验是检验技术的唯一标准。关于alc的决策鲁棒性，还有bev感知落地难的问题，我最近看了一些前沿论文和开源项目，有点不成熟的想法，可以抛出来供大家探讨。”
“第一，关于感知。”陈默的指尖在桌面上虚点，仿佛在勾勒无形的蓝图，“bev是方向没错。
但传统基于摄像头和雷达点云生成bev特征图，再去做目标检测、分割的方法，对算力和实时性要求极高。
并且对非常规障碍物(比如掉落的轮胎、倒下的树、形状怪异的施工设施)的识别能力，存在理论瓶颈。
我在想，是否可以引入一种更‘直接’的表达方式——占用网络(occupancynetwork)。”
“占用网络？”李鹏飞下意识地重复了一句，这位计算机视觉领域的顶尖专家，镜片后的眼睛瞬间亮了起来，身体也不由自主地坐直了。
这个概念对他而言不算陌生，但从未在量产自动驾驶领域被认真讨论过。
它太新，也太“重”了。
“对，”陈默点头。
“它不关心前方障碍物是车、是人、是锥桶还是别的什么具体类别。
它只关心一个最本质的问题：车辆前方及周围的三维空间里，哪些体素(voxel)被占用了？
是刚性占用(如墙壁)还是柔性占用(如灌木丛)？
是可穿越的还是不可穿越的？”
他一边说，一边拿起桌上的白板笔，转身在旁边的白板上快速勾勒起来。
寥寥几笔，画出一个粗糙的车辆前方视角，然后打上密集的三维网格。
“输入多视角摄像头图像，甚至融合低线束激光雷达的稀疏点云，通过一个精心设计的3d卷积神经网络，直接输出一个稠密的三维占用栅格图。
每一个小格子(体素)都有一个概率值，表示它被占据的可能性。
同时，还可以预测每个被占据体素的运动状态(速度向量)。”
陈默的笔尖在网格上移动：
“这样，无论前方是一个标准车辆，还是一堆怪异的建筑垃圾，甚至是一团浓雾(如果能部分穿透)，系统都能感知到‘有东西占着这个空间，可能会动’。
避障是最核心的需求，知道‘有东西’且‘它怎么动’，往往比精确知道‘它是什么’更重要，尤其是在